风功率预测系统设备

第1篇：风功率预测系统设备

风机发电风功率预测系统的研究与应用

摘 要：随着社会经济的发展，能源需求的日益增多，风机发电技术也日益发展。有效优化电网的调度可以更准确地实现对风电场发电功率的预测，不但能够使电网经济运行，更对提高风电场在电力市场中的竞争地位有着至关重要的作用。该文首先提出了具有先进的统计方法的风功率预测系统，对国内风功率预测技术的发展现状作了简要叙述，同时把高精度数值气象预报作为重要基础，力求搭建完备的数据调查和记录的系统，针对风功率预测精度低的问题提出了相应的改进方法，使之更好地利用各个通讯口采集风电场的监控数据，力求为风电场的运行和管理提供更有效的辅助作用，供大家研究和参考。

关键词：风机发电 功率预测 系统 研究与应用

随机变化的风速、风向导致风电场输出功率具有间歇性、波动性以及随机性等特点，大量风电场集中并网不仅会对电网的安全、稳定以及经济运行带来重要影响，更直接限制着电网接纳风电的效率[1]。风电功率预测系统的应用，可以使调度运行人员根据数据预测的波动的情况，更加合理地采取应对措施，保障电网运行的安全性和可靠性。功率预测和负荷预测的结合，还有很多好处，比如更够调整调度运行的人员、优化常规电厂的发电计划、增加风电的并网的容量、改善电网的调峰能力，对改善电力系统运行的经济性，减少温室气体的排放具有非常重要的意义[2]。

另外，对风电功率的预测还能够提高风电在电力市场中的竞争力，对提高上网电价也具有重要作用。对普通的风电场而言，风电功率的预测还能够对企业合理安排检修计划起到重要的参考作用，从而进一步提高企业的盈利能力。

1 关于国内外风功率预测的现状研究

我国的风功率预测系统经过二十余年的发展，已经取得了突飞猛进的发展，在全球已经获得了很广泛的应用。近年以来，国际上都十分重视风机发电风功率预测系统的研究，已经开始开发更高级的预测模型，各发达国家已经开始研究在复杂地形、极端天气以及海上风电等恶劣条件下的风功率的预测系统。当下，西班牙和丹麦等风电大国的风电技术领先世界，如西班牙已经能够达到提前48 h、平均误差在20%之下、提前24 h平均误差在10%之下[3]。

我国的风机发电风功率预测系统也取得了很大进展，虽然起步较晚，但是我国经过许多年的技术创新和投入，已经具备完善的解决难题和实际中出现的问题的能力。可以说是成就斐然。我国相关的风机发电风力预测的机构结合当地的实际情况，建立和健全了大量的风功率预测模块，这种人工智能的算法和体系在很大程度上提高了风功率预测的精度。另外，我国还提出了有效的风功率预测方案，这能在很大程度上解决因为大规模接入风电对电网所造成的冲击问题。

2 风机发电风功率预测系统的组成

功率预测系统主要由以下几部分组成：功率预测主机、NWP处理处理器、防火墙、反向物理隔离装置、预测系统客户端以及网络设备和附属设备等[4]。

3 风机发电风功率预测技术方法总结分类

利用空气动力学、热力学等基本的原理，也就是数值天气预报就是风功率的预测技术，它基本是借助历史天气的试验为重要的经验，利用数值计算的方法来预测风场输出功率的一门科学。

风机发电风功率预测技术的直接方法是以风速为基础的预测方法，基于功率的预测方法被称为间接方法，这两种方法的功率预测都由预测的数学模型来确定。

物理方法利用NWP数据(主要是风速)作为输入的参考数据，并且需要充分考虑风电场的地形以及地表的粗糙程度，附近的障碍物、风机轮的高度，机械的转动的结构、风机特性曲线和风机的控制策略等技术作为建设模型的对象来确定相对适合风功率预测的中长期预测。

另一种常用的方法是统计方法，这一方法的实质是在风功率预测系统的输入端和风功率预测系统的输出端这两个端口建立一种映射函数，在不考虑风速的情况之下，直接利用NWP这一数据来对风场的输出功率进行直接的预测。常见的统计方法大致有以下几个：时间序列法、指数平滑法、概率预测法、灰色预测法、小波分解方法和数据挖掘方法[5]。在这些方法中，最典型的方法是时间序列，其特点是随机性高、具有平稳的数据，且必须要计算机的程序才能够识别。另外，这种方法所采用的数据相对单一，预测的周期很短，其对误差的设计也不够合理，因为它具有以上的优点，所以其多用于优化控制。

描述系统输入和输出之间关系的时候，需要用到解析方程来解决，建立非线性预测的学习模型。常见的学习方法有：支持向量机法、神经网络法、混合专家经验法、模糊逻辑法等。最典型和最常见的就是神经网络法，这种方法因其具有很强大的自动适应能力，自动学习能力以及优良的容错性和泛化能力，因而被广泛地应用于信号的管理、模式的识别、智能检测以及汽车和金融等领域。

4 风机发电风功率预测系统的误差分析

风机发电风功率的预测毕竟只是预测，误差存在也是客观的，因为风速会受到不确定的天气状况影响，受限于风电机组，预测数学模型等不良数据的影响，具体的误差有下面几点。

(1)波动的风速给预测模型的输出带来了误差，这是因为风资源具有很大的随机性和不确定性，这使得误差不可避免。

(2)数学模型的精确度低。在当前我国使用的风功率预测的数据模型很单一，这不能够全面地反映实际的湿度和地貌等因素，尽管也有些组合的精度大大提高，但是就整体而言国内的预测技术并不是很成熟。

5 风机发电风功率预测系统的不足之处和改进方法

风机发电风功率预测系统的不足之处有风电消纳能力的局限、输入数据单一及周围的环境和物理因素的影响。另外，不完善的测风塔采集系统，使得误差没有经过人为修正，误差很大。具体的改进措施如下。

(1)优化组合风力预测的模型，预报NWP的信息，这可以有效地缩小在恶劣天气和极端天气下的误差，大大提高预测的精准度。

(2)加速NWP更新的频率，改善数学模型和数据输入的同时，更新现代的物联网技术和计算机控制技术，提高输出的精准度。

(3)充分地利用小波分析、混沌理论、模糊神经网络等智能方法，对预测的结果进行优化组合分析，提高预测的可靠性和精准度。

(4)在对风功率短期预测的时候，尽快更新NWP的数据，提高风功率预测的技能和方法。

6 结语

总之，我国电网的经济稳定运行和发展离不开对风速和风力发电功率的预测，对风速和风力发电的准确预测能够极大地提高风电企业的市场竞争能力。我国已经设计并实现了以神经网络和经典统计学的风电场功率预测模型，其具有分析训练简单、结果稳定可靠、执行速度极快、硬件消耗资源少、精准预测等优点。

尽管自然界的风速变化莫测，风机发电的功率预测的难度也很大，以目前的技术水平来看，其精准度还有待进一步提高，但是有理由相信，随着技术水平的不断提高，获得的历史数据越来越多，采取新的NWP等数据来应对和预测突发天气等，这些都能够进一步提高风机发电功率预测的精准度。

参考文献

[1] 王文刚，刘建鹏，武环宇，等.风功率预测系统的应用与优化的讨论[J].科技创新与应用，2013(14)：49-50.

[2] 彭加立，马月，李霸军.风电场短期风功率预测研究及应用实例分析[J].水力发电2013(10)：86-96.

[3] 钟宏宇，高阳，武良，等.功率预测技术在风电中的研究分析[J].电器与能效管理技术，2015(10)：51-55.

[4] 柳玉，白恺，崔正澎，等.风电场短期功率预测水平提升举措措施研究与实例分析[J].电网与清洁能源，2015(12)：78-81.

[5] 秦政，包德梅，赖晓路，等.风电场风功率预测系统研究[J].计算机技术与发展，2013(7)：58-63.

作者：李文鹤

第2篇：基于风力发电的风功率预测综述

摘 要：随着风力发电的快速发展，风电的穿透功率不断增加，随之带来的系统安全性和电能质量问题也日益凸显。可靠的风功率预测可以有效地提高电力系统的运行稳定性，改善电能质量。本文综述了当前各种风功率预测的方法包括物理方法、统计方法、学习方法等以及他们各自的适用场合，并展望了未来风功率预测的发展方向。

关键词：风功率预测;预测方法;发展方向

前言

由于风能是清洁、安全的可再生能源，风力发电在全世界已经进入大规模发展阶段。但由于风电的间歇性和随机性等缺点，随着风电装机容量的逐年增加，风电场穿透功率不断加大，无疑会对电力系统的电能质量造成一定的影响，尤其是大规模风电入网对系统的电能质量，诸如线路的潮流、无功补偿电压和频率带来很多不利影响[1]，并且影响系统旋转备用容量的大小，从而限制了风电的进一步发展。有效的风功率预测方法可以方便调度进行合理的用电安排，提高系统运行的可靠性，一定程度上可以改善风电并网后的系统运行。

1风电场功率预测分类

按照不同的分类标准，风电场功率预测方法分类方式不同。

1.1按预测时间尺度分类

风电场功率的预测，按时间分为长期预测、中期预测、短期预测和特短期预测。

(1)长期预测：以“年”为单位，主要应用于风电场设计的可行性研究，可预测风电场建成之后每年的发电量。这种方法主要是根据气象站提前20年或30年的长期观测资料和风电场测风塔至少一年的测风数据，经过统计分析，再结合风机的功率曲线来预测风电场每年的发电量。

(2)中期预测：以“天”为预测单位。中期预测主要是提前一周对每天得功率进行预测，主要用于安排检修。一般是利用数值天气预报系统的数据进行预测。主要用于安排检修或调试。

(3)短期预测：以“小时”为预测单位。一般是提前1-48小时对功率进行预测，目的是便于电网合理调度，保证供电质量。一般是基于数值天气预报模型和历史数据进行预测。

1.2按预测模型对象分类

按照预测对象的不同，一般可以分為基于风速的预测和基于功率的预测。按预测对象范围的不同，可分为对单台风机功率的预测、对整个风电场功率的预测和对一个较大区域(多个风电场)的预测。

1.3按预测模型原理分类

按预测模型的原理不同，可分为物理方法、统计方法和学习方法。

1.3.1物理方法

物理方法主要是通过数值天气预报系统提供的气象数据转化成当地风电场中各个风机的风速，然后利用厂家提供的风机功率曲线进行预测。

1.3.2统计方法

统计方法是利用各种历史数据和实时数据，建立系统输入与输出间的函数关系，通过建立的函数关系实现风电场功率预测。统计方法主要包括卡尔曼滤波法、自回归滑动平均法、时间序列法、灰色预测法等。该方法短时间预测精度较高，随着时间增加，预测精度下降。统计方法一般需要大量的历史数据进行建模，对初值较敏感，进行平稳序列预测精度较高，对不平稳风和阵风的预测精度较低。

1.3.3学习方法

学习方法包括小波分析法、神经网络法和支持向量机法。神经网络法的优点明显，它具有自组织、自学习和自适应的能力，对复杂的非线性映射能力具有很好的组织能力，广泛应用于各个行业中。同样，风功率预测中利用神经网络法将NWP中和SCADA系统中与风功率有关的数据作为输入，将风功率作为输出就可以进行风电场输出功率的预测。比较分析得知神经网络预测法较统计方法预测精度高，但该方法需要大量原始数据，训练速度较慢，存在过学习、维数灾难、局部极值和泛化能力较差等问题，如何应用人工神经网络法构造出适宜实际应用的风电功率预测模型还比较困难，输入数据和模型结构没有明确一句。文献[2， 3]采用支持向量机法进行风电功率预测，结果较为理想。文献[4]应用最小二乘向量机法( LS-SVM) 建立预测模型，并与时间序列法、神经网络法比较，发现LS-SVM 方法具有更高精度。支持向量机法运算精度受所选核函数结构影响较大，对于风电功率预测，核函数选取的准确性和完善性还有待进一步研究。目前学习方法被不断整合入预测软件的开发，有利于提升对阵风、非平稳风等突变类型的预测研究。

1.4组合预测方法

组合预测方法是Bates 和Granger 在1969 年提出的一种预测方法[5]，基本思想是将不同的预测方法和模型通过加权组合起来，充分利用各模型提供的信息，综合处理数据，最终得到组合预测结果。风电功率组合预测方法，就是将物理方法、统计方法、学习方法等模型适当组合起来，充分发

挥各方法优势，减小预测误差[6]。文献[6]分别利用BP 神经网络、径向基神经网络、支持向量机及三种方法的加权组合，对风电功率进行预测，结果表明应用组合预测模型，可以大大减少较大误差预测点，提高预测精度。

组合预测方法的一个关键问题是如何找到合适的加权平均系数，使各单一预测方法有效组合起来。目前应用较多的方法有等权重平均法、最小方差法、无约束( 约束) 最小二乘法、Bayes 法等。

1.5区域预测方法

区域风电功率预测是指将同一区域中的各风电场视为一整体进行风电功率预测。其主要原理在于同一区域内各风电场的气象信息具有很大相关性，受气象条件影响的规律也基本一致。在实际预测时可通过相应方法将预测区特征信息与历史区域风电功率特征信息进行关联分析，利用相似度高的样本来提高预测精度。

区域预测方法适用于电网层面上的关于节点的风电功率预测和整体调度，不计较单一风电场发电量，实际操作性较强，有利于减少局部因素的影响，提高预测精度。当然为了获取区域单一风电场发电功率，需要进行场间的相关性分配，过程较为繁琐复杂。

2国内外研究现状

国外很多国家对于风功率预测的研究已经有近20年了，目前有多套成熟的商用风功率预测软件。1990年丹麦国家实验室的物理预测模型Prediktor是全球第一个风电功率预测软件，之后丹麦技术大学开发了WPPT系统，两者目前整合为Zephry系统。德国奥尔登堡大学开发了Previento系统，德国太阳能研究所拥有风电功率管理系统(WPMS)。美国的AWS Truewind公司开发了eWind系统。其余;其余还包括西班牙的Sipreolico、爱尔兰的Honeymoon系统。这些风电预测系统都具有较为相似的预测框架，多是基于气象部门提供的数值天气预报数据，采用计算流体力学(CFD)或者中尺度气象模型(如MM5)进行物理降尺度，以此作为输入量，再采用综合的物理、统计和学习方法进行预测。系统短时预测误差为10% ～15%，主要原因在于数值天气预报的误差和模型的系统误差。早期风电功率预测系统多基于单一的物理方法、统计方法或学习方法，输入信号为数值天气预报数据，随着电力系统自动化技术和通信信息技术的发展，现在的预测系统多以数值天气预报和实时数据作为输入量，采用综合方法进行预测，提高了预测准确性。

我国风力发电技术起步较晚，对于风电场预测系统的研究也不如国外成熟。2008年12月我国首个风电预测系统WPFS Ver1.0投入运行，由中国电力科学研究院研究开发而成。该系统运用物理和学习方法使得预测误差低于20%。另一套投入试运行的预测系统，由内蒙古电力集团开发，预测误差在22% 左右。我国其他地区( 如宁夏、甘肃等) 也在积极探讨风电功率预测系統的开发。

3 风功率预测的研究发展方向

风电功率预测是比非常复杂的非线性系统问题。成熟的预测系统应该在以下两方面进行处理：首先，对系统模型的输入数据的真实有效性，如果出现数据丢失和失真，应该找个有效可行的方法对数据进行处理。再好的模型，如何输入的数据偏差过大，那么预测的结果误差必然很大。此外，模型选择的方法的适用性。上述的各种预测方法很多都已经应用于实际。如何对某一风电场或者是某一区域风电场建立适宜的预测模型也是不同的。一种方法进行深入的优化处理往往也会取得比较好的预测精读。具体来说，有以下改进方形：

(1)提高输入数据的准确性，剔除奇异值，对误差较大的点进行平滑处理。预测时，不能只利用风速历史数据，应考虑大气温度、湿度、空气密度以及地形等对风速，乃至风功率的影响。

(2)选择适宜的风功率预测方法，并且在采用风电功率预测方法时应综合利用各种方法，可扬长避短，提高预测精度，保持预测精度的稳定性，避免局部最小化等问题。

(3)提过数值天气预报系统的预测准确度，对恶劣天气出现的较大偏差加强应对处理能力。改善数值天气预报系统的分辨率，减小气象信息数据误差。提高风机厂家提供的风电功率曲线参数拟合准确性。

(4)在可能的区域里，采用区域预测方法来提高预测精精度。

4结束语

随着我国风力发电的迅猛发展，风功率短期预测是提高风电穿透功率的重要途径之一。同时，有效地风功率预测还可以更加合理的安排调度计划，改善电网调峰能力，提高系统运行的安全性和可靠性水平。本文介绍了目前常用的风电功率预测方法，并简单论述了风电功率预测的发展方向。

参 考 文 献：

[1] 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.

[2] 戚双斌，王维庆，张新燕. 基于SVM 的风速风功率预测模型[J]. 可再生能源，2010，28( 4) .

[3] 戚双斌，王维庆，张新燕. 基于支持向量机的风速与风功率预测方法研究[J]华东电力，2009，37( 9) .

[4] 杜颖. 风电场风速及发电功率的概率预测研究[D].重庆： 重庆大学，2008.

[5] BATES J M，GRANGER C W J. The combination of forecasts.Operational Research

Quarterly，1969，20( 4) ： 451-468.

[6] 张国强，张伯明. 基于组合模型预测的风电场风速及风电机功率预测[J]. 电力系

统自动化，2009，33( 18) .

作者：邹磊

第3篇：基于BP神经网络的风功率预测

摘 要：随着世界能源危机的凸显，风力发电逐渐成为研究热点。但其非持续性和随机性，使得风力发电在安全性、稳定性以及供电质量上有待提高。目前采用神经网络预测电网各节点短期功率并予以解决，但预测模型网络结构单一，使得预测结果受样本数据影响较大。经过预测模型的改进，使用模糊聚类选取相似日后再进行预测，可提高预测精度。通过仿真实验证明，该种改进使得预测结果相对误差在5%以内，具有较好的预测精度。

关键词：风力发电;模糊聚类技术;BP神经网络;风功率预测

0 引 言

自21世纪开始，世界随着能源危机加剧和环境恶化加重，各国均开始探索如何利用新能源提供电力供应[1]。微电网整合了多种分布式能源，成为世界电力发展的新方向。在各种分布式电源中，由于风能的普遍性，使得风力发电成为发展和研究的重点。但新能源的非持续性以及随机性，使得新能源微网的安全、稳定以及供电质量具有较大的不可靠性[2]。目前通常的解决办法是预测微网各节点的短期功率，这样既有助于微网系统的运行管理，也能保障分布式电源高渗透率下的大电网安全、稳定、经济运行。因此，风电功率预测具有十分重要的意义。

1 相关技术

聚类分析是对一个给定的事物集合，分析其相似性和相关性，将其划分成不同子集的过程。传统的聚类分析是一种硬划分，即辨识对象非此即彼，类别界限分明[3]。而实际工作中，多数事物集合中的元素的各个属性具有一定的中性，难以划分，此时硬划分具有较大的不确定性。1969年Ruspini提出了模糊划分的概念，针对这一概念人们提出了多种聚类方法，典型的有：基于相似性关系和模糊关系的方法、基于模糊等价关系的传递闭包方法、基于模糊图论最大树方法以及基于数据集的凸分解、动态规划和难以辨识关系等方法[4]。

BP神经网络算法是一种非线的数据挖掘方法，通过对神经网络进行训练，对于事物集合的各类输入可以给出较为合适的输出。由于BP神经网络的强非线性擬合能力，尤其是对天气预测中风速、温度等因素的处理，而且学习规则简单，便于计算机实现，所以目前多利用BP学习算法来进行神经网络的训练[5]。BP神经网络的常用网络结构如图1所示。

从图中可知，BP神经网络本质上是前馈网络，具有输入层、隐含层和输出层组成，其中隐含层可以是多层的。该前馈网络可以通过不停地学习，进行各权值的优化，从而找到误差最小值的权值。其学习算法可以概括为根据给定样本，通过信息正向传播误差反向传播对权值和阈值进行反复修正，直到最终得到正确输出[6]。

2 基于模糊聚类技术与BP神经网络相结合的短期风电功率预测

在本文的工程条件下，风功率预测的思路如以下所示：利用模糊聚类技术对历史数据进行分类操作，形成若干样本数据，对应各类训练不同的网络。在选定预测日后，通过预测日的气象信息(如温度、相对湿度、天气情况)应用模式识别，确定预测日所属类别，选择相对应的网络完成预测。本文的原始数据为某地区8月份的风速数据，每天按小时分24个风速值，一共31天。

2.1 利用模糊聚类技术进行样本分类

为了合理地进行模糊聚类，从而有效的分析各因素的作用，本文引入“相近度”的概念，即两个日期之间各因素指标的接近程度[7]。“相近样本集”是指需要预测日期的风速指标相类似的样本日期。下文将介绍具体工作中，模糊聚类分析的步骤。

2.1.1 数据标准化

历史风速数据：本文用下式将风速数据归一化到[0，1]中：

式中xmax和xmin分别为训练样本集中输入变量的最大值和最小值，xi和xi’分别为输入样本归一化前后的值。例如相对湿度即为百分值，温度(最高温度、最低温度、平均温度)和天气情况(如晴、阴、雨等)则按一定的规则归一化。

2.1.2 标定

标定的方法有很多种，本文采用欧氏距离法：

2.1.3 聚类

选取适当的阈值λ∈[0，1]，随着λ从1到0逐渐变小，聚类结果由粗到细不断变化。一般λ的取值可以根据经验确定。

2.1.4 模式识别

对于预测日相近的样本集的选择，本文采用欧氏距离法作为度量[8]。在聚类后，样本集中的风力速度分为不同类型。然后通过建立BP神经网络，计算需预测日期的指标与样本集分类中样本指标的欧氏距离，欧氏距离越小则预测日期越与该类相近。

本文选取模糊聚类的阈值为0.05，根据欧式距离法将风速数据分成若干类，本文仅选取其中一类作预测分析。该地区8月份按天模糊聚类后，8月的第3、5、9、12、13、15、21、25为一类。其余的样本作为训练样本建立BP神经网络模型，27日的样本数据作为测试样本进行预测分析。

2.2 基于BP神经网络预测模型的建立

在具体模型的建立上，功率预测模型的输入变量依据小时数划分为24个，即有24个输入层的节点，同样的输出层也依据小时数划分为24个节点。在隐含层节点的设置上，利用文献9中的经验公式设置为，其中n为隐含层的节点数，ni为输入的节点数，n0为输出的节点数，a为1～10之间的常数[9]。

2.3 风速的预测

根据文献9的经验值，选择隐含层神经元传递函数为S型正切函数tansig，输出层为trainlm函数[9]。通过对网络进行多次训练，得出风速预测结果如图2和表1所示。

分析可知：预测结果的平均相对误差为8.49%，均方误差为0.014，预测结果中的24个点中有21个点相对误差均在10%以内，占预测点总数的79.2%，故所搭建的BP神经网络模型满足预测效果的精度要求。

2.4 風电功率的预测

本文通过对风速建模，可以得出风速的预测，并得到了最优的预测风速值，在此基础上本文使用标准的功率曲线对机组进行功率预测[10]。以德国Dewind公司制造的某单机容量为1 MW的变浆距风力发电机组为例，该机组的切入风速2.5 m/s，额定风速11.5 m/s、切出风速23 m/s，风力发电机的出力可用分段函数表达式近似为[10]：

公式(3)中，P为风力机的输出功率;V为该时刻的风速值;Pr为风力机的额定功率;Vci、Vr、Vco分别是风力发电机的切入、额定以及切出风速;A、B、C是相应参数。

风能资源的不同，A、B、C的计算值也会稍有不同，其计算表达式如下：

根据风速预测结果，由公式(3)和(4)计算得风电功率预测曲线如表2和图3所示。

分析可知：由于本文所选日期的风速属于(2，12)的开区间，预测功率的相对误差是4.1%，均方误差是171.1，此两种误差达到了功率预测的要求。

3 结 论

通过研究发现，BP神经网络的预测精度在很大程度上取决于训练样本集的选取，而本文结合了模糊聚类技术与BP神经网络，以相似日风速对待预测日风速和风电功率进行预测，大大提高了预测精度。实验结果说明所建立的BP神经网络模型正确，预测误差较满意，理论研究合理。

虽然本文取得了较好的研究成果，但仍有不足，如模糊聚类分析受天气预报精度的影响较大;网络输入层数据单一，未能全面反映影响风速的所有因素;预测结果中存在奇异点等。因此提高预测精度和使用价值的空间仍然存在。今后可以从全面有效的利用天气预报数据，改善BP神经网络模型，深入分析研究风速特性等方面着手研究。

参考文献：

[1] 叶峰.新能源发电-实现人类的持续发展 [J].能源与环境，2008(3)：55-57+62.

[2] 尹明，葛旭波，王成山，等.我国风电大规模开发相关问题探讨 [J].中国电力，2010，43(3)：59-62.

[3] 王骏，王士同，邓赵红.聚类分析研究中的若干问题 [J].控制与决策，2012，27(3)：321-328.

[4] 荣辉，张济世，马信山.前馈神经网络的模糊PID算法及其在电力系统负荷预测中的应用 [J].电工技术学报，1998(4)：43-46.

[5] 袁曾任.人工神经元网络及其应用 [M].北京：清华大学出版社，1999.

[6] 师洪涛，杨静玲，丁茂生，等.基于小波—BP神经网络的短期风电功率预测方法 [J].电力系统自动化，2011，35(16)：44-48.

[7] 黎祚，周步祥，林楠.基于模糊聚类与改进BP算法的日负荷特性曲线分类与短期负荷预测[J].电力系统保护与控制，2012，40(3)：56-60.

[8] 赵彦峰，李辉，高海燕.基于加权欧氏距离法的设计模式分类研究 [J].科技风，2009(12)：19.

[9] 肖永山，王维庆，霍晓萍.基于神经网络的风电场风速时间序列预测研究 [J].节能技术，2007(2)：106-108+175.

[10] 方江晓.短期风速和风电功率预测模型的研究 [D].北京：北京交通大学，2011.

作者简介：李海玲(1972—)，女，汉族，山东日照人，副教授，数学教育硕士，研究方向为：数学教育，数学建模。

作者：李海玲

第4篇：风电场功率预测系统使用说明

第一章 系统操作

NRFM系统操作主要有三部分组成：人机界面、接口和数据库操作。人机界面为客户端程序，是用来进行系统配置、功率预测展示、系统查询、报警查询等功能的主要操作界面;接口和数据库是后台运行程序，负责接收、计算和存储系统运行数据，接口和数据库的操作在初始安装配置后，会自动运行，用户不必进行操作，如需更改，可在相关操作说明或技术人员的指定下进行操作。

目前桥东风电场运行风电功率预测系统机器密码设置为： 开机密码为：0818 软件登录用户名和密码均为：admin 1.1.人机界面 1.1.1. 主界面

点击桌面下的NRFM即可打开系统主界面，界面友好、简单，易于操作。主界面上有登录、系统配置、功率预测、实时数据、系统查询、报警、退出系统等导航栏。系统主界面如图1-1所示。进入其它界面，可在登录后，点击相应导航按钮，若从其它界面返回主界面，则可点击界面右上角的

按钮。

图1-1 系统主界面

1.1.2. 登录

对系统的任何操作，需在用户登录之后才可以进行操作，在主界面中点击登录按钮，即可弹出登录对话框，如图1-2所示，如登录不成功，会弹出对话框进行提示，如图1-3所示，登录成功后，可在进入的其它界面上方看到当前登录的用户名称和当前用户角色(图1-4所示)。目前现场运行的用户名和密码均为：admin,用户也可根据自己需要，按照下节“系统配置”的说明进行添加、删除用户。

图1-2 登录框

图1-3 错误提示

图1-4 用户信息

1.1.3. 系统配置

系统配置中有用户管理、电场配置、风机配置等操作选项。用户在运行系统前应进行相应的初始配置。 (1) 用户管理

用户角色在本系统中分为管理员、操作员和普通用户。管理员的权限最大，可进行系统的任何添加、修改、删除、查询等操作;操作员可以进行系统的查询，对自己登录密码的修改，对电场、风机信息的配置，对预测数据修改等操作，不具备其它用户的添加、修改、删除操作;普通用户仅有浏览系统信息和修改自身密码的权限。

用户管理需在用户管理界面下操作，用户可在主界面下点击“系统配置”按钮，默认进入用户管理界面，或在系统配置中点击左侧“用户管理”按钮进入用户管理界面，如图1-5所示。

图 1-5 用户管理

对用户有添加、修改、删除等操作，需要有相应权限的用户才可进行操作。添加用户操作方法是点击用户管理右侧的“添加”按钮，弹出如图1-6所示的添加用户对话框，填写用户相关信息后，点击“确定”按钮。

图 1-6 添加用户 修改用户的方法是在右侧列表框中选择要修改的用户，点击右侧“修改”按钮，弹出和图1-6类似的修改用户对话框，进行相应修改操作。

删除用户的方法是在右侧列表框中选择要删除的用户，点击右侧“删除”按钮，会弹出删除确认对话框，如图1-7所示，若用户点击“确定”，将会删除用户信息，点击“取消”则取消本次删除操作。

图 1-7 删除用户确认

(2) 电场配置

电场配置主要用来配置风电场的信息，用户可在主界面中点击“系统配置”按钮，在系统配置界面中点击左侧“电场配置”按钮进入电场配置界面，如图1-8所示。

图 1-8 电场配置

用户可根据需要填写电场信息，注意企业名称不能为空，填好好点击右侧“保存”按钮保存填写的信息。修改电场信息和添加一样，直接在相应处修改，修改后点击“保存”按钮。若要删除电场信息，可直接点击右侧“删除”按钮，会弹出确认删除对话框如图1-9所示，若点击“确定”则删除电场信息，否则取消本次操作。

电场配置注意事项：  企业名称不能为空;  投运装机容量不能为0;

 短期预报时间为每天自动刷新时间，可根据实际情况填写;  开机容量设置和调度限电设置不能为0，可根据实际填写。

图 1-9 删除电场信息提示

(3) 风机配置

风机配置主要用来配置风电场风机的信息，用户可在主界面中点击“系统配置”按钮进入系统配置界面，点击左侧“风机配置”按钮，进入风机配置界面，如图1-10所示。

如要添加风机信息，点击右侧“添加”按钮，弹出添加“添加风机信息”对话框，如图1-11所示，用户在相应位置填入风机信息后点击“确定”保存信息;如要修改风机信息，则在右侧列表框中选择要修改的风机选项，点击右侧“修改”按钮，弹出和图1-11类似的对话框，进行相应修改后点击“确定”按钮保存;如要删除风机信息，则在右侧列表框中选择要删除风机选项，点击右侧“删除”按钮，弹出删除确认对话框，如图1-12，如需删除点击“确定”，否则点击“取消”按钮取消本次操作。

图 1-10 风机配置

图 1-11 添加风机

图 1-12 删除风机提示

1.1.4. 功率预测

功率预测分为短期功率预测和超短期功率预测。用户可在登录后，在主界面下点击“功率预测”按钮，进入功率预测界面，默认进入超短期功率预测界面。 (1) 短期功率预测 短期预测显示从当前或前一日期的2点到未来共168小时的功率预测数据，同时显示当前时间点往前的实发功率。显示方式为曲线和列表的形式，用户可在主界面中点击“功率预测”按钮，在功率预测界面中点击左侧“短期功率预测”按钮进入短期功率预测界面如图1-13所示。为便于观察，图中曲线可进行缩放操作，若需放大，可用鼠标左键在需要放大的数据处拖动一矩形框进行放大，若要缩回原处，可按键盘上“z”键。以下所有有关曲线图均可采用此种方法进行缩放，不再单独介绍。

图1-13 短期功率预测

短期预测实发数据刷新频率为5分钟，预测数据每天会在用户设置的时间点上进行刷新一次(如每天9点进行刷新)，用户也可根据需要点击右下侧“刷新”按钮进行手动刷新。 短期预测功率界面中允许有权限的用户(管理员、操作员)对未来某个时间点的预测数据进行手动修改，修改的方式是在右下侧的列表框中，选择要修改的选项，在“手动修改”项中输入要修改的数据，修改后回车，“是否使用手动修改”项会默认改为“是”，同时把数据存入数据库中，在下次上报预测数据时会报手动修改的预测值，而不报自动生成的预报值。若要观察曲线显示效果，可点击“刷新”按钮进行手动刷新。若要取消手动修改的预测值， 则把对应的“是否使用手动修改”改为“否”后“回车”即可。注意对预测值的修改仅可对未来时间的值进行修改，已过去则不能进行修改，否则会提示如图1-14所示信息。

图 1-14 修改提示

短期预测可根据实际需要查看指定时间段内的功率预测情况，在曲线图下方有“7天数据”，“6天数据”等单选按钮，用户可根据需要进行选择，默认为“7天数据”,显示从当前时间凌晨2点开始往后168小时的数据，若为“6天数据”,则显示从当前时间开始往后144小时的数据，其它为依次减少24小时的数据情况。

(2) 超短期功率预测

超短期功率预测显示过去和未来4小时的功率预测数据，同时显示当前时间点往前的实发功率信息，显示的方式为曲线和列表。用户可在主界面中点击“功率预测”按钮默认进入超短期功率预测界面，也在功率预测界面下点击“超短期功率预测”按钮进入该界面。界面如图1-15所示。

图1-15 超短期功率预测

超短期预测实发数据刷新频率为5分钟，每隔15分钟会对所有数据重新刷新一次，用户也可根据需要点击右下侧“刷新”按钮手动刷新。

超短期预测界面中也允许有权限的用户对未来数据进行修改，修改方式和短期预测中修改一致。 1.1.5. 实时数据

实时数据主要显示系统的当前信息，如实发功率、测风塔数据、系统进程或服务的运行状态等信息，用户可在主界面中点击“实时数据”进入实时数据界面，界面如图1-16所示。

图 1-16实时数据

1.1.6. 系统查询

系统查询主要是对历史数据的查询，包括历史某个时间段的实发数据、预测数据、风速、风向等数据信息，历史数据表现方法主要包括误差统计、时序图、直方图、风廓线、玫瑰图等。 (1) 误差统计

误差统计主要用来显示某个时间段的实发数据和预测数据，以曲线形式显示两者对比，并把这段时间的平均绝对误差(MAE)和均方根误差(RMSE)计算并显示出来，用户可根据需要把这段时间的信息导出到Excel文件中，供用户查询和打印。进入误差统计界面的方式是在主界面中点击“统计查询”按钮，默认进入的是误差统计界面，用户也可点击左侧“误差统计”按钮进入此界面，界面显示如图1-17所示。

查询中若时间段内有未来的时间，则不进行统计计算;若选择的时间段内没有实发功率，则不进行统计计算。

图 1-17 误差统计

用户可根据需要选择查询的开始时间和结束时间，然后点击“查询”按钮，即可查询该段时间的实发功率和预测功率信息，若需导出Excel文件，则在查询之后，点击“导出Excel”按钮，弹出选择保存文件路径对话框(图1-18)，用户可根据需要选路径，文件名默认为当前时间，用户也可根据需要对文件名进行修改，点击“保存”后，保存成功则弹出图1-19的提示信息框，失败则提示相应失败信息。

图1-18 保存Excel文件

图 1-19 保存Excel文件成功提示

(2) 时序图

时序图主要用来显示历史上某个时间段的测风塔或SCADA(目前没有接入)风速信息，以曲线的方式进行显示，用户可根据需要把某个时间段内的风速信息导出到Excel文件中。进入时序图的方法是在主界面中点击“系统查询”按钮，进入系统查询界面中，点左侧“时序图”按钮，显示时序图界面，如图1-20所示。用户设定好要查询的开始时间和结束时间，同时选择好要查询的数据源类型，点击“查询”按钮即可查询信息，若需导出到Excel文件，在查询后点击“导出Excel”，弹出图1-18的保存对话框，保存成功则出现类似图1-19的提示信息，保存失败则提示相应失败信息。

图1-20 时序图

(3) 直方图

直方图是过去某个时间段测风塔或SCADA(目前没有接入)风速的分布情况，用柱状图的方式表示某个风速在指定时间段内发生的次数。进入直方图界面的方式是在主界面中点击“系统查询”按钮，进入系统查询界面后点击左侧“直方图”按钮，进入直方图界面(图1-21)。用户设定好开始结束时间后，同时选择好要查询的数据源类型，点击“查询”按钮即可查看该时间段内的风速分布。

图1-21 直方图

(4) 风廓线

风廓线是过去某段时间内测风塔或SCADA(目前没有接入)10米、30米、70米高度上的风速情况，以曲线形式进行显示。进入风廓线界面的方法是在主界面中点击“系统查询”按钮，进行系统查询界面后点击左侧“风廓线”按钮，进入风廓线界面，如图1-22所示。用户设定好开始结束时间后，同时选择好要查询的数据源类型，点击“查询”按钮查看10米、30米、70米高度上的风速情况。

图1-22 风廓线

(5) 玫瑰图

玫瑰图是用来描述过去某个时间段内测风塔或SCADA(目前没有接入)风向分布情况，以曲线的方式进行表示。玫瑰图按地理位置的东西南北共分为16个方向，用国际上通用的字符标注方位，在某个方向上有风的次数越多，曲线越靠近外部边缘。进入玫瑰图的方法是在主界面中点击“系统查询”按钮，进入系统查询界面后点击左侧“玫瑰图”按钮，进入玫瑰图界面，如图1-23所示。用户设定好开始结束时间后，同时选择好要查询的数据源类型，点击“查询”按钮，即可查看风向分布图。

图 1-23 玫瑰图

1.1.7. 报警

报警可以查看某个时间段内的报警情况，在主界面中点击“报警”按钮，即可进入报警界面。用户设定好要查询的开始结束时间后，点击“查询”按钮，即可查询该段时间内的报警信息。如图1-24所示。

图 1-24 报警 1.1.8. 退出系统

如要退出该系统，可在主界面上点击“退出系统”按钮，系统会弹出退出确认对话框，如图1-25所示，若用户点击“确定”按钮则会退出该系统，也可点击“取消”按钮取消退出系统。

图1-25 退出系统确认

第二章 系统维护

2.1.数据库连接不上

出现数据库连接不上的问题是，首先查看数据库服务是否启动，若没启动，则启动数据库服务;其次查看系统配置文件中，数据库相关配置是否正确，若配置和系统所连数据库不符，则会发生数据库连接不上的问题。 2.2 找不到超短期预测数据 出现此现象时，一般是由于数据库中不存在数据或连接数据库失败，需查看网络连接是否正常，查看预测服务是否正常运行。解决方案是查看连接GPRS模块的指示灯是否正常显示，与预测主机相连的网线是否连接正常，都正常后重启机器，过两三分钟后重启预测程序。 2.3 找不到短期预测数据

出现此现象时，一般是由于数据库中不存在该数据，需查看网络连接是否正常，查看预测服务是否正常运行。解决方案是查看连接GPRS模块的指示灯是否正常显示，与预测主机相连的网线是否连接正常，都正常后重启机器，过两三分钟后重启预测程序。

第5篇：