風電場風功率實時預測效果綜合評價方法

嚴干貴,宋薇，楊茂，王東，熊昊

（東北電力大學微通電力系統研究室，吉林吉林132012）

風電聯網是實現風能大規模開發利用的有效途徑，是解決能源和環境問題的現實選擇，受到世界各國廣泛關注，多年來保持較快速度發展[1]。截至2011年底，中國風電累計并網裝機容量突破4700萬kW，較2010年同比增長45%。

風電機組受自然風能驅動，其輸出功率取決于自然近地風力，具有波動性、隨機性和間歇性。因此，風電的并網運行增加了電力系統不可控的發電功率，對電力系統維持發電功率與負荷功率供需平衡產生不利影響[2-4]，威脅電力系統的安全、穩定運行。

風電功率預測是指采用一定數學方法提前對未來一段時間內風電場發電有功功率進行分析預報。提高風電功率預測精度是改善含大規模風電電力系統安全經濟性運行的重要措施之一[5-6]。風電功率實時預報是指自上報時刻起未來15 min至4 h的預測預報。

多年來，國內外學者對風電功率預測理論做了大量研究，提出了多種預測方法[7-11]。由于風電功率波動受地形、地貌、天氣及風電場運行狀態影響，預測算法難以準確反映風電場的輸出功率波動特性，不可避免地存在預測誤差[12-15]。因此，如何對所產生的誤差進行有效評價，尋找能最大程度上反映風電場風電功率波動特性的預測模型，是風電功率預測中具有重要實用價值的問題。

本文以幾種常用的風電功率預測方法為例，利用吉林省某風電場的實際歷史輸出功率數據，對未

Project Supported by National Natural Science Foundation of China:New Theoretical Framework and Its Key Technology of Spatial Load Forecasting for Urban Power System（NSFC51177009）；Project Supported by National Natural Science Foundation of China:the Research on Power Network Collaborative Modeling and Stationary Control of the Power System Including Wind Farms（60934005）;Project Supported by National Natural Science Foundation of China:the Study on Spill out Effect Inhibition of Wind Farm Group Power Control Strategy(50877009).來輸出功率進行實時預測，目的在于結合風電功率的波動特性、風電場實際運行管理需求及能源局相關管理規定，提出一種對不同預測方法預測結果的統一評價指標。該指標的提出，不僅可以評價預測模型的優劣，還為不同地區風電場根據該地區風電輸出功率變化的特點，選擇預測模型提供了依據，從而結合實際風電并網需求對預測模型進行擇優和改進，得到更好的預測效果，將預測結果充分運用到風電聯網運行的生產實際中去，同時，該指標的提出也為風電場輸出功率預測效果提供了工程檢驗依據。

1 風電功率預測模型評價方法

1.1 常用風電功率預測評價指標及存在問題

風電輸出功率預測是對未來輸出功率的一種估算，它與客觀實際仍存在一定差距，該差距即預測誤差[15]。一般地，預測系統的絕對誤差Ei定義為

式中，PMi表示i時刻實際功率；PPi表示i時刻預測功率。

通常情況下，多數風電功率預測系統使用平均相對誤差MRE（Mean Relative Error）作為預測效果的評價依據，具體定義如式（2）所示

工程上還采用均方根誤差RMSE（Root Mean Squared Error）對系統預測誤差做出定量分析，其具體定義式如式（3）所示

式中，Pcap為風電場開機容量。

其他描述誤差的指標還有絕對值平均誤差MAE（Mean Absolute Error），其定義如式（4）所示，均方誤差MSE（Mean Squared Error）如式（5）所示。

以上誤差指標均為目前應用較廣泛的系統誤差評價依據，多數實際工程研究應用了其中1種或2種組合評價指標，但僅在計算后數值的大小上比較判斷預測系統的優良，未深入研究該指標所反映出的實際工程意義。另外，現有預測評價指標皆從誤差角度出發，單一評價預測模型的優劣，并未結合風電場實際預報需求，提出相關指標指導實際運行生產中發電計劃的安排和實時調度。

1.2 多指標風電功率預測模型評價方法

本文提出的多指標風電功率預測系統評價方法，從實際工程應用角度出發，結合誤差評價指標與預報考核指標，分析評價不同風電預測模型的預測結果。該方法不僅涵蓋了原有對系統誤差的分析，而且包括了風電場所需的預報考核考核指標，滿足《風電場功率預測預報管理辦法》。

1.2.1 誤差評價指標

1）絕對值平均誤差MAE（Mean Absolute Error），MAE是對誤差平均幅值的綜合評價，與MRE相比，不受某一時刻風電輸出功率波動的影響。MRE的計算需要將誤差與對應時刻的真實值做比值以考慮系統的預測精度，該誤差指標雖然已在負荷預測及風電功率預測中廣泛應用，但在實際并網的風電場的風電功率預測中，其實際可參考性仍有待商榷。由于風電場在實際運行中，風電輸出功率具有極強的波動性和間歇性，因而實際風電機組出力某一時刻可能接近0，導致EMRE過大，無法反應出預測結果偏離實際值的平均程度，此時用MRE來衡量風電功率預測系統精度就會失去其原有實際意義[16]。

2）均方根誤差RMSE（Root Mean Squared Error），RMSE常用來衡量預測系統誤差的分散度，從本質上評價了預測系統的整體性能。但一般不會單獨作為誤差的衡量指標。因此，在評價預測模型誤差時與MAE結合考慮，作為對預測系統模型長期運行狀態的“宏觀”評價。

1.2.2 預報考核評價指標1）準確率。文獻[7]中將準確率定義如式（6）所示

式中，r1為預測曲線準確率；Pmk為k時段的實際平均功率；Ppk為k時段的預測平均功率；N為日考慮總時段數；Pcap為風電場開機容量，但在風電場實際運行中，開機容量根據當日發電計劃變化而變化，難以準確計算，本文采用額定裝機容量來替代。月（年）平均風電預測計劃曲線準確率（%）為日平均預測計

劃曲線準確率的算術平均值。

2）合格率。文獻[7]中將準確率定義如下月（年）平均風電預測計劃曲線合格率（%）為日平均預測計劃曲線合格率的算數平均值。

以上評價指標可分為誤差評價指標和預報考核指標2大類，誤差評價指標主要包含絕對值平均誤差MAE和均方根誤差RMSE，通過對比不同預測系統計算出的MAE和RMSE，可以判斷出系統預測效果的好壞及誤差產生原因。預報考核指標主要包括準確率與合格率，首先，提出此指標的目的在于判斷某一預測系統是否滿足實際風電場并網對預報系統預報結果的相應要求；其次，預報考核指標也有助于結合風電場實際并網需求在不同預測模型中進行篩選，即先篩選出預測結果準確率較高的預測模型，再通過對比合格率的高低找出最優預測模型。當預測準確率普遍較低時，也可以通過以上方法實現不同預測模型間的擇優。與此同時，相關部門可以根據該指標對不同風電場是否滿足并網要求進行調度。

綜上所述，通過以上2類指標對不同預測系統預測結果的綜合評價，最終實現對預測系統的擇優并提出改進意見，具體流程如圖1所示。

圖1 風電功率預測系統評價流程圖Fig.1 The flow chart of wind power prediction system evaluation

2 不同預測模型多指標分析

2.1 樣本系統簡介

圖2為吉林某風電場2012年1月6日至2012年1月31日，共計26 d的歷史輸出功率數據P的觀測數據，該序列采樣時間分辨率滿足國家能源局規定標準15 min/個，共2496個點。取2012年1月6日前15點數據作為超短期預測模型建模域，以線性回歸法、建模域均值法及灰色理論法為例，分別對該風電場進行提前4 h的超短期風電功率預測。以2012年1月6日0:00時刻為起始點，預測未來16個點的輸出功率結果如圖3所示。

圖2 吉林某風電場2012年1月6日至2012年1月31日歷史輸出數據Fig.2 Historical data output of Jilin from Jan.62012 to Jan.312012

圖3 吉林某風電場實時預測（4 h）預測曲線Fig.3 Forecast curve of a wind farm in Jilin(4 h)

實時預報（0～4 h）要求并網風電場按規定要求每15 min滾動上報未來15 min至4 h的風電功率預測數據，進而可以根據該數據實時滾動修正日預測曲線。當第n（n≤96）次滾動上報實時預測曲線時，表明實時預測曲線已對該日日預測曲線修正n次。圖4為n=48時實時預測曲線與前48次修正的日預測曲線；當n=96時，該日96組實時預測數據修正的最終日預測曲線如圖5所示，為整體觀察不同預測模型的實時預測效果，圖6給出了2012年1月6日至2012年1月12日為期7 d共計672次修正的實時預測曲線。

2.2 風電場輸出功率預測的評價

2.2.1 預測誤差評價指標分析

圖4 2012年1月6日,n=48時實時預測曲線與修正后的日預測曲線Fig.4 The real-time and corrected daily prediction curve at n=48 on Jan.62012

圖5 2012年1月6日,n=96時滾動實時預測數據最終修正的日預測曲線Fig.5 The corrected daily prediction curves at realtime at n=96 on Jan.62012

圖6 2012年1月6日～2012年1月31日滾動實時預測數據最終修正的日預測曲線Fig.6 The corrected daily prediction curves at realtime from Jan.62012 to Jan.312012

采用線性回歸法、建模域均值法及灰色理論法對該風電場2012年1月6日的輸出功率進行實時預測，圖7和圖8給出了3種方法的整日實時預測的MAE和RMSE指標變化曲線，表1為該日0:00開始每隔4 h抽取的實時預測MAE和RMSE、全天96次及26 d實時滾動預測誤差指標的平均值E軍、E軍e。

圖8 2012年1月6日不同方法的實時預測均方根誤差Fig.8 Real-time prediction RMSE using different methods

表1 不同方法預測誤差指標對比Tab.1 Error index comparison using different prediction methods

從圖7、圖8可以看出，同一種預測方法的MAE和RMSE指標變化趨勢基本一致，明顯看出基于灰色理論法的風電功率預測模型預測結果的MAE和RMSE曲線幅值波動非常大，基于建模域均值法和線性回歸法的誤差指標變化曲線雖形狀不盡相同，但曲線波動范圍大概一致。結合表1具體預測結果的誤差指標可知，基于灰色理論法的預測系統在單點處預測效果不穩定，預測的誤差平均幅值偏大，且誤差出現點分散度大，從而影響了該方法的預測精度；基于線性回歸法的預測系統誤差波動范圍要小于其余2種預測系統，因而該預測系統的預測精度較高。

2.2.2 預報考核指標分析

3種方法的準確率及合格率如圖9、圖10及表2所示。基于灰色理論法的預測系統預報考核指標波動幅度較大，不滿足并網要求；建模域均值法及線性回歸法預測系統相對穩定，且建模域均值法預測系統的預報合格率略高于線性回歸法預測模型。結合表1和表2可以發現，雖然r22＞r23，但是EMAE＜EMAE，ERMSE2＜ERMSE2,即建模域均值法誤差波動范圍較大，個別“壞點”影響了整個系統的預測精度，雖合格率高，但預測效果卻不及線性回歸法的預測系統，若將個別“壞點”做處理，預測精度會有進一步提高；同理，若能將線性回歸法的預測誤差進一步修正，預測性能也會有顯著提高。

圖9 不同方法預測結果準確率Fig.9 The accuracy of different predicted methods

圖10 不同方法預測結果合格率Fig.10 The pass rate of different predicted methods

表2 不同方法預報考核指標對比Tab.2 Forecasting evaluation indicators of different prediction methods

通過3種預測模型的評價指標對比分析可以看出，線性回歸法預測模型的實時預測效果最好，精度最高，建模域均值法預測效果次之。說明本文提出的預測系統評價指標實現了對不同預測系統的綜合評價及其擇優，具有一定推廣價值。

3 結語

本文提出了一種風電實時預測評價方法，該方法從對預測結果的誤差綜合分析出發，兼顧了實際風電場并網運行中對預測結果準確度及合格度的考核指標，并對相應預測方法提出了改進意見。實測數據算例表明，該評價方法有助于預測方法本身的優化改進和不同預測方法間的正確性評價。

[1]郭劍波．未來我國電網呈現三大特點[EB/OL]．(2011-5-20)[2011-7-30].http://finance.jrj.com.cn/industry/2011/05/20151810018755.shtml．

[1]谷興凱，范高峰，王曉蓉，等．風電功率預測技術綜述[J]．電網技術，2007，31（2）：335-338．GU Xing-kai，FAN Gao-feng，WANG Xiao-rong，et al．Summ-arization of wind power prediction technology[J]．PowerSystemTechnology，2007，31（2）：335-338(inChiese)．

[2]吳俊，李建設，周劍，等．風力發電并網對電網的影響[J]．南方電網技術，2010，4（5）：48-52．WU Jun，LI Jian-she，ZHOU Jian，et al．Influence of wind power generation integrating into power grids[J]．Southern Power System Technology，2010，4（5）：48-52(in Chinese)．

[3]張麗英，葉廷路，辛耀中，等．大規模風電接入電網的相關問題及措施[J]．中國電機工程學報，2010，30（25）：1-9．ZHANG Li-ying，YE Ting-lu，XIN Yao-zhong，et al．Problems and measures of power grid accommodating large scalewindpower[J]．ProceedingsoftheCSEE，2010，30（25）：1-9(in Chinese)．

[4]余洋，陳盈今，劉立卿，等．大規模風電接入電網電壓穩定性影響[J]．電力科學與工程，2010，26（4）：1-4．YU Yang，CHEN Ying-jin，LIU Li-qing，et al．The study of large scale wind power on power system voltage stability[J]．Electric Power Science and Engineering，2010，26（4）：1-4(in Chinese)．

[5]王健，嚴干貴，宋薇．風電功率預測綜述[J]．東北電力大學學報，2011，31（3）：21-22．WANG Jian，YAN Gan-gui，SONG Wei．Summarization of wind power prediction technology[J]．Journal of Northeast Dianli University，2011，31（3）：21-22(in Chinese)．

[6]屠強．風電場預測技術的應用現狀及運行建議[J]．電網與清潔能源，2009，25（10）：4-9．TU Qiang．Existing applications of wind power forecasting technology and relevant suggestions[J]．Power System and Clean Energy，2009，25（10）：4-9(in Chinese)．

[7]王麗捷，冬雷，廖曉鐘．基于小波分析的風電場短期發電功率預測[J]．中國電機工程學報．2009，29（28）：30-33．WANG Li-jie，DONG Lei，LIAO Xiao-zhong．Short-term powerpredictionof a wind farm based on wavelet analysis[J]．Proceedings of the CSEE．2009，29（28）：30-33(in Chinese)．

[8]孟洋洋，盧繼平，孫華利，等．基于相似日和人工神經網絡的風電功率短期預測[J]．電網技術，2010，34（12）：164-167．MENG Yang-yang，LU Ji-ping，SUN Hua-li，et al．Shortterm wind power forecasting based on similar days and artificial neural network[J]．Power System Technology，2010，34（12）：164-167(in Chinese)．

[9]葉晨．風電功率組合預測研究[D]．北京：華北電力大學，2011．

[10]連文莉，黃成辰，呂昌霖．采用時間序列預測風電場出力[J]．電網與清潔能源，2011，27（12）：112-115．LIAN Wen-li，HUANG Cheng-chen，Lü Chang-lin．Wind power output prediction based on time series[J]．Power SystemandCleanEnergy，2011，27（12）：112-115(inChinese)．

[11]丁明，張立軍，吳義純．基于時間序列分析的風電場風速預測模型研究[J]．電力自動化設備，2005，25（28）：32-34．DING Ming，ZHANG Li-jun，WU Yi-chun．Wind speed forecastmodelfor wind farm based on time series analysis[J]．Electric Power Automation Equipment，2005，25（28）：32-34(in Chinese)．

[12]范高峰，裴哲義，辛耀中．風電功率預測的發展現狀與展望[J]．中國電力，2011，44（6）：38-41．FAN Gao-feng，PEI Zhe-yi，XIN Yao-zhong．The development status and prospect of wind power prediction[J]．Electric Power，2011，44（6）：38-41(in Chinese)．

[13]楊桂興，常喜強，王維慶，等．對風電功率預測系統中預測精度的討論[J]．電網與清潔能源，2011，27（1）：67-71．YANG Gui-xing，CHANG Xi-qiang，WANG Wei-qing，et al．Discussions on prediction accuracy of wind power forecasting system[J]．Power System and Clean Energy，2011，27（1）：67-71(in Chinese)．

[14]陳國棟，姚建剛，錢衛華，等．基于誤差預測修正的負荷預測研究[J]．現代電力，2007，24（3）：11-15．CHEN Guo-dong，YAO Jian-gang，QIAN Wei-hua，et al．Research on load forecasting based on predicted error amendment[J]．Modern Electric Power，2007，24（3）：11-15(in Chinese)．

[15]徐曼，喬穎，魯宗相．短期風電功率預測誤差綜合評價方法[J]．電力系統自動化，2011，35（12）：20-26．XU Man，QIAO Ying，LU Zong-xiang．A comprehensive error evaluation method for short-term wind power prediction[J]．Automation of Electric Power System，2011，35（12）：20-26(in Chinese)．