基本介紹
- 中文名：風電功率預測技術
- 外文名：Wind powerforecasting technology
- 學科：電氣工程
- 領域：能源利用
- 分類：長期、中期、短期、超短期預測
- 優點：提高風能利用效率
背景,基本概念,理論研究現狀,改進方法,監督考核,結語與展望,結語,展望,
背景
隨著風力發電技術日臻成熟，風電單機容量和併網型風電場規模不斷擴大，風電占電力系統發電總量的比例也逐年增加。風電場穿透功率不斷加大，給電力系統帶來的一系列問題日益突出，嚴重威肋、電力系統安全、穩定、經濟、可靠運行。對風電功率進行及時準確的預測，可以顯著增強電力系統的安全性、穩定性、經濟性和可控性。
近年來廣大學者對風電功率預測方法進行了廣泛研究，有文獻對各風電功率預測方法進行了綜述，歸納總結了風電功率預測的方法分類，但未詳細介紹組合預測方法和區域預測方法，且未明確給出各方法的優缺點及套用範圍，仍存在一定局限性。本文在上述文獻基礎上，對風電功率預測方法進行了更為系統分類，包括組合預測方法和區域預測方法，並分析給出各方法的優缺點及適用場合，同時針對風電功率預測存在的一些問題，提出相應改進措施，為風電功率預測進一步研究和發展提供參考，具有重要意義。
基本概念
基於時間尺度的分類
根據預測時間的長短，風電預測一般可分為超短期預測、短期預測、中期預測和長期預測。研究主要集中於短期和超短期尺度內，前者可安排機組組合和發電計畫，後者主要用於電力系統實時調度。受各種不確定因素影響，中長期尺度的風電預測研究相對較少，其主要用於制定風電場、熱電機組以及電力系統的檢修計畫。
時間尺度的劃分通常受到用戶需求、技術和管理條件以及預測可行性等因素的影響，因此時間尺度的劃分在不同國家和地區的標準並不統一。我國的最新規定如下:預測的時間解析度為15min，超短期預測要求滾動預測未來0-4h的風電輸出功率；短期預測則要求預測次日0時起3天的風電功率。
基於空間範圍的分類
根據預測空間範圍的不同，可將風電預測分為單機預測、單風電場預測和區域風電場預測。我國的最新要求如下:單個風電場的預測系統應能預測其自身的輸出功率，電網調度機構的預測系統應能預測其調度區域的風電功率。
通常來說，某一區域內的風電場具有相似的氣象條件，風電功率之和能夠反映區域內氣象變化的總體規律，這為區域風電預測提供了有效的途徑，有利於實現電網調度部門的控制和最佳化調度。
基於建模對象的分類
從建模對象來區分，風電預測包括基於風速和基於風電功率兩種預測方法。基於風速的預測方法針對單個風機，根據風速模型預測出其附近的風速，再利用風機功率曲線計算出實際輸出風電功率。而基於風電功率的預測方法則不考慮風速的變化過程，採用統計或學習方法，利用歷史功率時間序列建立模型，對風電功率進行預測。
基於風速預測模型由於受到測量塔安裝限制不能得到風電場中所有風機處準確的風能信息，加之風機風速和風電功率之間存在非線性關係，使得風速預測值微小誤差將產生較大的功率值誤差。
短期預測時，基於風電功率的預測方法將風電場中所有風機的電壓和電流數據作為輸人信號，即風電功率預測模型輸人數據的信息更加全面，從而在降低數據採集成本的同時可提高預測精度。
基於預測模型的分類
根據風電功率預測模型的不同可分為物理方法、統計方法、學習方法以及上述模型組合方法。
物理方法根據風電場周圍等高線、粗糙度、障礙物、氣壓、氣溫等信息，採用數值天氣預報(NWP)模型預測風速，通常將其結果作為其他統計模型的輸人量或用於新建風電場的功率預測。
統計和學習方法通常不考慮風速變化的物理過程，而是在歷史統計數據與風電場輸出功率之間建立一種映射關係進行預測。這類方法的預測精度隨預測時間的增加而下降，故多用於短期預測。常見的統計和學習方法包括卡爾曼濾波法，人工神經網路法，小波分解法，支持向量機法、機率預測法，混沌預測法等。
組合方法利用不同模型提供的信息並發揮各自優勢，選擇合適的加權平均形式得到組合預測模型。組合形式通常包括物理和統計方法的組合、短期和中期預測模型的組合以及統計模型之間的組合與單一模型預測相比，採用組合方法的風電預測可減少較大誤差的出現，使精度有所提高。
理論研究現狀
國外風電預測現狀
國外風電預測研究起步較早，丹麥、西班牙、德國、美國等國家的風電預測技術已較為成熟，各國研究出的風電預測系統均已投人運行。
歐盟資助的“SafeWind”項目針對極端天氣情況的風電功率預測從不同時間和空間尺度開展研究。與陸地風電場相比，海上風電場的地形較為平坦、光滑，其風速和熱效應變化相對敏感，且現有的預測模型多針對於陸地風電場，因此建立合適的海上風電場預測模型有待於進一步研究。
最新的理論研究中，相關研究計算了區域和單個風電場的風電功率預測的誤差，分析發現誤差的減小取決於區域的大小，利用空間平滑效應預測區域風電功率提供了一種減小誤差的新思路。也有研究將一種時間自適應的quantile-copula方法套用於風電功率機率預測，並且討論了如何選取對不同變數建模的核函式。另外有研究首先將風速序列進行小波分解，並對各分解信號採用自適應小波神經網路進行回歸預測，再通過前饋神經網路將風速預測值轉化風電功率預測值。有文獻將風機數據和數值天氣預報數據轉化為風速向量，通過多個觀察點預測風速和風向，再將風速預測值通過功率曲線轉換成風電功率預測值。
國內風電預測現狀
我國風電功率預測系統的研究機構主要包括:中國電力科學研究院、中國氣象局國家氣象中心、華北電力大學、金風科技股份有限公司等，同時我國也與德國太陽能研究所(ISET )、丹麥Rise國家實驗室以及挪威WindSim公司開展了國際合作。有研究建立了以數值天氣預報為基礎，基於人工神經網路的風電功率預測系統，並套用于吉林電網調度中心，該系統具有良好的人機界面，實現了與能
量管理系統((EMS)的無縫連線。也有文獻提出一種基於數值天氣預報以及人工神經網路的混合型風能預測系統，該系統能夠依據特定風電機組或風場的發電量的歷史數據對輸出數據進行修正。
為進一步提高預測精度，國內學者在預測模型和算法等方面進行了深人的理論研究。利用粗糙集理論分析影響風速預測的主要因素，將其作為中長期風速預測模型的附加輸人，建立粗糙集混沌神經網路預測模型。有文獻通過兼顧準確性和效率兩方面，利用WRF中尺度數值預報模式選擇合適的格線解析度對風電場風速進行預測。
改進方法
風電功率預測存在的問題
風電功率預測的最大問題是預測誤差較大，導致各預測方法的實用性大大降低。分析整個過程的誤差來源，大致分為以下幾個方面。
(1)風速風電功率輸入數據序列誤差
風能波動性致使輸入數據序列的規律性較弱，給模型建立及預測結果的準確度帶來很大影響。另外，風能本身的隨機性，使錯誤數據不易辨別剔除，導致預測結果誤差增大。
(2)預測模型精度誤差
(3)功率特性曲線擬合準確度誤差
特別是基於風速預測方法，風機的實際運行特性受諸多因素影響，風機的開啟停機都會對實際輸出功率產生影響。
(4)輸入數據單一
當前很多預測方法都只將風速或風電功率單一變數作為輸入數據，但風能還受周圍環境因素、物理因素等影響，勢必會給預測帶來一些偏差。
(5)氣象信息採集不夠準確
我國還沒有完善的專門用於風電功率預測的氣象預報系統，己開發的輔助風電功率預測的數值天氣預報系統，積累的歷史數據較少，沒有經過人為修正，誤差較大。另外，每個風電場配置的氣象信息採集裝置數量有限，不能全面反映每個風機實際的運行環境信息，有一定誤差。
(6) SCADA數據採集與監視環節引入誤差
除上述預測誤差較大問題外，還存在沒有一個明確優劣評價體系的問題，套用較多的是平均絕對誤差評價方法，但是其大小不能完全反映預測方法的優劣，對於某一預測方法，平均絕對誤差可能不大，但其中個別誤差較大點可能會給電力系統帶來難以承受的衝擊，使風電功率預測系統失去預測價值。
風電功率預測改進方法
(1)提高輸入數據的規律性。
(2)提高輸入數據的準確性，剔除奇異值，減少較大誤差點的出現。
(3)選擇合適預測方法。套用小波分析、神經網路、混沌理論等多種智慧型方法進行建模，綜合各方法所使用的信息和優勢，減小預測誤差。
(4)提高風電功率曲線參數擬合準確性。
(5)充分考慮風向、空氣密度、大氣濕度等因素，增加輸入信息量，減小預測偏差。
(6)加強數值天氣預報系統建設。對己有的氣象信息預報模型，可將多個模型組合起來進行預報，有效克服惡劣天氣時出現較大偏差。改善數值天氣預報系統的解析度，減小氣象信息數據誤差。
(7)提高線上監測系統的普及度和準確度。
(8)實行區域風電功率預測。
(9)縮短數據採集時段，收集比較密集的風速風電功率時間序列。充分利用風能的自相關J險，減小突變點誤差。
(10)進行機率區間預測。給出預測值的一個範圍，並給出其機率分布，有效彌補單點預測在風速波動明顯時精度較低的不足。
(11)借鑑其他研究領域(如負荷預測)的預測方法，改善預測模型，提高預測性能。
(12)制訂明確的風電功率預測性能評價體系，充分考慮預測結果的偏差大小、波動大小等問題，結合預測模型的精度、效率、成本等實用價值，綜合評價某種預測方法的優劣。
監督考核
現代統計學理論、機器學習方法等的發展為實現高精度的風電預測提供了技術條件，由此湧現出大量基於不同原理的風電預測方法。這些方法具有不同的特點，在性能和適用性方面也存在差異。同時，對於實際運行中的風電預測系統，必須制定嚴格的監督政策和獎罰措施來規範電網調度機構和風電場的預測行為，更好地將預測結果套用於調度運行。因此，需對風電預測模型的性能進行較為全面的評價，並完善監督考核體系以便如實地反映預測系統的運行狀態，進而促進預測精度和算法效率的提高。
風電預測的性能評價
歐盟資助的ANEMOS項目對風電功率預測系統的性能評估制定了相關協定，並對不同國家預測系統的模型性能進行了比較。有研究提出了選擇預測模型的指標，包括風電場特徵、地理位置、數據質量、NWP類型以及氣候條件等。同時，根據地形特徵可將風電場地形分為平坦、複雜、高度複雜以及海上地形。也有研究詳細介紹了對風電功率預測模型性能的規範化評估。首先，明確評估的框架，即裝機容量、樣本數據、更新頻率以及預測範圍等。其次，選擇合適的參考模型，以測試數據計算待評估模型的各項誤差指標，及其相對於參考模型預測誤差的增益和確定係數，以評價待評估模型的誤差水平和準確度分布。最後，採用預測誤差分布直方圖和累計平方預測誤差圖對結果進行統計分析，前者包含了更多有關誤差分散程度的信息，後者可展示模型性能的動態行為。
另外，風電預測性能評價可借鑑負荷預測評價，如分析歷史數據、預測模型和誤差之間的關係，基於統計方法評價負荷變化的規律性；採用DM檢驗判斷不同預測模型之間是否存在顯著差別；建立評價函式，並根據其結果自適應地選擇預測方法等。
風電預測的監督考核
對於運行中的風電預測系統，國外預測技術成熟的國家均建立了相應的政策機制。丹麥國家電網公司每天會從三個不同的氣象預報公司接收4次天預報，再根據風電場傳過來的實時數據來調整風電預測數據，其控制中心要時刻保持對未來24h內風機發電量預測的更新。西班牙國家電網通過溢價機制政策，使電網接納15%以上容量的風電；規定當實際的上網電量與預測的發電量相差比例超過20%時，發電企業需要向電網公司支付超過上網電價數額的罰款;同時對風電場的調度運行情況及其是否滿足併網要求進行考核和獎懲，通過法律政策和經濟措施為風電的調度運行提供保障。
我國最新出台的政策也提出了相應的要求，電網調度機構將對風電場預測預報進行考核並定期發布考核結果，考核指標包括:準確率、合格率和上報率。長期預測準確度差的風電場應按要求整改。電網調度部門也將接受國家能源主管部門和電力監管部門的監督。有文獻對預測系統擴建需要，預測計算時間，月均方根誤差，月可用率，系統平均無故障時間等提出了具體的要求。
國內外關於風電預測的考核標準不盡相同，其中最主要的指標為預測誤差。有文獻提出了一套由橫向誤差、縱向誤差與極端誤差三類指標構成的綜合評價方法，對不同預測方法、不同誤差環節進行了較為全面的評價。
西班牙提前48h的風電預測均方根誤差可以控制在30%以內，提前24h均方根誤差可以控制在15%以內，西班牙國家電網公司的預測精準度約在85%左右。我國最新發布的《風電場功率預測預報管理暫行辦法》中要求風電功率預測系統提供的日預測曲線最大誤差不超過25%，實時預測誤差不超過15%，全天預測結果的均方根誤差應小於20%。由此可見，與歐美風電預測技術發展較為完善的國家相比，我國的風電預測體系仍有待完善，預測精度有待於進一步提高。
結語與展望
結語
從風電預測的相關概念出發，介紹了風電預測的研究進展和套用情況，重點討論了針對風電預測的性能評價以及相關部門的監督考核措施。最後，總結如下：
1)提高數值天氣預報模型的解析度和更新頻率以增加數據的可靠性。
2)考慮原始樣本數據對預測模型的影響，針對不同模型選取合適的輸人數據而達到較好的預測結果。
3)進一步將物理、統計和學習方法進行不同形式的組合，建立預測誤差小、計算效率高的組合預測模型。
4)加強區域、中長期以及極端天氣等特殊條件下的風電預測研究，建立相應的預測模型並提高其預測精度。
5)相關部門需深人研究並制定更加全面且行之有效的預測評價體系和標準，完善對風電場和調度機構相應的監督考核制度，以充分發揮風電預測在電力系統中的指導作用。
展望
未來風力發電技術要從政策規範、發展規劃、技術創新等多方面展開全面研究。今後一段時間內可對下述幾個方面進行深入研究：
短期風功率預測方法在實際套用中存在隨預測時間尺度增大，預測精度出現明顯下滑的現象，甚至出現趨勢預測錯誤的情形。研究適合不同預測場景的預測方法，結合物理預測與統計預測的優點，進一步完善預測理論；
研究適合我國風電發展國情的分散接入方式，給出分散接入的方式、容量、電壓等級，以及分散發展的可靠性研究等；
以風電場出力預測為基礎，建立含風電系統的經濟調度與決策模型，對風電場接入系統的安全、穩定、經濟運行具有重大意義，有待更進一步的深入研究；
建立健全風電調度管理體系，打破傳統的垂直化管理體系，實現調度信息指令的互動化，以便實時調整風電調度策略，最大化接納風資源。
