系统运行分析探究

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2014年1—6月风电场实际测风数据、数值天气预报数据以及同时段风电场实际发电功率和短期预测功率。下面将首先使用与沿海风电场相同的方法分析数值天气预报精度，然后对其短期功率预测精度进行分析。

图5-15　测风塔位置图

图5-16　风电场主接线图

5.3.2.1 数值天气预报精度分析

本节同样采用关联度C 来描述风速和风向的预测精度。由于搜集数据包括2014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。该风电场月平均数值天气预报数据关联度，月度数值天气预报数据关联度折线图如图5-17所示。

表5-4　月平均数值天气预报数据关联度

图5-17、表5-4为2014年1—6月每月关联度平均值，可以看出相比于沿海风电场，山地风电场数值天气预报月度关联度C 普遍取值较小，均在0.3左右；而且整体波动较小，说明数值天气预报的精度保持在一个较为稳定的水平。图5-18～图5-23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5-17　月数值天气预报数据关联度折线图

图5-18　1月数值天气预报关联度分时图

图5-19　2月数值天气预报关联度分时图

图5-20　3月数值天气预报关联度分时图

(www.xing528.com)

图5-21　4月数值天气预报关联度分时图

图5-22　5月数值天气预报关联度分时图

从图5-18～图5-23中可以看出，山地风电场数值天气预报关联度计算值在大部分时间较小，但同样也可发现，在某些时刻会出现较大的关联度取值，这些取值比其他取值大得多；这说明在大部分时间，数值天气预报的精度是令人满意的，但在某些时刻，仍会出现一些意想不到的较大误差，导致该时刻短期功率预测的较大误差。

5.3.2.2　短期风电功率预测精度分析

图5-24是2014年1—6月短期预测功率值与实际值对比。

图5-23　6月数值天气预报关联度分时图

图5-24　山地风场短期风电功率预测图

从图5-24中可以看出，山地风电场的短期预测数据曲线与实际数据曲线吻合度明显好于沿海风电场。由于缺乏各时段开机总容量数据，因此使用相关性系数r来衡量短期功率预测精度。其计算数据见表5-5。

表5-5　山地风电场月度短期风电功率预测相关性系数表

将山地风电场数值天气预报关联度和短期功率预测的相关性系数进行综合分析，将表5-4和表5-5中数据绘制成图5-12。

图5-25　山地风场短期功率预测精度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。

根据以上图表数据可以发现，山地风电场短期功率预测相关性系数r取值均在0.65以上，说明其短期预测精度明显好于沿海风电场，这得益于山地风电场稳定的数值天气预报水平。同时据图5-25 可知，短期功率预测相关性系数与数值天气预报关联度负相关（见图5-25注解），这再次印证了同样的结论，短期功率预测的决定性因素是数值天气预报的精度。