基于数值天气预报NWP修正的BP神经网络风电功率短期预测研究

可再生能源在世界能源结构中的比例急剧增加,其中风能被认为是当前世界上最有发展前景的新能源技术之一。近十年来,随着中国风力发电产业的快速发展,如何解决风电并网、运行和消纳成为风电研究的主要课题。其中,高精度的风电功率预测不仅利于电网调度、风电场运行管理,而且可以增加电网消纳风电的能力,提高电力系统运行的经济性能。 本文首先概述了风电功率预测的主要方法及国内外研究现状,结合实际风电场风机运行参数、历史风能信息和天气记录,给出风电机组的风速-功率模型,分析影响风电机组输出功率的各项因素,并利用多项式和傅里叶级数对机组风速-功率曲线进行拟合。 随后根据BP神经网络算法,建立风电功率短期预测模型,该模型以风能及天气信息为输入,风电功率为输出,利用180天历史数据对预测日未来72小时的短期风电输出功率进行预测。 本文着重研究了用于预测模型输入的数值天气预报(NWP)中的风速序列特性,得到对不同风场,NWP中预报的风速信息与实际风速的误差在整体上呈现一定规律性。在此基础上,利用神经网络自学习功能对NWP预报风速序列修正,提高NWP风速的预报精度。结合修正前后的NWP信息,分别利用曲线拟合和BP神经网络方法对短期风电输出功率进行预测。算例风场情况表明,当原始NWP风速预报精度较低时,经过NWP修正的BP神经网络风电功率短期预测精度显著提升。 最后,根据算例风场情况,本文对风电场全场输出功率的预测方法进行了探索,并对风电功率预测的相关实际工作和进一步理论研究进行了展望。