风电场风速分布及风速功率曲线分析
风电场发电量计算方法
发电量计算梳理 发电量计算部分，我们所要做的工作是这样的： 当拿到标书（可研报告）等资料后，我们首先要提澄清（向业主索要详细发电量计算所需的资料）；然后选择机型（确定该风电场适合用什么类型的风机）；最后进行发电量计算。 一、澄清 下面列出了发电量计算需要的所有内容，提澄清的时候，缺什么就列出来。 风电场详细发电量计算所需资料汇总 （1）请业主提供风电场的可研报告； （2）请业主提供风电场内的测风塔各高度处完整一年实测风速、风向、风速标准偏差数据，以及测风塔的地理位置坐标； （3）请业主提供测风塔测风数据的密码； （4）风电场是否已确定风机布置位置，若已确定风机位置，请提供相应的固定风机点位坐标； （5）请业主提供风电场的边界拐点坐标； （6）请业主提供风电场内预装轮毂高度处的50年一遇最大风速； （7）请业主提供风电场场址处的空气密度； （8）请业主提供预装轮毂高度处15m/s湍流强度特征值； （9）请业主提供风电场的海拔高度以及累年极端最低温度； （10）请业主提供风电场内测风塔处的综合风切变指数； （11）请业主提供风电场影响发电量结果的各项因素的折减系数。
https://www.360docs.net/doc/466659956.html,/SELECTION/inputCoord.asp 第二步：打开Global Mapper软件，将.dxf和.zip地形文件拖入。 设置“投影”：Gauss Krueger(3 degree zones)\Gauss Krueger(6 degree zones)； 设置“基准”：XIAN 1980(CHINA)\BEIJING 1954； 设置“地区”：Zone x(xxE-xxE)。 1 将.dxf拖入Global Mapper并设置好投影及基准后，将鼠标放于地图任意位置，软件右下角会显示点位坐标。完整坐标表示应该为横坐标8位，纵坐标7位。而横坐标的前两位经常被省去，如果你看到的是横坐标6位，纵坐标7位，那么横坐标的前两位就是被省略的。此时要人为对地图进行整体偏移。偏移量为“地区”Zone后的数值，见下图。
风电场风速及风电功率预测方法研究综述
—————————————————— —基金项目：福建省教育厅科技项目（JA08024）；福建省自然科学基金计划资助项目（2008J0018）。 第27卷第1期2011年1月 电网与清洁能源 Power System and Clean Energy Vol.27No.1 Jan.2011文章编号：1674-3814（2011）01-0060-07 中图分类号：TM614 文献标志码：A 风电场风速及风电功率预测方法研究综述 洪翠，林维明，温步瀛 （福州大学电气工程与自动化学院，福建福州350108） Overview on Prediction Methods of Wind Speed and Wind Power HONG Cui,LIN Wei-ming,WEN Bu-ying （College of Electrical Engineering and Automation ，Fuzhou University ，Fuzhou 350108，Fujian Province,China ） ABSTRACT ：Due to the intermittency of wind energy and the non -linearity of power system,there exist many uncertain variables which should be considered in the wind power prediction.The current prediction methods include the physical method, statistical method, learning method and the comprehensive one combining all the other methods.Based on accurate numerical weather prediction （NWP ）,the physical method is seldom used in the short term prediction,as its model is complicated and deals with large quantities of calculations.The model of the statistical method is simple and requires a small amount of data.It can be applied in those situations where data acquisition is difficult.The AI method is suitable in the random or non —linear system as it does not rely on the accurate mode of the objective.The comprehensive method maximizes favorable factors and minimizes unfavorable ones as contained in above-mentioned methods.This paper presents a brief overview on prediction methods of wind speed and wind power,and raises further issues worth further research on the basis of summarizing the previous studies.KEY WORDS:wind power prediction;statistical methods; learning methods;combinatorial prediction 摘要：由于风能的随机性以及电力系统的非线性等原因，预测风电功率时需要考虑众多的不确定因素影响。 现有预测方法主要包括物理预测方法、统计预测方法以及学习预测方法、综合预测法等。基于数字天气预报（NWP-numerical weather prediction ） 的物理预测方法模型复杂、计算量大，较少用于短期预测；统计预测方法模型简单，数据需求量少， 较适合于数据获取有一定困难的情况；人工智能预测方法不依赖于对象的精确模型，适合于随机非线性系统；综合预测方法可一定程度地扬长避短。本文主要就风电场风速及风电功率预测方法研究进行了综合阐述，并在总结前人研究的基础上提出了一些可进一步研究的问题。 关键词：风电预测；统计方法；学习方法；综合预测 随着全球石化资源储量的日渐匮乏以及低碳、 环保概念的逐步深化，风能等可再生能源的开发与利用日益受到国际社会的重视。2007年初欧盟曾提出，2020年其可再生能源消费将占到全部能源消费的20%，可再生能源发电量将占到全部发电量的30%[1]。风力发电是风能的主要利用方式之一。2009年，全球风电装机总量已达157.9GW ，较上年增加了37.5GW [2]。中国风能资源仅次于美国和俄罗斯，可利用风能资源共计约10亿kW 。近些年来风电在中国获得了飞速发展，2000年至2009年十年时间，中国风电装机容量从0.34GW 增至25.8GW [3]；2020年，预计全国风电总装机容量将达到30GW [1]。除部分采用离网运行方式外[4]，大容量风电机组多数采用并入电网的运行方式。随着规模越来越 大、数量越来越多的风力发电功率注入电网， 风能具有的随机性对电力系统的影响越来越不可忽视。 1风电预测的意义 准确有效地预测出风电场的输出功率不但可 帮助电力系统调度运行人员做出最有效决策， 还
风电功率预测系统功能要求规范
风电功率预测系统功能规范 （试行） 国家电网公司调度通信中心
目次 前言...................................................................... III 1范围. (1) 2术语和定义 (1) 3数据准备 (2) 4数据采集与处理 (3) 5风电功率预测 (5) 6统计分析 (6) 7界面要求 (7) 8安全防护要求 (8) 9系统输出接口 (8) 10性能要求 (9) 附录A 误差计算方法 (10)
前言 为了规范风电调度技术支持系统的研发、建设及应用，特制订风电功率预测系统功能规范。 本规范制订时参考了调度自动化系统相关国家标准、行业标准和国家电网公司企业标准。制订过程中多次召集国家电网公司科研和生产单位的专家共同讨论，广泛征求意见。 本规范规定了风电功率预测系统的功能，主要包括预测时间尺度、信息要求、功率预测、统计分析、界面要求、安全防护、接口要求及性能指标等。 本规范由国家电网公司国家电力调度通信中心提出并负责解释； 本规范主要起草单位：中国电力科学研究院、吉林省电力有限公司。 本规范主要起草人：刘纯、裴哲义、王勃、董存、石永刚、范国英、郭雷。
风电功率预测系统功能规范 1范围 1.1本规范规定了风电功率预测系统的功能，主要包括预测时间尺度、数据准备、数据采集与处理、功率预测、统计分析、界面要求、安全防护、接口要求及性能指标等。 1.2本规范用于指导电网调度机构和风电场的风电功率预测系统的研发、建设和应用管理。 本规定的适用于国家电网公司经营区域内的各级电网调度机构和风电场。 2术语和定义 2.1 风电场 Wind Farm 由一批风电机组或风电机组群组成的发电站。 2.2 数值天气预报 Numerical Weather Prediction 根据大气实际情况，在一定的初值和边值条件下，通过大型计算机作数值计算，求解描写天气演变过程的流体力学和热力学的方程组，预测未来一定时段的大气运动状态和天气现象的方法。 2.3 风电功率预测 Wind Power Forecasting 以风电场的历史功率、历史风速、地形地貌、数值天气预报、风电机组运行状态等数据建立风电场输出功率的预测模型，以风速、功率或数值天气预报数据作为模型的输入，结合风电场机组的设备状态及运行工况，得到风电场未来的输出功率；预测时间尺度包括短期预测和超短期预测。 2.4 短期风电功率预测 Short term Wind Power Forecasting 未来3天内的风电输出功率预测，时间分辨率不小于15min。 2.5 超短期风电功率预测 ultra-short term Wind Power Forecasting 0h~4h的风电输出功率预测，时间分辨率不小于15min。
关于短期及超短期风电功率预测的分析
关于短期及超短期风电功率预测的分析 发表时间：2020-03-14T14:01:00.437Z 来源：《福光技术》2019年32期作者：张俊林徐元中[导读] 风电的不确定性对电力系统与电力市场的稳定性、充裕性及经济性的影响日益彰显，及时、精确地预测风电功率（WP）动态的意义大。 湖北工业大学太阳能高效利用及储能运行控制湖北省重点实验室湖北省武汉市 430068 摘要：风电的不确定性对电力系统与电力市场的稳定性、充裕性及经济性的影响日益彰显，及时、精确地预测风电功率（WP）动态的意义大。风电功率预测（WPP）根据风速及相关因素的历史数据和当前状态，定性或定量地推测其此后的演化过程。本文就对短期及超短期风电功率预测相关内容展开分析。 关键词：短期；超短期；风电功率；预测 引言 WP 的整体不确定性由其随机性及模糊性构成。有效的 WPP 虽然不会减少 WP 的随机性，但是可以降低其模糊性，从而使 WP 的整体不确定范围降低到WPP 的最大误差区间，减小了WP 对电力系统及电力市场的扰动。 分析影响 WPP 精度的因素第一，气象的历史数据与实时数据的缺失，风电场数据采集、传输与处理设施的缺陷，都会影响WPP 的精度。数据预处理技术包括数据同步、异常数据的识别与处理、缺失数据的替代等。第二，预测策略。例如，直接预测 WP 或通过风速预测；直接预测整个风电场的WP 或根据部分风机的预测值及空间相关性推算；采用逐一累加方式或统计升尺度方式推算区域风电场群功率。一般来说，能反映更多具体数据的预测策略可以得到更高的精度，但需要更多的数据与计算量。第三，数值天气预报（NWP）在大气实际的初值和边值条件下，数值求解天气演变过程的流体力学和热力学模型，根据空间网格中的平均值推算实际风电场地表风速的非均匀分布，并预测其动态变化。由于计及了等高线与等地形信息，以及地表粗糙度等地貌信息，通过微观气象学方法可以得到各风机轮毂高度的风速、风向等信息。然后将风速的推算值转换为风能，其精度与 NWP 的精度、网格大小、刷新周期等密切相关。第四，预测方法。物理计算法、时序外推法、人工智能（AI）法分别从空间、时间与样本分类的观点推算。它们依据的数据源、预测模型、误差特性都有所不同。若能巧妙地互补不同方法的优点，可更好地反映风速的时空演变特性。 分析 WPP 方法的研究现状基于 NWP 的物理模型计算 NWP 将天气的物理过程概括成一组物理定律，并表达成数学方程组。然后在已知的初始值及边界条件下，逐个时间段地往前联立求解描述天气演变过程的热力学和流体力学方程组，预测未来的气象数据，再结合风电场周围的地形地貌，计算风电机组轮毂高度处的风速与风向等，最后通过该机的功率 TC 得到 WPP。其技术要点包括：采用高性能计算机求解偏微分方程组的数值解；采用网格嵌套的方法减少计算量；为目标区域定制预报模型；通过观测数据的同化提高预报质量。基于 NWP 的物理模型预测方法除了能够充分考虑风电场的物理和环境因素以外，其最大的优势在于不需要积累大量的历史数据，因此特别适合新建风电场的 WPP。但由于 NWP 的更新频率较低，难以满足超短期预测的要求，仅适合短期及中长期预测。 基于统计观点的外推模型时序外推法通过归纳风速（或 WP）历史数据的时间序列之间的统计规律，建立WPP 值与最近期WP 时间序列之间的线性或非线性映射。由于历史数据序列反映了流体、热力、地形地貌等因素的影响，故基于统计观点的外推模型可以回避对物理机理掌握不够的困难。但是外推法隐含下述假设：第一，连续性，即影响事物未来轨迹的那些因素及规律，与该时刻之前一段时间基本保持不变；第二，渐进性，即事物以缓慢而渐进的方式演化，短期内不会突变。这些假设不但会使外推法在系统结构或边界条件于预测时效内发生突变时失效，即使在系统缓慢变化期间，其预测误差也会随着预测时效的增加而迅速增加，影响外推法的适用性及强壮性。 时间序列预测法经典的时间序列预测法。时间序列预测法根据目标变量本身随时间变化的趋势外推，较适用于气象信息有限的风电场进行超短期预测。由于无需考虑更多的气象信息，故具有建模简单且计算量少的优点。但输入数据单一的特点也使其难以考虑其他信息的影响，无法按不同的边界条件来修正预测模型，故除了建模时需要大量历史数据外，其强壮性更差，难以应对突变状况；且预测精度也随着预测时效的增加而迅速降低。经典的时间序列预测法，包括持续法、移动平均法和自回归移动平均（ARMA）法。持续法将最近一点的实测值作为下一时刻的预测值，简单并常被用做新算法的比较基准。移动平均法随着时间序列移动一个宽度不变的窗口，将其中各项的动态平均值作为下一时刻的预测值，仅适用于系统平稳或小幅波动时。ARMA 法利用滞后的自身数值和随机误差项来解释当前值，并以此预测未来。对于非平稳的 WP 时间序列，通过差分来消除部分不平稳分量。自回归求和移动平均（ARIMA）模型扩展了 ARMA 模型，将时间序列视为随机过程，并被广泛应用于超短期WPP 和短期WPP。 与其他数学分析法的结合。一些学者引入了其他数学分析法来弥补时间序列预测法的不足。例如，分数—自回归求和移动平均（ARIMA）模型通过降低时间序列高阶模型参数估计的难度来提高模型精度。马尔可夫预测法将时间序列看做一个随机过程，通过系统在不同状态下的初始概率以及状态之间的转移概率建立随机型的时序模型。 AI 预测法 AI 算法借助自然界规律或生物智能的启发，设计求解问题的计算机程序。包括模仿人类思维中模糊性概念的模糊算法，主要用于图像处理及模式识别；模仿生物进化和群体智能的进化算法，主要用于决策支持及优化问题；模仿大脑结构及其对信息的处理过程的 ANN 算法，可实现仿真、图像识别等任务。由于 AI 算法不需要按机理建立预测对象的数学模型，而是通过大量实测数据或仿真算例来训练 AI 模型，在其输出与输入变量之间直接建立非线性映射关系，故可用于机理不清楚的场合。 2.2.3ANN
风电功率预测系统功能规范
风电功率预测系统功能规范（试行） 前言 为了规范风电调度技术支持系统的研发、建设及应用，特制订风电功率预测系统功能规范。本规范制订时参考了调度自动化系统相关国家标准、行业标准和国家电网公司企业标准。制订过程中多次召集国家电网公司科研和生产单位的专家共同讨论，广泛征求意见。本规范规定了风电功率预测系统的功能，主要包括预测时间尺度、信息要求、功率预测、统计分析、界面要求、安全防护、接口要求及性能指标等。本规范由国家电网公司国家电力调度通信中心提出并负责解释；本规范主要起草单位：中国电力科学研究院、吉林省电力有限公司。本规范主要起草人：刘纯、裴哲义、王勃、董存、石永刚、范国英、郭雷。 1范围 1.1本规范规定了风电功率预测系统的功能，主要包括预测时间尺度、数据准备、数据采集与处理、功率预测、统计分析、界面要求、安全防护、接口要求及性能指标等。 1.2本规范用于指导电网调度机构和风电场的风电功率预测系统的研发、建设和应用管理。本规定的适用于国家电网公司经营区域内的各级电网调度机构和风电场。 2术语和定义 2.1风电场Wind Farm由一批风电机组或风电机组群组成的发电站。 2.2数值天气预报Numerical Weather Prediction根据大气实际情况，
在一定的初值和边值条件下，通过大型计算机作数值计算，求解描写天气演变过程的流体力学和热力学的方程组，预测未来一定时段的大气运动状态和天气现象的方法。 2.3风电功率预测Wind Power Forecasting以风电场的历史功率、历史风速、地形地貌、数值天气预报、风电机组运行状态等数据建立风电场输出功率的预测模型，以风速、功率或数值天气预报数据作为模型的输入，结合风电场机组的设备状态及运行工况，得到风电场未来的输出功率；预测时间尺度包括短期预测和超短期预测。 2.4短期风电功率预测Short term Wind Power Forecasting未来3天内的风电输出功率预测，时间分辨率不小于15min。 2.5超短期风电功率预测ultra-short term Wind Power Forecasting 0h~4h的风电输出功率预测，时间分辨率不小于15min。 3数据准备 风电功率预测系统建模使用的数据应包括风电场历史功率数据、历史测风塔数据、历史数值天气预报、风电机组信息、风电机组及风电场运行状态、地形地貌等数据。 3.1风电场历史功率数据风电场的历史功率数据应不少于1a，时间分辨率应不小于5min。 3.2历史测风塔数据a）测风塔位置应在风电场5km范围内；b）应至少包括10m、70m及以上高程的风速和风向以及气温、气压等信息；c）数据的时间分辨率应不小于10min。 3.3历史数值天气预报历史数值天气预报数据应与历史功率数据相
风电场风速预测研究综述
风电场风速预测研究综述 【摘要】随着经济的发展，对清洁能源的需求越来越迫切。风能作为一种清洁、可再生能源具有很大的发展潜力。由于风力发电的间歇性和时变性，随着风电并网，精确的风速的预测尤为重要。本文就目前存在的风速的预测方法进行了归纳和总结，分析和比较了各类方法的特点，并进一步说明他它们的运用范围。 【关键词】风速预测；预测模型；综述 随着全球石化资源储量的日渐匮乏以及低碳、环保概念的逐步深化，风能等可再生能源的开发与利用日益受到国际社会的重视。风能作为一种清洁、可再生能源具有很大的发展潜力。它作为一个解决能源生产和生活的需要方法，特别是对沿海岛屿，难以到达的偏远地区，地广人稀的草原，农村和边疆传统电源难以发展，具有重要的意义。最近，不仅在发达国家，而且在中国这样的发展中国家也越来越关注风能资源的开发与利用。 风力发电最重要的因素之一是风速。功率曲线特征与风速风力发电生产的链接。风速是不可控的，不可调节的，导致间歇性风能。这影响电能质量，危害电力系统稳定和电力调度。出于这个原因，准确有效地预测出风电场的输出功率可帮助电力系统调度运行人员做出最有效决策。 目前，许多研究人员已经就风速预测问题进行了研究，并且提出了许多预测方法，大体可以分为3类：物理方法、时间序列方法和人工智能算法。当然，这种分类方法并不绝对，现在已经很少存在只用单一的物理方法或者统计方法来进行风速预测的模型，在许多高效的预测方法中这几种模型都同时得到应用。并且，近些年随着人工智能的不断发展，诸如人工神经网络（ANN）和模糊逻辑等方法都已广泛应用到风速预测的模型中。 本文论述的侧重点是风速预测的方法，按一下4类进行论述：物理模型、时间序列模型、智能算法以及新方法。 1.风速预测方法 1.1物理方法 数值天气预报（NWP）作为典型的物理模型，依据大气实际情况，如不同高度上的风向、风速、气压、湿度等气象要素值，在一定的初值和边界条件下.通过大型计算机做数值计算，求解描写天气演变过程的流体力学和热力学方程组，最后逐步计算出大气未来的气象要素分布状况，从而制作出天气预报。研究发现，在超短期中NWP方法预测效果比较理想。其次物理模型是预测风速的第一步，作为其他统计模型的辅助输入量。 1.2时间序列方法
各风电场基本资料
各风电场基本资料 一、大唐北架风电场基本情况 大唐北架风电场位于黑龙江省桦南县阎家镇，东经130°28′6.72″，北纬46°05′7.86″。 电场分一、二期工程。其中一期工程为33台1.5MW风力发电机，装机容量49.5MW，二期工程同样为33台1.5MW 风力发电机，装机容量49.5MW，总装机容量99MW。 一、二期工程公用一个220KV升压站通过一条220KV线路，即芦北线接入佳木斯电业局芦家一次变220KV系统。具体情况如下：
二、古力风电场基本情况 古力风电场位于黑龙江省富锦市大榆树镇，东经：132°15′北纬，47°13′。 电场分一、二、三期工程。其中一期工程为18台1.5MW 风力发电机，装机容量27MW，二期工程同样为22台1.5MW
风力发电机，装机容量33MW，总装机容量60MW，三期工程目前尚在规划中，预计建设33台1.5MW风力发电机。 一、二期工程公用一个66KV升压站通过两条66KV线路，即锦乌甲线、锦乌乙线接入佳木斯电业局富锦一次变66KV 系统。具体情况如下：
三、富裕风电场基本情况 富裕风电场位于黑龙江省齐齐哈尔市东北富裕县城西南嫩江东岸塔哈乡，东经：124°0′-125°2′，北纬：47°18′-48°1′。 电场一期工程为33台1.5MW风力发电机，总装机容量49.5MW，二期工程尚在规划中。 一期工程由一个110KV升压站通过一条110KV线路，即北裕甲线接入齐齐哈尔电业局北郊一次变110KV系统。具体情况如下：
四、瑞好风电场基本情况 瑞好风电场位于黑龙江省大庆市杜尔伯特蒙古族自治县巴彦查干乡，东经：124°02′北纬：46°32′。 电场装有26台1.5MW风力发电机和10台1.0MW风力发电机，总装机容量49.0MW。 由一个110KV升压站通过一条110KV线路，即傲瑞线接入大庆电业局110KV傲林变，再由110KV锋傲线接入大庆电业局先锋一次变110KV系统。具体情况如下：
风电场的风速以及风功率变化规律的研究
龙源期刊网 https://www.360docs.net/doc/466659956.html, 风电场的风速以及风功率变化规律的研究 作者：李东阳高阳 来源：《山东工业技术》2017年第08期 摘要：随着风电场的大规模建设，弃风电量的评估得到越来越多的关注。本文主要研究 风电场的风速以及风功率变化规律，旨为弃风电量评估模型建立打下坚实的基础。提前掌握风速和风功率变化规律的情况，可以减少旋转备用容量，减小风力发电系统成本，并且为电网运行调度提供可靠的依据。 关键词：风电场；风速；风功率；变化规律 DOI：10.16640/https://www.360docs.net/doc/466659956.html,ki.37-1222/t.2017.08.151 1 引言 风能作为一种可再生、洁净的能源，近年来在全世界范围内得到了突飞猛进的发展。由于风能具有波动性、间歇性、低能量密度、不可控性等特点，大规模风电的接入对电力系统的安全稳定运行带来了很大的挑战。因此在弃风电量评估模型建立以前，对风电场的风速以及风功率变化的统计规律的研究显得至关重要，提前掌握风速和风功率变化规律的情况，可以减少旋转备用容量，减小风力发电系统成本，并且为电网运行调度提供可靠的依据。 2 风速-风功率特点 通过大量文献的查阅和参考，总结出风速变化主要表现为以下两种特点：（1）由于风能的能量密度较低，气温、阴晴、降水等都会引起风速的变化，因此风速变化将存在很大的波动性，呈现为非平稳的随机信号。（2）由于风速的变化跟太阳的照射有密切关系，所以在一天中风的强弱在某种程度上又呈现周期性。 风功率变化主要表现为以下两种特点：（1）由于风的能量密度低，气温、多云的天气，降水会引起风速变化，所以风功率变化会有很大波动，呈现出非平稳随机信号。（2）影响风功率变化的因素很多，包括风速、风向、空气湿度、大气密度等气象信息和风电场的位置、风机布局、地表粗糙度、海拔高度等物理信息。 因此，为了更好研究弃风电量评估模型，本文重点研究风速与风功率的变化规律，为研究弃风电量评估模型建立打好坚实的基础。 3 风速及风电功率变化的统计规律的数据指标 根据风电场测风塔实测历史数据和风电场风力发电历史运行数据，研究该风电场的风速以及风功率变化的统计规律，确定各项数据指标的基本范围，为数据的预处理工作奠定基础。数
风电场综合统计指标计算公式
风电综合统计指标计算公式 1、平均风速 平均风速是指统计周期内风机轮毂高度处瞬时风速的平均值。取统计周期内全场风机或场内代表性测风塔的风速平均值，即 1 1n i i V V n ==∑ 单位：米/秒（/m s ） 式中： V —统计周期内的风电场平均风速，/m s ； n —统计周期内的全场风机的台数或代表性测风塔的个数； i V —统计周期内的单台风机或单个代表性测风塔的平均风速，/m s 。 2、平均温度 平均温度是指统计周期内风机轮毂高度处环境温度的平均值，即 1 1n i i T T n ==∑ 单位：摄氏度（o C ） 式中： T —统计周期内的风电场平均温度，o C ； n —统计周期内的记录次数； i T —统计周期内的第i 次记录的温度值，o C 。 3、平均空气密度 平均空气密度是指统计周期内风电场所处区域空气密度的平均值，即 P RT ρ= 单位：千克/立方米(3/kg m )
式中： ρ—统计周期内的风电场平均空气密度，3/kg m ； P —统计周期内的风电场平均大气压强，a P ； R —气体常数，取287/J kg K ?； T —统计周期内的风电场开氏温标平均绝对温度，K 。 4、 平均风功率密度 平均风功率密度是指统计周期内风机轮毂高度处风能在单位面积上所产生的平均功率，即 31 12n i wp i D V n ρ==∑()() 单位：瓦特／平方米（ 2 /W m ） 式中： wp D —统计周期内的风电场平均风功率密度，2 /W m ； n —统计周期内的记录次数； ρ—统计周期内的风电场平均空气密度，3/kg m ； 3 i V —统计周期内的第 i 次记录平均风速值的立方。 5、有效风速小时数 有效风速小时数是指统计周期内风机轮毂高度处介于切入风速与切出风速之间的风速累计小时数，简称有效风时数，即 n i i V V V V T T == ∑有效风时数 单位：小时（h ） 式中： T 有效风时数—统计周期内的风电场有效风时数，h ； 0V —风机的切入风速，/m s ；
中国风能分布及风电
1 风能资源中国风能资源丰富 ,具有良好的开发前景 ,发展潜力巨大。据最新风能资源普查初步统计成果 ,中国陆上离地 10 m高度风能资源总储量约 43. 5亿 kW ,居世界第 1位。其中 ,技术可开发量为 2. 5亿kW ,技术可开发面积约20万 km 2 ,此外 ,还有潜在技术可开发量约 7 900万 kW。另外 ,海上 10 m 高度可开发和利用的风能储量约为 7. 5亿 kW。全国 10 m高度可开发和利用的风能储量超过 10亿 kW, 仅次于美国、俄罗斯居世界第 3位。陆上风能资源丰富的地区主要分布在三北地区 (东北、华北、西北 )、东南沿海及附近岛屿。 1. 1 “三北”(东北、华北、西北 )地区风能丰富带包括东北三省、河北、内蒙古、甘肃、青海、西藏和新疆等省 /自治区近 200 km宽的地带 ,风功率密度在 200～300 W /m 2 以上 ,有的可达 500 W /m 2 以上 ,可开发利用的风能储量约 2亿 kW ,占全国可利用储量的 80%。另外 ,该地区风电场地形平坦 ,交通方便 ,没有破坏性风速 ,是中国连成一片的最大风能资源区 ,有利于大规模开发风电场。但是 ,建设风电场时应注意低温和沙尘暴的影响 ,有的地方联网条件差 ,应与电网统筹规划发展。 1. 2 东南沿海地区风能丰富带东南沿海受台湾海峡的影响 ,每当冷空气南下 到达海峡时 ,由于峡管效应使风速增大。冬春季的冷空气、夏秋的台风 ,都能影响到沿海及其岛屿 ,是中国风能最佳丰富区。中国有海岸线约 1 800 km, 岛屿 6 000多个 ,是风能大有开发利用前景的地区。沿海及其岛屿风能丰富带 ,年有效风功率密度在 200 W /m2以上 ,风功率密度线平行于海岸线 ,沿海岛屿风功率密度在 500 W /m2以上 ,如台山、平潭、东山、南麂、大陈、嵊泗、南澳、马祖、马公、东沙等 ,年有效风速 (4～25 m /s)时数约在 7 000～8 000h。
风电功率预测系统简介
风电功率预测系统简介
目录 1目的和意义 (3) 2国内外技术现状 (3) 2.1国外现状 (3) 2.2国内现状 (4) 3风电功率预测系统技术特点 (5) 3.1气象信息实时监测系统 (5) 3.2超短期风电功率预测 (5) 3.3短期风电功率预测 (6) 3.4风电功率预测系统软件平台 (8)
1目的和意义 风能是一种清洁的可再生能源，由于其资源丰富、转化效率高、产业化基础好、经济优势明显、环境影响小等优点，具备大规模开发的条件，在可以预见的将来，风能的开发利用将成为最重要的可再生能源发展方向。但由于风电等可再生能源发电具有间歇性、随机性、可调度性低的特点，大规模接入后对电网运行会产生较大的影响,以至于有些地方不得不采取限制风电场发电功率的措施来保证电网的安全稳定运行。 对风电输出功率进行预测被认为是提高电网调峰能力、增强电网接纳风电的能力、改善电力系统运行安全性与经济性的最有效、经济的手段之一。首先，对风电场出力进行短期预报,将使电力调度部门能够提前为风电出力变化及时调整调度计划，从而减少系统的备用容量、降低电力系统运行成本。这是减轻风电对电网造成不利影响、提高系统中风电装机比例的一种有效途径。其次，从发电企业(风电场)的角度来考虑,将来风电一旦参与市场竞争,与其他可控的发电方式相比,风电的间歇性将大大削弱风电的竞争力,而且还会由于供电的不可靠性受到经济惩罚。提前对风电场出力进行预报,将在很大程度上提高风力发电的市场竞争力。 2国内外技术现状 2.1 国外现状 在风电功率预测技术研究方面，经过近20年的发展，风电功率预测已获得了广泛的应用，风电发达国家，如丹麦、德国、西班牙等均有运行中的风电功率预测系统。 德国太阳能技术研究所开发的风电管理系统（WPMS）是目前商业化运行最为成熟的系统。德国、意大利、奥地利以及埃及等多个国家的电网调度中心均安装了该系统，目前该系统对于单个风电场的日前预报精度约为85%左右。丹麦Ris?国家可再生能源实验室与丹麦技术大学联合开发了风电功率预测系统Zephyr，
基于等效平均风速的风力发电功率预测
基于等效平均风速的风力发电功率预测 井天军,阮 睿,杨明皓 (中国农业大学信息与电气工程学院,北京市100083) 摘要:目前应用风速气象数据预测风力发电功率的方法存在较大误差,难以满足工程应用的精度要求。文中基于能量守恒原理提出了风力发电机组等效平均风速的概念,并通过为期1年的现场实验分析得到等效平均风速与最大风速和平均风速的函数关系,由此提出了基于等效平均风速的风力发电功率预测方法,并与以往基于平均风速的风力发电功率预测方法进行了工程应用效果对比,表明基于等效平均风速的预测方法较基于平均风速的预测方法在预测精度方面有明显提高。关键词:等效平均风速;风速预测;风力发电功率中图分类号:TM614 收稿日期:2009204215;修回日期:2009209207。 /十一五0国家科技支撑计划重点项目(2006BAJ04B03)。 0 引言 随着能源与环保问题日益突出,近年来风力发电在全球迅速发展。由于风能是一种间歇性、随机性和波动性很大的一次能源,大规模风力发电的接入对电力系统的规划与运行、调度与控制都带来了新问题。通常解决此问题所采用的方法是在原电力系统基本方法中加入风速或风力发电功率预测环节,因此对随机的、波动很大的、不可调度的风速或风力发电功率的预测方法成为研究的热点。 根据研究目的的不同,风速或风力发电功率预测可以分为3类:1以功率平衡控制为目的的风速、风向预测方法或模拟方法[125],主要用于风力发电控制系统、风力发电机组保护系统和控制器或风轮机机械部件设计等方面,预测所产生风速序列的时间间隔为秒级或分钟级;o以电力系统能量调度为目 的的风速或风力发电功率预测方法[6218] ,预测所产生风速序列的时间间隔为几分钟到数十分钟,预测各时段的平均风速和相应的平均风力发电功率;?用于中长期发电规划和备用发电容量计划的风速或风力发电功率预测方法[19223],此类方法通常预测全年12个月代表日的小时平均风速或月平均风速,利用风速的概率分布函数和统计特征产生相应的模拟风速序列。本文研究主要涉及第2类。 以电力系统能量调度为目的的风速或风力发电功率预测方法可归为2类:1采用时间序列法或时间序列法与人工神经网络等智能方法相结合来预测平均风速,然后根据风力发电机组的功率特性计算 得到相应的输出功率预测值[6210];o采用人工神经网络法、模糊逻辑法、支持向量机法等人工智能算法,以平均风速、风向等气象数据作为输入量,直接预测风力发电机组输出功率[11218]。前者把研究重点放在对风速的预测上,但是尽管风速预测精度非常 高,但风力发电功率预测误差仍然很大[9,17] 。后者用黑匣子原理直接将风速、风向等气象学预测的物理量与风力发电机组输出功率相关联,采用人工智能方法建立输入与输出间的映射关系,使功率预测精度能够满足能量调度的要求,但是这类方法不能给出输入与输出间关系的解析表达式,每次应用都需要大量的样本进行学习。 事实上,即使风速预测数据准确,基于现有风力发电机功率特性也不可能得到符合工程应用精度要求的风力发电功率预测值,其根本原因是电力系统能量调度所预测的风力发电功率是某时段的平均功率,而风力发电机功率特性描述的是发电机输出功率关于任意风速的变化关系。为此,本文提出基于等效平均风速的风力发电功率预测方法,主要用于10min 级超短期风力发电功率预测,统计给出了等效平均风速与平均风速及最大风速的解析表达式。 1 等效平均风速 1.1 等效平均风速的概念与测量 风力发电机组的风速功率曲线表明,当实际风速小于切入风速或大于切出风速时,输出功率为0;当实际风速在切入风速与额定风速之间时,输出功 率与风速间成三次函数曲线关系[24] ;当实际风速超过额定风速而小于切出风速时,输出功率近似为恒功率输出。 称电力系统能量调度最小时间间隔为统计时 ) 83 ) 第33卷 第24期2009年12月25 日Vol.33 No.24Dec.25,2009
国标风电功率预测系统功能规范送审参考模板
风电功率预测系统功能规范 1 范围 1.1本规范规定了风电功率预测系统的功能，主要包括预测时间尺度、数据准备、数据采集与处理、功率预测、统计分析、界面要求、安全防护、接口要求及性能指标等。 1.2本规范用于指导电网调度机构和风电场的风电功率预测系统的研发、建设和应用管理。 本规定的适用于国家电网公司经营区域内的各级电网调度机构和风电场。 2 术语和定义 2.1风电场 Wind Farm 由一批风电机组或风电机组群组成的发电站。 2.2数值天气预报 Numerical Weather Prediction 根据大气实际情况，在一定的初值和边值条件下，通过大型计算机作数值计算，求解描写天气演变过程的流体力学和热力学的方程组，预算未来一定时间的大气运动状态和天气现象的方法。 2.3风电功率预测 Wind power Forecasting 以风电场的历史功率、历史风速、地形地貌、数值天气预报、风电机组运行状态等数据建立风电场输出功率的预测模型，以风速、功率或数值天气预报数据作为模型的输入，结合风电场机组的设备状态及运行工况，得到风电场未来的输出功率，预测时间尺度包括短期预测和超短期预测。 2.4短期风电功率预测 Short term Wind Power Forecasting 未来3天内的风电输出功率预测，时间分辨率不小于15min。 2.5超短期风电功率预测 ultra-short term Wind Power Forecasting 0h-4hd的风电输出功率预测，时间分辨率不小于15min。 3.数据准备 风电功率预测系统建模使用的数据应包括风电场历史功率数据、历史测风塔数据、历史数值天气预报、风电机组信息、风电机组及风电场运行状态、地形地貌等数据。 3.1风电场历史功率数据 风电场的历史功率数据应不少于1a，时间分辨率应不小于5min 3.2历史测风塔数据 a）测风塔位置应在风电场5km范围内； b）应至少包括10m、70m及以上搞成的风速和风向以及气温、气压等信息； C）数据的时间分辨率不小于10min。 3.3历史数值天气预报
风速概率分布估计和风能评估2016翻译最终版
风速概率分布估计和风能评估2016 摘要 风能的统计特征以及合适的风力发电机组的选择对于有效评估风力发电潜 力和设计风电场至关重要。本研究以中国中部四个地点为例，对风速概率分布的流行参数和非参数模型以及这些模型参数的估计方法（广泛使用的方法和随机启发式优化算法）进行了比较。仿真结果表明，非参数模型在拟合精度和操作简便性方面优于所有选定的参数模型，随机启发式优化算法优于广泛使用的估计方法。本研究还回顾和讨论了文献提出的六个功率曲线以及风能潜在评估过程中涡轮 机之间相互唤醒效应引起的功率损耗。评估结果表明，功率曲线的选择影响风力涡轮机的选择，考虑相互唤醒效应可能有助于优化风能评估中的风电场设计。
目录 1 介绍 (1) 2 以前的工作概述 (2) 2.1 风速分布函数概述 (2) 2.2估计方法概述 (4) 3 数据收集和简要分析 (5) 4 风速分布突变试验 (5) 4.1 Mann-Whitney U检验 (5) 4.2 双样本Kolmogorov-Smirnov检验（K-S检验） (6) 5 参数模型和非参数模型 (6) 5.1 常规分布 (6) 5.2 用于估计参数的方法 (6) 5.2.1 时刻法（MM） (6) 5.2.3 最小二乘估计（LSE）法 (6) 5.2.4 最大熵原理法（MaxE） (6) 5.3非参数模型 (7) 5.4杜鹃搜索（CS）算法 (7) 6 仿真比较结果 (7) 6.1 评价标准 (7) 6.2 突变试验分析 (8) 6.3 分析估算结果 (8) 6.3.1 分析参数模型 (8) 6.3.2 参数和非参数建模的比较 (9) 7 风能评估 (10) 7.1 风力密度的计算 (10) 7.2 风力发电机效率 (10) 7.3 计算因素 (10) 7.4 风电场风电损耗估算 (10) 7.5 风能计算与分析 (11) 8 结论 (12)
风功率预测三种模型
风电功率预测问题 摘要 风能是一种可再生、清洁的能源，风力发电是最具大规模开发技术经济条件的非水电再生能源。现今风力发电主要利用的是近地风能。 近地风具有波动性、间歇性、低能量密度等特点，因而风电功率也是波动的。 大规模风电场接入电网运行时，大幅度地风电功率波动会对电网的功率平衡和频率调节带来不利影响。 如果可以对风电场的发电功率进行预测，电力调度部门就能够根据风电功率变化预先安排调度计划，保证电网的功率平衡和运行安全。 因此，如何对风电场的发电功率进行尽可能准确地预测，是急需解决的问题。根据电力调度部门安排运行方式的不同需求，风电功率预测分为日前预测和实时预测。日前预测是预测明日24小时96个时点（每15分钟一个时点）的风电功率数值。实时预测是滚动地预测每个时点未来4小时内的16个时点（每15分钟一个时点）的风电功率数值。 对于问题一我们建立了3个模型：1、时间序列模型即指数平滑模型2、拟合回归模型3、神经元预测模型即BP模型。针对这3种模型，根据相对误差的大小和准确度的大小判断来确定优先选择哪个模型。 对于问题二，在第一问的基础上对相关模型进行了比较，分析，做出了预期。 对于问题三，在第一问的基础上，对相关的模型进行了改善，使其预测的更加准确。 关键词：风功率实时预测 BP网络神经 matlab 时间序列
问题的重述 一、背景知识 1、风功率预测概况 风功率预测是指风电场风力发电机发电功率预测。 风电场是利用在某个通过预测的坐标范围内，几座或者更换多的经过科学测算，按照合理距离安装的风力发电机，利用可控范围内的风能所产生的电力来实现运行供电。 由于风是大气压力差引起的空气流动所产生的，风向和风力的大小时刻时刻都在变化。因而，风力发电具有波动性、间歇性和随机性的特点。 这些特点所导致的风电场功率波动，会对地区电网整体运行产生影响，进而会影响到整个地区总网内的电压稳定。因此，当风力发电场，特别是大容量风力发电场接入电网时，就会给整个电力系统的安全、稳定运行带来一定的隐患。同时，这些波动性、间歇性和随机性的特点，也会严重影响风机的发电效率和使用寿命。 2、风功率原理介绍 风功率预测系统技术，是根据风电场气象信息有关数据，利用物理模拟计算和科学统计方法，对风电场的风力风速进行短期预报，而预测出风电场的功率，从而也可实现电力调度部门对风电调度的要求。 二、具体试验数据 PA、PB、PC、PD、P4和P58数据 附件1：风电场功率预测预报管理暂行办法 附件2：风功率数据P A 风功率数据P B 风功率数据P C 风功率数据P D 58台机总风功率数据P 58
风电场短期功率预测建模案例解析
风电场短期功率预测建模案例解析 2011-08-30 15:31:52 来源：中国风电产业网 1.引言 广州飒美旭能源科技有限公司作为“创建美丽新生活”的“新能源与能效技术与服务 解决方案供应商”，致力于发展新能源生产管理、控制、并网技术和服务，积极参与构建低碳环保能源体系，缔造绿色世界，创建美丽生活。 本文以2010年广州飒美旭能源科技有限公司签约的辽宁大唐国际风电有限责任公司下属的大唐昌图风电场风电功率预测系统项目，详述其风电场短期功率预测建模所采用的方法及思路，与读者共享。该项目采用的“风电功率预测智能管理系统”是飒美旭依托自主知识产权开发成功的集电网侧和风电场侧于一体的风电功率预测系统。系统集先进性、实用性、可靠性为一体，在实践中以其预测的高精确度及实用性获得用户的一致赞扬。 2. 风电场短期功率预测建模方法研究 飒美旭风电功率预测智能管理系统，以历史气象数据（数值天气预报数据NWP）和风电场历史功率数据为基础，同时考虑具体风力发电机组的功率特性、机组效率和设备运行情况，采用BP神经网络建模后，输出0-72小时的短期预测功率。 2.1BP神经网络模型方法的采用 人工智能的方法近年来在预测领域中应用较多，其中在电力行业又以人工神经网络的应用研究最为常见。利用神经网络进行预测研究的基础是它具有强大的非线性拟和与映射能力，在函数逼近、模式识别和状态预报等方面有着独特的优势，同时具有一定的泛化能力。BP 神经网络具有较强的非线性学习能力，是目前国际上风电功率预测领域广泛采用的一种比较成熟的方法。神经网络神经网络的训练过程其实质是旨在模仿人脑的结构及功能，不断调整网络内部权值和系统的输入输出关系的过程。