论文部分内容阅读
摘要： 风能作为一种清洁能源，越来越受到人们重视，但是伴随风能间隙性和随机性带来的并网冲击，却成为风能利用的一个难题，因此风功率预测对于电网的稳定，可靠运行具有重要意义。
本文主要采用基于数值天气预报的风功率预测以及基于历史数据的风功率预测相结合的方法，來使风功率预测有更高的准确率与适用度。基于数值天气预报的风功率预测采用求解一系列物理方程的形式，将数值天气预报预测结果转换为风功率预测值。基于历史数据的风功率预测主要采用BP神经网络模型，灰色预测模型，以及时间序列模型来对风功率进行预测。最后将所用方法用matlab guide编程，做出一个计算机程序用以更加方便的预测风功率。并通过国家能源局的《风电功率预测预报管理暂行办法》中分别对于4h和24h预测的指标加以检验。
关键词： 风电功率预测；数值天气预报；神经网络；灰色预测；时间序列
【中图分类号】P44
【文献标识码】B
【文章编号】2236-1879（2017）09-0170-04
1绪论
1.1课题研究背景。
随着全球化石能源枯竭、供应紧张、气候变化形势严峻，世界各国都认识到了发展可再生能源的重要性，并对风电发展高度重视，世界风电产业得到迅速发展。自1996年以后，全球风电装机年均增长率保持在25%以上，风能成为世界上增长最快的清洁能源。我国电力供应主要依赖火电。“十五”期间，我国提出了调整能源结构战略，积极推进核电、风电等清洁能源供应，改变过渡依赖煤炭能源的局面。近年来，我国政府对新能源开发的扶持、鼓励措施不断强化，风能作为最具商业潜力的新能源之一，备受各地政府和电力巨头的追捧。
自2005年我国通过《可再生能源法》后，我国风电产业迎来了加速发展期。《可再生能源发展“十一五”规划》提出：在“十一五”时期，全国新增风电装机容量约900万千瓦，到2010年，风电总装机容量达到1000万千瓦。同时，形成国内风电装备制造能力，整机生产能力达到年产500万千瓦，零部件配套生产能力达到年产800万千瓦，为2010年以后风电快速发展奠定装备基础。
2008年，我国新增风电装机容量达到624.6万千瓦，位列全球第二；风电总装机容量达到1215.3万千瓦，成为全球第四大风电市场。预计，2009年我国风电新增装机容量还会翻番，届时在全球新增风电装机总量中的比重，将增至33%以上。按照目前的发展速度，中国将一路赶超西班牙和德国，2010年风电装机容量有望达到3000万千瓦，跃居世界第二位。
目前，我国正在紧锣密鼓地制订新能源振兴规划。预计到2020年，可再生能源总投资将达到3万亿元，其中用于风电的投资约为9000亿元。根据目前的发展速度，到2020年，我国风电装机容量将达到1亿千瓦。届时，风电将成为火电、水电以外的中国第三大电力来源，而中国也将成为全球风能开发第一大国。
1.2课题研究意义。
风电并网目前还存在一些技术性难度。由于风力发电存在“靠天吃饭”的不确定性，导致目前的电网很难有效调度风电。相对于火电，风电的调控性比较差，火电可以让你发你就发，让你发多少就发多少，电网可以有效调节。而风电的随机性和间歇性对电网安全存在很大影响，这也导致电网企业对风电上网存有排斥心态。
风电有很多不确定性，对传统供电模式有很大冲击。风电规模化建设后对当地乃至区域电网的安全运行、电源结构配置、外送等都有很高的要求。
此外有效的风功率预测保障了风机在有效风速阶段的良好运行，便于安排定期的检查维修，零件更换等调整工作。提高风电穿越功率极限，减少电力系统运行成本。可以保障风力发电的上网率，减小被限程度，实现风电场利益最大化。
1.3国内外研究现状。目前主要的风功率预测厂家有：
1.3.1中国电科院推出《风电功率预测系统WPFS Ver1.0》
1.3.2华北电大研发成功风电功率预测系统
1.3.3龙源电力研发的风电场功率预测系统稳定运行满一年中国气象局
1.3.4东润环能公司。目前风电预测系统市场占有率最大的是国家电网下属的东润环能公司
1.3.5国电南瑞科技股份有限公司
1.3.6国能日新
1.3.7北京中科伏瑞电气技术有限公司（FR3000F）
1.3.8兆方美迪风能工程（上海）有限公司等。
目前现行的预测方法主要分为基于数值天气预报的预测方法以及基于历史数据的预测两大类，基于数值天气预报的预测方法是根据大气实际情况，在一定初值和边界条件下，通过数值计算求解描写天气演变过程的流体力学和热力学方程组来预报未来天气的一种定量方法。基于历史数据的预测是基于在线监控和数据采集系统SCADA得到的实时数据和历史风速/功率值，通过统计方法或学习方法预测。
其中线性方法主要有：灰色预测法，时间序列法，卡尔曼滤波法等，非线性方法主要有神经网络法，支持向量机等。
2系统设计
2.1BP神经网络算法设计。
BP（Back Propagation）网络是1986年由Rumelhart和McCelland为首的科学家小组提出，是一种按误差逆传播算法训练的多层前馈网络，是目前应用最广泛的神经网络模型之一。BP网络能学习和存贮大量的输入-输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程。它的学习规则是使用最速下降法，通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小。BP神经网络模型拓扑结构包括输入层（input）、隐层（hide layer）和输出层（output layer）。
BP算法是用于前馈多层网络的学习算法，前馈多层网络的结构一般如图。 由于它们和外界没有直接的联系，故也称为隐层。在隐层中的神经元也称隐单元。 隐层虽然和外界不连接.但是，它们的状态则影响输入输出之间的关系。这也是说，改变隐层的权系数，可以改变整个多层神经网络的性能。
本设计以风功率的历史数据为依据，用BP神经网络模型来对风功率进行预测，我们采用效果较好，收敛较快的trainlm訓练函数来快速得到运行结果，保证了准确性，对于内存不够的情况也可采用其它训练函数。
2.2指数平滑模型的设计。
我们采用了时间序列模型中的指数平滑模型来预测风功率。指数平滑法是生产预测中常用的一种方法。所有预测方法中，简单的全期平均法是对时间数列的过去数据一个不漏地全部加以同等利用；移动平均法则不考虑较远期的数据，并在加权移动平均法中给予近期资料更大的权重；而指数平滑法则兼容了全期平均和移动平均所长，不舍弃过去的数据，但是仅给予逐渐减弱的影响程度，即随着数据的远离，赋予逐渐收敛为零的权数。
2.3灰色预测模型。
灰色理论认为系统的行为现象尽管是朦胧的，数据是复杂的，但它毕竟是有序的，是有整体功能的。灰数的生成，就是从杂乱中寻找出规律。同时，灰色理论建立的是生成数据模型，不是原始数据模型，因此，灰色预测的数据是通过生成数据的gm（1，1）模型所得到的预测值的逆处理结果。灰色理论认为系统的行为现象尽管是朦胧的，数据是复杂的，但它毕竟是有序的，是有整体功能的。灰数的生成，就是从杂乱中寻找出规律。同时，灰色理论建立的是生成数据模型，不是原始数据模型，因此，灰色预测的数据是通过生成数据的gm（1，1）模型所得到的预测值的逆处理结果。灰色理论认为系统的行为现象尽管是朦胧的，数据是复杂的，但它毕竟是有序的，是有整体功能的。灰数的生成，就是从杂乱中寻找出规律。同时，灰色理论建立的是生成数据模型，不是原始数据模型，因此，灰色预测的数据是通过生成数据的GM（1，1）模型所得到的预测值的逆处理结果。
客观世界的很多实际问题，其内部的结构、参数以及特征并未全部被人们了解，人们不可能象研究白箱问题那样将其内部机理研究清楚，只能依据某种思维逻辑与推断来构造模型。对这类部分信息已知而部分信息未知的系统，我们称之为灰色系统。对于风功率预测问题，风的大小和风向主要受气压、气温、地理位置的影响并且时刻都在发生变化，而风电场出力的大小也主要受风的大小决定，因此可将风功率看做灰色系统并运用灰色系统理论进行风功率预测。
2.3.1GM（1，1）模型原理。
灰色预测GM（1，1）模型是一个拟微分方程的动态系统，其建模的实质是对原始数据先进行一次累加生成，使生成的数据序列呈现一定规律，而后通过建立一阶微分方程模型，求得拟合曲线，用以对系统进行预测。具体过程如下：
2.3.2模型改进。
GM（1，1）基本模型广泛用于具有近似单调递增性质的模型预测领域，尤其适用于具有明显指数规律的序列。参数a代表风功率样本序列的变化趋势，参数b表示风功率变化的内在关系。显然，风功率的变化是非单调的，使用GM（1，1）模型并不适合。当遇到非单调递增序列时，采用灰色Verhulst模型可以适用非单调的摆动发展序列，能够很好的用在功率预测领域。
灰色Verhulst模型可以用于预测风功率序列P（t）的灰色Verhulst模型的白化方程为：
dP（1）dt+aP（1）=b（P（1））2
从而解出风功率的1-AGO序列：
P（1）（t）=abP（1）（t0）e-a（t-t0）ab-P（1）（t0）+P（1）（t0）e-a（t-t0）
因此风功率P（t）在t时刻的预测值为
P^（0）（t）=P^（1）（t）-P^（1）（t-1）
2.4数值天气预报。
风轮所产生的机械功率与风速有以下关系
P=12CpAρV3
式中：P为风力机组的机械输出功率；
Cp为风能利用系数；
A为风轮扫风面积，m2；
ρ为空气密度，kg/m3；
V为风速，m/s。
风力机组典型的功率输出特性曲线一般分为四段，如图：
基于数值天气预报的风功率预测系统通过从当地气象部门得到数值天气预报值，并通过相关公式计算得出风力发电机叶片处的风速值，进而计算风机机械功率，发电机输出电功率。
在气象学中，不同高度处的风速可以通过海尔曼潜能公式计算：
v2=v1h2h1α
其中，V2是h2高度处的平均风速
V1是基准高度h1处的平均风速
h1是基准高度
alpha为高度变化指数
高度变化指数alpha又被称为海尔曼指数。该指数可以通过测量至少两处不同高度的风速而估测取得，它受地表粗糙性（地表形态，地表植被以及地面建筑等）、风速以及大气层分布的影响而不断变化，一般情况下alpha=0.14。
3编程设计
在设计算法之后，我们通过matlab guide 将风功率预测设计编程实现，将设计方法集成在一个软件中，并增加绘图比较功能，其他程序说明等相关功能，使风功率预测更易于操作。
4总结
在这次风功率预测系统设计中，我们查阅了大量资料，了解了风功率预测的主要方法，以及风功率预测系统现状，并从中选取几种具有代表性的方法设计出算法，并编程实现。
目前程序还有许多地方需要修改：
基于历史数据的预测算法还能改正参数，结合其他算法，或使用新算法等，进一步提高准确度；基于数值天气预报的预测还未考虑到风电场地理空间分布带来的影响，能够考虑从地理信息系统相结合来使精度进一步提高；matlab guide 用户界面还有许多值得改进的地方，比如可以设计一个数据库接口来存放大量的数据，可以设计用户登录系统；还可以设计程序与SCADA（数据采集和监视控制系统）相连接，实时预测风功率。
这样一来，既能减少粉煤灰、矸石和尾矿的污染，也能使土地保持原来的肥力和土质。如果塌陷区的积水比较深，而且存在复垦充填材料短缺等问题，那么就可以利用塌陷区的地形特征，将部分积水区挖深，用来养鱼、养鸭等。积水较浅区可利用矸石修路做成塘埂或堤坝，并选择合适树种进行绿化，也可建成配套畜牧场，发展生态农业。
总之，开采沉陷是造成矿区环境地质灾害的直接原因，有效控制和减轻地面沉陷程度是避免开采沉陷环境灾害的基本途径。煤矿企业应该依据各自实际情况合理应用防止和控制开采沉陷技术，对地表塌陷进行综合治理和开发利用，才能更好地保护环境，为民造福。
参考文献
[1]刘占魁，刘冰蕾，王瑞智，等.国内矿山开采沉陷的主要研究方法及应用情况[J].西部探矿工程，2011（1）.
[2]刘庆吉；；关于加强煤矿开采沉陷控制与预防[J]；中小企业管理与科技（下旬刊）；2011年02期.
[3]张继周；郭坤；；煤矿塌陷区防控与土地复垦技术[J]；科技信息；2010年26期.
本文主要采用基于数值天气预报的风功率预测以及基于历史数据的风功率预测相结合的方法，來使风功率预测有更高的准确率与适用度。基于数值天气预报的风功率预测采用求解一系列物理方程的形式，将数值天气预报预测结果转换为风功率预测值。基于历史数据的风功率预测主要采用BP神经网络模型，灰色预测模型，以及时间序列模型来对风功率进行预测。最后将所用方法用matlab guide编程，做出一个计算机程序用以更加方便的预测风功率。并通过国家能源局的《风电功率预测预报管理暂行办法》中分别对于4h和24h预测的指标加以检验。
关键词： 风电功率预测；数值天气预报；神经网络；灰色预测；时间序列
【中图分类号】P44
【文献标识码】B
【文章编号】2236-1879（2017）09-0170-04
1绪论
1.1课题研究背景。
随着全球化石能源枯竭、供应紧张、气候变化形势严峻，世界各国都认识到了发展可再生能源的重要性，并对风电发展高度重视，世界风电产业得到迅速发展。自1996年以后，全球风电装机年均增长率保持在25%以上，风能成为世界上增长最快的清洁能源。我国电力供应主要依赖火电。“十五”期间，我国提出了调整能源结构战略，积极推进核电、风电等清洁能源供应，改变过渡依赖煤炭能源的局面。近年来，我国政府对新能源开发的扶持、鼓励措施不断强化，风能作为最具商业潜力的新能源之一，备受各地政府和电力巨头的追捧。
自2005年我国通过《可再生能源法》后，我国风电产业迎来了加速发展期。《可再生能源发展“十一五”规划》提出：在“十一五”时期，全国新增风电装机容量约900万千瓦，到2010年，风电总装机容量达到1000万千瓦。同时，形成国内风电装备制造能力，整机生产能力达到年产500万千瓦，零部件配套生产能力达到年产800万千瓦，为2010年以后风电快速发展奠定装备基础。
2008年，我国新增风电装机容量达到624.6万千瓦，位列全球第二；风电总装机容量达到1215.3万千瓦，成为全球第四大风电市场。预计，2009年我国风电新增装机容量还会翻番，届时在全球新增风电装机总量中的比重，将增至33%以上。按照目前的发展速度，中国将一路赶超西班牙和德国，2010年风电装机容量有望达到3000万千瓦，跃居世界第二位。
目前，我国正在紧锣密鼓地制订新能源振兴规划。预计到2020年，可再生能源总投资将达到3万亿元，其中用于风电的投资约为9000亿元。根据目前的发展速度，到2020年，我国风电装机容量将达到1亿千瓦。届时，风电将成为火电、水电以外的中国第三大电力来源，而中国也将成为全球风能开发第一大国。
1.2课题研究意义。
风电并网目前还存在一些技术性难度。由于风力发电存在“靠天吃饭”的不确定性，导致目前的电网很难有效调度风电。相对于火电，风电的调控性比较差，火电可以让你发你就发，让你发多少就发多少，电网可以有效调节。而风电的随机性和间歇性对电网安全存在很大影响，这也导致电网企业对风电上网存有排斥心态。
风电有很多不确定性，对传统供电模式有很大冲击。风电规模化建设后对当地乃至区域电网的安全运行、电源结构配置、外送等都有很高的要求。
此外有效的风功率预测保障了风机在有效风速阶段的良好运行，便于安排定期的检查维修，零件更换等调整工作。提高风电穿越功率极限，减少电力系统运行成本。可以保障风力发电的上网率，减小被限程度，实现风电场利益最大化。
1.3国内外研究现状。目前主要的风功率预测厂家有：
1.3.1中国电科院推出《风电功率预测系统WPFS Ver1.0》
1.3.2华北电大研发成功风电功率预测系统
1.3.3龙源电力研发的风电场功率预测系统稳定运行满一年中国气象局
1.3.4东润环能公司。目前风电预测系统市场占有率最大的是国家电网下属的东润环能公司
1.3.5国电南瑞科技股份有限公司
1.3.6国能日新
1.3.7北京中科伏瑞电气技术有限公司（FR3000F）
1.3.8兆方美迪风能工程（上海）有限公司等。
目前现行的预测方法主要分为基于数值天气预报的预测方法以及基于历史数据的预测两大类，基于数值天气预报的预测方法是根据大气实际情况，在一定初值和边界条件下，通过数值计算求解描写天气演变过程的流体力学和热力学方程组来预报未来天气的一种定量方法。基于历史数据的预测是基于在线监控和数据采集系统SCADA得到的实时数据和历史风速/功率值，通过统计方法或学习方法预测。
其中线性方法主要有：灰色预测法，时间序列法，卡尔曼滤波法等，非线性方法主要有神经网络法，支持向量机等。
2系统设计
2.1BP神经网络算法设计。
BP（Back Propagation）网络是1986年由Rumelhart和McCelland为首的科学家小组提出，是一种按误差逆传播算法训练的多层前馈网络，是目前应用最广泛的神经网络模型之一。BP网络能学习和存贮大量的输入-输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程。它的学习规则是使用最速下降法，通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小。BP神经网络模型拓扑结构包括输入层（input）、隐层（hide layer）和输出层（output layer）。
BP算法是用于前馈多层网络的学习算法，前馈多层网络的结构一般如图。 由于它们和外界没有直接的联系，故也称为隐层。在隐层中的神经元也称隐单元。 隐层虽然和外界不连接.但是，它们的状态则影响输入输出之间的关系。这也是说，改变隐层的权系数，可以改变整个多层神经网络的性能。
本设计以风功率的历史数据为依据，用BP神经网络模型来对风功率进行预测，我们采用效果较好，收敛较快的trainlm訓练函数来快速得到运行结果，保证了准确性，对于内存不够的情况也可采用其它训练函数。
2.2指数平滑模型的设计。
我们采用了时间序列模型中的指数平滑模型来预测风功率。指数平滑法是生产预测中常用的一种方法。所有预测方法中，简单的全期平均法是对时间数列的过去数据一个不漏地全部加以同等利用；移动平均法则不考虑较远期的数据，并在加权移动平均法中给予近期资料更大的权重；而指数平滑法则兼容了全期平均和移动平均所长，不舍弃过去的数据，但是仅给予逐渐减弱的影响程度，即随着数据的远离，赋予逐渐收敛为零的权数。
2.3灰色预测模型。
灰色理论认为系统的行为现象尽管是朦胧的，数据是复杂的，但它毕竟是有序的，是有整体功能的。灰数的生成，就是从杂乱中寻找出规律。同时，灰色理论建立的是生成数据模型，不是原始数据模型，因此，灰色预测的数据是通过生成数据的gm（1，1）模型所得到的预测值的逆处理结果。灰色理论认为系统的行为现象尽管是朦胧的，数据是复杂的，但它毕竟是有序的，是有整体功能的。灰数的生成，就是从杂乱中寻找出规律。同时，灰色理论建立的是生成数据模型，不是原始数据模型，因此，灰色预测的数据是通过生成数据的gm（1，1）模型所得到的预测值的逆处理结果。灰色理论认为系统的行为现象尽管是朦胧的，数据是复杂的，但它毕竟是有序的，是有整体功能的。灰数的生成，就是从杂乱中寻找出规律。同时，灰色理论建立的是生成数据模型，不是原始数据模型，因此，灰色预测的数据是通过生成数据的GM（1，1）模型所得到的预测值的逆处理结果。
客观世界的很多实际问题，其内部的结构、参数以及特征并未全部被人们了解，人们不可能象研究白箱问题那样将其内部机理研究清楚，只能依据某种思维逻辑与推断来构造模型。对这类部分信息已知而部分信息未知的系统，我们称之为灰色系统。对于风功率预测问题，风的大小和风向主要受气压、气温、地理位置的影响并且时刻都在发生变化，而风电场出力的大小也主要受风的大小决定，因此可将风功率看做灰色系统并运用灰色系统理论进行风功率预测。
2.3.1GM（1，1）模型原理。
灰色预测GM（1，1）模型是一个拟微分方程的动态系统，其建模的实质是对原始数据先进行一次累加生成，使生成的数据序列呈现一定规律，而后通过建立一阶微分方程模型，求得拟合曲线，用以对系统进行预测。具体过程如下：
2.3.2模型改进。
GM（1，1）基本模型广泛用于具有近似单调递增性质的模型预测领域，尤其适用于具有明显指数规律的序列。参数a代表风功率样本序列的变化趋势，参数b表示风功率变化的内在关系。显然，风功率的变化是非单调的，使用GM（1，1）模型并不适合。当遇到非单调递增序列时，采用灰色Verhulst模型可以适用非单调的摆动发展序列，能够很好的用在功率预测领域。
灰色Verhulst模型可以用于预测风功率序列P（t）的灰色Verhulst模型的白化方程为：
dP（1）dt+aP（1）=b（P（1））2
从而解出风功率的1-AGO序列：
P（1）（t）=abP（1）（t0）e-a（t-t0）ab-P（1）（t0）+P（1）（t0）e-a（t-t0）
因此风功率P（t）在t时刻的预测值为
P^（0）（t）=P^（1）（t）-P^（1）（t-1）
2.4数值天气预报。
风轮所产生的机械功率与风速有以下关系
P=12CpAρV3
式中：P为风力机组的机械输出功率；
Cp为风能利用系数；
A为风轮扫风面积，m2；
ρ为空气密度，kg/m3；
V为风速，m/s。
风力机组典型的功率输出特性曲线一般分为四段，如图：
基于数值天气预报的风功率预测系统通过从当地气象部门得到数值天气预报值，并通过相关公式计算得出风力发电机叶片处的风速值，进而计算风机机械功率，发电机输出电功率。
在气象学中，不同高度处的风速可以通过海尔曼潜能公式计算：
v2=v1h2h1α
其中，V2是h2高度处的平均风速
V1是基准高度h1处的平均风速
h1是基准高度
alpha为高度变化指数
高度变化指数alpha又被称为海尔曼指数。该指数可以通过测量至少两处不同高度的风速而估测取得，它受地表粗糙性（地表形态，地表植被以及地面建筑等）、风速以及大气层分布的影响而不断变化，一般情况下alpha=0.14。
3编程设计
在设计算法之后，我们通过matlab guide 将风功率预测设计编程实现，将设计方法集成在一个软件中，并增加绘图比较功能，其他程序说明等相关功能，使风功率预测更易于操作。
4总结
在这次风功率预测系统设计中，我们查阅了大量资料，了解了风功率预测的主要方法，以及风功率预测系统现状，并从中选取几种具有代表性的方法设计出算法，并编程实现。
目前程序还有许多地方需要修改：
基于历史数据的预测算法还能改正参数，结合其他算法，或使用新算法等，进一步提高准确度；基于数值天气预报的预测还未考虑到风电场地理空间分布带来的影响，能够考虑从地理信息系统相结合来使精度进一步提高；matlab guide 用户界面还有许多值得改进的地方，比如可以设计一个数据库接口来存放大量的数据，可以设计用户登录系统；还可以设计程序与SCADA（数据采集和监视控制系统）相连接，实时预测风功率。
这样一来，既能减少粉煤灰、矸石和尾矿的污染，也能使土地保持原来的肥力和土质。如果塌陷区的积水比较深，而且存在复垦充填材料短缺等问题，那么就可以利用塌陷区的地形特征，将部分积水区挖深，用来养鱼、养鸭等。积水较浅区可利用矸石修路做成塘埂或堤坝，并选择合适树种进行绿化，也可建成配套畜牧场，发展生态农业。
总之，开采沉陷是造成矿区环境地质灾害的直接原因，有效控制和减轻地面沉陷程度是避免开采沉陷环境灾害的基本途径。煤矿企业应该依据各自实际情况合理应用防止和控制开采沉陷技术，对地表塌陷进行综合治理和开发利用，才能更好地保护环境，为民造福。
参考文献
[1]刘占魁，刘冰蕾，王瑞智，等.国内矿山开采沉陷的主要研究方法及应用情况[J].西部探矿工程，2011（1）.
[2]刘庆吉；；关于加强煤矿开采沉陷控制与预防[J]；中小企业管理与科技（下旬刊）；2011年02期.
[3]张继周；郭坤；；煤矿塌陷区防控与土地复垦技术[J]；科技信息；2010年26期.