文档介绍：风电功率预测问题
摘要
本文解决的是风电功率的预测问题。大规模风电场接入电网运行时,由于风电功率的波动性会对电网带来不利影响,这就必须要对风电场的发电功率进行预测。本文采三种预测方法,建立预测模型。
对于问题一:分别采用灰色预测、神经网络和时间序列的一次指数平滑法三种预测方法建立三个预测模型。
在模型一中以7天的预测结果最大准确率均值为目标函数建立灰色预测模型。我们以风电机组A 5月30日的观测值为历史数据预测出了5月31日至6月6日的风功率值(见附表3),%,%,通过灰色检验,等级为IV级,预测效果不理想。
在模型二中以预测结果的最大准确率为目标函数建立神经网络模型。我们以风电机组A 5月10日至30日的观测值为历史数据预测出了5月31日至6月6日的值,%,%。预测效果良好。
在模型三中我们以预测结果的最大准确率和最大合格率为目标函数,建立多目标优化的时间序列模型。采用一次指数平滑法以5月30日的数据作为历史数据预测出了PA,PB,PC,PD,P4及P58,并求得最大准确率、%、100%,确定最佳加权系数,预测效果较好。
对于问题二,在第一问的基础上采用时间序列模型。推测出A,B,C,D四组风电机组任意组合的预测相对误差,再将四个误差值与58个风电机组汇集预测的误差值相结合,利用最小二乘法推测出任意5个至57个风电机组合的相对误差,以相对误差值最小为目标建立优化模型,%。风电机组的最佳组合数为58组。
对于问题三,在第一、二问的基础上继续采用时间序列模型分别推测出加权系数时通过改变预测周期算的相应的准确率,%;然后改变加权系数,进行动态预测,得到不同观测周期的最大准确率,%,%,%,%,%。对数据综合分析得知预测准确率不能无限提高。
最后根据预测结果进行总体分析,对电力系统的相关部门写了一篇关于风电机组的发展趋势报告,并提出风电机组的预测准确度的若干建议。
关键词: 灰色预测神经网络时间序列最小二乘法实时预测

现今风力发电主要利用的是近地风能。近地风电功率具有波动性。大规模风电场接入电网运行时,风电功率波动会对电网带来不利影响。为保证电网的功率平衡和运行安全,对发电功率进行尽可能准确地预测,是急需解决的问题。

根据电力调度部门安排运行方式的不同需求,风电功率预测分为日前预测和实时预测。日前预测是预测明日24小时96个时点(每15分钟一个时点)的风电功率数值。实时预测是滚动地预测每个时点未来4小时内的16个时点(每15分钟一个时点)的风电功率数值。在附件1国家能源局颁布的风电场功率预测预报管理暂行办法中给出了误差统计的相应指标。
某风电场由58台风电机组构成,每台机组的额定输出功率为850kW。附件2中给出了2006年5月10日至2006年6月6日时间段内该风电场中指定的四台风电机组(A、B、C、D)输出功率数据(分别记为PA,PB,PC,PD);另设该四台机组总输出功率为P4)及全场58台机组总输出功率数据(记为P58)。

问题1:风电功率实时预测及误差分析。
请对给定数据进行风电功率实时预测并检验预测结果是否满足附件1中的关于预测精度的相关要求。具体要求:
采用不少于三种预测方法(至少选择一种时间序列分析类的预测方法);
预测量:
, PB, PC, PD; ; 。
预测时间范围分别为(预测用的历史数据范围可自行选定):
5月31日0时0分至5月31日23时45分;
5月31日0时0分至6月6日23时45分。
试根据附件1中关于实时预测的考核要求分析你所采用方法的准确性;
你推荐哪种方法?
问题2:试分析风电机组的汇聚对于预测结果误差的影响。
在我国主要采用集中开发的方式开发风电,各风电机组功率汇聚通过风电场或风电场群(多个风电场汇聚而成)接入电网。众多风电机组的汇聚会改变风电功率波动的属性,从而可能影响预测的误差。
在问题1的预测结果中,试比较单台风电机组功率(PA,PB,PC,PD)的相对预测误差与多机总功率(P4,P58)预测的相对误差,其中有什么带有普遍性的规律吗?从中你能对风电机组汇聚给风电功率预测误差带来的影响做出什么样的预期?
问题3:进一步提高风电功率实时预测精度的探索。
提高风电功率实时预测的准确程度对改善风电联网运行性能有重要意义。请你在问题1的基础上,构建有更高预测精度的实时预测方法(