2. Nanjing Nari-Relays Electric Co. Ltd., Nanjing 211102, China;
3. College of Electrical Engineering, Southeast University, Nanjing 210096, China
我国风电行业正处于快速发展时期,截至2013年底,我国风电总装机容量达到91 412.89 MW,同比增长21.4%。风力发电机总容量不断增大,风电在整个电网中所占的比例也在不断提高。风电接入电网时,必须要尽量限制风电穿透功率。风电穿透功率指的是风电功率与电力系统总功率的比值。有研究指出,当该功率值小于8%时,电力系统正常情况下都不会出现大问题。随着该功率值的不断增大,风电在给人们创造方便的同时,也带来了诸多不便。特别是当该功率值超过某一限值时,可能会大幅度降低电能质量,影响电力系统的安全稳定运行,并可能危及系统的常规发电方式,主要表现为频率和电压会产生大幅度的波动[1, 2]。此外,风资源间歇性很强,地理和气象因素对其影响很大,而且风电场的无功功率和有功功率随风速的变化而变化,风电功率的波动会对配电网的电压稳定、功角稳定、频率稳定、网损及潮流分布、谐波、电压波动与闪变、备用成本、发电计划、系统可靠性等方面产生不利影响。我国风资源的分布特点使得风电场的建设较为集中,风能的间歇性和随机性使风电并网时对系统的影响更为突出。因此,进行风电功率预测的研究对于我国风电行业的发展是很重要的[3, 4]。
进行短期风电功率预测,可以使电力调度部门提前了解风电功率变化趋势,从而适时调整调度计划,减少系统备用容量,降低运行成本[5]。从风电开发商的角度考虑,风电场建成发电并参与市场竞争时,与其他可控的发电方式相比,风电的间歇性和随机性将大大降低其市场竞争力,甚至因供电的不可靠性受到经济惩罚。进行风电功率短期预测,是解决上述问题行之有效的办法,可以大幅度提高风电的市场竞争力。进行短期风电功率预测,还便于安排机组维护和检修,提高风电场容量系数。风电场可以根据短期预测结果,选择风速较小时段,对设备进行检测和维修,从而提高风电场的发电量和容量系数[6, 7]。
1 预测原理 1.1 预测方法首先用神经网络模型对测风塔处的风速和风向进行预测,再用CFD软件对风电场风流进行数值模拟,求出各风机轮毂高度处的风加速因数和水平偏差等数据,从而求出各风机轮毂高度处的风速,再根据风机功率曲线得到各风机的预测功率,最后将每台风机的预测功率相加,得出风电场的预测功率[8, 9, 10]。预测流程如图 1所示。
1.2 神经网络模型BP神经网络是一种误差反向传播网络,除输入输出节点外,还包含一层或多层隐含节点,同一层节点之间无连接关系。信号经输入层节点输入,流经各隐含层节点,传输至输出层节点,每层节点的输出仅影响下一节点的输出[11]。理论研究指出,具有S型函数的3层BP神经网络能以任意精度逼近任意连续函数[12]。
BP神经网络的学习也称为训练,经过训练的神经网络,对于不属于训练样本的输入也能输出近乎准确的结果。BP神经网络具有很强的非线性拟合能力,并且训练过程简单,易于用计算机计算,因此神经网络的训练方法多采用BP学习算法[13, 14]。
用学习算法对各层权重进行优化的目的就是找到使误差最小的权重W。训练过程可以概括为选定样本数据,重复进行前向计算、反向回馈,修正权重的过程。各层的权重学习过程是反向的,由输出层误差来得出中间误差,再得出输入权重,多次重复进行,直至输出合适的结果,即为误差反向传播[15, 16]。BP算法步骤如下:
1)对阈值和权值进行初始化:给神经元的阈值和所有权值赋一个较小的初始值;
2)给定输入矩阵xk和输出目标yk;
3)计算实际输出 (正向过程);
4)修改权重(反向过程):从输入信号开始,误差信号反向传播,通过修改各层权重,使误差最小:
式中:w(l)ij为第l层第j个神经元到第l+1层的第i个神经元的权重,η为增益项,δ<sup>llk为第l层i节点的k模式的误差项,且如果i为输出节点,则:如果i是隐含层节点,则:
1.3 CFD软件数值模拟计算流体动力学(computational fluid dynamics,CFD)是通过计算机数值计算和图像显示,对包含有流体流动和热传导等相关物理现象的系统所做的分析。CFD的基本思路可以归结为:把原来在时间域及空间域上连续的物理量的场,如速度场和压力场,用一系列有限个离散点上的变量值的集合来代替,通过一定的原则和方式建立起关于这些离散点上场变量之间关系的代数方程组,然后求解代数方程组获得场变量的近似值[17, 18]。
目前已经开发出来并得到广泛应用的CFD软件很多,文中选择专门用于风资源评估的Meteodyn WT软件。Meteodyn WT软件是一款适用于复杂地形的风资源评估软件,根据输入的地形文件和粗糙度文件,该软件可以自动生成网格和边界条件,利用MIGAL求解器,对整个风电场风流进行模拟,并且可以以二维和三维的形式对模拟结果进行显示,可视化程度极高。
2 实例研究 2.1 BP神经网络预测风速和风向以某实际风电场80 m高处的实测风速和风向为样本数据,样本包含一年内每隔10 min 1个采样点,数据量十分庞大。选择10 h内共60组数据,对神经网络进行训练,并预测未来1小时内每隔10 min的风速和风向[19]0。经过反复实验比较,最终选择双隐含层结构,各层节点数分别为6、15、10、1,传递函数分别为tansig、tansig和purelin,训练误差设为0.002,最大训练次数设为2 000,得到风速和风向的预测结果与实际值对比图分别如图 2、3。
通常用均方根误差(RMSE)和平均绝对百分比误差(MAPE)来衡量预测效果,表示如式(1)、(2):
式中:ERMSE为均方根误差;EMAPE为平均绝对百分比误差;XF为预测值;XR为实际值;N为预测点的数量。风速和风向预测结果的均方根误差分别为1.22 m/s和6.24°,平均绝对百分比误差分别12.9%和1.64%。从以上误差可以看出,该模型预测误差较小,精度较高,可以很好地预测出风速和风向的值及其变化趋势。 2.2 CFD软件数值模拟用Global Mapper软件制作地形文件,用Global Mapper和Google Earth软件制作粗糙度文件,WT软件载入地形文件、粗糙度文件和风机位置文件后,就可以进行数值模拟。模拟得到每台风机在各个方向扇区的风加速因数如表 1所示。
kW | ||||||||||||
风机 | 30° | 60° | 90° | 120° | 150° | 180° | 210° | 240° | 270° | 300° | 330° | 360° |
E1 | 1.33 | 1.29 | 1.28 | 1.32 | 1.34 | 1.46 | 1.37 | 1.26 | 1.44 | 1.54 | 1.26 | 1.33 |
E2 | 1.24 | 1.38 | 1.26 | 1.35 | 1.36 | 1.45 | 1.31 | 1.24 | 1.42 | 1.53 | 1.24 | 1.44 |
E3 | 1.25 | 1.48 | 1.27 | 1.32 | 1.34 | 1.35 | 1.3 | 1.29 | 1.4 | 1.53 | 1.2 | 1.39 |
E4 | 1.12 | 1.29 | 1.3 | 1.2 | 1.3 | 1.27 | 1.22 | 1.17 | 1.35 | 1.45 | 1.24 | 1.33 |
E5 | 1.34 | 1.38 | 1.38 | 1.24 | 1.36 | 1.44 | 1.37 | 1.31 | 1.37 | 1.53 | 1.19 | 1.46 |
E6 | 1.28 | 1.33 | 1.41 | 1.27 | 1.37 | 1.41 | 1.33 | 1.29 | 1.4 | 1.54 | 1.25 | 1.48 |
E7 | 1.35 | 1.23 | 1.29 | 1.34 | 1.34 | 1.38 | 1.49 | 1.3 | 1.23 | 1.31 | 1.25 | 1.31 |
E8 | 1.31 | 1.18 | 1.21 | 1.22 | 1.32 | 1.49 | 1.52 | 1.32 | 1.11 | 1.15 | 1.42 | 1.43 |
E10 | 1.5 | 1.28 | 1.35 | 1.41 | 1.51 | 1.54 | 1.63 | 1.45 | 1.26 | 1.32 | 1.53 | 1.51 |
E11 | 1.51 | 1.28 | 1.32 | 1.42 | 1.53 | 1.59 | 1.57 | 1.43 | 1.25 | 1.33 | 1.44 | 1.45 |
E12 | 1.44 | 1.27 | 1.31 | 1.39 | 1.44 | 1.46 | 1.43 | 1.44 | 1.24 | 1.3 | 1.24 | 1.29 |
E13 | 1.49 | 1.29 | 1.38 | 1.44 | 1.49 | 1.47 | 1.48 | 1.45 | 1.27 | 1.4 | 1.29 | 1.33 |
对风电场的功率预测如式(3)所示。
式中:P表示风电场的预测功率;φi代表第i台风机的发电功率与其轮毂高度处风速之间的关系,可以由各风机的功率曲线得到;v0表示测风塔风速;λij表示第i台风机第j个方向扇区的风加速因数;n表示风电场风机数量[20, 21, 22]。得到各风机未来1小时6个预测点的预测功率如表 2所示,对各风机的功率求和,得到风电场的预测功率如表 3所示。kW | ||||||
风机 | 预测点 | |||||
1 | 2 | 3 | 4 | 5 | 6 | |
E1 | 581 | 580 | 414 | 347 | 214 | 319 |
E2 | 511 | 509 | 325 | 274 | 179 | 254 |
E3 | 515 | 513 | 329 | 277 | 181 | 257 |
E4 | 369 | 366 | 232 | 203 | 133 | 191 |
E5 | 587 | 586 | 426 | 358 | 219 | 329 |
E6 | 546 | 544 | 360 | 302 | 193 | 279 |
E7 | 592 | 591 | 437 | 368 | 224 | 339 |
E8 | 572 | 571 | 397 | 332 | 207 | 306 |
E9 | 605 | 605 | 564 | 508 | 307 | 477 |
E10 | 605 | 605 | 567 | 513 | 311 | 482 |
E11 | 608 | 608 | 520 | 453 | 268 | 419 |
E12 | 606 | 607 | 556 | 496 | 298 | 464 |
风电场地形和粗糙度不会有明显变化,而CFD软件在进行数值模拟时并不需要考虑气象数据,所以可以在风功率预测前计算出各风机轮毂高度处的风加速因数和水平偏差等数据,预测时直接根据测风塔预测风速和风向由程序计算出预测功率,预测速度快。
该预测方法属于统计方法和物理方法相结合的综合方法。也可以用NWP数据代替测风塔的预测风速,此时该预测方法就是纯物理方法,只需要考虑风电场的地形和粗糙度等因素,不需要历史数据的支持,求解风电场地形变化和粗糙度变化对风流的影响,可用来预测新建风电场的发电功率。
[1] | 傅旭, 李海伟, 李冰寒. 大规模风电场并网对电网的影响及对策综述[J]. 陕西电力,2010, 38(1): 53-57. |
[2] | 迟永宁, 刘燕华, 王伟胜, 等. 风电接入对电力系统的影响[J]. 电网技术, 2007, 31(3): 77-81. |
[3] | 杨秀嫒, 肖洋, 陈树勇. 风电场风速和发电功率预测研究[J]. 中国电机工程学报,2005, 25(11): 1-5. |
[4] | 潘迪夫, 刘辉, 李燕飞. 基于时间序列分析和卡尔曼滤波算法的风电场风速预测优化模型[J]. 电网技术,2008, 32(7): 82-86. |
[5] | LANDBERG L, WATSON S J. Short-term prediction of local wind conditions[J]. Boundary Layer Meteorology, 1994, 70(1/2): 171-195. |
[6] | 韩爽. 风电场功率短期预测方法研究[D]. 北京: 华北电力大学, 2008: 15-18. |
[7] | ALEXIADIS M C, DOKOPOULOS P S, SAHSAMANOGLOU H S, et al. Short-term forecasting of wind speed and related electrical power [J].Solar Energy, 1998, 63(1): 61-68. |
[8] | 杜颖, 卢继平, 李青, 等. 基于最小二乘支持向量机的风电场短期风速预测[J]. 电网技术, 2008, 32(15): 62-66. |
[9] | 张希良. 风能开发利用[M]. 北京: 化学工业出版社, 2005: 33-37. |
[10] | 王承煦, 张源. 风力发电[M]. 北京: 中国电力出版社, 2003: 55-63. |
[11] | 谢清和. 基于模糊神经网络(FNN)的故障智能诊断的研究[D]. 上海: 上海大学, 2004: 45-54. |
[12] | 董锐. 基于神经网络的函数逼近方法研究[D]. 长春: 东北师范大学, 2011: 38-44. |
[13] | 李文良, 卫志农, 孙国强, 等. 基于改进空间相关法和径向基神经网络的风电场短期风速分时预测模型[J]. 电力自动化设备, 2009, 29(6): 89-92. |
[14] | 彭怀午, 刘方锐, 杨晓峰. 基于人工神经网络的风电功率短期预测研究[J]. 华东电力,2009, 37(11): 45-49. |
[15] | GUO Zhenhai, WU Jie, LU Haiyan, et al. A case study on a hybrid wind speed forecasting method using BP neural network[J]. Knowledge-Based Systems, 2011, 24(7): 1048-1056. |
[16] | 范高锋, 王伟胜, 刘纯, 等. 基于人工神经网络的风电功率预测[J]. 中国电机工程学报, 2008, 28(34): 118-123. |
[17] | 王福军. CFD软件原理与应用[M]. 北京:清华大学出版社, 2004: 23-28. |
[18] | 朱林. 硅基微尺度燃烧器燃烧特性与结构失效的研究[D]. 合肥: 中国科学技术大学, 2008. |
[19] | 孙春顺, 王耀南, 李欣然. 小时风速的向量自回归模型及应用[J]. 中国电机工程学报, 2008, 28(14): 112-117. |
[20] | ALECIADIS MC, DOKOPOULOS P S, SAHSAMANOGLOU HS. Wind speed and power forecasting based on spatial correlation models[J]. IEEE Transactions on Energy Conversion, 1999, 14(3): 836-842. |
[21] | DAMOUSlSI G, ALEXlADlS M C, THEOCHARlS J B, et al. A fuzzy model for wind speed prediction and power generation in wind parks using spatial correlation[J]. IEEE Transactions on Energy Conversion, 2004, 19(2): 352-361. |
[22] | BOSSANYI E A. Short-term wind prediction using Kalmanfilters[J]. Wind Engineering, 1985, 9(1): 1-8. |