1、為何要對多風電場的輸出功率進行預測？
　　截止到2013年年底，我國大陸累積風電裝機總容量達91,424MW。風電場多集中分布在黑龍江、甘肅等風能較豐富的地區，其中一些地區已實現大規模風電并網。例如，黑龍江電網包含45個并網風電場，并網容量達3,153MW，占該地區總裝機容量的14.8%。由于風電發展速度極為迅速而輸電網絡的擴建相對較為緩慢，電網中輸電阻塞頻繁發生。為了提高大規模風電并網系統運行的安全性和經濟性，在電網調度中考慮輸電約束，預測單個乃至整個地區的風場輸出功率是必要的。此外，還需要對多個風電場的輸出功率之間的相關性進行估計，以充分利用電網的可調節容量。
　　2、為何要進行風電場輸出功率的場景預測？
　　雖然很多學者們已在提高輸出功率預測的準確性方面付出了很大努力，但目前仍然很難實現風力發電的精確預測。因此，在預測中包含不確定性信息對電力系統的運行至關重要。為實現這一目標，一些專家提出了一些參數或者非參數方法，如分位點回歸方法、區間估計方法及概率密度預測方法。這些方法可以以多種形式為用戶提供風電功率預測的不確定性信息。
　　風電場輸出功率的時空關聯信息對于電力系統運行決策有重要價值。現有的風電功率不確定預測方法多針對單個風場，或者通過對風電場短期輸出功率時域相關信息進行效用分析以對單個風電場輸出功率的概率密度函數進行預測，或者形成單一風電場包含預測時段間相關信息的短期風電功率統計場景。然而，這些方法均忽略了風電的空間相關結構信息。
　　本文所提出的多風電場輸出功率的多維場景預測，目的即是在預測結果中包含多個風場輸出功率在時間上、空間上的相關性信息，為電網運行決策提供重要參考。
　　3、如何實現多風電場輸出功率的場景預測？
　　以某地區3座實際風電場為研究對象進行預測模型構建，將數據樣本分為訓練集、測試集和驗證集，其中訓練集用于訓練支持向量機（SVM）模型；測試集可獲得單點值預測結果和預測誤差樣本，用于訓練稀疏貝葉斯學習（SBL）模型和估計基于核函數（Copula函數）的動態條件相關矩陣回歸（DCCMR）模型參數；驗證集用于評估預測模型的性能。每個風電場在每個時段的輸出功率被當作一個隨機變量，預測結果為風電場輸出功率的可能軌跡，即多維場景。假設有L個風電場和預測前瞻T小時，多維場景的維度是K=LT。場景預測的流程如圖1所示。

第1頁/共2頁   首頁   下一頁   上一頁   尾頁