工程与技术
风电短期发电功率预测方法探讨
梁耀光1
刘德泉g
(1.广西大学电气工程学院，广西南宁530023;2.广西水利电力职业技术学院，广西南宁530023)
摘要：风力发电是人们利用无污染、可再生风能的一种主要形式9由于风电场受到风的随机性等特点的影
响使其并网受到了，所以其必须有较高精度的短期风电功率预测系统。以风电场短期功率预测模型为研究 对象，将历史单位置和多位置数值天气预报数据、多种智能优化算法与预测模型相结合，在Matlab仿真实验平台 上开展研究和实验验证工作《
关键词：风电；短期发电功率；预测方法
中图分类号：TB 文献标识码：A 背景
面对日益严峻的能源及环境问题，世界各国都在 找寻解决的方法，风能作为环境友好型新能源的代表， 兼具蕴藏量大、可再生、无污染等特点，使得风力发电 成为了解决环境问题、能源问题的重要途径。
一方面，风能在全球范围内储量巨大，人们利用风 能的历史由来已久，截至到2104年年底，全世界风电 新装机容量达到了 51, 47GW，累计装机容量达到了 369. 55GW，相较去年增长了 15. 99% f这其中中国继 续领跑世界风电装机容量，达到了 114. 76GW。
另一方面，传统的电力系统稳定是通过发电功率 追踪负荷功率来实现的。现今，电网接入大量风电后， 电力系统的运行调度体系并未发A根本性的变化，传 统电力系统的发电功率跟踪负荷功率的模式还在沿 用。当风电功率波动超过电力系统的平衡能力时，可 能导致电力系统频率越限，威胁电网安全运行0所以， 高精度的风电功率预测变得越来越重要。
在风电大规模并网的大背景下，深入研究风电功 率预测模型智能优化方法不仅能够为风电功率短期预 测研究提供理论参考，还能为进一步消除风电对电网 的不利影响打下坚实的基础9 2
国内研究现状
画内对于风电功率预测的研究开始于二十世纪 末，相对国外起步较晚，但研究和发展速度都比较快， 目前已经很多学者将目光投入到了这一领域中。我国 对于风电功率预测的研究可以分为两个阶段：
第一阶段为从2000年到2010年的这十年中，由 于缺少风电功率预测专用的NWP数据，各单位和学者 的主要研究工作集中在超短期预测上，且主要是理论 探索。在建模过程中主要采用的方法有：时间序列法、 神经网络法和支持向量机等方法。随着研究的深入， 越来越多的学者发现单一简单的预测模型精度太低， 很难满足实际需要。为了提高超短期预测的精确度， 目前的研究主要集中在对模型输入量的优化上以及对 模型爵身的优化两个方面，但是超短期预测工作都是 基于统计方法和简单的学习方法，预测时间较短，不能 满足电力系统运行调度的需要。
第二阶段是数值夫气预报数据加入模型后的预测 研究。以电科院为代表，W内高校、科研机构、新能源 公司通过购买NWP数据来改进风电功率模型，延长预 报时间尺度，提高预测精度。中国电力科学研究院新1
doi：10. 19311/j, cnki. 1672-3198. 2016. 27. 100
能源研究所与德国太阳能研究所、丹麦里索国家实验
室、挪威WindSim公司合作开发了我国首个风电功率 预测系统（Wind Power Forecasting System—WPFS)〇 该研究项目于2008年4月正式启动，2008年12月10 日投入试运行，2009年3月19日通过专家验收。截至 到目前为止，该系统已经在全国11个省区50个风电 场实施应用。随后华北理工大学和中国气象局有分别 推出了服务于电网调度与发电端的风电场输出功率预 测系统与中国气象局风力发电功率预测预报系统。这 些预测系统也都应用在了实际风电场中。其共同点都 是运用了 NWP数据，当气象预报准确时，精度都较高， 能满足实际需求。3
研究对象以及预测模型验证
以风电场短期功率预测模型为研究对象，将历史 单位置和多位置数值天气预报数据、多种智能优化算 法与预测模型相结合，在Matlab仿真实验平台上开展 以下研究和实验验证工作。
(1) 对于风电功率预测常用的BP神经网络预测法和支持向量机预测方法进行了概述，并分析了它们 的优缺点6以BP神经网络理论为基础，建立了基于单 位置数值天气预报的BP神经网络短期风电功率模型， 并对未来一天的风电场功率进行了预测。在建立模型 前，需要对训练数据进行归|化处理和聚类预处理。 采用模糊c均值聚类时，需要知道分类数，考虑对于数 据的分类数没有先验信息，所以采用模糊减法聚类来 确定相应的分类数。
风电功率预测对NWP原始样本数据具有敏感依 赖性，要提高预测精度就应选取合适的样本作为模型 的输入数据。历史NWP数据数据量很大，为了获得对 预测准确度影响最大的数据，首先对历史数据进行聚 类分析，得到各类的聚类中心，运用欧氏距离法查找与 预测日各点数据最相似的点作为训练样本；再利用各 类中的数据点训练对应的BP神銓网络，并保存各个权 值阈值e以上节内容为基础，本文设计的聚类分析方 法主要应用在3层的BP神经网络结构实现风电场功 率预测。算法运算流程如图1所示6
(2) 针对风电场预测模型训练用的历史数值天预报数据和风电场历史实际功率缺失的问题，采用了 一种基于数值天气预报单点聚类的方法对其进行处 理，将处理后的数据运用在了 BP神经网络模型训练 中，并用算例进行了功率预测仿真实验。
作者简介：梁耀光（1986 —），男，广西梧州人，高校讲师，在读工程硕士，广西大学电气工程学院，研究方向：电气工程。
196 ■现代商贸工业 2016年第27期
I
现代商贸工业
還训■■iWTihhniirnaio
新型亚麻纤维植物生长剂
李翔
(太原理工大学继续教育学院，山西太原030024)
摘要：萜酸钠盐（Verva)是从西伯利亚冷杉中提取的植物萜类化合物，落叶松酸是从落叶松中提取的植物黄 酮类化合物，都是新型纯天然的植物生长剂。据此，主要对其在亚麻纤维生长、发育及其产量方面的作用进行检测， 并对植物生长激素(吲哚三乙酸、脱落酸、玉米素和玉米素核苷酸）的激素水平进行了研究。在田间开展植物生长剂
对亚麻纤维的增产实验，通过工业实验证明，VERVA对提高亚麻杆茎、种子和亚麻纤维产量具有显著作用。
关键词：植物生长剂；萜烯醇；亚麻纤维；植物激素；脱落酸^引哚乙酸
中图分类号：TB 文献标识码：A doi：10. 19311/j. cnki. 1672-3198. 2016. 27. 101
1引言
亚麻是俄罗斯最重要的工业技术之一。通过现代 亚麻纤维的栽培技术，提高亚麻的产量和质量見有重 大意义9大量应用植物生长剂的现代技术被用于培育 种子和栽培亚麻。植物生长剂对提高亚麻纤维及其种 子的产量、质量、植株、改善指标等方面具有非常重要 的作用《以植物原材料为基础的植物生长剂，因使用 浓度低，对环境无污染被广泛应用。近些年从针叶林 和松柏属植物中提取的药剂得到了广泛应用。
从西伯利亚冷杉树中提取的Verva植物生长素， 其活性部分的化学成分，是天然萜酸钠盐。该物质无 毒、易溶于水，低浓度也具有较强的效果，Verva提高了 植物免疫力，并且在复杂气候条件下具有较强的稳定 性。从松叶中提取的萜烯醇，是SOM天然萜类化合物 碱性水溶液，对提高产率、增加产量和提高植物免疫力 具有显著效果。从西伯利亚落叶松中提取的落叶松
酸，主要成分是黄酮类二氢槲皮素，对真菌性疾病具有 免疫力，可以提高农作物的稳定性和产率，促进种子萌发。
本项目主要是对植物生长剂Verva、落叶松酸、萜 烯酸在亚麻纤维栽培中的比较。2
原料和方法 研究目的
Dashkovski和Lira
2.1
是两种中熟亚麻品种，对其共
性进行研究a通过对原材料进行加工，提取植物次生
代谢物的混合物（Verva、落叶松酸、萜烯酸）。药剂浓 度：落叶松酸250mL/t(种子处理剂）、蔽烯酸100mL/t (种子处理剂）或100mL/公顷（喷洒）、Verva(10g/L) 300mL/t(种子处理剂）或200mL/公顷（喷洒）^
实验组在播种前对种子进行加工处理（溶液用量 20L/O，或在枞形期进行喷洒（工作液用量200L/公 顷），对照组用水灌溉。输入数据的利用。
4结论
风电功率预测研究的关键是预测模型的搭建与准 确的历史数据及天气预报数据的输入。模型搭建时常 采用数值天气预报数据作为模型输入，采用风电功率 预测值作为模型输出。本文针对风电功率预测模型特 点，研究了 BP神经网络与支持向量机的基本建模原理 图1基于单点NWP聚类
与建模方法，两种建模方法的非线性、自学习性与容错 和BP神经网络的风电功率预测框图
性都很好的契合了风电功率预测建模特点，但是常规 (3) 针对BP神经网络预测模型初始权值阈值难以
的BP神经网络与支持向量机建模过程中都存在参数 确定的问题，运用遗传算法对其进行优化，建立了基于
范围选取、初值难以确定等问题《遗传算法优化的BP神经网络模型，解决了其初值难以 确定的问题；对于支持向量模型参数优化问题进行了 参考文献
研究，分别运用粒子群算法、粒子群改进算法和人I：鱼
tl]戴慧珠，王伟胜，迟永宁.风电场介入电力系统研究的新进展[J].
群算法对模型参数进行优化，建立了基于粒子群算法
电网技术，2007,31(20) :16-23.
优化的支持向量机模型、基于改进粒子群算法优化的 [幻王继强.中国风能现状分析及发展探索甘肃科技，2014, 30 支持向量机模型和基于人工鱼群算法优化的支持向量 (13)： 1-2.
全球风能理事会GWEC. 2:014年全球风电装机容量统计口].风 机模型，并在仿真文验中进行了优化算法实验验证和
能，201「)，（2).各种算法的对比分析。
[4] 刘江平，汪洪波.电网运行备用容量分析和控制策略的研究[J],
(4) 针对大型风电场中多位置、多高度的历史数值
华中电力，2005，18(6):22-26.
天气预报数据，利用主成分分析对其进行降维处理，得 [5] Santos J.
Jones L. High Peaetration Of Wind Powef In Power
到的数据作为BP神经网络的训练数据，得到基于多位 Systems： An ISO Perspoctive[(>]. IEEE Power Engineering Soci置、多高度数值天气预报的BP神经网络模型，实现了ety Summer Meeting,2002*
作者简介：李翔（1971 —),女，山西代县人，本科，工程师，从事教学管理工作。
现代商贸工业丨2016年第27期
| 197
►
