大规模风电并网管理中的风能资源评估与预测研究

In recently years, the studies of the wind power generation at home and abroad indicate that the stability of power system is heavily influenced by the intermittent and uncertainty of wind speed. Thus, the research of wind energy resources assessment and predictionin of large scale wind power grid is still a very difficult and challenging task for a long time and the study at mentioned problem always lags behind the development of the power system. Researches comes from two perspectives: (i) From the theoretical perspective, this project will focus on the studying of forecasting theorems and methods, artificial intelligence algorithms and outlier detection and mining approaches. (ii) From the practical perspective, this project will devote to the wind power forecasting and the uncertainty analysis, wind resource assessment, load modeling and forecasting after grid interconnection of wind farms. For the purpose of proposing an effective safety measures, the main contents of this project are as follows: The project is an interdiscipline of forecasting theory and method, artificial intelligence and grid security management. Its accomplishment not only enriches the prediction theory, artificial intelligence algorithms and big data processing technology, but also provide a reliable theoretical basis for the safe operation of power systems.

近年来国内外对风力发电的各种问题的研究越来越深入，由于风速的间歇性及不确定性使得电力系统的稳定性受到了极大的冲击，因此，对大规模风电并网中的风能资源的评估及预测问题的研究仍然是一个十分困难和具有挑战性的任务。长期以来，上述问题的研究一直滞后于电力工业的发展。本课题研究工作从两个方面进行：理论上进行多维异常数据检测与挖掘算法、人工智能算法及预测理论与方法的研究；应用上进行风电场异常数据检测与挖掘、风能资源挖掘与评估、风功率预测的不确定性分析及风功率预测的研究。本项目是数据挖掘技术、预测理论与方法、人工智能与风电场信息管理系统的交叉，它的完成不仅丰富了大数据处理与挖掘技术、人工智能算法及预测理论与方法，而且为风电场决策支持系统提供了可靠的技术保障。

风能在可再生能源系统中占据着重要地位，然而风能的间歇性及随机波动性的特点给电力系统的安全运行和管理带来了严峻的挑战。本项目针对大规模风电并网中风能资源的评估及预测问题进行了深入的研究，在理论及应用研究方面均取得了一系列创新的研究成果：（一）风电场异常数据检测、挖掘算法的研究及应用：随着风电并网规模的发展，风电场异常数据对电力系统运行和调度的干扰日益增强。为降低异常数据所引发的消极影响，风电场异常数据的检测和挖掘方法不断被改进并取得了显著的效果。在风电场异常数据检测、挖掘算法的研究及应用中，我们致力于探索多种数据预处理技术，检测和剔除原始数据中的高频噪声，有效地识别和提取其主要特征，进而提高风能评估与预测的有效性。（二）风能资源的挖掘、有效评估：考虑到风能数据的波动性和随机性，我们开发了包含Weibull分布、Rayleigh分布、Gamma分布、 Lognormal分布、Loglogistic分布在内的多种风功率概率密度曲线来拟合风速的概率分布，同时致力于利用矩估计、极大似然估计、最小二乘估计等数值方法和BA、CS、PSO、GWO、WOA、FPA等群智能算法对多种概率分布函数的参数进行优化计算。与传统的数值方法相比，群智能算法具有更好的优化性能，能够提供更精确的风能资源评估结果，有利于风能项目的设计和规划，为风电场的设计和运营提供有价值的参考。（三）风功率预测的不确定分析、挖掘及风功率的预测研究：以往的风速、风功率点预测只能提供有限的信息，难以有效地刻画与预测误差相关的不确定性，因此，我们提出了一系列风速、风功率区间预测系统用于挖掘与风功率相关的不确定性信息。在风速、风功率区间预测系统中，如何采用有效的方法构造预测区间至关重要。我们通过拟合预测误差所服从的概率分布或利用多输出神经网络技术来估计预测区间的上下界，构建了合理准确的预测区间，为风电场的安全运行和合理调度提供了可靠的支持。