【摘要】:目前,解决该问题的重要方向就是对未来一段时间的可再生能源发电输出进行预测。可再生能源发电预测方法根据使用的数据来源不同主要分为统计学习方法和物理方法。其中,统计学习方法根据可再生能源发电历史测量数据及周边测量数据建立统计学习模型。由此可见,与欧美可再生能源发电预测技术发展较为完善的国家相比,我国的可再生能源发电预测体系仍有待完善,预测精度有待于进一步提高。
由于可再生能源本身的不确定性,可再生能源发电具有波动性和间歇性,这将使得可再生能源发电设备直接并网运行会对能源网产生一定的冲击。目前,解决该问题的重要方向就是对未来一段时间的可再生能源发电输出进行预测。短期预测(数小时到数天)的结果能够帮助电网进行合理的经济调度、机组组合操作以及选择合适时机对风机进行维护。中期(数天到数月)风电预测结果可以帮助风电场做季度发电计划、安排大型检修活动等。长期(数月到数年)风电预测则可以评估某地区可能的年均发电量,主要应用于风电场的选址。
可再生能源发电预测方法根据使用的数据来源不同主要分为统计学习方法和物理方法。其中,统计学习方法根据可再生能源发电历史测量数据及周边测量数据建立统计学习模型。由于高分辨率物理模型的计算复杂度较大且需要的计算时长较长,目前的一个主要研究方向是使用机器学习方法对低分辨率的物理模型预测结果进行校正,从而得到较为准确的可再生能源发电功率预测值。目前,西班牙提前48h的可再生能源发电预测均方根误差可以控制在30%以内,提前24h均方根误差可以控制在15%以内,西班牙国家电网公司的预测精准度在85%左右。我国最新发布的《风电场功率预测预报管理暂行办法》中,要求风电功率预测系统提供的日预测曲线最大误差不超过25%,实时预测误差不超过15%,全天预测结果的均方根误差应小于20%。由此可见,与欧美可再生能源发电预测技术发展较为完善的国家相比,我国的可再生能源发电预测体系仍有待完善,预测精度有待于进一步提高。(www.xing528.com)
免责声明:以上内容源自网络,版权归原作者所有,如有侵犯您的原创版权请告知,我们将尽快删除相关内容。