英语原文共 11 页，剩余内容已隐藏，支付完成后下载完整资料

---

拉脱维亚物理学报2016，N 2

DOI：10.1515 / lpts-2016-0008

物理和技术能源问题

拉脱维亚电力系统负荷和风电的短期预测：开发工具的准确性和容量

V. Radziukynas，A.Klementavičius里加技术大学，

1 Kalku Str。，里加LV-1658，LATVIA

本文分析了最近开发的拉脱维亚电力系统短期预测套装的绩效结果。 系统负荷和风力分别使用ANN和ARIMA模型进行预测，预测精度根据误差，平均绝对误差和平均绝对百分比误差进行评估。 对额外输入变量对负荷预测误差的影响进行调查。 拉脱维亚电力系统的历史负荷（2011年）和计划风力发电能力（2023年）也对小时负荷和风电预测误差的相互作用进行了评估。

关键词：预测误差，短期预测，系统负荷，风电，风速。

1. 介绍

目前正在进行的大规模风力发电厂并入欧盟国家和扩大跨境负载流量转移为传输系统运营商（TSO）带来了挑战，因为如何安排和控制间歇性负载，发电和过境以透明，安全和可靠最优方式[1] - [3]。 这导致对短期预测的需求增加，使TSO能够更好地匹配发电和负荷，并减少相关不平衡的跨界传播[1] - [3]。

在拉脱维亚，需要有一个良好的短期预测做法，以及（1）系统负荷和发电的充足程度高度依赖于水资源的可用性; （2）通过波罗的海能源市场互联计划（BEMIP）实施跨越波罗的海电力系统（PS）的高运输量; （3）大型风力发电能力（系统负荷）将连接到：到2023年，拉脱维亚PS将达到500兆瓦，相邻的立陶宛和爱沙尼亚PS分别达到800兆瓦和1000兆瓦[4] - [6] 。

针对这种情况，一个新的短期预测诉讼是

由3个工具（计算机程序）组成。 LOADS-LV和WIND-LV工具分别用于系统负荷和风电功率预测，并且基于众所周知的预测模型：ANN（人工神经网络） - 负载和ARIMA（自回归整合移动平均） - 风功率。 JOINT-LV是第三种工具，用于综合预测。 一般来说，ANN和ARIMA模型都是依赖于问题的，并且它们对问题的定制通常以输入数据为条件。 这些工具根据拉脱维亚天气和负载情况进行定制。 目前的论文旨在评估这些工具的可操作性和有效性。

人工神经网络模型在短期负荷预测中的早期应用是指1992年[7]，首次对模型应用的综合评述似乎在2001年发表[8]。 虽然一些作者指出了良好的预测结果，但它作为一个规则很难被普遍化。 具体来说，当处理一年中所有日子的完整集合时，ANN模型不能提供良好的预测[9]。

风电预测在20世纪90年代早期出现动力，当时全球风电装机容量的增加引起了电力公司，风能发电商和研究人员对短期预测的关注，主要是集成的必要性进入日益增加的“未知”（波动）的风电量。 在[30]中可以找到30年期间预测方法的综合评述。 ARIMA和其他时间序列模型在很大程度上得到了解决，一些作者指出ARIMA模型的良好性能[11]，[12]。 尽管如此，由于ARIMA可接受的预测时间范围为6-10 h，ARIMA能力的强化是通过对其进行修改来实现的，例如fractional-ARIMA

1. 或混合应用（结合其他模型）[14]，[15]。

除了对开发的预测工具的性能进行评估之外，当前的论文还设定了要调查的目标：

• 1. 额外的输入变量（天气温度，风速，工作日指数）对负荷预测的准确性有多大影响？
  2. 假定负荷和风力发电的预测误差应该由拉脱维亚TSO补偿，由于正负误差的自我抵消，负荷频率调节准备金会减少多少？

1. 输入预测工具

以下输入变量已应用于预测模型：

• 用于负载预测（LOADS-LV工具）：

1. 历史电力系统负荷[16];
2. 负荷的平日指数（工作日，周末）
3. 过去和未来（次日）天气温度（均为历史）;
4. 过去和未来（次日）的风速在10米高度（均为历史）;

• 风速预测（WIND-LV工具）：

1. 历史风速在10米高处。

所有变量都显示为小时数据。 从2011年11月1日至2012年2月29日，数据排列时间超过4个月，构成调查期。 数据（3） - （5）是里加现场（拉脱维亚中部）的气象资料记录[17]。 它们可以被认为是全拉脱维亚的平均值。

输入数据（1） - （4）用于模型识别，训练，验证，测试和预测目的，而输入数据（5） - 用于模型识别和预测目的。

自Ref。 [17]将风速表示为整数（例如5 m / s），对于预测目的，这些应视为非常粗略的值。 我们通过添加一个随机分数（-0.4，

-0.3，...，0.5）。 因此，“舍入”速度在小数点后面包含一个十进制数（例如5.4 m / s）。

调查期间的负荷曲线似乎相当可变，平均负荷为890 MW，最大负荷为1320 MW，负荷系数

0.67。 按工作日类型分开，平均工作日负荷为925兆瓦，平均周末负荷为815兆瓦。 调查期间的最低负荷记录为510兆瓦。 温度范围从-30°C到10°C。 最高小时风速（10米高）为11米/秒，平静时间（风速lt;2米/秒）为2904小时，为255小时。

模拟风力发电能力连接500兆瓦。

1. 预测程序
   1. 负荷预测程序

众所周知，人工神经网络是通过调整网络并将获得的输出与输入训练和目标数据进行比较来训练的。 训练一直进行到网络输出与目标数据匹配。 前馈神经网络允许信号以一种方式从输入层传输到输出层，这意味着任何层的输出都不会影响同一层。 这两层之间的图层是隐藏层。 神经网络使用每个输入变量的权重和作为产生输出的阈值的偏差。 他们还使用学习算法来微调网络的权重和偏差，以便可以从权重和偏差中获得输出。 如果权重和偏差的小变化导致输出的小变化，学习算法是有效的[18]。

负载预测按照与LOADS-LV工具中实现的算法相对应的步骤顺序执行。

• • 1. 网络标识符

该算法在MATLAB工具箱ANN内工作。 它建立（识别）神经网络的结构和特征以适应特定的问题。 像通常的做法一样，网络通过实验来识别。 所考虑问题的识别期限是从预测期开始（2012年2月1日）3个月后选定的。 使用4个不同的识别数据集（表1）确定了四个网络模型（并随后进行了训练，参见下面的算法）：

表格1

拉脱维亚短期负荷预测的ANN识别结果

鉴定charac- teristic	识别数据集
	仅工作日加载	周末加载 只要	工作日负荷，温度，风速	周末负荷，温度，风速
网络类型/范例	前馈	前馈	前馈	前馈
隐藏层的数量	2	2	2	2
隐藏的数量 神经元	第一层 - 3 2 - 4	第一层 - 6 2 - 4	第一层 - 6 2 - 7	第一层 - 7 2 - 7
转换功能	线性	线性	线性	线性

• • 1. 网络培训师/培训师

该算法主要与网络标识符同时工作。 它训练已识别的网络以找到输入变量和输出之间的隐式关系。 输出是第二天每小时加载（预测）。 培训期与识别期（2011年11月1日 - 2012年1月31日）一致，培训时间分为70％，验证15％和测试15％。 有指导的培训是在周日指数被指出的时候进行的。

单独的训练集适用于工作日和周末日以及基线输入（负载）和扩展输入（负载，温度，风速）。

• • 1. 加载预报者

该算法会在第二天为前一天的24:00模拟预测时间并使用前3个月的历史数据输入产生24小时负荷预测。 输入期间每个新的一天连续移动一天。 最后，预测期的最后一天是2月29日，前一个投入期是11月29日至2月28日。在此过程中，再培训未得到解决。

• • 1. 精度评估器：将负载功率预测与实际风力功率进行比较，并计算相关预测误差：误差，绝对误差（AE），平均绝对误差（MAE），绝对误差百分比（APE），平均绝对误差百分比（MAPE）等等
  1. 风力发电预测程序

风电的间接预测是通过预测工具WIND-LV来实现的，即风电预测不是从历史风电时间序列中导出的，而是根据风速预测计算的。

ARIMA模型被作为WIND-LV的基础，作为对参数模型ARMA，ARX，ARMAX，ARIMAX等进行初步修订后进行调查的最有希望的参数。ARIMA模型表达如下：

(1)

其中y（t） - 在时刻t直接输出系统; q - 时间延迟算子，即q-1u（t）= u（t-1）; u（t-1） - 输入信号;

A，C - 多项式;

e（t） - 白噪声。

WIND-LV由以下算法组成：

• • 1. 高度计算器：10米高处的历史风速时间序列按照所选集线器高度的时间序列放大。 对于有问题的问题，使用经典的Hellman指数定律公式[19]将“圆整”风速转换为80米高处的风速：

(2)

其中v - 高度为H; v0 - 速度到高度H0;

alpha; - 摩擦系数或赫尔曼指数。 假设拉脱维亚风

农场将建在开阔的景观中，alpha;值取为0.14 [19]。

1. ARIMA标识符：使用MAT-LAB ARIMA工具箱标识ARIMA模型的结构。

在所考虑的问题中，2012年1月的拉脱维亚风速数据被用于模型识别。 该程序通过与[20]中相同的方式通过实验完成。 识别导致参数值p = 3，d = 1和q = 4。

1. 速度预报员：ARIMA模型在选定的轮毂高度产生风速的短期预报。 预测来自过去3天的数据输入。
2. 电力转换器：使用国家特定风力发电机的功率曲线将风速预测转换为风力发电。 Enercon涡轮机E-82的曲线被假定为拉脱维亚风力发电公园的典型曲线[21]。

WIND-LV工具还实现了地理区分风速预测的选项。 从图1可以看出，风电的总容量可以分解到单个或集合风电场的水平。

1. 准确度评估器：将风力预测与实际风力功率进行比较，并评估相关的预测误差。

WIND-LV工具的验证包括搜索工具最大预测时间范围和调查预测误差，总共500兆瓦。

• 1. 系统负荷和风力发电量预测的合并

LOADS-LV和WIND-LV工具的小时预报作为JOINT-LV工具的输入提供给JOINT-LV工具，该工具将它们整合到一个整合的负载中（请参阅

图。1）。

图1.拉脱维亚电力系统预测套装的结构：PL - 负载，

PW - 风电，V - 速度。

在这里，调查侧重于预测错误的相互作用，以确定他们相互取消的程度。 对于每对小时负荷和风电，误差计算（3）和合并（4）为：

(3)

哪里 和 - 第i小时的负荷和风电预测误差;

- 第i小时的实际和预测负荷;

- 第i小时的实际和预测风电。

(4)

其中/ - 第i小时的联合预测误差。

剩余内容已隐藏，支付完成后下载完整资料

---

资料编号：[21647]，资料为PDF文档或Word文档，PDF文档可免费转换为Word