大型风电机组出力神经网络预测方法

大型风电机组出力神经网络预测方法

贾昆

（国网青海省电力公司青海西宁810008）

摘要：近年来风能已成为全球最重要的清洁型能源，风电场输出功率的预测也越发的成为了世界关注的焦点。但对于预测方法的研发目前还不够完善，仅仅依靠天气数值预报的预测是不够的。因此本文提出了神经网络模式下的风力发电机输出功率预测，并对风力发电机输出功率预测模型的建模过程进行了全面的阐述。经实验结果得出以下结论：即在神经网络模式下，以风能作为动能的风力发电机，其输出功率的预测准确度非常高，具有可行性和有效性。

关键词：功率预测；风电场；神经网络；

0引言

新世纪以来，人类所利用的地球能源不断更新，例如太阳能、风能、潮汐能等等。其中，风能以其高效、零污染的特点，深受关注，其利用率也在不断提高，在不久的将来，风能很有可能成为代替石油能源的新核心能源。[1]。风电并网是目前世界上大规模风电场的唯一应用方式,但由于风的高度不稳定性,导致风电大幅度波动,风电在电网中的贡献率难以超过10%。因此风力发电机输出功率预测对于接入大量风电的电力系统运行就显得尤为重要。

1风力发电机输出功率的影响因素

在研究风力发电机输出功率的问题时，首先要了解影响风力发电机输出功率的影响因素，即要在充分了解气象信息和风机状态的情况下进行输出功率的预测。

由上式可以看出，风电机组的输出功率取决于风速及空气密度，其中风速是决定输出功率的主要因素[5]。通过对参考文献[5]、[6]的研究可知，空气密度会随风速的变化而变化，其中环境温度和大气压强也是两项重要的影响因素，另外还有风向、空气湿度等因素。由此得出，风力发电机的输出功率与多项因素有关，其中便包括风速、环境温度、大气压强、风向及空气湿度。

风机在出现风轮不平衡故障时，即使风力足够大，风机也是不转的。而当风机控制器出现故障时，风机则不能自动停机。以往的输出功率预测并没有考虑到这一点，仅考虑到了气象条件如温度、压强等对风机的影响，而并没有考虑风机自身性能的影响。

风机出现的故障主要有两方面：①风机内部出现的机械故障，包括叶轮子不平衡、不对中；连接件松动、磨损；喘振、油膜涡动；气隙偏心、轴承润滑不良、轴承电蚀等。②风机出现的控制器故障，即负载短路导致风机不工作[9]。

2风机输出功率BP神经神经网络预测

4结论

本文研究了风力发电机输出功率预测问题。在模型建立中，考虑了气象因素和风机自身的性能因素。针对风力发电机输出功率影响因素多，单一预测模型泛化性差等特点，提出了BP神经网络预测模型。经实例验证，本文所提出的神经网络预测模型合理，可以满足工程实际要求。

参考文献

[1]顾为东．中国风电产业发展新战略与风电非并网理论[M]，化学工业出版社，2006．

[2]谷兴凯，范高锋．风电功率预测技术综述[J]，电网技术，2007．

[3]范高锋，王伟胜．基于人工神经网络的风电功率预测[J]，中国电机工程学报，2008．

[4]PotterCW，NegnevitskyM．Veryshort-termwindforecastingfor

Tasmanianpowergeneration[J]．IEEETransactionsonPowerSystems，2006，21(2)：965-972．

[5]BerglundE,SitteJ.Theparameterlessself-organizingmapalgorithm[J].IEEETransactionsonNeural,2006,17(2):305-316.

[6]NoriegaG.Self-organizingmapsasamodelofbrain

mechanismspotentiallylinkedtoautism[J].IEEE.TransactionsonRehabilitationEngineering,2007,15(2):217-226.

[7]刘万琨等．风能与风力发电技术[M]，化学工业出版社，2007．

[8]李俊峰等．我国可再生能源技术的现状与发展[M]，中国电力，2006(10)．