考虑主环境因素的GWO-SVR风电功率超短期预测_徐炜君.pdf

电子设计工程Electronic Design Engineering第31卷Vol.31第15期No.152023年8月Aug.2023收稿日期：2022-04-06稿件编号：202204037基金项目：黑龙江省属本科高校引导性创新基金项目（2018YDQ-02）作者简介：徐炜君（1981），男，陕西富平人，硕士，副教授。研究方向：智能制造、新能源。随着“碳达峰碳中和”目标的提出，可再生能源的作用愈显突出，我国可再生能源装机规模持续扩大，截止到 2021年 11月底，我国风电装机容量已跃居世界首位，约为 3 亿千瓦，同比增长 29%，风电利用率达到了 96.9%。但风自身的不稳定性，使得风力发电具有波动性、间歇性和非线性的特点，因而大规模的风电并网会对电网调峰、调频和安全稳定运行带来极大挑战1。为了更加合理地利用风电，提高风电功率预测精度成为学界研究的热点。考虑主环境因素的GWO-SVR风电功率超短期预测徐炜君（东北石油大学秦皇岛校区 电气信息工程系，河北 秦皇岛 066004）摘要：随着我国风电产业的高速发展，风电功率预测的作用也愈显突出。提高风电功率超短期预测的稳定度、速度和精度，是更加合理地利用风电的关键技术之一。在深入分析影响风机出力主要环境因素的基础上，对真实风电场的环境监测历史数据进行了降维处理，以风速、风向、温度及湿度四个主环境因素作为GWO-SVR预测模型的训练和测试集，进行预测分析。不同预测模型的对比表明，降维处理可有效降低模型的复杂程度，降低无用数据对预测结果的影响，预测结果的稳定性、速度及精度均有提高。关键词：环境因素；风电功率；支持向量回归机；灰狼优化算法；超短期预测中图分类号：TM614文献标识码：A文章编号：1674-6236（2023）15-0150-07DOI：10.14022/j.issn1674-6236.2023.15.031Ultrashortterm wind power prediction considering main environmental factorsbased on GWO-SVRXU Weijun（Department of Electrical Information Engineering，Northeast Petroleum University at Qinhuangdao，Qinhuangdao 066004，China）Abstract:With the rapid development of China s wind power industry，the role of wind power predictionis becoming more and more prominent.Improving the stability，speed and accuracy of ultrashorttermprediction of wind power is one of the key technologies to make more rational use of wind power.Based onthe indepth analysis of the main environmental factors affecting the output of the wind power generator，the dimension reduction processing is carried out on the historical environmental monitoring data of thereal wind farm，taking the four main environmental factors of wind speed，wind direction，temperatureand humidity as the training and test set of GWO-SVR prediction model，the prediction analysis iscarried out.The comparison of different prediction models shows that the dimension reduction processingcan effectively reduce the complexity of the model，reduce the impact of useless data on the predictionresults.The stability，speed and accuracy of the prediction results are improved.Keywords:environmental factors；wind power；Support Vector Regression；Gray Wolf Optimization algorithm；ultrashortterm prediction-150目前，国内外学者已经提出了许多成熟的风电功率预测方法，这些方法主要分为两类：物理方法和统计方法。物理方法根据数值天气预报和风机组自身信息以及周围的物理信息构建出的物理模型进行预测1。统计方法主要是利用机器学习方法，诸如 BP(Back Propagation)神经网络、K 邻近算法(K-Nearest Neighbor，KNN)、随机森林（Random Forest，RF）、支持向量机（Support Vector Machine，SVM）、极限学习机（Extreme Learning Machine，ELM）等，对大量的风速、风向、温度、气压等数据进行训练和回归预测，进而实现风电功率预测2-4，并且输入数据维度越高，更有利于探索其动态变化规律5，但输入数据维度越高，预测模型的复杂程度越大，预测的时间会增加，这不利于风电的超短期预测。为此，文中在深入分析影响风机出力的主要环境因素的基础上，对风电场的采样数据进行了降维处理，并用 GWO-SVR预测模型进行预测分析，实验结果对比表明，经过降维处理后，有效地降低了预测模型的复杂程度，降低了无用数据对预测结果的影响，GWO-SVR预测算法在稳定性、预测时间及精度三个方面均有提高。1影响风机出力的主要因素分析根据空气动力学和贝兹准则可知，风机从风能中捕获的功率可表示为6：P=12Cp(,)Av3（1）其中,P为风机的输出功率，Cp(,)为叶片的风能利用系数，为叶尖速比；为桨距角，A为风轮扫掠面积，单位为m2，为空气密度，单位为kg/m3，v为风速，单位为m/s。1.1风能利用系数对风机出力的影响叶尖速比可表示为：=mR/v（2）其中，m为风轮角速度，单位为 rad/s；R为风轮半径，单位为m，v为风速，单位为m s。叶片风能利用系数的一种解析计算方法为7：Cp(,)=0.22116i-0.4-5e-12.5i（3）其中：i=11+0.08-0.0353+1（4）综合式（2）-（4）可知，风能利用系数为角速度m、桨距角和风速v的相关函数，可记为：Cp=f(m,v)（5）叶尖速比由风速与风轮转速决定，而当叶片一定时，叶片最佳桨距角一定，因此对于一个风机来说，其风能利用系数仅与风速和风轮转速有关，对于特定的风速，存在唯一的转速使得Cp达到最大。而单从风电预测考虑，只要能够准确预测出风速，通过对风机转速的系统控制，就能够得到Cp的最大值8。因此，单从风电预测考虑，风能利用系数主要与风速有关。1.2风轮扫掠面积对风机出力的影响风轮扫掠面积是与风向垂直的平面上，风轮旋转时叶尖运动所生成圆的投影面积，具体计算为：A=Scos=R2cos（6）其中，R为风轮半径，单位为m，为风向的垂直平面与风轮旋转圆平面之间的夹角，090，由式（6）可以看出，风向是影响风机出力的主要因素之一。1.3空气密度对风机出力的影响由式（1）可知，风机的输出功率与空气密度成正比，而影响空气密度的环境因素有气压、温度、海拔高度和湿度9。根据风电场所处的不同地理环境，有些影响空气密度的环境因素不需考虑，比如已经建设好的风电场，其海拔高度不变，因此可以不考虑海拔对空气密度的影响。文中所涉及的风电场属于这种情况，以下将分析气压、温度和湿度对空气密度的影响。空气密度与气压、温度、湿度的关系可以表示为10：=PR0T1-0.378PvP（7）其 中，为 10 min 内 的 平 均 空 气 密 度，P 为10 min内测量的干燥空气平均气压，R0为干燥空气的气体系数，取287.05 J/(kgK)，T 为 10 min 内的平均测量温度，T=Tc+273.15，Tc为实际温度。Pv的计算如式（8）所示：Pv=100C010C1TcC2+TcPH%（8）其中，C0=6.107 8,C1=7.5,C2=237.3，均为特滕斯公式（Tetens Formula）的系数。PH%为相对湿度，定义为实际水蒸气压力和饱和水蒸气压力的比值。徐炜君考虑主环境因素的GWO-SVR风电功率超短期预测-151电子设计工程 2023年第15期综合式（7）-（8）可以看出，气压、温度、湿度的变化都会引起空气密度的变化。为了进一步分析其变化规律，分两种情况：1）湿度一定，气压和温度对空气密度的影响如图1所示。从图1可以看出，随着气压降低和温度升高，空气密度会变小。图1空气密度与气压、温度的关系2）气压一定，湿度和温度对空气密度的影响如图2所示。从图2可以看出，在气压一定且温度较低时（如-20），湿度的剧烈变化对空气密度的影响不大；而在高温区域（如+30 左右），随着相对湿度的增加，空气密度会降低。湿度和温度对空气密度影响的整体趋势是：随着相对湿度变大和温度升高，空气密度将会变小。图2空气密度与湿度、温度的关系综上，在一个固定的风电场，温度、气压和湿度的变化会影响空气密度的变化，进而影响风机出力，因此，在进行风电预测时应该考虑温度、气压和湿度三个环境因素的影响。通过上文分析可以看出，影响风机出力的主要环境因素有温度、湿度、气压、风向和风速，在进行风电预测时，应该重点关注这几个环境因素。2风电场数据建模及降维处理风电场一般由若干台风机组成，各风机的分布需要根据地势、尾流效应及主风向等因素而定，同时由于风能随机波动性的影响，风电场中各风机的出力不能随时与风力相匹配，因此风电场的风电功率预测应从全局出发，应着重考虑整个风电场的风电特性，而风电场中的测风塔最能反映这一特性11。目前业界比较认可的风电功率预测有两种方法：一是先预测风速，然后根据风电场的功率曲线得到风电场的输出功率；二是直接预测其输出功率11。文中采用第一种方法。2.1风电场数据建模以新疆昌吉州某风电场测风塔的历史监测数据进行数据建模。该风电场的平均海拔高度为967 m，地形以戈壁为主，风机主要为 2.2 MW 风机，高度为80 m，测风塔塔高为70 m。测风塔可分别测量70 m、50 m、30 m和10 m高处的风速及风向，7 m高处的气压、温度和湿度，其数据采集以 10 min为间隔，每 1 s采集一次数据，并对 10 min 的 600 个数据进行统计分析，计算出平均值、最大值、最小值和标准差。每一个10 min间隔可以得到一个44维的向量。考虑到风电场当地每年四五月份的气候变化比较剧烈，因此选用 2020 年 4 月 26 日5 月 5 日 10 天的日监测数据作为建模数据，每天以 10 min为间隔进行数据采样，最终得到一个 1 44044 的样本集。为了使各维分量在实际的预测过程中具有相同的地位，必须将这些量纲、取值范围各不相同的数据使用归一化方法变换到同一范围，归一化方法为：xi(j)=2yi(j)-minyi(j)maxyi(j)-minyi(j)-1（9）其中，i=1,2,1 440，j=1,2,44，yi(j)为实际分量，maxyi(j)、minyi(j)分别为第j个分量的最大和最小值，xi(