基于神经网络的酒泉风电基地超短期风电功率预测方法

doi:10.3969/j.issn.1000-7229.2013.09.001

电力建设 ›› 2013, Vol. 34 ›› Issue (9): 1-5.doi: 10.3969/j.issn.1000-7229.2013.09.001

• 重点理论研究 • 下一篇

基于神经网络的酒泉风电基地超短期风电功率预测方法

马彦宏1,2，汪宁渤1,2，马明1,2，刘光途1,2，赵龙1,2

1.甘肃省电力公司风电技术中心，兰州市 730050；2.甘肃省风电并网工程技术中心，兰州市 730050

出版日期:2013-09-01
作者简介:马彦宏(1975)，男，硕士，高级工程师，主要研究方向为风电并网及预测预报技术；汪宁渤(1963)，男，硕士，高级工程师，注册咨询工程师，主要研究方向为电网规划和风电并网，本文通信作者，E-mail:wangnb@gs.sgcc.com.cn；马明(1983)，男，硕士，工程师，主要研究方向为新能源及并网技术、预测预报技术；刘光途(1963)，男，本科，高级工程师，主要研究方向为风电并网及监测技术；赵龙(1973)，男，硕士，工程师，主要研究方向为风电并网及预测预报技术。
基金资助:
国家高技术研究发展计划(863计划)(2011AA05A104)；2009年中国电机工程学会“电力青年科技创新资助项目”。

Ultra-Short-Term Wind Power Prediction Method Based on Neural Network for Jiuquan Wind Power Base

MA Yanhong1,2，WANG Ningbo1,2，MA Ming1,2，LIU Guangtu1,2，ZHAO Long1,2

1. Wind Power Technology Center of Gansu Electric Power Company, Lanzhou 730050, China;2. Gansu Wind Power Integration Engineering Center, Lanzhou 730050, China

Online:2013-09-01

摘要/Abstract

摘要：

风电的随机性和波动性给电力系统调度运行带来了一定的困难，以我国首个千万kW级风电基地甘肃酒泉风电基地为例，研究了基于神经网络的酒泉风电基地超短期风电功率预测方法，并对风速和风电功率实时数据进行了分析处理。在此基础上，基于神经网络算法和贝叶斯规则进行了超短期预测建模过程分析。最后，通过预测结果对预测模型进行了验证分析，验证结果表明预测模型合理、预测精度高，该预测结果可以为调度运行人员提供参考。

关键词: 风电功率预测, 超短期预测, 神经网络, 预测模型

Abstract:

The randomness and volatility of wind power bring difficulties for power system dispatching and operation. Taking Jiuquan wind power base the first million kilowatt wind power base in China as an example, the ultra-short-term wind power prediction method based on neural network was studied, which analyzes and processes the real-time data of wind speed and wind power. On this basis, the modeling process of ultra-short-term prediction was analyzed based on the neural network algorithm and Bayes rule. Finally, the prediction model was validated through prediction results. The results show that the prediction model is reasonable, and has a high prediction accuracy, which can also provide a reference for dispatchers.

Key words: wind power prediction, ultra-short-term prediction, neural network, prediction model

马彦宏，汪宁渤，马明，刘光途，赵龙. 基于神经网络的酒泉风电基地超短期风电功率预测方法[J]. 电力建设, 2013, 34(9): 1-5.

MA Yanhong，WANG Ningbo，MA Ming，LIU Guangtu,ZHAO Long. Ultra-Short-Term Wind Power Prediction Method Based on Neural Network for Jiuquan Wind Power Base[J]. ELECTRIC POWER CONSTRUCTION, 2013, 34(9): 1-5.

参考文献

［1］肖创英. 欧美风电发展的经验与启示［M］. 北京：中国电力出版社，2010：292-298.

［2］马彦宏，汪宁渤，刘福潮，等. 甘肃酒泉风电基地风电预测预报系统［J］. 电力系统自动化，2009，33(16)：88-90.

［3］汪宁渤. 大规模风电送出与消纳［M］. 北京：中国电力出版社，2012.

［4］汪宁渤. 甘肃酒泉千万kW风电基地面临的挑战与应对措施［J］. 电网与清洁能源，2009，30(7)：43-47.

［5］肖创英，汪宁渤，丁坤，等. 甘肃酒泉风电功率调节方式研究［J］. 中国电机工程学报，2010，30(10)：1-7.

［6］肖创英，汪宁渤，陟晶，等. 甘肃酒泉风电出力特性分析［J］. 电力系统自动化，2010，34(17)：64-67.

［7］汪宁渤，马彦宏，丁坤，等. 酒泉风电基地脱网事故频发的原因分析［J］. 电力系统自动化，2012，36(19)：1-5.

［8］Kariniotakis G，Mayer D，Moussafir J. ANEMOS：development of a next generation wind power forecasting system for the large-scale integration of onshore & offshore wind farms［C］//European Wind Energy Conference & Exhibition，Madrid，Spain，2003：1661-1667.

［9］Giebel G，Landberg L，Kariniotakis G. State-of-the-art on methods and software tools for short-term，prediction of wind energy production［C］//European Wind Energy Conference & Exhibition，Madrid，Spain，2003：1345-1352.

［10］Waldl H，Giebe G. The quality of a 48-hours wind power forecast using the german and danish weather prediction model［C］//Wind Power for the 21st Century，EUWEC Special Topic Conference，Kassel，Germany，2000：87-92.

［11］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.

［12］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.

［13］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.

［14］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.

［15］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.

［16］Focken U，Lange M，Waldl P. Previento-a wind power prediction system with an innovative upscaling algorithm［C］//2001 European Wind Energy Association Conference EWEC’01，Copenhagen，Denmark，2001：56-60.

［17］Martí Perez I. Wind forecasting activities［C］//The First IEA Joint Action Symposium on Wind Forecasting Techniques，Norrkoping，Sweden，2002：284-289.

［18］管胜利. 基于局域波分解及时间序列的风电场风速预测研究［J］. 华北电力技术，2009(1)：10-13.

［19］洪翠，林维明，温步瀛. 风电场风速及风电功率预测方法研究综述［J］. 电网与清洁能源，2011，27(1)：60-66.

［20］傅蓉，王维庆，何桂雄. 基于气象因子的BP神经网络风电场风速预测［J］. 可再生能源，2009，27(5)：86-89.

[1]	唐子卓, 刘洋, 许立雄, 郭久亿. 基于负荷数据频域特征和LSTM网络的类别不平衡负荷典型用电模式提取方法[J]. 电力建设, 2020, 41(8): 17-24.
[2]	宋建，束洪春，董俊，梁雨婷，李雨龙，杨博. 基于GM(1，1)与BP神经网络的综合负荷预测[J]. 电力建设, 2020, 41(5): 75-80.
[3]	白浩，袁智勇，孙睿，张强，史训涛. 基于Apriori算法和卷积神经网络的配电设备运行效率主要影响因素挖掘[J]. 电力建设, 2020, 41(3): 31-38.
[4]	史晨豪，唐忠，魏敏捷，李征南，陈寒. 基于数据驱动的配电网光伏双层优化调控策略[J]. 电力建设, 2020, 41(3): 62-70.
[5]	韦善阳，黎静华，黄乾. 基于改进权值优化模型的光伏功率区间预测[J]. 电力建设, 2019, 40(7): 26-33.
[6]	肖泽青，华昊辰，曹军威. 人工智能在能源互联网中的应用综述[J]. 电力建设, 2019, 40(5): 63-70.
[7]	杨懿男，齐林海，王红，苏林萍. 基于生成对抗网络的小样本数据生成技术研究[J]. 电力建设, 2019, 40(5): 71-77.
[8]	江文超，张兴，谢东，李明. 基于小波变换与BP神经网络的光伏电站孤岛检测研究[J]. 电力建设, 2019, 40(12): 113-119.
[9]	曹弘飞，朱新坚. BP神经网络在线优化卡尔曼滤波算法在钒电池SOC估算中的应用[J]. 电力建设, 2018, 39(4): 9-.
[10]	梁荣，杨波，马润泽，吴健，吴奎华，林振智，文福拴. 利用多源信息和深度置信神经网络的配电系统空间负荷预测[J]. 电力建设, 2018, 39(10): 12-19.
[11]	牛东晓，马天男，王海潮，刘鸿飞，黄雅莉. 基于KPCA和NSGAII优化CNN参数的电动汽车充电站短期负荷预测[J]. 电力建设, 2017, 38(3): 85-.
[12]	石鑫，朱永利. 深度学习神经网络在电力变压器故障诊断中的应用[J]. 电力建设, 2015, 36(12): 116-122.
[13]	魏国清, 黄良毅, 杨苹，邹澍. 基于小样本集的网侧风电功率预测方法[J]. 电力建设, 2014, 35(9): 18-21.
[14]	张刚，刘福潮，王维洲，李正远，郑晶晶，梁雅芳 . 电网短期负荷预测的BP-ANN方法及应用[J]. 电力建设, 2014, 35(3): 54-58.
[15]	黄新波，宋桐，王娅娜，李文君子,林淑凡 . 基于贝叶斯和模糊L-M网络的变压器故障诊断[J]. 电力建设, 2014, 35(2): 1-6.

基于神经网络的酒泉风电基地超短期风电功率预测方法

Ultra-Short-Term Wind Power Prediction Method Based on Neural Network for Jiuquan Wind Power Base

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价