山西龙源风力发电有限公司 山西忻州 036100
摘要：随着我国经济在快速发展，社会在不断进步，人们对于电力的需求在不断加大，大规模风电场并网对电网产生一定波动，为减少风电对电网的冲击影响，利用风功率预测对风电场的功率输出进行预测，使电力调度部门根据风电可预测发电量合理调控风电并网，从而减少弃风限电问题，提高风力发电的经济性能。本文详细介绍了风电场风功率预测对并网稳定性的影响，阐述了风速、空气密度等影响输出功率的因素关系。
关键词：风功率预测；风电并网；稳定性
引言
随着风电装机规模的不断增长，其并网后带来的安全运行和消纳利用问题日益突出，高比例风电接入的功率预测准确性愈发重要。现阶段，风电功率预测在平衡系统电力供应和负荷需求之间发挥了至关重要的作用；未来，风电短期和超短期功率预测在备用市场、现货市场及辅助服务市场中将发挥更大的作用，是风电参与市场交易的重要支撑手段。论文对风电功率预测的技术路线和关键应用进行了全环节综述和阶段性总结，介绍了适用于风电功率预测的数值天气预报关键技术环节，分析了面向不同预测对象的风功率转换模型及技术路线，探讨了不同预测模型的应用场景及性能评价方法。最后从未来应用发展需求的角度，提出了我国风电功率预测精度提升的相关建议。
1风功率预测在风电场运行管理中的必要性
虽然地势在很大程度上决定了风能大小，可以将地势特点作为风能开发参考依据，但是风力资源具有间歇性和随机性，随着时间的推移，风向、风力大小等参数均会发生改变。因此，风力资源开发转化的电能并不稳定，需要依靠其他资源协助共同为人们提供电能。在实际工作开展中，电力调度部门需要根据风电功率数值的变化调节供电系统运行参数，以此减少风电网运行受风资源不稳定的影响。其中，电功率数值的获取成为了电力调度工作开展的关键，因此风功率数值预测成为了风电场运行管理中不可缺少的环节。
2风功率预测对风电场并网稳定性影响
2.1预测模型优化
气象条件往往是不稳定的，目前单纯使用物理模型预测方法进行短期或超短期预测并不多见。本文主要讨论统计模型预测的相关预测模型。（１）时间序列分析是对大量的时间数据序列进行参数估计、模型识别等过程后确定一个数学模型进行预测。风电功率和风速数据通常是非平稳时间序列，应用时间序列分析模型前一般需要经过差分之后才能变为平稳时间序列。采用带有季节因子的差分自回归滑动平均模型（ＳＡＲＩＭＡ）对风电场的风速和风功率进行短期预测。预测效果明显优于差分自回归滑动平均模型（ＡＲＩＭＡ）。（２）ＡＮＮ是通过复制人类大脑工作过程的方法，可以处理复杂的非线性问题。防止人工神经网络算法陷入局部最优和过学习的问题，仍然是其改进的研究方向。目前众多学者将ＡＮＮ模型进行了不同的改进，预测精度不断提高。基于动态神经网络的风电场输出功率预测模型，仿真结果表明，动态神经网络在预测具有时间序列特性的风功率时效果优于静态神经网络。（３）ＳＶＭ是基于结构风险最小化原则，适用于小样本情形下模型的建立的一种学习方法。ＳＶＭ预测方法通过核函数，将样本空间的输入映射到高维特征空间，解决了传统方法中的维数灾难、学习时间长、模型适应性弱等问题。目前，众多学者将ＳＶＭ模型进行了不同的改进。（４）考虑时空相关性的方法基于多个相互关联的风电场信息共享的数据平台，风电功率时间序列在不同空间点之间有很强的关联性，根据由风电场内风电机组间空间排布关系推导出的空间相关矩阵，得到其他风电机组的风速、风向，进一步可得到风电功率预测值。
2.2边界层参数化
边界层位于对流层的下边界，由于受到下垫面热力状况和湍流摩擦的直接影响，边界层内的空气具有明显的湍流运动特征，会导致热量、动量及水汽等在垂直方向强烈运动。局地K方法是传统的垂直扩散方案，该方案建立在风场和位温的局地梯度基础上，但仅适用于稳定的大气层结。为了克服这种缺点，提出了不同的优化方法：一种是高阶闭合方法，该方法可以很好地描述混合边界层的结构，但计算量会随湍流动能的增加而加大；另一种是非局地K方法，该方法以其简单性且能表示混合边界层中涡旋的优势而在不同模式中得到了广泛应用。
2.3输出功率和风速的关系
对风电机组而言，不同大小的风速使风机受到的反馈也是不同的。当风速刚刚达到风机发电转动要求时，为切入风速vin；当风速超过某一数值时，风机飞车的概率会大大增加，此时会启动过速保护，急停风机，此风速称为切出风速vout；当风速可以保持机组以满发出力运行时，为额定风速vn。风机输出功率可表示为：
.png)
式中：pC—风能可利用系数；ρ—空气密度，kg/m3；A—风机叶轮的扫略面积，m2；v—风速，m/s。通过对表达式的分析，风速与风机输出功率变动趋势呈正比例变化，假设风速值增长为原来的一倍时，那么风机输出功率可能增加至风速变化前的八倍。由此可知，风速的波动将在很大程度上引起风机输出功率的变动，且对其产生的影响较大。因此，风速大小成为机组出力值最重要的因子。当风速高于风机最低运转速度时，风机叶片角度从91°逐渐变为趋于0°，风电机组开始运转发电，产生功率。当风速达到机组满发状态时，其出力将保持在平稳值。由此，精准的对中速风段进行预测，来满足风机发电运行的风速条件，对于风机发电并网更能提供有效依据。
3发展趋势
（1）首先需要增强数据采集能力、完善输入因子，对于风电功率预测模型采用各类的输入。模型的复杂性是由输入量的多少确定，选择合适的方法，如数据融合技术、对随机信号进行剔除，增强参数规律性，以提高预测精度。（2）在ABC技术（A是人工智能，B是大数据，C是云计算）的大背景下，应该与最先进其他学科技术进行结合，建立高效率模型，使智能技术在风电行业要发挥更大的作用，实现人工只能，大幅度提高生产力。（3）建立海上的风电场是我国“十三五”新能源发展重点，海上风力与内陆风力有较大差别，对风电机组设备等各方面提出更高要求，因此建立适合海上的云平台远程风电功率预测系统是未来发展趋势之一。（4）对神经网络、灰色理论、遗传算法等模型深入研究，探求一个在超短期、短期、中长期三种时间跨度风电功率预测中保持高精度、良好相关性的预测模型。
结语
风电场的风功率预测为电网调度、制定发电计划以及风电场内部安排风机消缺维护提供了必要依据。进一步完善风功率预测的精准程度，有助于风电场更有计划性地缓解风电并网时电力系统因此需要承受的调控压力。另一方面也有助于风电场以风况为依据，对于风机的消缺、维护时间进行更加合理的规划，以保证大风天气中风机的高效运转，使得大风天气中风机的利用效率得以提升。由此可见，对现有风功率预测技术的不断改进以及预测精准程度的不断提高，在保障大型风电场的并网安全性以及提高其经济效益方面都体现出极其重要的研究意义。
参考文献：
[1]卢锦玲，张津，丁茂生.含风电的电力系统调度经济性评价[J].电网技术，2016，（08）：2258-2264.
[2]张磊.基于风速－功率曲线模型风功率预报系统精度分析与改进[J].应用能源技术，2018，（11）：26-27.
[3]秦本双.基于实测数据的风电场风速和风功率预测研究[D].吉林：东北电力大学，2018.
[4]栾奕，杨永强，剡文林.基于相似日和人工神经网络的风电功率短期预测研究[J].能源与环保，2018，40（10）：140-146.
[5]沈岳峰，都洪基.基于VMD-IGWO-SVM的风电功率超短期预测研究[J].电工电气，2019，1（1）：20-25.