趙攀，戴義平，夏俊榮，等

目的：風電功率的精確預測有助于優(yōu)化電力系統(tǒng)調度，降低電力系統(tǒng)運行成本及提高風電并網(wǎng)容量。數(shù)值天氣預報NWP（Numerical Weather Prediction）為風電功率統(tǒng)計預測方法提供氣象預報數(shù)據(jù)，但由于 NWP模型在處理次網(wǎng)格現(xiàn)象方面的能力不足及物理參數(shù)初始化存在缺陷，將導致 NWP模型提供的近地氣象參數(shù)存在系統(tǒng)誤差，從而影響風電功率預測精度。本文利用卡爾曼濾波技術消除 NWP預報數(shù)據(jù)中的系統(tǒng)誤差，達到提高風電功率預測精度的目的。方法：風電功率短期預測的統(tǒng)計方法主要是利用歷史數(shù)據(jù)建立風電場區(qū)域氣象數(shù)據(jù)與輸出功率之間的非線性映射關系，進而利用NWP輸出的氣象數(shù)據(jù)預測未來功率輸出。本文以統(tǒng)計方法中常用的逆向傳播（BP）神經網(wǎng)絡為基礎建立預測模型，通過卡爾曼濾波技術消除 NWP預報數(shù)據(jù)中存在的誤差，從而提高風電功率預測精度。具體方法為：首先使用卡爾曼濾波算法對風電功率起主導作用的風速數(shù)據(jù)進行動態(tài)修正，消除 NWP風速輸出數(shù)據(jù)中的存在的系統(tǒng)誤差；進而采用3層BP神經網(wǎng)絡方法建立修正風速、風向正弦、風向余弦及空氣密度與實際功率之間的非線性映射關系作為風電場實際功率預測的數(shù)學模型；最后使用NWP輸出的未來的修正風速、風向正弦、風向余弦及空氣密度作為 BP神經網(wǎng)絡預測模型的輸入，獲取未來的風電功率輸出。結果：以江蘇某沿海風電場作為試驗風場來驗證本文所提出的基于卡爾曼濾波修正的風電場短期功率預測模型。該風場裝有 33臺額定功率為 1.5 MW的變槳距風力機組，輪轂高度為80 m。首先對2009年由NWP反推獲得的測風塔位置全年風速數(shù)據(jù)進行了卡爾曼濾波修正，從試驗風場的NWP輸出風速修正前后數(shù)據(jù)及測風塔實測風速數(shù)據(jù)對比發(fā)現(xiàn)，由于誤差，特別是系統(tǒng)誤差的存在，NWP模式輸出的原始預測風速變化較為平緩，不能實時跟蹤實際風速的變化趨勢。然而，通過卡爾曼濾波算法修正的風速數(shù)據(jù)能夠跟蹤實測風速的變化且誤差較小，表明卡爾曼濾波算法能夠有效地消除風速數(shù)據(jù)中的系統(tǒng)誤差，但濾波數(shù)據(jù)與實測數(shù)據(jù)之間存在差異，這是風速數(shù)據(jù)中的隨機誤差決定的。其次，采用上述反推數(shù)據(jù)及修正數(shù)據(jù)分別建立原始預測模型和修正預測模型，對比實際風電場輸出功率、原始模型輸出及修正模型輸出發(fā)現(xiàn)，經卡爾曼濾波修正后的風電功率預測模型不僅能夠有效預測實際功率的變化趨勢，而且其均方根誤差從原始模型的17.73%降至了修正模型的11.32%，表明卡爾曼濾波對預測模型的修正在提高風電功率預測精度上是有效的。結論：本文提出了一種基于卡爾曼濾波修正的風電場短期功率預測模型。通過采用卡爾曼濾波算法對 NWP輸出的風速數(shù)據(jù)進行動態(tài)修正，能夠有效消除 NWP預測風速數(shù)據(jù)中含有的系統(tǒng)誤差。利用原始 NWP數(shù)據(jù)及修正NWP數(shù)據(jù)分別建立了BP神經網(wǎng)絡預測模型，并在同一測試時間段評估了卡爾曼濾波修正前后的風電場功率預測模型的均方根誤差，結果表明經修正的預測模型能夠有效預測實際功率的變化趨勢。

來源出版物：西安交通大學學報, 2011, 45(5): 47-51

入選年份：2015