论文部分内容阅读
摘要：新能源风力发电以及光伏发电的特征较为显著，例如随机性，不确定性以及湍流性等诸多方面，在电网正常运作阶段，可以对新能源风能发电以及光伏发电的总发电量做好明确的预判。对风电以及光伏发电输出曲线特征，做出相应的研究以及分析，并进行相关的总结，从而提出风电以及光伏发电预测提纲。除此以外，时间尺度、预测范围、对象以及风力发电方向来源等诸多因素，都会对国际以及国内的分类标准产生相应的影响。针对风力发电以及光伏发电方式做出相应的分类，并在此分类基础之上探究了主要的预测方式。在最后做出总结，规划出未来风光发电预测技术的发展方向以及主要问题，从而为后期应用以及发展提供参考价值。
关键词：新能源;风光发电技术;实际应用
一、风光发电预测方法分类
1.1短期预测
对发电措施做出优化以及完善，以此来增强对于风电的能量吸收能力。在微电网之中预测短期光伏时难度较高，从而对BPSVM-ELM和粒子SOM-LSF进行了优化以及完善，从而在此基础之上，将滚动光伏预测变成了现实，从而也为后期短期光伏布局做好了指导铺垫。
1.2中期预测
进行为期一个月或是几个月的数据检查运行方式，以及水库配置等方面的工作。新能源计划中期主要任务就是进行机械检查工做的优化，以及机械组合工作的升级，以此来增强相关计划的可靠性，安全性以及经济性。
1.3长期预测
长期预测主要作用在年度预测以及多年数据预测等。并在电网规划、运行模式以及年度维护规划等方面运用普遍。在高比例可再生能源交直流输出电网络规划工作中，科学合理的运用新能源长期预测技术，从而被输电网络规划的整体框架做出了明确的参考，并为未来技术发展方向指明了前进的道路。
1.4预测对象分类
预测物可分为风能以及太阳能。首先对风能以及功能进行预测，接着进行间接电能的预测。该预测将风能以及光能的发电状况、气候数据预测以及风光发电历史记录等方面的基本数据作为基础，从而搭建出风光发电系统预测模型。所谓的间接预测，就是针对风速以及日照强度和风电转换模型，来对风力发电系统输出功率做出间接性的预测。
1.5预测模型原理分类
依据预测原则进行分类，共计有统计方式、组合预测方式以及物理方式。依据统计方式来优化并完善风能以及太阳能发电数据，寻求其内部规律，从而对预测模型进行发展预判。这种研究工作会用到风能发电以及太阳能发电系统较长时间的运行数据记录。物理方式会受到地形信息，物理信息以及系统功率曲线等方面的影响。同时参考气象数据预报，然后借助物理公式来进行预测。联合预测方式主要运用于风能发电以及太阳能发电前景分析参考。这种组合模式多数是物理方式以及统计方式的结合，同时进行规模间模型预测的组合以及差异。统计方式能够筛选出重合系数不同模型，也能够体现出自身优势。组合预测方式相对于单一预测方式，精度水平更高，出现较大偏差的几率也得到了显著降低。
1.6预测空间尺度分类
由《风电预测功能规范》可以看出，相关要求如下：（1）电力调度部门要能够针对相关区域内部风电总量，做好灵活及时的调节。（2）与电网对接的风电场都要确保可以正常运作。通常情况下，某一部分地域的风力发电气象因素相同，同时，风力发电的具体状况还能够真切体现出相关地区气象变化情况，从而就为不同空间以及不同地域风力预测工作做出了总体思路上的延伸，以及技术方面的引导。
二、风光预测技术的发展及主要方法
2.1以时间序列法为代表的传统统计法
时间序列法将风能以及太阳能发电数据作为基础，依据时间顺序进行数字排列，并借助数学以及统计学方式做好处理过程，从而以此来对后期风能以及太阳能发电量做出提前性的预测。随机分组方式就是将加权平均法运用到统计分析工作之中，从而以此来避免偶然随机性而产生的干扰。时间序列方式原理简单，且操作方便，借助马尔可夫链来模拟风力发电的随机过程，同时也在序列建模当中，运用到了风力的时域特点，与此同时，再借助持续性以及波动性，对预测性能实现深入优化。
2.2以人工神经网络为代表的现代统计预测法
近几年，在勘探领域之中，人工神经网络得到大范围普及。本质上看就是借助数学图解来构建数学模型，从而实现神经网络的特征。同时对扩散并行信息进行频率方面的控制练习，加强针对神经网络节点连接方式以及权值的持续性调整，从而将信息前景做好明确的处理以及规划。回归神经网络属于一项时间序列预测，在风力发电预测工作中，应用普遍。人工神经网络性能显著，本质上就是非线性优化计算模型。由此可见，在运用非线性优化时，局部过小、计算量过大，收敛速度过慢等情况较为显著。诸多学者进行了大量实验，得出大量改进要点，同时加以人工智能技术的协助，从而得到新的人工智能模型。
三、风、光发电预测技术的一些建议和工作思路
（1）依据已有的预测技术，在针对风场以及光场特点进行参考，对风场以及光场的波动性以及随机性进行模糊性、灰色性、混沌性和概率性研究。
（2）重点进行组合预测技术的前景发展，做好进一步的研究以及分析。实现不同预测方式之间的有机融合，如此就可以增强预测结果的精确性以及计算工作的最终效率。
（3）进行景观预测数据规划，并对地域进行深入研究。做好数据筛选以及预处理工作，并增强数据质量。
（4）有关电力部门以及电网调度部门要进行深入研究，从而制定出更为科学高效的预测评估体制，以为后期的科学预测工作提供参考以及指导。
四、结束语
在对以往风力发电以及光伏发电输出曲线进行综合性研究之后，总结出一般规律，同时以此为基础，依据特点进行针对性的创新以及完善，从而促进我国电力领域的进步，并推动经济的发展。
参考文献：
[1]李辉，任洲洋，胡博，王强钢，李文沅.基于时序生成对抗网络的月度风光发电功率场景分析方法[J/OL].中国电机工程学报：1-11[2021-07-06].
[2]孟德越，刘伟，崔茂齐.风光互补发电系统协调控制策略与并网研究[J].河北水利电力学院学报，2021（02）：51-55+66.
[3]张巨莉.风光储联合发电系统与控制分析[J].电力设备管理，2021（05）：136-138.
[4]曾辉，樊锐锋，李亚康，韦椿力，张大春.高風光发电背景下火电超深度调峰分析[J].河北电力技术，2021（02）：19-21+51.
关键词：新能源;风光发电技术;实际应用
一、风光发电预测方法分类
1.1短期预测
对发电措施做出优化以及完善，以此来增强对于风电的能量吸收能力。在微电网之中预测短期光伏时难度较高，从而对BPSVM-ELM和粒子SOM-LSF进行了优化以及完善，从而在此基础之上，将滚动光伏预测变成了现实，从而也为后期短期光伏布局做好了指导铺垫。
1.2中期预测
进行为期一个月或是几个月的数据检查运行方式，以及水库配置等方面的工作。新能源计划中期主要任务就是进行机械检查工做的优化，以及机械组合工作的升级，以此来增强相关计划的可靠性，安全性以及经济性。
1.3长期预测
长期预测主要作用在年度预测以及多年数据预测等。并在电网规划、运行模式以及年度维护规划等方面运用普遍。在高比例可再生能源交直流输出电网络规划工作中，科学合理的运用新能源长期预测技术，从而被输电网络规划的整体框架做出了明确的参考，并为未来技术发展方向指明了前进的道路。
1.4预测对象分类
预测物可分为风能以及太阳能。首先对风能以及功能进行预测，接着进行间接电能的预测。该预测将风能以及光能的发电状况、气候数据预测以及风光发电历史记录等方面的基本数据作为基础，从而搭建出风光发电系统预测模型。所谓的间接预测，就是针对风速以及日照强度和风电转换模型，来对风力发电系统输出功率做出间接性的预测。
1.5预测模型原理分类
依据预测原则进行分类，共计有统计方式、组合预测方式以及物理方式。依据统计方式来优化并完善风能以及太阳能发电数据，寻求其内部规律，从而对预测模型进行发展预判。这种研究工作会用到风能发电以及太阳能发电系统较长时间的运行数据记录。物理方式会受到地形信息，物理信息以及系统功率曲线等方面的影响。同时参考气象数据预报，然后借助物理公式来进行预测。联合预测方式主要运用于风能发电以及太阳能发电前景分析参考。这种组合模式多数是物理方式以及统计方式的结合，同时进行规模间模型预测的组合以及差异。统计方式能够筛选出重合系数不同模型，也能够体现出自身优势。组合预测方式相对于单一预测方式，精度水平更高，出现较大偏差的几率也得到了显著降低。
1.6预测空间尺度分类
由《风电预测功能规范》可以看出，相关要求如下：（1）电力调度部门要能够针对相关区域内部风电总量，做好灵活及时的调节。（2）与电网对接的风电场都要确保可以正常运作。通常情况下，某一部分地域的风力发电气象因素相同，同时，风力发电的具体状况还能够真切体现出相关地区气象变化情况，从而就为不同空间以及不同地域风力预测工作做出了总体思路上的延伸，以及技术方面的引导。
二、风光预测技术的发展及主要方法
2.1以时间序列法为代表的传统统计法
时间序列法将风能以及太阳能发电数据作为基础，依据时间顺序进行数字排列，并借助数学以及统计学方式做好处理过程，从而以此来对后期风能以及太阳能发电量做出提前性的预测。随机分组方式就是将加权平均法运用到统计分析工作之中，从而以此来避免偶然随机性而产生的干扰。时间序列方式原理简单，且操作方便，借助马尔可夫链来模拟风力发电的随机过程，同时也在序列建模当中，运用到了风力的时域特点，与此同时，再借助持续性以及波动性，对预测性能实现深入优化。
2.2以人工神经网络为代表的现代统计预测法
近几年，在勘探领域之中，人工神经网络得到大范围普及。本质上看就是借助数学图解来构建数学模型，从而实现神经网络的特征。同时对扩散并行信息进行频率方面的控制练习，加强针对神经网络节点连接方式以及权值的持续性调整，从而将信息前景做好明确的处理以及规划。回归神经网络属于一项时间序列预测，在风力发电预测工作中，应用普遍。人工神经网络性能显著，本质上就是非线性优化计算模型。由此可见，在运用非线性优化时，局部过小、计算量过大，收敛速度过慢等情况较为显著。诸多学者进行了大量实验，得出大量改进要点，同时加以人工智能技术的协助，从而得到新的人工智能模型。
三、风、光发电预测技术的一些建议和工作思路
（1）依据已有的预测技术，在针对风场以及光场特点进行参考，对风场以及光场的波动性以及随机性进行模糊性、灰色性、混沌性和概率性研究。
（2）重点进行组合预测技术的前景发展，做好进一步的研究以及分析。实现不同预测方式之间的有机融合，如此就可以增强预测结果的精确性以及计算工作的最终效率。
（3）进行景观预测数据规划，并对地域进行深入研究。做好数据筛选以及预处理工作，并增强数据质量。
（4）有关电力部门以及电网调度部门要进行深入研究，从而制定出更为科学高效的预测评估体制，以为后期的科学预测工作提供参考以及指导。
四、结束语
在对以往风力发电以及光伏发电输出曲线进行综合性研究之后，总结出一般规律，同时以此为基础，依据特点进行针对性的创新以及完善，从而促进我国电力领域的进步，并推动经济的发展。
参考文献：
[1]李辉，任洲洋，胡博，王强钢，李文沅.基于时序生成对抗网络的月度风光发电功率场景分析方法[J/OL].中国电机工程学报：1-11[2021-07-06].
[2]孟德越，刘伟，崔茂齐.风光互补发电系统协调控制策略与并网研究[J].河北水利电力学院学报，2021（02）：51-55+66.
[3]张巨莉.风光储联合发电系统与控制分析[J].电力设备管理，2021（05）：136-138.
[4]曾辉，樊锐锋，李亚康，韦椿力，张大春.高風光发电背景下火电超深度调峰分析[J].河北电力技术，2021（02）：19-21+51.