风电场风速预测（精选7篇）
风电场风速预测 第1篇
近几年来中国风力发电发展迅速,截至2007年底全国风电场累计装机已经超过6 GW,预计到2010年国内风电装机容量将达到10 GW~16 GW[1,2]。随着风力发电的迅速发展,对风力发电相关技术的研究也日趋迫切[3,4,5]。风速及风电预测作为风力发电研究的基础环节之一,对于电网的运行调度有重要作用,得到越来越多的关注。
风电场的有功出力由风速决定,由于风速本身固有的随机性和间歇性,加大了风速预测的难度,风电预测的准确性至今仍未得到有效的解决。目前,风电场日前风速预测的误差一般在25%~40%左右,风速预测的准确性不仅与预测方法有关,还与预测地点的风速特性有关。此外,预测时间越短,预测误差越小,随着预测时间的增大,预测误差也会逐渐增大,这时,风速预测的准确性更难以解决。
目前采用的风速及风电预测方法主要有时间序列法[6,7,8,9]和神经网络法[10,11,12,13,14]两大类,从预测效果来看它们各有优缺点。但是,这些方法多是针对超短期预测(即只预测当前时刻后一步或几步内的风速),对于短期预测(预测步数加大,如预测当前时刻后24 h内的风速)的研究较少,而且预测步数加大后误差也较大。
本文重点研究了日前短期风速预测,提出了一种基于相似性曲线样本的多层前馈(BP)神经网络风速预测方法,进而结合时间序列方法和灰色预测方法,研究了应用组合预测方法进行日前短期风速预测,在风速预测的基础上讨论了风电机功率预测方法。
1 风电场风速预测
1.1 神经网络方法预测风速
风速明显具有随季节周期变化的特点,应加以利用。本文提出一种基于相似性曲线样本的神经网络算法来利用风速的季节性周期变化特性预测风速。以当前某一段时间(如1 d)内的风速(每小时)变化曲线为样本,在一定的时间周期(如2个月)内寻找与风速样本变化相似的曲线簇,本文认为风速样本下一段时间内的风速变化趋势应与得到的曲线簇的下一段时间内的曲线变化趋势相近。用得到的曲线簇作为样本训练神经网络,然后再预测未来一段时间(如1 d)内的风速变化曲线,就可以利用风速季节性周期变化的特性。该方法的核心是风速相似曲线的搜索算法,本文提出一种基于分段线性化的相似风速曲线搜索算法。
1.1.1 基于分段线性化的相似风速曲线搜索算法
分段线性化方法最初由Pavlidis和Horowitz提出[15],此后Keogh 提出了一种采用分段线性化方法的快速搜索算法[16,17],该算法计算量较大,而且对于时间轴的缩放敏感。为解决此问题,本文提出的相似性算法如下:
1)首先找出风速曲线X上的分段关键点,检索关键点的方法是首先检索出曲线上的所有极值点集合Xm和最大值xmax、最小值xmin,然后对所有曲线点进行规范化处理,采用的变换公式[18]如下:
式中:xi为第i点的风速值;
变换后,所有点的幅值在区间[-1,1]内,消除了幅值变化对相似性判断的影响。然后计算极值点的增幅比值并与设定的极值增幅比阈值η0>0相比,大于或等于η0认为是关键极值点,形成关键点集合M(x)。
2)以关键点集合M(x)为基础,建立风速曲线的分段线性表示。分段线性化处理后的时间序列L中的第i段直线可以表示为:
式中:(XLi,YLi)为第i段直线的左端点坐标;(XRi,YRi)为右端点坐标;Ki为线段的斜率。
3)进行相似曲线的提取。2条曲线A和B的相似性距离公式定义[19,20]为:
式中:KAi和KBi分别为A和B中第i段直线的斜率;wAi和wBi分别为第i段线段在样本曲线总长中所占的长度比重;N为曲线中的直线数量。
设定相似距离门槛值ε,如果D(A,B)≤ε,则认为2条曲线相似。
应用上面提出的相似性计算方法,可以得到相似曲线簇,然后利用曲线簇来训练神经网络并预测风速曲线。
1.1.2 基于相似性样本的神经网络风速预测
神经网络可以作为多维非线性函数的通用数学模型[21],而风速具有复杂的非线性特点,所以应用神经网络进行风速预测是一种合理的方法。神经网络中应用最广泛的是BP神经网络。
本文采用的BP神经网络结构为双隐层结构,输入、输出和每个隐层各有24个节点(节点数通过测试比较确定),输入为预测时间前一日的24 h风速值,输出为预测日的24 h风速值。BP算法的神经元转移函数采用sigmoid函数。传统BP算法存在以下缺陷:①易形成局部极小而无法得到全局最优;②训练次数多使得学习效率低、收敛速度慢。本文采用以下方法来提高BP算法的性能:①在权值调整中增加了动量项;②对学习率进行自适应调整;③引入陡度因子以提高收敛速度。本文BP算法中反向传播采用δ学习算法调整各层间的权值。
对国内某地区的实测风速数据进行分析(参见附录A),由结果可以看出,使用相似性样本训练的BP神经网预测结果比不使用相似性样本训练的BP神经网预测结果更加精确。
1.2 组合预测方法预测风速
1.2.1 组合预测模型
组合预测方法是由Bates和Granger在1969年提出的一种预测方法[22],其基本思想是将不同的预测模型和方法结合起来,综合利用各种预测方法所提供的信息,以适当的加权平均方式得出组合预测模型。因为每种预测模型和方法利用的数据都不完全相同,组合预测方法能够最大限度地利用各种单一预测方法的有用信息,因此组合预测方法一般能够增加系统的预测准确性。
组合预测方法的核心是如何将各种预测方法进行适当的组合,所以关键在于如何得到各种预测方法的加权平均系数。目前常用的确定组合方式的方法包括最小方差法、无约束(约束)最小二乘方法、Bayes方法等。在实际应用和理论研究中使用最多的是最小方差法,一般采用绝对误差作为准则来计算组合预测方法的权系数。评价预测精度的指标一般采用绝对误差或相对误差来衡量。
本文采用最小方差为优化目标,可以得到组合预测值及各种预测方法之间的权重系数分别为(具体公式推导见附录B):
式中:i=1,2,…,m;fc为组合预测值;m为预测方法数目;fi为第i种方法的预测值;wi 为第i种预测方法的加权系数;ei和Var(ei)分别为第i种预测方法的预测误差和方差。
本文的组合预测方法中采用了3种单项预测方法,分别是基于相似性曲线样本的神经网络方法、时间序列方法和灰色预测方法。本文采用的时间序列和灰色预测方法的介绍详见附录C。
1.2.2 组合预测的实例分析
应用各种单项预测方法以及组合预测方法对国内某地区连续一星期内的风速进行预测,表1显示了各种方法每一天预测结果的绝对平均误差(MAPE)。从表中数据可以看到,组合预测从总体上提高了预测精度。此外,基于相似性曲线样本的BP神经网预测结果总体上要优于时间序列预测方法和灰色预测方法。
图1显示了各个单项预测方法的预测权值曲线。可以看出,随着时间的增加,时间序列预测的权重逐渐减小,灰色预测的权重也逐渐减小,BP神经网络的权重逐渐加大,这说明当预测时间不长(如只预测几步)时,时间序列预测有优势,而随着预测时间的增加,基于相似曲线的神经网络预测方法要优于其他2种方法。
2 风电机输出功率预测
风电机的控制策略有定桨矩定速风机控制(FS-FP)、变桨矩定速风机控制(FS-VP)、定桨矩变速风机控制(VS-FP)、变桨矩变速风机控制(VS-VP)等控制方式。在低风速情况下,VS-FP方式可以捕获最大能量并提高功率质量;在额定风速下,FS-VP方式可以在额定功率下进行有效调节。VS-VP方式在理论上可以得到最理想的输出曲线[23]。
假定采用VS-VP模式,并采用理想的风电机二次出力模型[24](具体模型见附录D),公式如式(6)所示,可得到风电机某日的出力预测曲线见图2。
式中:A,B,C为系数(见附录D);PWG和PN分别为风电机输出功率和额定功率;v,vin,vN,vout分别为实际风速、切入风速、额定风速和切出风速。
风机参数如下:切入风速为3 m/s,额定风速为12.5 m/s,切出风速为25 m/s,风电机额定功率为1 500 kW。
风电场的实际风电机出力大小除了由风速大小决定外,还受风向、温度、气压等气象因素影响,其中主要是受风向因素影响[25],对于相同的风速来说,由于风向不同,风电机的输出功率会有所变化。图3给出了某实测风电机一个月内的输出功率散点图。可以看出,在相同风速下,风电机输出功率有变化,这主要是由于风向影响造成的。对于现场的风电机出力可以根据实际风电机的风速、风向、输出功率等历史数据形成风电机出力曲线的二维矩阵表,进而根据预测的风速、风向得到相应的风电机预测功率[25]。
3 结语
本文重点研究了风电场风速预测,提出了一种基于相似性样本的BP神经网络风速预测方法,利用风速的季节性周期变化提高了预测的准确性,并结合时间序列和灰色预测方法,采用组合预测方法对风速预测进行了研究,在风速预测的基础上讨论了风电机输出功率预测。应用国内某地区的实测风速对本文提出的风速预测方法进行验证分析,结果表明本文提出的风速预测方法提高了预测的准确性,对接入风电场的电力系统运行调度有重要的实用价值。
附录见本刊网络版(http://www.aeps-info.com/aeps/ch/index.aspx)。
风电场风速预测 第2篇
风力发电具有比传统能源发电更加清洁环保、以及取之不尽用之不竭的特点, 是目前世界上首选的可再生能源发电模式。然而风速的大小和方向受众多因素的影响[1], 随机性很大。在线短时风速跟踪和功率预测可以为电力系统EMS实时优化运行、风电的在线优化调度、储能系统实时抑制风电功率波动等提供了决策支持和依据, 因此短期风速准确的预测有着重大的意义。
目前, 关于风速预测的方法主要有卡尔曼滤波法[2]、人工神经网络法[3]、时间序列法等。然而现有的风电场风速预测误差在25%到40%左右, 很有必要寻找更加高效、更高精度的风速预测方法。风速具有混沌属性[4], 将改进加权零阶局域预测法[5]建立在相空间重构基础上, 对风电场风速进行预测, 在一定程度上提高短时间风速预测精度。
本文尝试将混沌—LSSVM引入风速预测, 通过非线性核函数, 将重构过的样本空间映射到高维的线性特征空间, 这样就能够处理高度非线性的分类和回归问题。最后利用张家口某风电场风速数据, 先对29天的风速时间序列进行相空间重构, 找出隐藏的混沌吸引子的演化规律, 再利用基于LSSVM神经网络的混沌时间序列预测模型对第30天进行风速数据预测。
1 混沌相空间重构
风速数据是以一定时间采样而得到的离散时间序列。Packard等认为对于混沌系统, 可以从一个变量的时间序列重构出系统的相空间, 因为时间序列本身蕴涵了参与此动力系统的全部变量的有关信息, Takens定理进一步证明了可以找到一个合适的嵌入维, 即如果延迟坐标的维数m≥2d+1, d是动力系统的维数, 在这个嵌入维空间里可以把有规律的轨迹 (吸引子) 恢复出来[6]。
用x表示观测到的变量分量, x (t) , t=1, 2, …N为观测序列。重构相空间即选择嵌入维数m, 由x (t) 得到一组新的向量序列
其中, t=1, 2, …M, M=N- (m-1) , τ为延迟时间。
1.1 延迟时间的确定
延迟时间是重要的相空间重构参数, 如果τ太小, 相空间轨迹会向同一位置挤压, 信息不易显露, 产生冗余误差;如果τ太大, 会导致某一时刻的动力学性态与后一时刻的动力学性态变化剧烈, 使得简单的集合对象表现得很复杂, 动力系统信号失真, 产生不相关误差。互信息法是利用互信息函数的第一极小值来确定最佳延迟时间τ。
对于两组信号{x (t) , y (t) }, 其中可令y (t) =x (t+τ) , t=1, 2, …N, 根据给定的x (t) 的一个测量值, 预测y (t) 的平均信息量
其中H (x) 为信号{x (t) }的熵, 表示对指定系统的N个x (i) 测量得到的平均信息量。
Pxy[x (i) , y (j) ], Px[x (i) ], Py[y (j) ]分别通过划分网格的方法, 将变量组成的样本空间划分为若干网格, 然后通过统计各个格子中的点数来求出其概率值[7]。
1.2 嵌入维数的确定
嵌入维数是相空间重构的另一个重要参数。Cao方法主要是为了克服在伪最近邻域法中选择阀值的缺点而引入的。用Cao方法来求取最近嵌入维数的算法方法[8]为:
(1) 对于时间序列{x (t) ;t=1, 2, …, n}, n是序列的长度, 重构m维和 (m+1) 维相空间, Xi (m+1) 为 (m+1) 维相空间中的第i个相点, Xj (m) (j=1, 2, …, k) 为Xi (m) 的最近邻域点, ·为欧氏距离,
(2) 计算a (i, m) 的平均值:
(3) 计算从m维到m+1维的变化:
如果时间序列是由吸引子产生的, E1 (m) 随着m的增加而趋于饱和。 (m+1) 即为所求的最佳嵌入维数。
2 最小二乘支持向量机
最小二乘支持向量机 (Least Square Support Vector Machines) 不同于标准支持向量机 (SVM) 之处在于它将不等式约束改为等式约束, 并把经验风险由偏差的一次方改为二次方。
在线性不可分的情况下, SVM中的核函数选定非常关键。因此, 如何选取核函数也是LSSVM的一个研究方向, 它的选择好坏直接影响到算法的实现和效果。本文核函数的选择, 不同于一般文章中直接选取高斯径向基函数作为核函数[9], 而是在学习前的优化阶段选择线性型、多项式型、高斯径向基型和neural型核函数, 并选择不同的惩罚因子C和敏感损失参数epsilon, 进行100到1000步迭代计算, 通过不同核函数间平方误差大小的综合比较, 最终确定核函数。
回归型LSSVM可以描述为:
对于一个给定的训练数据集 (Xi, yi) , i=1, 2, …, Tn, Xi∈Rn, yi∈R。由于回归型LSSVM的算法优化问题可转化为求解线性方程组的问题, 从而比标准支持向量机解二次规划问题更为简单快捷。因此, 可得到回归型LSSVM模型为:
其中, ai为Lagrange乘子, b为偏置量, K为一定条件正定核。
3 基于混沌—LSSVM预测模型方法
3.1 网络预测结构图
根据相空间重构方法, 将风速时间序列x1, x2, …, xn-1转化为维数为m, 延时为τ的新数据空间, 即:
其混沌—LSSVM神经网络结构图如图1所示。
3.2 预测流程图 (见图2)
3.3 预测模型的评价标准
预测模型预测效果[10]可以采用平均绝对百分误差 (MAPE) 和平均绝对误差 (MAE) 来评价, MAPE和MAE的表达式如下:
4 仿真结果及分析
采用最小二乘支持向量机 (LSSVM) 进行风速预测, 其计算流程和神经网络计算流程相似。简单的说, LSSVM就是在相空间重构的基础上通过核函数定义非线性变换输入空间到一个高维空间, 输出是中间节点的线性组合, 每个中间节点对应一个支持向量[11]。
本文采用的是张家口某风电场2009年11月1日至2009年11月29日所测的风速数据作为训练样本, 共696组;预测样本为2009年11月30日每小时的平均风速, 共24组。先对训练样本进行相空间重构, 再运用最小二乘向量机进行预测。前30天的实测风速分布如图3, 其中横坐标表示预测的时刻点, 纵坐标表示风速值。
首先确定相空间重构所需要的重构参数, 针对风速历史时间序列, 将τ从1 s变化到16 s, 互信息量I-τ关系如图4所示, 取互信息函数的第一个极小值τ=4为最佳时间延迟。
取τ=4, 嵌入维数m依次从1到12, 运用Cao方法对时间序列进行重构计算, 的到如下图5所示结果。当m=8时, E1 (m) 趋于饱和停止变化, 则最小嵌入维数为9。
在相空间重构的基础上, 分别使用LSSVM神经网络、混沌—RBF神经网络及混沌—LSSVM神经网络对风电场第30天的风速进行预测。图6为这三种的算法的预测结果进行比较。从中可见, 混沌—LSSVM的预测结果比混沌—RBF及LSSVM的预测结果精度高, 且与实际风速的偏移小, 跟踪能力强。其预测的的结果误差分析如下表1所示。
三种模型预测结果基本上都可以接受, 但采用LSSVM混合算法比RBF混合算法及LSSVM算法预测精度较高, 充分显示出混沌与最小支持向量机混合算法的优越性。
5结束
支持向量机能够较好的应用于有限样本训练学习中, 具有较强的泛化能力。本文基于混沌—LSSVM风速预测模型实现了风速预测, 通过在MAT-LAB7.0仿真分析知, 该模型预测曲线有较好的平滑性, 能及时跟踪风速变化趋势, 相比经验最小化原则神经网络有更好的适应性, 预测精度也有进一步的提高。
对于支持向量机核参数 (如γ、σ) 的选择, 是人们研究支持向量机中一直关注的问题, 这些参数的选择目前仍缺少明确的理论指导。如何在混沌时间序列预测中, 合理选择核参数有待于我们进一步研究。
摘要：风电出力是电力系统运行与规划的依据, 准确的风速预测有利于提高电力系统运行的经济性和可靠性。基于风速时间序列具有混沌特性的前提下, 结合混沌时间序列的相空间重构和支持向量机回归理论, 建立了一种基于风速混沌特性和当前最为流行的最小二乘向量机的短期风速预测模型。用于张家口某风电场进行风速预测, 通过实例仿真计算分析表明, 混沌—LSSVM神经网络的混合算法可进一步提高预测精度。
关键词：混沌,相空间重构,最小二乘支持向量机 (LSSVM) ,风速预测
参考文献
风电场风速预测 第3篇
目前, 风电场短期风速预测的绝对平均误差在25%~40%, 这不仅与预测的方法有关, 还与风速特性有关[2]。由于风电具有很强的不可控性, 所以风电穿透功率超过一定值之后, 会严重影响电能质量和电力系统运行, 主要表现在电压和频率会有较大幅度的波动。中国电力科学院指出:一般情况下, 我国电网在风电穿透功率不超过8%时不会出现较大的技术问题[3]。如果对风速和风力发电功率预测比较准确, 则有利于风电场的规划与设计, 有利于调整电力系统的调度计划, 从而有效减轻风电对整个电网的不利影响, 减少电力系统运行成本和旋转备用, 提高风电穿透功率极限。所以, 风速的准确预测对于负荷管理和系统运行十分重要。风速受很多因素的影响, 如温度、气压、地形等, 这就使它表现出很强的随机性, 从而使预测很难达到令人满意的精度。目前, 风速预测的方法主要有持续预测法、卡尔曼滤波法、时间序列法、人工神经网络法、模糊逻辑法、空间相关性法[4]。本文主要采用时间序列法中自回归移动平均 (ARMA) 模型和自回归移动平均-自回归条件异方差 (ARMA-ARCH) 模型进行短期风速预测。
1 ARMA-ARCH建模基本原理
1.1 ARMA模型
ARMA模型是一类常用的随机时间序列模型, 其基本思想是:某些时间序列是依赖于时间t的一族随机变量, 构成该时序的单个序列值虽然具有不确定性, 但整个序列的变化却有一定的规律性, 可以用相应的数学模型近似描述[5]。
ARMA (p, q) 模型的形式如下:
式中:yt为观测到的序列值;φ (B) 、θ (B) 为滞后多项式;δ为Y的均值;εt为有零均值和恒定方差的不相关随机误差项 (εt是白噪声) 。
式 (1) 的平稳条件是滞后多项式φ (B) 的根在单位圆外, 可逆条件为θ (B) 的根在单位圆外。
ARMA模型对时间序列的平稳性有要求。在建模之前, 要对风速时间序列作平稳性检验。
1.2 平稳性检验
利用序列的自相关分析图判断时间序列的平稳性, 但是一般认为这种方法比较粗略。而单位根检验是检验时间序列平稳性的一种比较正式的方法。单位根检验的方法有DF检验、ADF检验、PP检验、Said-Dickey检验、DF-GLS检验等。
本文只介绍实例分析中所用的ADF检验。ADF检验又称增广DF检验, 检验方程为:
在实际操作中, 式 (2) 中的参数p视具体情况而定, 一般选择能保证εt是白噪声最小的p值。为了协助判断p值, 常常借用一些信息准则, 最著名的有赤池信息准则 (AIC) , 许瓦兹信息准则 (SIC) 。
1.3 ARCH模型
一些时间序列通常表现出波动的现象, 在一段时期内, 其表现出大幅波动, 然后又会在下一段时期内保持相对稳定。这就说明此时间序列的方差也在随时间而变化。计量经济学家恩格尔在20世纪80年代开创性地提出了ARCH模型。
1.3.1 ARCH模型均值方程
ARCH模型通常可用于时间序列模型的随机扰动项建模。模型的均值方程为:
式中:其中, vt服从正态独立分布;ht为εt的条件方差。为滞后算子多项式。同时满足非负约束条件:α0>0, αi>0, i=1, 2, …q;二阶平稳约束条件:1-α (L) 的特征根均在单位圆外。如满足上述条件, 称{εt}服从ARCH (q) 过程。
1.3.2 ARCH效应检验
判断一个时间序列是否存在ARCH效应的方法有拉格朗日乘数法 (LM) 、BDS检验法, 其中最常用的是LM检验。LM检验的一般流程如下。
建立辅助回归方程:
通过检验式 (4) 中所有回归系数是否同时为零来判断序列是否存在ARCH效应。
检验统计量为:
式中:n为计算式的样本容量;R2为决定系数, 统计量LM依分布收敛于自由度为q的χ2的分布。
1.3.3 ARCH模型参数估计
模型参数的估计方法通常主要有两大类:极大似然估计 (MLE) 和矩估计 (ME) 。一般来说, 在似然函数可求的情况下, 多倾向于采用MLE。本文也采用这种估计方法。
通过下式的最大化条件似然函数可以得到ARCH模型的参数估计:
2 算例分析
在检验风速时间序列的平稳性的基础上, 建立ARMA模型;然后利用LM检验分析ARMA模型的残差是ARCH效应存在性, 在此基础上建立ARMA-ARCH模型并进行预测;并将预测结果与常规ARMA模型作比较。
2.1 数据
选用某风电场测风点2007年10月2日至2007年10月14日的风速实测数据作为研究对象。测风点每隔15 min对风速采样, 每天得到96个数据, 共1 248个数据。
选取的样本空间为2007年10月2日到10月13日, 共1 152个数据, 并用所建的模型对2007年10月14日的风速数据进行预测, 以检验模型的预测能力。
2.2 平稳性检验
时间序列的平稳性是建立ARMA模型的前提。本文采用ADF检验。实际操作中, 可根据一定的标准选择可以保证εt是白噪声过程的最小的p值。本文根据赤池信息准则, 选定滞后阶数为4阶, ADF检验结果见表1。
由表1可见, 风速时间序列ADF检验统计量甚至小于1%的显著水平的临界值, 所以, 在95%置信水平下有理由拒绝原假设, 即本序列是平稳的, 满足ARMA建模的前提条件。
2.3 建立ARMA模型
根据时间序列的自相关、偏相关函数分析图, 初步确定偏相关1, 2, 3阶, 自相关1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11阶为ARMA模型的可选阶数。进一步根据拟合优度R2、赤池信息准则、许瓦茨信息准则、DW统计量、AR根是否在单位圆内进一步确定ARMA模型的阶数。
一般认为, 许瓦茨信息准则是强一致的, 在理论层面上能够渐进地选择真实模型。所以, 当几个模型都是非劣的时候, 本文采用许瓦茨信息准则选择最合适的阶数。本文选择ARMA (1, 10) 模型作为风速时间序列的最终模型。模型方程如下:
2.4 风速时间序列的ARCH效应分析与建模
2.4.1 残差的ARCH效应分析
对ARMA (1, 10) 模型的残差进行LM检验, 以证实ARCH效应的存在。ARCH (2) (经过比较, LM检验阶数取2) 效应检验结果见表2。
LM统计量及检验的相伴概率用以判断是否存在ARCH效应。ARMA模型的LM值为70.285 83, 检验的相伴概率P值为0, 明显小于显著性水平α0=0.05, 所以有理由拒绝LM检验回归方程系数为0的原假设, 也就是ARMA模型的残差序列ARCH (2) 是显著的。
2.4.2 建立ARMA-ARCH模型
ARMA-ARCH模型ARMA部分的定阶方法采用的是“从一般到简单”的思路, 所谓“从一般到简单”指的是从一般非约束模型开始, 通过每次去除一个系数最不显著的变量来缩减模型。
本文选用ARMA (1, 1) -ARCH (2) 作为最终的预测模型。ARMA-ARCH模型方程如下。
ARMA部分 (均值方程) :
条件方差方程:
2.5 预测
分别使用ARMA模型和ARMA-ARCH模型进行样本外预测, 将2007年10月14日的预测数据与实测值比较, 计算预测绝对平均误差。其预测能力比较见表3。
预测结果见图1。
通过表3和图1对2种模型预测能力的对比, 可以看出:
(1) 从2种模型的绝对平均误差指标上看, 都处于25%~40%之间, 预测结果比较满意。ARMA-ARCH模型略优于ARMA模型。
(2) 由于风速时间序列的方差时变的, 而ARCH模型正是为解决这一类问题而提出的, 从2种模型的方差指标中可以看出。
(3) 对比2种模型的最大预测误差, ARMA-ARCH模型有一定优势, 其背景是因为该最大误差正是在波动集聚的状态下出现的。
3 结束语
本文使用ARMA-ARCH模型对风速进行了短期预测。通过与经典的ARMA模型的比较, 本文提出的模型显示了比较满意的预测能力。由于风速时间序列具有群集波动的现象, 其方差随着时间而变化, 这与经典的ARMA模型所假设的同方差不相符。而ARCH模型正是在“变动着的方差”的基础上提出的, 具有一定的理论优势。但当ARCH模型阶数过高时, 会存在参数估计困难等一系列问题。这种情况下, 可考虑使用广义自回归条件异方差 (GARCH) 。总之, ARMA-ARCH模型为风速预测提供了一种可行的方法, 实际预测能力比较令人满意。
参考文献
[1]李俊峰, 时璟丽, 施鹏飞, 等.风力12在中国[M].北京:化学工业出版社, 2005.
[2]肖洋.风电场风速和发电功率预测研究[D].吉林:东北电力大学, 2005.
[3]杨秀媛, 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]吴国旸, 肖洋, 翁莎莎.风电场短期风速预测探讨[J].吉林电力, 2005, (6) :21-24.
[5]陈昊.非经典计量经济学在负荷预测中的应用研究[D].南京:东南大学, 2005.
[6]陈昊.基于广义自回归条件异方差模型的负荷预测新方法[J].电力系统自动化, 2007, 31 (15) :51-54.
[7]徐孝纯.关于我国发展风电的现状和预测[J].未来与发展, 2006, 27 (9) :17-19.
[8]丁明, 张立军, 吴义纯.基于时间序列分析的风电场风速预测模型[J].电力自动化设备, 2005, 25 (8) :32-34.
[9]蒋金良, 林广明.基于ARIMA模型的自动站风速预测[J].控制理论与应用, 2008, 25 (2) :374-376.
[10]邵璠, 孙育河, 梁岚珍.基于时间序列法的风电场风速预测研究[J].华东电力, 2008, 36 (7) :27-29.
[11]张世英, 樊智.协整理论与波动模型[M].北京:清华大学出版社, 2004.
风电场风速预测 第4篇
伴随欧盟的可再生能源指导和发布的2020年能源目标, 风力发电将会势不可挡的大范围的进入电力市场, 伴随风力发电能力在整体的发电比例大量提升, 国家电网和电能市场的方面, 风力发电有着很严重的影响。
1 分析西欧风力发电补贴系统
我们在本文里面总述了三种被西欧各个国家大范围实施鼓励措施:补助上网费用措施、绿色证书贸易措施和溢价用网电价措施。
在丹麦是把市场的标价作为根基的, 而且采取的上调用网电费溢价的措施也是以此为基础的。根据市场电价为基础, 进行了上浮溢价政策。
在西班牙国家, 大多数的风能发电商一般会选择在二十年以内享用管制补助的电费, 也有其他的发电商决定在二十年中进行市场电费的条件下享用变动溢价的贴补。西班牙风力发电企业能够进行一次在20年内有一次二选一的机会, 选项分别是, 补助电价以及市场中电价与浮动价格补助进行叠加。
在头五年中, 德国着手实施上非变式的补助上网电费在以后的十五年之内会将电价慢慢的减少。
法国在开始的十年之内采用非变动式的补助上网电费, 对于电费的补助在之后的五年中每年都会逐步的下降。
在荷兰, 从2008年开始, 只要是风力发电的商家, 都能够使用市场上电的价格, 同样能够把电费的补贴和上调的溢价的补贴作为参照。二零零八年, 依据当前电价或者指导价格和浮动补贴叠加, 荷兰风力发电商, 从中二选一。
英国在进行市场电费的条件下, 可以配合着可再生能源的分配的权证价钱。英国在这个问题是, 提出了不同的政策办法, 使电价再配合一个可再生能源配额权证的价格。
从以上的几种策略中可以得出, 广泛使用的政策就是电价补助, 这样以来, 能够给所有的风能发电商的电量价格保证, 全部都依据一个确定的价格结算, 通常来看会高于市场的价格, 能够涵盖风能发电成本和环境补助。上网电价溢价政策是一种奖励性的补助, 以市场价格为基础, 多给予一个补助其提供可再生能源。
2 包括大范围风力发电接入的电力市场规划
绿色可再生的能源有很多, 风能是主要的一种, 在地里上具有分布相对广泛, 功率波动相对大的特点。在风力发电大范围的进入电网之后, 它工作的不确定性和风力短期预测的不稳定性让风能发电很难在电力市场交易。
2.1 大范围风力发电进入市场之后造成市场成本的变化
因为风力发电的不确定性, 所以在电力市场里面, 造成了系统必须根据风力发电的变化和负荷变化的不匹配性留有一部分来应对这样的特点, 而只有燃气机组或者抽水蓄能机组才能提供此部分的备用, 交易的代价是十分巨大的, 想要降低交易的费用, 就需要风力的测量在短时间内要尽可能的精准。
2.2 大规模风电参与日前电力市场的市场模式规划
从不同国家实践的情况来看, 荷兰针对风力发电商的政策, 如果发电商发电大于预测值, 会有16欧元/MWh的奖励, 与之相对的, 假设发电商达不到预定的电量, 就会有120欧元/MWh的罚款, 所以, 发电商如果预测精度很低的话, 收益的损失会巨大, 达到50%以上。在丹麦, 风能发电的厂商要依据测量的风电功率的误差, 另外花费约1.3-2.7欧元/MWh。
但是根据风力发电参与相对活跃的市场, 这样的惩罚手段还是可以确定的风能发电测量误差的减小。
进行市场策划时, 会出现两种状况一, 在风力发电功率比实际风力发电效率少时, 所有风力预测发电功率按照实际现货价格结算, 在风力测量发点效率大于实践中的功率时, 处罚超出的部分是必须的, 风能发电厂商最终的收益是:二, 在风力发电测量发点效率小于实践中的功率时奖赏超出的部分也是比不可少的风能发电商的总收入是, , 当风电预测功率比实际功率大时, 和前一种情况相同。
3 大范围风力发电参与日前电力市场的几种市场规划的对比分析发电商, 是目前欧洲电力市场的市场参与者, 需要在日前的11点时分提交它第二日0点到24点各个时段的报价和容量申报, 距离正式交易的时间延期有13小时至37小时的, 同通常的传统发电商相对来看, 这影响不会特别巨大, 但是对风力发电商来说, 风力发电的功率预测对报价就显示更加重要了。
4 基于支持向量回归的风速预测
风速是影响风电功率的主要影响因素, 两者间有固定的映射关系, 能够先预测风速, 再依据关系算出风力发电功率的多少。不难看出风速预测是进行风力发电功率预测的基础和前提, 利用风速预测和两者的关系就可以开始风力发电功率预测。因此, 提高风速预测精度, 对于风电发展, 特别是大规模风电并入电力市场至关重要。
4.1 算法模型
20世纪90年代, 万普尼克等专家指出, 支持向量机, 建立在统计里面和结构风险最小化之中的一种学习方法, 能够把分类、回归类的问题改变为最优化问题, 成功的处理了“维数灾”和“过学习”等传统困难[6-7]。用支持向量机的方法来进行功率预测的的数学模型如下式[8-11]:
式中, 为x步后风速测量的数字, v (t) 是实际测量的数值, τ是停滞后的时间数, m是输入维数, 是以前的数据和以后的数据的函数相互映射的联系。与神经网络法是比较相似的, 用向量回归解开上述的模型也是依据许多以往的数据实施的训练, 表示出以往数据的持续性与反复性。
规避偶然情况的影响, 进而让训练出的模型可以应对各种情况, 只要未预测数据是里面的某一种情况, 既可以获得满意的预测结果。
4.2 算例分析
这里我们以达坂城2006年5月连续28天风电场30米处, 每10分钟采集一次得到的风速数据[12-13], 继续第二天5月29号的全日的风速开始短期预测, 该数据为每十分钟采样一点, 一天共有144个风速的采样点。得到的结果我们以图形显示, 图1 (a) 给出了对于达坂城电厂前一天, 前6-12小时和前, 一个小时的市场策划, 风速测量的状况, 和事实上风速的关联的比较图。因此, 依据五月份持续28抬得风速的测量数值, 联动的测量以后一个星期24小时的风速, 一样根据前一天, 前6-12小时和前一小时的市场规划。
图1 (a) 5月29日达坂城电厂提前24h、提前6-12h, 以及提前1h的风速预测情况
图1 (b) 5月29日-6月4日达坂城电厂提前24小时、提前6-12小时, 以及提前1小时的风速预测情况
能够看出, 预测时间和交易时间越近, 风速预测的精准性会有一定的提高, 而且和风速有正相关函数拟合关系的风力发电的精确性也会有提高, 这样的市场规划的交易成本会越来越小。
结语
世界电力之中, 可再生能源以一种势不可挡的发展趋势, 风力发电是可再生能源的主力军, 文章中提出了几类市场规划方式, 市场规划越灵动, 风电生产商越是接近交易时段报价, 可以准确提升风力发电预测的精确性, 进而减少市场运作成本, 也只有这样才能保障风力发电的预测精确性。
摘要：在今后的几年里, 风电并网成本将会得到大幅度的增加, 文章总结了欧洲主流国家的风力发电补贴政策, 分析了大规模风电并入市场后导致的市场成本的变化, 提出了几种风电参与电力市场的市场设计模式。
关键词：风电,电力市场,风速预测,支撑向量机
参考文献
[1]Cristina L.Archer, Mark Z.Jacobson.Evaluation of Global Wind Power[R].America:Department of Civil and Environmental Engineering, Stanford University, Stanford, CA, 2005.
[2]Klaus Rave, Sven Teske, Steve Sawyer.Global Wind Energy Outlook 2010[R].Global Wind Energy Council, 2010.
[3]Steve Sawyer, Klaus Rave.Global Wind Report:Annual market update 2010[R].Global Wind Energy Council, 2010.
风电场风速预测 第5篇
随着能源和环境问题的日益严重,风力发电越来越受到人们的重视[1,2]。风力发电是目前世界上可再生能源开发技术中,最成熟、最具大规模开发和商业化前景的能源利用方式[3]。随着风电机组单机容量和风电场规模的不断扩大,风电功率波动对电网的影响愈加显著[4,5],在风电并网仿真分析中,若对每台风电机组进行详细建模将极大增加仿真的复杂度[6],因此风电场建模方法的研究已成为一项重要研究课题[7,8,9]。风电场稳态建模的一个关键问题是构建反映风电场风速与输出功率之间关系的数学模型[10],即风电场的风速-功率模型。传统的风电场风速-功率模型假设所有风电机组输入风速相等或相差不大,用单台风电机组的输出功率乘以场内机组的台数,得到整个风电场的输出功率[11]。然而由于风电场内的风速分布、地形地貌、机组排列方式等诸多因素的影响,场内各机组之间的风况及其输出功率都可能存在较大差别,该方法不适用于大型风电场风速-功率建模。目前,许多学者提出基于风电场外特性建模方法[12],主要有两种思路:第一种是通过单台风电机组风速-功率特性曲线,采用各种不同的方法得到等效的风电场风速-功率模型[13,14]。第二种思路是直接将整个风电场作为研究对象,对风电场长期实际运行数据进行统计分析,据此构建风电场等效风速-功率模型[10]。
本文首先通过对某双馈风电机组的标准功率特性曲线和实测风速-功率散点图进行对比,针对它们之间的差异问题,建立基于实测运行数据的风电机组风速-功率模型。然后,针对地形复杂、机组排列不规则的大型风电场风速差异性问题, 利用K-means聚类算法对风电场内所有风电机组按实测风速数据进行聚类划分,建立整个风电场的等效风速模型,进而给出基于实测运行数据的风电场等效风速-功率模型。最后,以某实际风电场为例,并与传统的风速-功率模型输出结果进行比较,验证本文提出模型的有效性。
1基于实测数据的风电机组风速-功率模型
传统的计算风电场输出功率的方法依赖于厂家提供的风电机组标准功率特性曲线。图1为空气密度ρ =1.225 kg/m3时,GE1.5 s-1500 k W双馈感应式风电机组的标准功率特性曲线。
本文统计了2010年6月1日至2010年6月30日某实际风电场33台GE1.5 s~1500 k W双馈感应式风电机组的风速、有功功率运行数据,绘制成散点图,如图2所示。由该图可以看出,该风电场的风电机组并不是完全按照厂家提供的风速-功率特性曲线运行,事实上其风速-功率点分布在一个较宽的范围内。
风电机组的输出功率主要取决于其所受的风速[15],这里将风电机组看成一个输入量为风速、输出量为有功功率的二端口元件,忽略其内部特性, 风电机组的风速-功率特性可以表示为
式中: P为风电机组输出的有功功率,k W; v为风速,m/s。
将散点图中的风速从切入风速到切出风速划分为s个等宽度的区段,则每个风速区段的宽度为
式中,vmin、vmax分别表示切入风速和切出风速。 设[vmin, vmax) 区间段内的端点及等分点的横坐标分别为
则第i个区间段为[v( i),v(i )+Δv),该区间段内所有实测有功数据的平均值Pi,mean和风速数据的平均值vi,mean计算为
式中,Ni为第i个区间段内实测数据的个数,其中第j个实测数据对应的横坐标(风速)为vi, j,纵坐标(有功功率)为Pi, j,则第i区间段内的风速- 有功均值点为(vi,mean,Pi,mean)。
遍历所有区间,可以得到s个风速-有功均值点(v1,mean,P1,mean),(v2,mean,P2,mean),…,(vs,mean,Ps,mean)。将s个风速-有功均值点用最小二乘法进行拟合,可以得到风电机组基于实测数据的风速-功率特性曲线。
2基于K-means聚类算法的风电场等效风速-功率模型
这里采用K-means聚类算法对风电场内所有风电机组进行机群划分。假设风电场中风电机组共有n +m台,若某个时间段内有n台风电机组并网运行,m台风电机组由于某些原因而与电网脱离,则将m台离网的风电机组剔除,选取风电场在该时间段内并网运行的风电机组的实测风速数据作为样本,风速在该时段内的采样点数为k个。将n台风电机组的风速数据建立实测风速样本矩阵为
其中,Vi, j表示第i台风电机组在第j个时刻测得的风速,把向量Vi看作空间V的一个样本组,则V中样本组数量为n ,维数为k 。
假设将样本组划分为c个类,即c个机群。设聚类划分次数为t(t ≥1,t ∈N ),初始时令t =1, 从所有样本组中任意选择c (1≤c ≤n )个样本组作为c个类Gp( p =1, 2, , c) 的初始聚类中心,即mp(1)=(mp(1,1),mp(1,2), ,mp(1,)k)=
则任意一个样本组Vi到c个聚类中心的欧氏距离为
对于任意一个样本组Vi, 总是∃ 一个mp(1)( p =1, 2, , c) 使d (Vi,mp(1))达到最小,则将Vi划分到类Gp中。
遍历完所有的样本组,完成第1次聚类划分。定义聚类的平方误差总和(此时t=1)为
作为评估类内相似性的指标。
此时,第p个机群Gp所含的机组数目为lp(1)( p =1, 2, , c) ,计算新的聚类中心
按上述方法进行第2次聚类划分。重复上述过程,当第t次聚类划分时,如果满足
则完成聚类划分,否则继续上述过程。设t =tz时完成聚类划分,即在第tz次将n台风电机组分别划分进了对应的机群Gp( p =1, 2, , c) 中,此时第p个机群Gp所含的机组数目为lp(tz)( p =1, 2, , c) 。
对于第p个机群,总∃Vi∈Gp使d (Vi,mp(t z))达到最小,则选取第i台风电机组作为第p个机群的典型代表机组。依次选出c台风电机组作为c个机群的典型代表机组,将这c台风电机组的风速称为典型风速,编号为vG1, vG2,…, vGc。
那么可以建立风电场等效风速veq模型为
其中)分别为各典型风速在风电场等效风速中的权重值。
以公式(11)计算风电场的等效风速veq作为风电机组的输入风速,代入公式(1)即可得到整个风电场的输出功率Psum为
3仿真验证
以某风电场二期风力发电机组的实测风速为例进行分析,场内共有33台风电机组,装机容量为49.5 MW,发电机轮毂高度为70 m。该风电场场址中心经纬度为东经114°05′49″至114°13′23″,北纬41°14′59″至41°20′7″,该地区为东亚大陆性季风气候,夏季高温多雨,冬季寒冷干燥。由于该风电场位于坝上丘陵地区,所处位置有连绵不断的低矮山丘,为了适合地势变化,风电机组的地理平面布置图如图3所示。
选取2010年6月5日20:00至2010年6月6日8:00的实测数据进行分析,该时间段内,1#机组停机,对2#机组至33#机组按本文提出的基于K-means的聚类方法进行机群划分,划分为3个机群,结果如表1所示。
从表1可以看出,由于地形复杂、机组排列方式不规则的大型风电场的风速分布不是均匀变化的,地理位置相隔较近的机组也可能风速差别很大, 划分在不同的机群内,如26#机组与27#机组;而地理位置相隔较远的机组也可能由于风速变化相近, 划分在同一个机群内,如26#机组与2#机组。可见按这种聚类算法划分机群的结果,与按机组地理位置划分的结果是不同的。
进而根据上述基于K-means聚类算法的等效风速-功率模型得出整个风电场的输出功率,同时将由传统的风速-功率模型得到的风电场输出功率、实际风电场输出功率表示如图4,分别计算传统的风速- 功率模型和本文建立的等效风速-功率模型输出功率与实际功率的绝对百分比误差,如图5所示。
造成风速-功率模型的不准确性有很多因素,如湍流、风向、尾流效应和迟滞效应等。传统的风速- 功率模型的平均百分比误差为20%、最大百分比误差为50.38%,均方根误差为13.553。本文提出的等效风速-功率模型的平均百分比误差为7.29%、最大百分比误差为18.06%,均方根误差为6.104。
通过以上分析可以看出,对于地形复杂、机组布局不规则的大型风电场,使用本文提出的风速- 功率模型比使用传统模型具有更高的准确性。
4结语
本文针对地形复杂、机组排列不规则的大型风电场风速差异性问题,基于K-means聚类算法提出了基于实测运行数据的风电场等效风速-功率模型, 并以某实际风电场为例,验证了本文所提模型的有效性。从笔者研究来看,可以得出:1基于K-means聚类算法进行风电场机群划分与简单按地理位置划分机群的结果有明显差异,对于地形复杂、机组排列不规则的大型风电场的机群划分更有指导意义;2本文仅对一个月的实测数据进行分析,若能采用更长时间段的、具有相近季节变化特征的实测风速数据进行建模,能有效提高模型的精确性。3机群数目的选择与机群划分结果、模型输出精度有重要关系,一般可以通过风电场测风塔位置、机组地理分布来初步选择,并通过模型输出是否满足精度要求来重新设定, 相关研究笔者将在后续工作中继续展开。
摘要：建立准确的风电场模型是风电接入系统相关研究的基础。首先通过对某双馈风电机组的标准功率特性曲线和实测风速-功率散点图进行对比,针对它们之间的差异问题,建立基于实测运行数据的风电机组风速-功率模型。其次,针对地形复杂、机组排列不规则的大型风电场风速差异性问题,利用K-means聚类算法对风电场内所有风电机组按实测风速数据进行聚类划分,建立了整个风电场的等效风速模型,进而给出了基于实测运行数据的风电场风速-功率模型。然后,以某实际风电场为例,对该风电场内的风电机组按风速进行K-means聚类划分,结果显示该划分结果与简单按地理位置的机群划分结果有明显差异。最后,对传统的风速-功率模型和所提出的风速-功率模型输出结果进行比较,结果证明所提出的模型相对于传统模型而言,准确性有了较大的提高。
风电场风速预测 第6篇
风能是太阳能的一种转换形式, 只是由于地面接收的太阳能量不均匀, 造成空气的流动, 才形成了风。我国蕴藏着丰富的风力资源, 而且风质好, 尤其对于风力资源雄厚的内蒙古和甘肃等地, 风力发电潜力巨大, 且有力支持着地方经济的未来发展和国家“西部大开发”的战略实施。因此, 利用风能发电是我国能源建设实施可持续发展战略的需要, 对调整电力工业结构、减少环境污染、推进技术进步、培育新的经济增长点、树立科学发展观具有重要意义。
风力发电以风作为动力源, 有其特殊性。由于风速和风向具有随机变动的自然特性, 而大型的风电机组又不具有电能存储的功能, 因此风电具有与生俱来的随机性和不可控性。换句话说, 风电属于不能进行出力调整的电源, 与水力发电相比, 风力发电的短周期变动较为显著。此外, 由于不同安装地点造成的风速和风向的明显差异, 即使在同一个风电场内的风电机组, 其原动力风速的变动也是不同步的。由于风力发电的这些特性, 导致了风电场和系统进行能量交换时存在随机性和不平稳性, 从而对电网造成冲击, 随着风电装机容量的不断增大, 风电的这些特性对电网的影响会更加严重, 成为制约风电发展的主要因素, 致使受到风电界的广泛关注。
风速的随机性和非平稳性, 导致了风电场的输出功率也具有随机性和非平稳性。目前, 风速相关的研究主要集中在风速的概率分布[1]、风速建模[2]、风速测量及风速预测[3~7]等。风速信号的建模有的文献直接对风速进行建模的;也有的文献中, 先将不平稳的风速信号转换为平稳信号, 再应用BoxJenkins方法对平稳信号的时间序列建模分析。风速的预测同样需要对风速先进性平稳化处理, 再建立模型进行预测。无论是对风速建立模型还是对风速进行预测, 都需要先对其进行平稳化处理, 有的文献对原信号的时间序列进行不同阶的差分处理, 有的通过卡尔曼滤波等方法。目前, 较少有文献对风速的随机性和非平稳性这些基本特征进行验证和分析, 本文利用国内某风电场的实测数据对风速的随机性和非平稳性进行了分析和验证, 并且采用了一种新的平稳化处理方法———EMD方法[8~10], 通过EMD方法对风速信号进行分解, 将不平稳的风速信号转换为平稳的信号分量。为进一步研究风速的建模、预测等提供理论参考。
2 非平稳时间序列
2.1 随机过程与随机序列
设T为某个时间集, t∈T, 取xt为随机变量, 对于该随机变量的全体{xt, t∈T}。
(1) 当取T为连续集, 如:T= (-∞, +∞) 或T=[0, +∞]等。则{xt}称为随机过程。
(2) 当取T为离散集, 如:T={…, -2, -1, 0, 1, 2…}或T={1, 2, …}等, 则{xt}称为随机序列。
随机序列是随机过程的一种, 是将连续时间的随机过程等间隔采样后得到的序列;随机序列也是随机变量的集合, 只是与这些随机变量联系的时间不是连续的、而是离散的。
对于一个随机序列, 一般只能通过记录或统计得到一个它的样本序列x1, x2, …xn, 称它为随机序列{xt}的一个现实。随机序列的现实是一族非随机的普通数列。
2.2 时间序列的平稳性[11、12]
随机变量重要的局部特征有:均值、方差、高阶原点矩和中心矩、条件分布函数和密度函数。然而, 随机过程的上述特征一般来说是时间的函数。对于随机过程来说, 还需要一些新的特征来描述, 包括n阶密度、自相关函数和功率谱密度等。这些新的特征对于随机过程的分析是很有意义的。他们能够给出不同随机过程所具有的不同的统计特性以及随机过程中所包含的随机信息。
时间序列{xt}取自某一个随机过程, 如果此随机过程的随机特征不随时间变化, 则我们称过程是平稳的;假如该随机过程的随机特征随时间变化, 则称过程是非平稳的。
时间序列的宽平稳性定义:如果xt具有有穷的二阶矩, 而且满足以下条件:
上面的条件表明:宽平稳序列的均值与自协方差函数随时间的平移而不变。另外, 条件 (2) 表明, 宽平稳序列的自协方差函数γ (t, s) 只与t-s有关, 故γ (s, t) 实际上是被一元函数所确定的, 这样的随机过程称为自相关平稳过程。如果条件 (1) 满足, 则该随机过程有最低形式的平稳性, 称为均值平稳。但均值平稳并不一定满足自相关平稳。
2.3 时间序列的自相关分析
自相关分析法是进行时间序列分析的有效方法, 它简单易行、较为直观, 根据绘制的自相关分析图和偏自相关分析图, 我们可以初步地识别平稳序列的模型类型和模型阶数。利用自相关分析法可以测定时间序列的随机性和平稳性, 以及时间序列的季节性。
自相关函数的定义:滞后期为k的自协方差函数为:rk=cov (yt-k, xt) , 则{xt}的自相关
函数为:
其中。
当序列平稳时, 自相关函数可写为:
样本自相关函数为:,
其中, 它可以说明不同时期的数据之间的相关程度, 其取值范围在-1到1之间, 值越接近于1, 说明时间序列的自相关程度越高。
时间序列的随机性, 是指时间序列各项之间没有相关关系的特征。使用自相关分析图判断时间序列的随机性, 一般给出如下准则: (1) 若时间序列的自相关函数值基本上都落入置信区间, 则该时间序列具有随机性; (2) 若较多自相关函数值落在置信区间之外, 则认为该时间序列不具有随机性。
判断时间序列是否平稳, 是一项很重要的工作。运用自相关分析图判定时间序列平稳性的准则是: (1) 若时间序列的自相关函数在k>3时都落入置信区间, 且逐渐趋于零, 则该时间序列具有平稳性; (2) 若时间序列的自相关函数更多地落在置信区间外面, 则该时间序列就不具有平稳性。
2.4 EMD分解法
EMD分解法是把非平稳信号分解为有限个分量 (平稳信号) 和一个趋势项和的形式, 从而实现对非平稳的信号平稳化处理。
即:原始信号S (t) 被分解为n个分量 (C1 (t) ~Cn (t) ) 和一个趋势项Rn (t) 。因为尺度越来越大, 所以Rn (t) 是一个相对缓变的信息, 既可能是一个单调函数, 也可能是一个常量。而分量 (C1 (t) ~Cn (t) ) 就是原数据序列经分离后的不同尺度的信息分量。
3 风速的随机性和非平稳性实例分析
3.1 风速的平稳性判定
以我国某风电场的实测风速为原始数据, 该取样序列为每小时采样一点, 取其中的201点数据对风速的随机性和平稳性进行分析。
对取样序列进行背景分析, 提取序列所反应的部分结构和规律特点。直观判断是一个非常简单, 但却常被技术人员忽视的数据序列分析方法。每个样本序列都有其内在的规律和系统环境特点, 反映在数值上就是数据有其正常、合理的变化范围。有时, 根据实际经验, 可直观地判断出一组数据是否正常, 既数据的随机性和平稳性。但往往由于取样点数少或者样本规律性较弱等原因, 样本序列的随机性和平稳性很难直观判断, 需要进行定性的判断和分析。
原始风速信号的波形图见图1, 直观地从图1中可以判断该信号属于非平稳的随机信号。
风速序列的前20个自相关函数值如图2所示。可以看出, 自相关函数不能快速衰减到零, 原始风速序列非平稳, 需对其进行平稳化处理。
3.2 风速信号的平稳化处理
通过EMD分解法把非平稳的风速信号S (t) 分解为五个分量C1…C5 (平稳信号) 和一个趋势项R和的形式, 从而实现对非平稳的风速信号平稳化处理:
分解出的平稳信号见图3, 可以看出:分解得到的五个分量C1…C5都围绕零值附近波动。直观判断, 所得五个分量可能属于平稳序列;趋势项R是一个相对缓变的剩余分量。
3.3 验证各个分量平稳性
采用自相关分析法, 验证各个分量的平稳性。EMD分解后风速分量的自相关函数值见图4, 可以看出, 分量C1、C2、C3、C4、C5的自相关函数值都是呈现周期衰减。分量C1、C2、C3的自相关函数值可以在k>3时, 很快的衰减至零, 以后一直在零值附近波动, 从而得出, 分量C1、C2、C3是一种平稳的随机信号。但分量C4、C5的自相关函数值不能够在较短时间内衰减至零值, 并且振荡的幅度较大, 所以他们是非平稳度的分量。
4 结论
(1) 风速的取样序列, 具有随机性和不平稳性。可以定性的说明了风速具有随机性和非平稳性; (2) EMD分解法, 可以从风速信号中分解出平稳的随机信号, 但其分解的效果还有待改进, 其中所得的分量中还存在非平稳的分量; (3) 通过对风速的随机性和平稳性进行分析处理, 可以为风速信号的平稳化处理提供一些新的思路, 并为风速的建模预测提供理论参考。
摘要：风能是一种可再生的绿色能源。国家对风电事业的发展越来越重视, 风电的装机容量日益增大, 在系统中的比例也不断增加。可由于风速和风电功率的随机性和非平稳性, 使得风电装机容量在系统中的所占比例受到限制, 如果要做到尽可能的充分利用风能, 就需要对风速和风电功率的随机性和平稳性进行分析研究。采用时间序列的自相关分析法对风速的实测数据进行了分析, 验证了风速具有随机性和非平稳性的特点, 并对风速信号进行了平稳化处理, 为进一步的研究风速的概率分布和测量以及建模预测提供理论参考。
关键词：随机性,非平稳性,自相关分析法
参考文献
[1]丁明, 吴义纯, 张立军.风电场风速概率分布参数计算方法的研究[J].中国电机工程学报, 2005, 25 (10) :107-110DING Ming, WU Yichun, ZHANG lijun.Study on the algorithm to the probabilistic distributution parameters of wind speed in wind farms[J].Proceedings of the CSEE.2005, 25 (10) :107-110
[2]Kamal L, Jafri Y Z.Time series models to simulate and forecast hourly averaged wind speed in Wuetta, Pakistan[J].Solar Energy, 1997, 61 (1) :23-32
[3]Alexiadis M, Dokopoulos P, Sahsamanoglou H et al.Short term forecasting of wind speed and related electrical power[J].Solar Energy, 1998, 63 (1) :61-68
[4]Bossanyi E A.Short-term wind prediction using Kalman filters[J].Wind Engineering, 1985, 9 (1) :1-8
[5]Kariniotakis G, Stavrakakis G, Nogaret E.Wind power forecasting using advanced neural network models[J].IEEE Trans Energy Conversion, 1996, 11 (4) :762-767
[6]Shuhui Li.Wind Power Prediction Using Recurrent Multil-ayer Perceptron Neural Networks[C].IEEE Power Engineering Society General Meeting, 2003:2325-2330
[7]杨秀媛, 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) :1-5YANG Xiuyuan, XIAO Yang, CHEN Shuyong.Wind speed and generated power forecasting in wind farm[J].Proceedings of the CSEE.2005, 25 (11) :1-5
[8]N.E Huang, et al.The empirical mode decomposition and the Hilbert spectrum for nonlinear and non-stationary time series analysis[J].Proc.R.Soc.Lond.A.1998, 454:903-995
[9]Huang N E, Shen Z, Long S R.A new view of nonlinear water waves:the Hilbert spectrum[J].Ann Rev Fluid Mech, 1999, 31:417-457
[10]刘慧婷.EMD方法的研究与应用[D].安徽:安徽大学, 2004:14-19LIU Huiting.Research and application of EMD method[D].Anhui:Anhui university, 2004:14-19
[11]安鸿志, 陈敏.非线性时间序列分析[M].上海:上海科学技术出版社, 1994:1-12AN Hongzhi, CHEN Min.Nonlinear time series analysis[M].Shanghai:Shanghai science and technology press, 1994:1-12
风电场风速预测 第7篇
风电机组 (以下简称“风机”) 的基础设计是风电场设计中重要的组成部分, 其造价与安全性关系着整个风电场的良好运行, 设计出既安全又经济的风机基础对整个风电场工程具有重要意义。其中, 在风机基础设计过程中较为重要的环节是基础底面形状、尺寸的确定和地基承载力计算, 前两者直接影响基础所需混凝土量的大小。
国内有关规范及手册中并未给出矩形基础基础底面尺寸的确定方法及计算公式。现可参考的《高耸结构设计规范》[1], 《风电机组地基基础设计规定 (试行) 》[2]是参照相关建筑和电力系统的规范和标准而建立的, 很多内容仅仅只是简单的将原有的建筑或电力规范原封不动的搬过来, 而对于基础形式的科学选择问题并未做详细论述。虽然风机基础的投资费用只占风机投资的4%左右, 但风机基础混凝土属大体积混凝土, 浇筑及养护所需时间较长, 若能有效减少基础混凝土用量, 不但可以减少混凝土的大量浪费, 也会缩短基础施工工期, 节约时间及相应成本。
在《风电机组地基基础设计规定 (试行) 》中所提供的扩展基础底面为矩形, 但缺少选择矩形基础尺寸的方法。为了便于确定矩形基础尺寸及方便基础设计工作, 对盛行风方向较固定的风电场进行风机基础的优化设计很有必要。
本文以安全、经济的原则, 以天然地基上的矩形扩展基础为例, 对其尺寸确定及计算方法进行简单论述。
2 风机基础形状选择
风电机组基础承受360°方向的大偏心震动随机荷载, 按照对称的原则, 基础底面形式选为圆形最为合理, 目前对风机基础设计的方式是把最大受力情况运用到基础各个方向, 所以设计出的基础一般均为轴对称或中心对称形式。
但风电场一般都建在风向较固定区域, 一年中仅有一个或几个盛行风向, 风机基础所受力及弯矩的方向则也基本固定, 那么对于盛行风方向较固定的风电场, 在非盛行风方向的设计显然会出现过于安全情况。此时, 简单的将基础底面选为圆形或八边形等形状显然不经济合理。
本文考虑根据各风电场的风资源特点, 将风机基础形状优化为矩形。
3 风机塔架风压分析
根据《建筑结构荷载规范》[3] (GB50009—2012) 8.1.1条, 风荷载标准值按式 (1) 计算:
式中, βz为高度z处的风振系数;μs为风荷载体型系数;μz为风压高度变化系数;ωo为基本风压, k N/m2。
对于风电机组的受风部分 (塔架及叶轮等) 的风振系数βz, 体型系数μs, 风压高度变化系数μz均可看做恒定。则风荷载值仅与基本风压值ωo有关。
根据伯努利方程得出的风-压关系, 风的动压为:
式中, ωk为风压, k N/m2;ρ为空气密度, kg/m3;v为风速, m/s。
同一地区, 由于空气密度基本一致 (此处考虑空气密度为定值) ;风机迎风面受力面积比其垂直方向受力面积大, 本文考虑迎风面垂直方向与迎风面受风面积同样大。如此, 风机所受风压大小仅与风速有关。
4 最大风速玫瑰图
基于塔架的风压分析, 本文引入“最大风速玫瑰图”。
最大风速玫瑰图不同于常用的风能玫瑰图 (见图1) 、风向玫瑰图 (见图2) 。
“风能玫瑰图”只能表示某个方向上风能的大小, “风向玫瑰图”表示风在某方向出现的概率。“最大风速玫瑰图” (见图3) 是统计风在各个方向上出现的最大风速的情况, 呈现出风机塔架各方向上所受风力大小情况, 可直观的判定某方向上风机基础所受风荷载的大小。
如下是某风电场场内测风塔提供的某年全年的风资源数据统计:
由图1、图2、图3可得出结论, 风电场的风能与风向存在一定联系, 最大风速情况却跟两者联系不大。
5 矩形风机基础设计实例
5.1 基础尺寸确定
根据最大风速玫瑰图, 可以判断风机基础各方向上的受力情况。矩形基础的长边可以采用风机荷载资料中最不利荷载考虑方形基础来设计。而短边方向尺寸按以下条件来考虑: (1) 满足基础尺寸抗倾覆条件; (2) 根据风能玫瑰图的尺寸比例确定。考虑此两点, 取其最大值作为基础短边方向的原始值。
例:现有某风电场场内测风塔的近两年的测风数据, 可统计出两年的最大风速玫瑰图 (见图4) 。
根据图4, 做如下处理 (见图5) 。
如图5所示, A为矩形长边方向长度;b与c为玫瑰图中心到短边方向边缘的长度 (b>c) , 取1.2b×2为短边方向的长度, 记为B, 1.2为安全系数。则A/B即为矩形基础长边比短边的最大比值。
5.2 基础优化设计
采用中国水电顾问集团北京木联能软件技术有限公司开发的《CFD风电工程软件机组塔架地基基础设计软件》 (V4.5.2) 对风机基础进行设计, 常规圆形、方形扩展基础简图如图6、图7所示。经抗倾覆验算, 优化后的矩形基础如图8所示。
风机基础优化设计后, 统计三类基础各用混凝土量如表1所列。
由表1得出, 矩形优化基础方案较圆形、方形基础方案分别节省混凝土29.0%及25.4%。
6 结语
本文提供一种基于风电场风资源情况对风机基础优化的一种思路, 在实际操作过程中, 结合风机各点位特点可以具体进行微调。
经过优化后的基础, 在满足安全的同时, 可以有效地节省混凝土量, 节省工程造价, 一定程度上也缩短了项目工期。
摘要：由于风电场一般均建在风向较固定区域, 风机基础的受力往往出现偏心极大方向和极小方向。针对此种情况, 并结合风电场风资源特性, 考虑各风机点位特点, 论文提出“最大风速玫瑰图”概念, 给出了风机基础设计的新思路, 并通过“最大风速玫瑰图”将常规圆形、八边形基础, 优化为矩形基础, 使风机基础受力性能更好, 有效减少基础混凝土量, 同时节省项目建设时间。
关键词：风资源,最大风速玫瑰图,风机基础,矩形基础
参考文献
[1]GB50135—2006高耸结构设计规范[S].
[2]FD 003—2007风电机组地基基础设计规定 (试行) [S].
【风电场风速预测】相关文章：
风电场风功率预测07-09
风电场功率预测的作用01-16
风电预测误差风险评估论文04-29
风电预测误差风险评估论文提纲08-08
风电预测误差风险评估论文参考文献08-27
风电场检修08-16
风电场总结09-10
双馈风电场05-12
大型风电场论文07-20
风电场安全简报05-12