[科普中国]-风电功率预测技术

背景

随着风力发电技术日臻成熟，风电单机容量和并网型风电场规模不断扩大，风电占电力系统发电总量的比例也逐年增加。风电场穿透功率不断加大，给电力系统带来的一系列问题日益突出，严重威肋、电力系统安全、稳定、经济、可靠运行。对风电功率进行及时准确的预测，可以显著增强电力系统的安全性、稳定性、经济性和可控性。

近年来广大学者对风电功率预测方法进行了广泛研究，有文献对各风电功率预测方法进行了综述，归纳总结了风电功率预测的方法分类，但未详细介绍组合预测方法和区域预测方法，且未明确给出各方法的优缺点及应用范围，仍存在一定局限性。本文在上述文献基础上，对风电功率预测方法进行了更为系统分类，包括组合预测方法和区域预测方法，并分析给出各方法的优缺点及适用场合，同时针对目前风电功率预测存在的一些问题，提出相应改进措施，为风电功率预测进一步研究和发展提供参考，具有重要意义1。

不同分类形式的风电预测基本概念基于时间尺度的分类根据预测时间的长短，风电预测一般可分为超短期预测、短期预测、中期预测和长期预测。目前研究主要集中于短期和超短期尺度内，前者可安排机组组合和发电计划，后者主要用于电力系统实时调度。受各种不确定因素影响，中长期尺度的风电预测研究相对较少，其主要用于制定风电场、热电机组以及电力系统的检修计划。

时间尺度的划分通常受到用户需求、技术和管理条件以及预测可行性等因素的影响，因此时间尺度的划分在不同国家和地区的标准并不统一。我国的最新规定如下:预测的时间分辨率为15min，超短期预测要求滚动预测未来0-4h的风电输出功率；短期预测则要求预测次日0时起3天的风电功率。

基于空间范围的分类根据预测空间范围的不同，可将风电预测分为单机预测、单风电场预测和区域风电场预测。我国的最新要求如下:单个风电场的预测系统应能预测其自身的输出功率，电网调度机构的预测系统应能预测其调度区域的风电功率。

通常来说，某一区域内的风电场具有相似的气象条件，风电功率之和能够反映区域内气象变化的总体规律，这为区域风电预测提供了有效的途径，有利于实现电网调度部门的控制和优化调度。

基于建模对象的分类从建模对象来区分，风电预测包括基于风速和基于风电功率两种预测方法。基于风速的预测方法针对单个风机，根据风速模型预测出其附近的风速，再利用风机功率曲线计算出实际输出风电功率。而基于风电功率的预测方法则不考虑风速的变化过程，采用统计或学习方法，利用历史功率时间序列建立模型，对风电功率进行预测。

基于风速预测模型由于受到测量塔安装限制不能得到风电场中所有风机处准确的风能信息，加之风机风速和风电功率之间存在非线性关系，使得风速预测值微小误差将产生较大的功率值误差。

短期预测时，基于风电功率的预测方法将风电场中所有风机的电压和电流数据作为输人信号，即风电功率预测模型输人数据的信息更加全面，从而在降低数据采集成本的同时可提高预测精度。

基于预测模型的分类根据风电功率预测模型的不同可分为物理方法、统计方法、学习方法以及上述模型组合方法。

物理方法根据风电场周围等高线、粗糙度、障碍物、气压、气温等信息，采用数值天气预报(NWP)模型预测风速，通常将其结果作为其他统计模型的输人量或用于新建风电场的功率预测。

统计和学习方法通常不考虑风速变化的物理过程，而是在历史统计数据与风电场输出功率之间建立一种映射关系进行预测。这类方法的预测精度随预测时间的增加而下降，故多用于短期预测。常见的统计和学习方法包括卡尔曼滤波法，人工神经网络法，小波分解法，支持向量机法、概率预测法，混沌预测法等2。

组合方法利用不同模型提供的信息并发挥各自优势，选择合适的加权平均形式得到组合预测模型。组合形式通常包括物理和统计方法的组合、短期和中期预测模型的组合以及统计模型之间的组合与单一模型预测相比，采用组合方法的风电预测可减少较大误差的出现，使精度有所提高。

风电预测系统与理论研究现状国外风电预测现状国外风电预测研究起步较早，丹麦、西班牙、德国、美国等国家的风电预测技术已较为成熟，各国研究出的风电预测系统均已投人运行。

欧盟资助的“SafeWind”项目针对极端天气情况的风电功率预测从不同时间和空间尺度开展研究。与陆地风电场相比，海上风电场的地形较为平坦、光滑，其风速和热效应变化相对敏感，且现有的预测模型多针对于陆地风电场，因此建立合适的海上风电场预测模型有待于进一步研究3。

最新的理论研究中，相关研究计算了区域和单个风电场的风电功率预测的误差，分析发现误差的减小取决于区域的大小，利用空间平滑效应预测区域风电功率提供了一种减小误差的新思路。也有研究将一种时间自适应的quantile-copula方法应用于风电功率概率预测，并且讨论了如何选取对不同变量建模的核函数。另外有研究首先将风速序列进行小波分解，并对各分解信号采用自适应小波神经网络进行回归预测，再通过前馈神经网络将风速预测值转化风电功率预测值。有文献将风机数据和数值天气预报数据转化为风速向量，通过多个观察点预测风速和风向，再将风速预测值通过功率曲线转换成风电功率预测值。

国内风电预测现状我国风电功率预测系统的研究机构主要包括:中国电力科学研究院、中国气象局国家气象中心、华北电力大学、金风科技股份有限公司等，同时我国也与德国太阳能研究所(ISET )、丹麦Rise国家实验室以及挪威WindSim公司开展了国际合作。有研究建立了以数值天气预报为基础，基于人工神经网络的风电功率预测系统，并应用于吉林电网调度中心，该系统具有良好的人机界面，实现了与能

量管理系统((EMS)的无缝连接。也有文献提出一种基于数值天气预报以及人工神经网络的混合型风能预测系统，该系统能够依据特定风电机组或风场的发电量的历史数据对输出数据进行修正4。

为进一步提高预测精度，国内学者在预测模型和算法等方面进行了深人的理论研究。利用粗糙集理论分析影响风速预测的主要因素，将其作为中长期风速预测模型的附加输人，建立粗糙集混沌神经网络预测模型。有文献通过兼顾准确性和效率两方面，利用WRF中尺度数值预报模式选择合适的网格分辨率对风电场风速进行预测。

风电功率预测存在的问题及改进方法风电功率预测存在的问题目前风电功率预测的最大问题是预测误差较大，导致各预测方法的实用性大大降低。分析整个过程的误差来源，大致分为以下几个方面5。

(1)风速风电功率输入数据序列误差

风能波动性致使输入数据序列的规律性较弱，给模型建立及预测结果的准确度带来很大影响。另外，风能本身的随机性，使错误数据不易辨别剔除，导致预测结果误差增大。

(2)预测模型精度误差

(3)功率特性曲线拟合准确度误差

特别是基于风速预测方法，风机的实际运行特性受诸多因素影响，风机的开启停机都会对实际输出功率产生影响。

(4)输入数据单一

当前很多预测方法都只将风速或风电功率单一变量作为输入数据，但风能还受周围环境因素、物理因素等影响，势必会给预测带来一些偏差。

(5)气象信息采集不够准确

我国还没有完善的专门用于风电功率预测的气象预报系统，目前己开发的辅助风电功率预测的数值天气预报系统，积累的历史数据较少，没有经过人为修正，误差较大。另外，每个风电场配置的气象信息采集装置数量有限，不能全面反映每个风机实际的运行环境信息，有一定误差。

(6) SCADA数据采集与监视环节引入误差

除上述预测误差较大问题外，还存在没有一个明确优劣评价体系的问题，目前应用较多的是平均绝对误差评价方法，但是其大小不能完全反映预测方法的优劣，对于某一预测方法，平均绝对误差可能不大，但其中个别误差较大点可能会给电力系统带来难以承受的冲击，使风电功率预测系统失去预测价值。

风电功率预测改进方法(1)提高输入数据的规律性。

(2)提高输入数据的准确性，剔除奇异值，减少较大误差点的出现。

(3)选择合适预测方法。应用小波分析、神经网络、混沌理论等多种智能方法进行建模，综合各方法所使用的信息和优势，减小预测误差。

(4)提高风电功率曲线参数拟合准确性。

(5)充分考虑风向、空气密度、大气湿度等因素，增加输入信息量，减小预测偏差。

(6)加强数值天气预报系统建设。对己有的气象信息预报模型，可将多个模型组合起来进行预报，有效克服恶劣天气时出现较大偏差。改善数值天气预报系统的分辨率，减小气象信息数据误差。

(7)提高在线监测系统的普及度和准确度。

(8)实行区域风电功率预测。

(9)缩短数据采集时段，收集比较密集的风速风电功率时间序列。充分利用风能的自相关J险，减小突变点误差。

(10)进行概率区间预测。给出预测值的一个范围，并给出其概率分布，有效弥补单点预测在风速波动明显时精度较低的不足。

(11)借鉴其他研究领域(如负荷预测)的预测方法，改善预测模型，提高预测性能。

(12)制订明确的风电功率预测性能评价体系，充分考虑预测结果的偏差大小、波动大小等问题，结合预测模型的精度、效率、成本等实用价值，综合评价某种预测方法的优劣。

风电预测的性能评价和监督考核现代统计学理论、机器学习方法等的发展为实现高精度的风电预测提供了技术条件，由此涌现出大量基于不同原理的风电预测方法。这些方法具有不同的特点，在性能和适用性方面也存在差异。同时，对于实际运行中的风电预测系统，必须制定严格的监督政策和奖罚措施来规范电网调度机构和风电场的预测行为，更好地将预测结果应用于调度运行。因此，需对风电预测模型的性能进行较为全面的评价，并完善监督考核体系以便如实地反映预测系统的运行状态，进而促进预测精度和算法效率的提高6。

风电预测的性能评价目前，欧盟资助的ANEMOS项目对风电功率预测系统的性能评估制定了相关协议，并对不同国家预测系统的模型性能进行了比较。有研究提出了选择预测模型的指标，包括风电场特征、地理位置、数据质量、NWP类型以及气候条件等。同时，根据地形特征可将风电场地形分为平坦、复杂、高度复杂以及海上地形。也有研究详细介绍了对风电功率预测模型性能的规范化评估。首先，明确评估的框架，即装机容量、样本数据、更新频率以及预测范围等。其次，选择合适的参考模型，以测试数据计算待评估模型的各项误差指标，及其相对于参考模型预测误差的增益和确定系数，以评价待评估模型的误差水平和准确度分布。最后，采用预测误差分布直方图和累计平方预测误差图对结果进行统计分析，前者包含了更多有关误差分散程度的信息，后者可展示模型性能的动态行为。

另外，风电预测性能评价可借鉴负荷预测评价，如分析历史数据、预测模型和误差之间的关系，基于统计方法评价负荷变化的规律性；采用DM检验判断不同预测模型之间是否存在显著差别；建立评价函数，并根据其结果自适应地选择预测方法等。

风电预测的监督考核对于运行中的风电预测系统，国外预测技术成熟的国家均建立了相应的政策机制。丹麦国家电网公司每天会从三个不同的气象预报公司接收4次天预报，再根据风电场传过来的实时数据来调整风电预测数据，其控制中心要时刻保持对未来24h内风机发电量预测的更新。西班牙国家电网通过溢价机制政策，使电网接纳15%以上容量的风电；规定当实际的上网电量与预测的发电量相差比例超过20%时，发电企业需要向电网公司支付超过上网电价数额的罚款;同时对风电场的调度运行情况及其是否满足并网要求进行考核和奖惩，通过法律政策和经济措施为风电的调度运行提供保障。

我国最新出台的政策也提出了相应的要求，电网调度机构将对风电场预测预报进行考核并定期发布考核结果，考核指标包括:准确率、合格率和上报率。长期预测准确度差的风电场应按要求整改。电网调度部门也将接受国家能源主管部门和电力监管部门的监督。有文献对预测系统扩建需要，预测计算时间，月均方根误差，月可用率，系统平均无故障时间等提出了具体的要求。

目前，国内外关于风电预测的考核标准不尽相同，其中最主要的指标为预测误差。有文献提出了一套由横向误差、纵向误差与极端误差三类指标构成的综合评价方法，对不同预测方法、不同误差环节进行了较为全面的评价。

目前，西班牙提前48h的风电预测均方根误差可以控制在30%以内，提前24h均方根误差可以控制在15%以内，西班牙国家电网公司的预测精准度约在85%左右。我国最新发布的《风电场功率预测预报管理暂行办法》中要求风电功率预测系统提供的日预测曲线最大误差不超过25%，实时预测误差不超过15%，全天预测结果的均方根误差应小于20%。由此可见，与欧美风电预测技术发展较为完善的国家相比，我国的风电预测体系仍有待完善，预测精度有待于进一步提高。

结语与展望结语从风电预测的相关概念出发，介绍了风电预测的研究进展和应用情况，重点讨论了针对风电预测的性能评价以及相关部门的监督考核措施。最后，总结如下：

1)提高数值天气预报模型的分辨率和更新频率以增加数据的可靠性。

2)考虑原始样本数据对预测模型的影响，针对不同模型选取合适的输人数据而达到较好的预测结果。

3)进一步将物理、统计和学习方法进行不同形式的组合，建立预测误差小、计算效率高的组合预测模型。

4)加强区域、中长期以及极端天气等特殊条件下的风电预测研究，建立相应的预测模型并提高其预测精度。

5)相关部门需深人研究并制定更加全面且行之有效的预测评价体系和标准，完善对风电场和调度机构相应的监督考核制度，以充分发挥风电预测在电力系统中的指导作用。

展望未来风力发电技术要从政策规范、发展规划、技术创新等多方面展开全面研究。今后一段时间内可对下述几个方面进行深入研究：

短期风功率预测方法在实际应用中存在随预测时间尺度增大，预测精度出现明显下滑的现象，甚至出现趋势预测错误的情形。研究适合不同预测场景的预测方法，结合物理预测与统计预测的优点，进一步完善预测理论；

研究适合我国风电发展国情的分散接入方式，给出分散接入的方式、容量、电压等级，以及分散发展的可靠性研究等；

以风电场出力预测为基础，建立含风电系统的经济调度与决策模型，对风电场接入系统的安全、稳定、经济运行具有重大意义，有待更进一步的深入研究；

建立健全风电调度管理体系，打破传统的垂直化管理体系，实现调度信息指令的交互化，以便实时调整风电调度策略，最大化接纳风资源。