首页 理论教育 系统运行分析及优化方案

系统运行分析及优化方案

时间:2023-06-26 理论教育 版权反馈
【摘要】:系统运行情况分析主要从以下几个方面展开。

系统运行分析及优化方案

该风电场所使用的风电功率预测系统主要预测模型是神经网络和支持向量机等统计模型。本次分析所搜集的数据为2015年1—6月风电场的测风数据、数值天气预报数据以及实际发电功率和短期、超短期预测功率,以上所有数据的时间分辨率均为15min。系统运行情况分析主要从以下几个方面展开。

5.2.2.1 数值天气预报精度分析

数值天气预报是影响风电功率预测精度的重要因素,本节将比较测风塔实测数据和数值天气预报数据,检验数值天气预报的精度。测风塔实测数据包括风速、风向、气温、气压、湿度和空气密度等类别;而数值天气预报数据则包括风速、风向、气压、气温、湿度和空气密度等类别,其中风速和风向是模型主要输入数据,因此本节主要比较这两项数据。

本节采用关联度C 来描述风速和风向的预测精度。由于搜集数据包括2015年1—6月的所有数据,因此在下文中将列出该时间段内每月平均和分时关联度,以说明数值天气预报的准确性,并以此数据为基础,分析数值天气预报对风电功率预测准确性的影响。风电场月平均数值天气预报数据关联度见表5-1,其月度数值天气预报数据关联度折线图如图5-4所示。

表5-1 月平均数值天气预报数据关联度

图5-4 月度数值天气预报数据关联度折线图

图5-4、表5-1为2015年1—6月每月关联度平均值,可以看出1月关联度取值较小,数值天气预报精度较高,2 月精度则较低,3—6月关联度取值波动较小,保持在一个较为稳定的水平。

图5-5~图5-10为1—6月数值天气预报数据关联度分时图,由于数据的时间分辨率为15min, 即每天96 点数据, 因此1—6月每月的数据量分别为2976、2688、2976、2880、2976、2880。

图5-5 1月数值天气预报关联度分时图

图5-6 2月数值天气预报关联度分时图

从图5-5~图5-10中均可以看出,大部分时间关联度取值小于1,说明数值天气预报精度较高,但在数据的500点附近、1000~1500点以及2000点附近,都出现了较大的关联度取值,说明这些时间节点上预测误差较大。

比较图5-5和图5-6可看出,2月数值天气预报精度明显差于1月。

图5-7 3月数值天气预报关联度分时图

图5-8 4月数值天气预报关联度分时图

图5-9 5月数值天气预报关联度分时图

(www.xing528.com)

图5-10 6月数值天气预报关联度分时图

从图5-5~图5-10中可以看出,数值天气预报的精确度波动较大。用关联度来定义预测精度,根据经验,如果关联度在0~0.5之间,可认为精度较高;关联度在0.5~1之间,可认为精度一般;关联度在1以上,可认为精度较差。根据1—6月的关联度统计可以看出,仅1月的关联度平均值在精度较高的范围内,而其余月份关联度平均值均大于0.5,特别是2月,平均值已接近1,表明数值天气预报整体精度并不十分令人满意。由于数值天气预报是风电功率预测统计模型的输入,因此数值天气预报精度将制约风电功率预报精度的提高,下文中将会把数值天气预报精度和风电功率预报精度进行联合分析。

5.2.2.2 短期风电功率预测精度分析

风电功率预测分为短期预测和超短期预测两种。短期预测应能预测次日零时起72h的风电功率,而超短期预测应能预测未来4h的风电功率。

首先对短期预测的结果进行分析,图5-11为1月短期预测功率值与实际值。

从图5-11中可以看出,短期预测的效果不尽理想,由于缺乏各时段开机总容量数据,因此使用相关性系数r来衡量预测精度的大小。使用相关性系数参数衡量1—6月短期风电功率预测精度,计算数据见表5-2 。

图5-11 1月短期风电功率预测图

表5-2 月度短期风电功率预测相关性系数表

将表5-2的数据与表5-1数值天气预报精度数据进行比较,并将两表中数据综合绘制成图5-12。

图5-12 短期功率预测与数值天气预报精度比较图

注:关联度取值越小,数值天气预报精度越高;相关性系数越大,短期功率预测精度越高。

根据图5-12中数据可以发现,当数值天气预报精度与短期风电功率的精度有较大的关联,数值天气预报精度越高,短期风电功率的预报精度也越高。通过以上比较可得出结论,短期功率预报精度不尽理想,一个重要原因是由于数值天气预报精确度有限;同时短期功率预报的预报区间是未来72h,其预报输入仅为数值天气预报数据,很多其他因素(如由电网原因造成的风电场停机和风电场日常检修等)难以在预报中得以体现,这也是短期预报精度受限的原因。

5.2.2.3 超短期风电功率预报精度分析

本节对超短期风电功率预报的精度进行讨论,图5-13为2015年1月该风电场超短期风电功率预报图。

图5-13 1月超短期风电功率预报图

从图5-13中可以看出,实际发电功率曲线和超短期预报功率曲线吻合度很好,其预报效果大大好于短期功率预报。同样使用相关性系数r来衡量超短期功率预报的精度,具体数据见表5-3。

表5-3 月度超短期风电功率预报相关性系数表

对比表5-2和表5-3中的数据可知,超短期预报的精度相比于短期预报有大幅提高,所有月度相关性系数均在0.9以上,预报效果比较令人满意。这主要得益于超短期预报的预报区间较小,对于短期预报,预报区间为未来72h,须预报数据点数为288个,而超短期预报区间为未来4h,须预报点数仅为16个。对于任何时间序列预报而言,近大远小都是一个重要原则,因此超短期相对于短期预报的高精度就顺理成章了。

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。

我要反馈