武汉大学大学生科研项目中期报告c解读.docx

武汉大学大学生科研项目结题报告大型风电厂长期风电功率预测系统院（系）名称：电气工程专业名称：电气工程及自动化学生姓名：***指导教师：***二○一二年十一月郑 重声 明本人呈交的结题报告，是在导师的指导下，独立进行研究工作所取得的成果，所有数据、图片资料真实可靠。尽我所知，除文中已经注明引用的内容外，本报告的研究成果不包含他人享有著作权的内容。对本报告所涉及的研究工作做出贡献的其他个人和集体，均已在文中以明确的方式标明。本报告的知识产权归属于培养单位。本人签名： 日期：摘要风能作为一种可再生洁净能源的代表，有着广泛的发展前景。随着大规模风电场的兴起，风能越来越多地被应用到发电行业。由此也给电力系统带来一系列问题，例如电压问题、电能质量、调度方案等，特别是风电场输出功率的不可预知性，给电网运行带来极大的困难。对风电场输出功率进行预测不但能提高电网运行水平，而且可以降低非可再生能源的消耗，提高电力系统经济性，减少温室气体排放，意义重大。然而我国对风电率预测起步较晚，准备工作也不及国外充分，例如，对风电功率预测系统所需要的基础数据准备不够充分，对风电场气象信息的监测和收集技术不够成熟等，这些都制约着对风电功率预测系统的研究和开发。本项目旨在于对风电功率预测影响因素的分析，引入多变量输入，并利用小波-神经网络分析方法进行风电功率预测。关键词：风能风电功率预测第1章绪论1.1研究背景1.1.1 风电发展现状随着世界经济的日益发展，全球能源形势日益严峻，伴随着节能减排压力的增加，风电受到越来越多的关注，装机容量急速增加。2007 年至 2012 年期间全球风力发电快速发展，全球累计装机容量逐年增加，平均增长率为 21.02%，而中国作为一个快速发展的发展中国家，每年新增装机容量也基本保持上升趋势，2010 年发展速度略有放缓1.1.2风电功率波动性预测研究现状随着风力发电装机容量的不断提升，风电占所在电网的比例也在逐步增加。由于风的高度随机波动性和间歇性，使得大容量的风电接入电网会对电力供需平衡、电力系统的安全、以及电能质量带来严峻挑战。风电功率预测系统使风电场可以向电网公司提供准确的发电功率预测曲线，这使得电网调度可以有效利用风电资源。对风电场进行功率预测，对促进风电的规模化发展既是一种必需也是一种必要。国外在开展对风电场出力预测方面已经取得一些成果。在风能开发水平相对较高的欧美国家，各种模型的预测系统相继被开发出来，并投入到实际应用中，取得了良好的预测效果。我国对风电率预测起步较晚，准备工作也不及国外充分，例如，对风电功率预测系统所需要的基础数据准备不够充分，对风电场气象信息的监测和收集技术不够成熟等，这些都制约着对风电功率预测系统的研究和开发。因此，对基础数据的采集、处理和管理以及如何提高预测精度是一个值得研究的内容。1.1.3现有预测算法及其缺点随着大规模风电接入，短期风力发电功率预测对于电网调度和安全经济运行是非常重要的。目前，风电功率的主要预测方法有时间序列法、人工神经网络法、支持向量机法等。时间序列法在风电功率预测中，运用较多的主要是以历史数据来预测风速，之后再由风电功率曲线得到所预测的风电功率值。然而时间序列法主要用于线性预测，其预测效果不是很理想 。人工神经网络法具有自组织和自适应能力，可以实现非线性映射，常用于非线性的风电功率预测，其风电功率的预测精度高于时间序列法的预测精度。支持向量机法对新增样本具有很好的包容性和适应性，常被用于风速的预测，主要是利用支持向量机的预测方法进行风速的预测，具有避免维数灾、无局部最优值等优点，但还有待对其方法进行完善。这些研究主要是利用风速这一单一变量来间接的预测风电功率，不能达到令人满意的效果，根据风电功率曲线，由风速、温度等变量来预测风电功率，文中分别用时间序列法和人工神经网络法来预测风电功率，研究结果表明人工神经网络模型的预测方法好于时间序列模型的预测方法，人工神经网络模型更适用于非线性预测，但总体来看，效果还不是很好。通过分析影响风电功率的某些因素，引入多变量输入，并用 BP 神经网络模型来预测风电功率，但还不能满足所要求的预测精度。1.1.4预测方法的前景为了提高风电功率预测精度，降低电网调度的难度，通过对影响风电功率预测的诸多因素如风速、风向、风电功率、温度等进行分析，进而对风电功率的预测方法进行研究和探讨，提出了基于多变量的小波分析模型的短期风电功率预测方法。而本文基于对风电功率预测影响因素的分析，引入多变量输入，并利用小波-神经网络分析方法进行风电功率预测。第2章项目设计2.1设计方案说明鉴于风力发电的具有很强的随机性，风电效率预测有较高的难度，目前主流的预测方法误差在5％～40％左右。由经验可知，风力发电功率的变化与地域、季节、风向等因素相关，故应根据不同的