在线数值天气预报应用在澎湖的风力预报外文翻译资料

英语原文共 6 页，剩余内容已隐藏，支付完成后下载完整资料

在线数值天气预报应用在澎湖的风力预报

曹杨、周立芬、郑裕彤、吴光光

1台湾电力公司，2国立台湾师范大学

摘要：

从中央气象局首次应用联机数值天气预报(NWP)报道了台湾风力发电预报。台湾电力公司开发了一种风力发电预测系统，其预测长度可达48小时，以最大限度地降低电网的影响，并优化在澎湖电网中产生的电力。澎湖是世界风能资源最丰富的地区之一。该系统以模糊神经网络为基础，利用在线NWP数据和监控数据采集(SCADA)测量风力涡轮机作为输入，预测Jhongtun和Hushi风电场的发电量。在2014 -01- 01年和2014 -06- 30年间，预测6小时前和未来24小时的预测的均方根误差分别为19%和22%。结果表明，在澎湖进行风电预测的在线NWP是有前途的。

关键词:风力预报，数值天气预报，模糊神经网络

1.介绍

澎湖被选为试点案例，说明在台湾建立低碳社会的策略。

为了减少澎湖地区50%的碳排放，应在该地区最大化利用可再生能源。在各种可再生能源候选人中，

风是最重要的，因为澎湖是世界上风能资源最丰富的地区之一。然而，由于风能量的固有间歇性和变异性，风力发电的渗透通常会对电网管理和发电调度提出挑战。在澎湖的挑战，在那里有两个风电场，Jhongtun和Hushi，现在更加严重。这是因为，与台湾相比，澎湖的电力系统更容易受到风的影响，因为系统是孤立的，而风力发电可能占整个冬季发电总量的30%以上。因此，一种用于辅助电力系统操作的先进风力发电预报系统正变得至关重要。

世界上使用的先进风力预测系统主要基于统计、物理或/和两种方法的组合[1]。ANEMOS提供了一种非常全面的关于风力发电短期预测的文献综述。 项目[2]。在台湾，大多数研究人员使用历史数据[3]来研究新的预测模型的发展[0]，但仅仅局限于模拟或离线预测。从公用事业的角度来看，风力发电预测系统的单位承诺、经济调度和动态安全评估的长度最长可达48小时。然而，为了实现这样一个预测长度的系统，在线数值天气预报成为必不可少的。在中央气象局(CWB)的支持下，对澎湖和金门的在线数值天气预报(NWP)提供给台湾电力公司(TPC)，以开发这种先进的风力发电预报系统，以满足上述要求。这里的兴趣仅限于在澎湖的两个风电场，Jhongtun和Hushi。本文首先研究了预测系统的开发，包括NWP的验证和系统的设计。然后对在线作业和验证进行了讨论，并进行了后续的工作和结论。

2.系统开发；

2.1验证的数值天气预报

时间(小时)

风速(米/秒)

历史预测风速从NWP开始

历史观测风速

图1在Jhongtun风电场的风轮机1号上观测风速的两个时间系列数据比较，并预测在2012 -7-1~ 2012-10- 17之间的时间段内NWP的风速。

这似乎是第一个应用程序的数值天气预报在台湾在风力发电预测,验证了该数值天气预报数据探索的两个时间序列数据之间的相关性观察风速的风力涡轮机和风速预测的中心考虑网站在项目的开始。图1比较了j洪屯风电场风力涡轮一号的观测风速和预计2012 -7 ~ 2012-10- 17之间风电场的风速。如图所示，时间序列数据的趋势显然与不同的海拔高度一致。在验证的基础上，期望利用模糊神经网络(FNNs)等智能方法对NWP数据进行适当的应用，从而达到令人满意的风力发电预测系统。系统设计的细节在下面的小节中描述。

图2开发的风电预测系统配置图。

2.2系统的设计

图2阐述了发达风力发电预测系统的配置。系统由风电监控和数据采集(SCADA)组件、NWP组件、预测模型组件、电源转换组件、可视化组件等五个部分组成。在这些组件中，预测模型组件是最重要的，并集成了所有其他组件。该预测模型基于FNNs / MATLAB平台。基于模糊逻辑系统的专家知识和人工神经网络的学习能力，FNNs适用于风电预测。关于FNNs的更详细的描述可以在[4 - 6]或其他地方找到。提供各种工具盒，如模糊和神经网络工具盒，在全球范围内广泛使用，我们的工作很容易得到，MATLAB因此被选为平台。

另一个组件是风力发电SCADA组件，它是一个现有的OSIsoft植物信息系统，收集TPC所有风电场的实时数据。在考虑的站点和风力涡轮机轮毂高度上的风速周期性地由从SCADA组件编写的MATLAB客户端程序读取，并作为FNNs组件的输入。同时，NWP组件的气象数据也作为FNNs组件的输入。接收由CWB定期发送的气象数据，NWP组件实际上是一个FTP服务器。CWB每6个小时就会有一个10米以上的新预测，类似于世界上许多大型气象中心。

预测长度为7天，时间分辨率为3小时。表1总结了气象数据表NWP的特点。

表1、气象数据特征摘要形成数值天气预报高度的预测

作为系统的核心，FNNs组件随后在被考虑的站点和风力涡轮机的轮毂高度计算每小时1 - 48小时。6个输入节点以连续3小时的风速数据为基础，并从NWP获得连续3小时的风速数据。预测的风速下一小时是由FNNs组件迭代计算的。为了获得风力涡轮机产生的预测功率，功率转换元件然后将风速转换成具有制造商功率曲线的功率。最后通过可视化组件给出了预测的风速和功率。

3 .项目：

操作和验证到目前为止，已有三家风电场，Jhongtun,Hushi，和Kinsha被报道的风力预报系统的胚胎所覆盖，该系统自2013年10月开始实施。这里只有Jhongtun(600千瓦8)胡适(900千瓦6)风力发电场和感兴趣的是位于澎湖。在运行期间，FNNs组件接收在线SCADA测量

NWP作为输入，预测风力发电厂的发电量将提前1 - 48小时。图3所示为Hushi风涡轮# 1对良好的48小时前风速预测的历史查询。在图中也显示了1小时前预测风速和观测风速的历史数据。如图所示，1 - 48预报风速与观测风速的总体趋势相当，虽然前者相当平稳，而后者波动。图4显示了一个与图3相对应的48小时前风电功率预测的历史查询。同样，图中也显示了1小时前预测功率和测量功率的历史数据。再一次，预测结果令人满意。我们注意到，由于我们的预测模型包含依赖于在线数据的自回归部分，SCADA的在线测量风速在短期预测中占主导地位。另一方面，从NWP预测的风速将主导较长期的预测。

图3 Hushi风轮机1号提前48小时预报的历史查询。

图4 Hushi风轮机1号提前48小时预报的历史查询。

然而，我们的模型(tpc - fnns)，类似于在全球其他领域使用的模型，可以很好地在一个特定的错误上，而在另一个错误。图5显示了Jhongtun风轮机1的在线48小时在线风速预测差的例子。预测风速的趋势与3月06日至12:00时观测到的风速的趋势不一致，预测的长度超过预测的48小时。不一致和预测主要来自于NWP数据，该数据偏离观测数据，如图6所示。相比之下，如图7所示，一个关于Jhongtun wind涡轮# 1风速预测的例子如图7所示。

超过预测的原因是NWP数据的过度预测，如图8所示。上述两种情况的讨论表明，NWP的准确性可能对预测有很大的影响，与此同时，风能预测的大部分错误都来自于NWP模型[3]。预计如果NWP的精度更高，我们的预测系统的性能将会进一步提高。

图5 . Jhongtun风轮机1号风速预报差48小时的历史查询。

图6突出显示趋势与预测的不一致，主要来自于NWP数据，该数据偏离了从图5中提取的数据。

图7另一个历史上的查询，一个可怜的48小时前的风Jhongtun风轮机1号的速度预报。

图8突出显示了趋势和预测的不一致，主要来自于NWP数据，该数据偏离了从图7中提取的数据。

根据上面的讨论，很明显，我们的模型(tpc - fnns)可以很好地处理一个特定的错误，另一个错误，类似于在世界其他地方使用的模型。

归一化根均方误差(RMSE)，定义为[3]，用于验证tpc - fns的性能。

在2014 -01- 01年和2014 -06- 30之间，预计在未来6小时内预测的均方根误差为6小时，比2014 - 01-01和2014 -06- 30之间的时间提前24小时。

与北美使用的主要预测模型相比，其值略高于WPPT[7]。

应注意的是，该案例研究仅适用于休士风电场风力发电机组的风速和风力发电预测，并通过在风电场上聚集所有风力涡轮机来进一步提高预测精度。

这是由于统计效应，可能会抵消弱相关预测误差[2]。

4.未来的工作：

4.1预测质量改进

这里的预测质量的改进意味着降低了水平错误和阶段错误，这可能在多个方面实现。

首先，测量功率数据作为预测系统的额外输入。据报道，实际电力数据的使用可能导致残余误差的减少[2]。此外，为了适应不同类型的地形，如平坦、丘陵和复杂地形，考虑风向和地形不可避免的。此外，使用不同的NWP模型而不是单一的NWP模型也很有帮助。根据文献[8]，采用不同的NWP模型的组合而不是单一的NWP模型可以提高NWP的输入，从而在预测精度上有显著的提高。然而，不同的NWP模型的获取高度依赖于外部支持。

4.2系统规模的扩大

在目前阶段，报告的预测系统只涵盖了三个风电场，Jhongtun,Hushi，和Kinsha。

前者位于澎湖，后者位于金门。对于电力系统的单位承诺、经济调度、动态安全评估等功能，预测系统在总TPC服务区的升级是必要的。然而，由于升级，两个问题将会出现。

第一个是如何预测输出非TPC风力发电厂的装机容量约占台湾风电装机容量的一半，但其数据却无法获得。另一个是需要NWP数据的更多的站点。因此，CWB或其他组织的进一步支持是必不可少的。

5.结论:

报道了台湾中央气象局在风力发电预报中的第一个应用。台湾电力公司开发了一种风力发电预测系统，其预测长度可达48小时，以最大限度地降低电网的影响，并优化其在澎湖电网中产生的电力。两例Jhongtun Wind涡轮# 1的研究表明，NWP的精度可能对预测有很大影响。如果NWP的精度更高，我们的预测系统的性能将会进一步提高。在2014 -01- 01年和2014 -06- 30之间的时间内，预测6小时前和24小时前的预测的均方根误差分别为19%和22%，略高于WPPT。在澎湖的风电预测中应用在线NWP的结果表明，该方法具有良好的应用前景。

6.确认:

作者非常感谢CWB为本文所描述的系统的开发提供在线NWP。

参考文献

[1]c . Monteiro et al .，(2009)风能预测的快速指南:2009级，Argonne国家实验室

[2]g . Giebel等，(2011)风能短期预测的最先进水平:文献

概述、ANEMOS.plus

[3]杨元庆、吴青云、林志刚(2009)应用自适应神经模糊推理

系统(ANFIS)关于风力预报，第17次全国会议的会议

台湾高雄模糊理论及其应用

[4]p . Pinson和g . Kariniotakis，(2003)利用模糊神经网络增强在线预测风险评估的风能预测，“在IEEE电力技术会议，意大利博洛尼亚，第2页，第23 - 26页

[5]yih - guang Leu,tsutian Lee,and weiyen Wang，(1999)基于observerbased自适应模糊神经控制的未知非线性动力系统，IEEE系统，人，和控制论。B:控制论，VOL . 29，不。

5,pp.583 - 591

[6]魏宏，和小明，王微，(2004)模糊神经网络的新模型及其应用，IEEE在智能控制与自动化上的进展，第3卷，第2022 - 2024页

[7]Kwon Kim,young - jun Seo,kyoung - seob Moon and young- mi Lee，(2012)实时风电预测系统，国际电气工程学院学报2，第2，第194 ~ 200页

[8]兰格,B。

，k . Rohrig,b . Ernst,f . Schlogl,U。

(2006)德国的风能预测——最近的进展和未来的挑战，欧洲风能会议和展览，雅典，希腊，27.2 -2.3

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[21775]，资料为PDF文档或Word文档，PDF文档可免费转换为Word