基于改进空间资源匹配法的风电集群功率预测技术

doi:10.3969/j.issn.1000-7229.2017.07.002

电力建设 ›› 2017, Vol. 38 ›› Issue (7): 10-.doi: 10.3969/j.issn.1000-7229.2017.07.002

• 可再生能源电力特性分析、模拟与预测技术 ·栏目主持黎静华教授· • 上一篇下一篇

基于改进空间资源匹配法的风电集群功率预测技术

彭小圣1，樊闻翰1，王勃2，张涛3，文劲宇1，邓迪元1，熊磊1，车建峰2

1.强电磁工程与新技术国家重点实验室（华中科技大学电气与电子工程学院），武汉市 430074；
2.中国电力科学研究院新能源与储能运行控制国家重点实验室，北京市 100192；

3.国网山西省电力公司调控中心，太原市 030001

出版日期:2017-07-01
作者简介:彭小圣（1983），男，博士，IEEE会员，主要研究方向为电力系统大数据理论与应用、电力系统主设备状态监测与故障诊断、局部放电信号提取与模式识别、新能源功率预测等；樊闻翰（1993），男，硕士研究生，主要研究方向为电力系统新能源功率预测、电力设备状态监测与故障诊断等；王勃（1983），男，博士，高级工程师，主要研究方向为新能源资源评价、功率预测、数值天气预报等；张涛（1966），男，高级工程师，主要研究方向为新能源调度技术及运行管理等；文劲宇（1973），男，博士，教授，主要研究方向为电力系统规划运行与控制，储能与新能源并网，直流输电与直流电网等；邓迪元（1992），男，硕士研究生，主要研究方向为电力系统主设备智能监测等；熊磊（1989），男，硕士研究生，主要研究方向为电力系统新能源功率预测等；车建峰（1985），男，硕士，高级工程师，主要研究方向为新能源发电功率预测技术等。
基金资助:

A Lifting Spatial Resources Matching Approach Based Wind Power Prediction of Regions

PENG Xiaosheng1，FAN Wenhan1，WANG Bo2，ZHANG Tao3，WEN Jinyu1，DENG Diyuan1，XIONG Lei1，CHE Jianfeng2

1. State Key Laboratory of Advanced Electromagnetic Engineering and Technology （School of Electrical and Electronic
Engineering, Huazhong University of Science and Technology）, Wuhan 430074, China;2. State Key Laboratory of

Operation and Control of Renewable Energy & Storage Systems, China Electric Power Research Institute,

Beijing 100192, China; 3. State Grid Shanxi Electric Power Company Dispatching Center, Taiyuan 030001, China

Online:2017-07-01
Supported by:

摘要/Abstract

摘要： 摘要：大规模风电集群的功率预测，有利于调度部门制定科学合理的发电计划，提升电网的健壮性。基于空间资源匹配法（spatial resources matching algorithm，SRMA）的风电集群功率预测方法，比广泛采用的统计升尺度法具有更高的精度，而且需要的计算资源较少。但是现有的空间资源匹配法，匹配参数单一，不利于预测精度的进一步提升。文章在详细介绍空间资源匹配法的基础上，提出了一种考虑风电功率测量数据的改进空间资源匹配法，并通过52个风电场组成的风电集群开展了0~12 h的风电功率预测。结果表明，改进的空间资源匹配法前4 h的预测精度比传统的匹配法有较大幅度的提升，具有较强的工业应用推广价值。

关键词: , 风电集群功率预测, 空间资源匹配法（SRMA）, 匹配参数, 参数优化

Abstract: ABSTRACT： Wind power prediction of large scale wind farm clusters will contribute to the scientific and reasonable power generation schedule establishment and enhance the robustness of the power grid. Spatial resources matching algorithm （SRMA） based wind power prediction of regions is with higher prediction accuracy and less computing time than the method of up-scaling approach, which is widely adopted by industrial companies. However, there is only one matching parameter of the SRMA method, which restricts the further improvement of the prediction accuracy. This paper presents an improved SRMA method, which contains the parameter of the historical wind power output, based on the introduction of the SRMA method. Then, this paper predicts the wind power within 0~12 hours with the data derived from one wind farm cluster which contains 52 wind farms. The results show that, the prediction accuracy of the improved SRMA method within 4 hours is higher than that of the traditional SRMA method, and is applicable for industrial application.

Key words: wind power prediction of regions, spatial resources matching algorithm （SRMA）, matching parameters, parameter optimization

中图分类号:

TM 711

彭小圣，樊闻翰，王勃，张涛，文劲宇，邓迪元，熊磊，车建峰. 基于改进空间资源匹配法的风电集群功率预测技术[J]. 电力建设, 2017, 38(7): 10-.

PENG Xiaosheng，FAN Wenhan，WANG Bo，ZHANG Tao，WEN Jinyu，DENG Diyuan，XIONG Lei，CHE Jianfeng. A Lifting Spatial Resources Matching Approach Based Wind Power Prediction of Regions

[J]. Electric Power Construction, 2017, 38(7): 10-.

参考文献

［1］彭小圣，熊磊，文劲宇，等. 风电集群短期及超短期功率预测精度改进方法综述［J］．中国电机工程学报，2016，36（23）：6315-6326.

PENG Xiaosheng，XIONG Lei，WEN Jingyu, et al．A summary of the state of the art for short-term and ultra-short-term wind power prediction of regions［J］．Proceedings of the CSEE，2016，36（23）：6315-6326.

［2］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．

YANG Xiuyuan，XIAO Yang，CHEN Shuyong．Wind speed and generated power forecasting in wind farm［J］．Proceedings of the CSEE，2005，25（11）：1-5．

［3］LOBO M G, SANCHEZ I. Regional wind power forecasting based on smoothing techniques, with application to the Spanish peninsular system［J］. IEEE Transactions on Power Systems, 2012, 27（4）: 1990-1997.

［4］冯双磊，王伟胜，刘纯，等．风电场功率预测物理方法研究［J］．中国电机工程学报，2010，30（2）：1-6．

FENG Shuanglei，WANG Weisheng，LIU Chun，et al．Study on the physical approach to wind power prediction ［J］．Proceedings of the CSEE，2010，30（2）：1-6.

［5］陈颖，孙荣富，吴志坚，等．基于统计升尺度方法的区域风电场群功率预测［J］．电力系统自动化，2013，37（7）：1-5．

CHEN Ying，SUN Rongfu，WU Zhijian，et al．A regional wind power forecasting method based on statistical upscaling approach［J］．Automation of Electric Power Systems，2013，37（7）：1-5．

［6］别朝红，安佳坤，陈筱中，等．一种考虑时空分布特性的区域风电功率预测方法［J］．西安交通大学学报，2013，47（10）：68-74．

BIE Zhaohong，AN Jiakun，CHEN Xiaozhong，et al．Regional wind power prediction considering temporal and spatial characteristics［J］．Journal of Xian Jiaotong University，2013，47（10）：68-74．

［7］刘燕华，刘冲，李伟花，等．基于出力模式匹配的风电集群点多时间尺度功率预测［J］．中国电机工程学报，2014，34（25）：4350-4358．

LIU Yanhua，LIU Chong，LI Weihua，et al．Multi-time scale power prediction of wind farm cluster based on profile pattern matching［J］．Proceedings of the CSEE，2014，34（25）：4350-4358．

［8］郑国强，鲍海，陈树勇．基于近似线性规划的风电场穿透功率极限优化的改进算法［J］．中国电机工程学报，2004，24（10）：68-71．

ZHENG Guoqiang, BAO Hai, CHEN Shuyong. Amending algorithm for wind farm penetration optimization based on approximate linear programming method［J］．Proceedings of the CSEE，2004，24（10）：68-71．

［9］叶林，刘鹏．基于经验模态分解和支持向量机的短期风电功率组合预测模型［J］．中国电机工程学报，2011，31（31）：102-108．

YE Lin，LIU Peng．Combined model based on EMD-SVM for short-term wind power prediction［J］． Proceedings of the CSEE，2011，31（31）：102-108．

［10］潘迪夫，刘辉，李燕飞．风电场风速短期多步预测改进算法［J］．中国电机工程学报，2008，28（26）：87-91.

PAN Difu，LIU Hui，LI Yanfei. Optimization algorithm of short-term multi-step wind speed forecast［J］．Proceedings of the CSEE，2008， 28（26）：87-91.

［11］高亚静，刘栋，程华新，等．基于数据驱动的短期风电出力预估-校正预测模型［J］．中国电机工程学报，2015，35（11）：2645-2653．

GAO Yajing，LIU Dong，CHENG Huaxin，et al．Predictor- corrector model of wind power forecast based on data-driven［J］．Proceedings of the CSEE，2015，35（11）：2645-2653．

［12］VOGELZANG J, STOFFELEN A，et al．NWP model error structure functions obtained from scatterometer winds［J］．IEEE Transactions on Geoscience and Remote Sensing，2011，50（7）：2525-2533．

［13］GONG W, MEYER F J, LIU S，et al. Temporal filtering of InSAS data using statistical parameters from NWP models［J］. IEEE Transactions on Geoscience and Remote Sensing，2015，53（7）：4033-4044.

［14］王勃，冯双磊，刘纯，等．基于天气分型的风电功率预测方法［J］．电网技术，2014，38（1）：93-98．

WANG Bo，FENG Shuanglei，LIU Chun，et al. Study on weather typing based wind power prediction［J］．Power System Technology，2014，38（1）：93-98．

［15］GAN L, LI G, ZHOU M. Coordinated planning of large-scale wind farm integration system and transmission network［J］. CSEE Journal of Power and Energy Systems, 2016, 2（1）: 19-29.

［16］LI S, WANG P, GOEL L. Wind power forecasting using neural network ensembles with feature selection［J］. IEEE Transactions on Sustainable Energy, 2015, 6（4）: 1447-1456.

［17］冬雷，王丽捷，高爽，等．基于混沌时间序列的大型风电场发电功率预测建模与研究［J］．电工技术学报，2008， 23（12）：125-129．

DONG Lei，WANG Lijie，GAO Shuang，et al．Modeling and analysis of prediction of wind power generation in the large wind farm based on chaotic time series ［J］．Transactions of China Electrotechnical Society，2008， 23（12）：125-129．

［18］陈颖，周海，王文鹏，等．风电场输出功率超短期预测结果分析与改进［J］．电力系统自动化，2011，35（15）：30-33．

CHEN Ying，ZHOU Hai，WANG Wenpeng，et al．Improvement of ultra-short-term forecast for wind power［J］．Automation of Electric Power Systems，2011，35（15）：30-33．

［19］蔡凯，谭伦农，李春林，等．时间序列与神经网络法相结合的短期风速预测［J］．电网技术，2008，32（8）：82-85．

CAI Kai，TAN Lunnong，LI Chunlin，et al．Short-term wind speed forecasting combing time series and neural network method［J］. Power System Technology，2008，32（8）：82-85．

［20］陈正洪，许杨，许沛华，等. 风电功率预测预报技术原理及其业务系统［M］. 北京：气象出版社，2013:22-25.

［21］薛禹胜，郁琛，赵俊华，等．关于短期及超短期风电功率预测的评述［J］．电力系统自动化，2015，39（6）：141-151．

XUE Yusheng，YU Chen，ZHAO Junhua，et al．A review on short-term and ultra-short-term wind power prediction［J］．Automation of Electric Power Systems，2015，39（6）：141-151.

［22］范高峰，王伟胜，刘纯，等．基于人工神经网络的风电功率短期预测系统［J］．中国电机工程学报，2008，32（22）：72-76．

FAN Gaofeng，WANG Weisheng，LIU Chun，et al．Artificial neural network based wind power short term prediction system［J］．Proceedings of the CSEE，2008，32（22）：72-76．

[1]	汤吉鸿, 章德, 丛凡超, 田国梁, 吴贵烘, 李宇骏, 禹海峰. 基于线性二次型最优控制的多端直流最优功率调制方案[J]. 电力建设, 2020, 41(8): 32-39.
[2]	赵洱岽, 王浩, 林弘杨. 现货市场中基于演化博弈的火电企业阶梯报价策略[J]. 电力建设, 2020, 41(8): 68-71.
[3]	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.
[4]	祁兵，叶欣，李彬，陈宋宋，李源非，石坤. 考虑IEC标准的用户侧电力物联网体系架构研究[J]. 电力建设, 2020, 41(5): 92-99.
[5]	钟永洁，谢东亮，孙永辉，翟苏巍，常福刚，张明理. 考虑能源子系统与储能的综合能源系统优化分析[J]. 电力建设, 2019, 40(8): 59-68.
[6]	刘其朴，汤晓晨，杨佳，孙国强，卫志农. 基于改进鲸鱼算法的混合直流输电系统控制参数优化方法[J]. 电力建设, 2019, 40(4): 26-33.
[7]	杨军，林洋佳，陈杰军，李逸欣，詹祥澎. 未来城市共享电动汽车发展模式[J]. 电力建设, 2019, 40(4): 49-59.
[8]	江帆，杨洪耕. 基于选择性贝叶斯分类的非侵入式负荷识别方法[J]. 电力建设, 2019, 40(2): 94-.
[9]	刘中原，王维庆，王海云，袁成玉，王亮，李永钦，丁文彬. 基于VSG技术的VSC-HVDC输电系统受端换流器控制策略[J]. 电力建设, 2019, 40(2): 100-.
[10]	林伟芳，易俊，贾俊川，王安斯，余芳芳，方诗卉. 故障后半波长输电线路的稳态过电压控制措施[J]. 电力建设, 2019, 40(2): 109-.
[11]	崔树银，陆奕，常啸. 考虑信用评分机制的电力碳排放交易区块链模型[J]. 电力建设, 2019, 40(1): 104-111.
[12]	黄裕春，王宏，王珂，文福拴. 考虑电动汽车充电设施接入的居民配电系统供电容量最优规划[J]. 电力建设, 2018, 39(6): 1-.
[13]	常巩, 邓友均, 杨洪明, 文福拴, 赖明勇. 充换电站模式下电动汽车参与物流配送的电能补给方式规划[J]. 电力建设, 2018, 39(6): 7-.
[14]	刘洵源, 齐峰, 文福拴, 冯昌森, 王蕾，邹波，张西竹. 光伏不平衡接入的配电系统中电动汽车有序充电策略[J]. 电力建设, 2018, 39(6): 21-.
[15]	杨文涛, 王蕾, 邹波, 张西竹, 文福拴, 程敏 . 基于大数据服务平台的电动汽车有序充放电管理[J]. 电力建设, 2018, 39(6): 28-.

基于改进空间资源匹配法的风电集群功率预测技术

A Lifting Spatial Resources Matching Approach Based Wind Power Prediction of Regions

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