電池儲能系統在跟蹤風電計劃出力中的需求分析

靳文濤，李 蓓，謝志佳

（中國電力科學研究院，北京 100192）

盡管風力機控制技術水平不段提高，然而隨著大規模風力發電接入電力系統，其間歇性、波動性對電力系統的影響愈發顯著[1-2]，影響電能質量和電力系統的穩定運行。2011年7月國家能源局下發了《風電場功率預測預報管理暫行辦法的通知》（國家能源[2011]177號文件），并制定了《風電場功率預測預報管理暫行辦法》（以下簡稱《辦法》），《辦法》規定“所有并網運行的風電場均應具備風電功率預測預報能力，并按要求開展風電功率預測預報”。具有風電功率預測系統的風電場需向電網調度部門提供發電功率預報信息，并用于電力系統實時調度[3]，提高風力發電上網小時數額[4]，并有助于負荷和發電機組控制策略的優化[5]。目前風電功率預測技術仍存在預測誤差大的問題[6-9]，若電網調度部門按風電預測曲線安排發電計劃將對系統備用容量提出挑戰。電池儲能技術憑借其易于擴容、響應快速、循環使用壽命長等特性，在風力發電領域的應用逐漸擴大，并主要集中于平滑風電出力波動、跟蹤風電計劃出力等應用場合[10-13]，其中，后者作為提高風電并網應用能力的有效輔助手段，成為當前研究的新熱點。目前，國內外均已針對風電功率預測技術展開多項研 究[14-19]，但基于風儲聯合應用提出改善風電跟蹤計劃出力能力的研究成果仍鮮見公開報道?；谒憷L電場風力機的歷史運行數據和預測數據，綜合考慮預測誤差評價指標和風電場預報考核指標，對算例風電場預測數據進行誤差統計分析，提出利用電池儲能系統（battery energy storage system，BESS）改善風電跟蹤計劃出力能力的應用方法，通過控制電池儲能系統的輸入/輸出功率，使風儲聯合出力在一定允許范圍內接近風電功率預測曲線（或風電調度計劃出力曲線），從而提高可再生能源輸出的可調度能力和輸出可信度，減輕風電對電網的影響，提高電力系統運行的經濟性。

1 風電功率預測要求及考核指標

風電功率預測受到預測算法、天氣、風電場運行狀態等多種因素影響，不可避免存在預測誤差。為保證風電順利并網和電力系統安全運行，《辦法》規定風電場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（root mean square error，RMSE）應小于20%。該辦法制定的目的在于判斷某一預測系統是否滿足實際風電場并網運行的預報技術要求。

根據《辦法》要求，風電場功率預報考核指標包括準確率與合格率，相關定義如下。

（1）預測誤差 各數據點實際風電功率值與風電預測功率值的誤差，計算方法見式（1）。

（2）日預測曲線最大誤差日考核總時段數（96 點-免考核點數）內所有數據點的最大預測誤差即為日預測曲線最大誤差。

（3）準確率 計算方法見式（2）。

（4）合格率 計算方法見式（3）。

其中

式中，iε 為預測誤差，wiP 為i 時刻實際風電功率值；fiP 為i 時刻的預測功率值；Cap 為風電場開機容量；1r 為預測計劃曲線準確率；N 為日考核總時段數（取96 點-免考核點數）；mkP 為k 時段實際平均功率；pkP 為k 時段的預測平均功率。

2 預測誤差分析

選取算例風電場（共計33 臺風力機，單機裝機容量為1.5 MW，總裝機容量為49.5 MW）連續317 d 的風電歷史運行數據和預測數據（基于短期預測技術獲?。┻M行統計分析。圖1 給出了樣本數據的波形分布圖。

由圖1 可以看出風電輸出的實際功率和預測數據之間存在顯著差異，為便于消減誤差，基于概率統計學對所有樣本數據點的偏差進行分析，并總結其概率分布特征。該風電場預測數據的預測誤差和日最大預測誤差統計結果如圖2所示。由預測誤差和日最大預測誤差的概率分布可以看出不是所有數據點可以滿足國家標準中日預測最大誤差小于25%的要求。為進一步量化不滿足《辦法》要求的概率，將以5%為步長，分別統計落在各誤差區間的概率，如圖3所示。

圖1 風電場預測和實際功率數據曲線Fig.1 The wind farm’s forecast and actual power curves

圖2 預測誤差和日預測最大誤差Fig.2 Forecast error and maximum daily forecast error

由圖2 可以看出其中有部分數據點不滿足國家標準中對日預測最大誤差小于25%的要求。將預測/日預測最大誤差分為誤差間隔為5%的20個區間，統計得到誤差落在各區間的概率。

圖3 預測誤差/日預測最大誤差的概率分布Fig.3 Probability distributions of prediction error and maximum daily forecast error

由圖3(a)預測誤差的概率分布圖可以看出，隨預測誤差值的增大，落在該誤差范圍內的數據所占的百分比隨之減小，即說明該預測數據的誤差基本集中在小誤差范圍內；由圖3(b)日預測曲線最大誤差可以看出，該預測數據中存在有部分日最大預測誤差超出國家標準中日最大預測誤差<25%的要求；分別對預測誤差和日預測最大誤差各個誤差段的概率進行累計概率密度統計，其結果分別如圖4(a)、(b)所示。

圖4 累計概率密度曲線Fig.4 Cumulative probability density curves

預測誤差<25%的數據點占全部數據點的88.3%，存在數據點不滿足日最大預測誤差<25%的《辦法》要求。符合《辦法》要求中日最大預測誤差<25%的概率僅占43.5%，顯然，不滿足要求的概率超過50%。

基于日考核總時段數中的96個數據點，當有且僅有一個數據點超出預測誤差<25%要求時，則該日不滿足《辦法》要求。若以日為考核周期，即以每96 點為一個統計單位，樣本數據中日預測最大誤差>25%的概率占56.2%；而若以連續317 天的所有樣本數據點為統計單位，則超出《辦法》要求的概率僅占11.7%，如圖5所示，而這正是引入電池儲能技術后，電池儲能系統所需提供服務的對象。即通過風電預測功率數據的誤差統計知，借助電池儲能技術提高風電跟蹤計劃出力能力，對電池儲能系統而言能夠滿足其技術能力需求，因此該應用方向具有一定實用價值。

圖5 預測誤差與日預測最大誤差滿足率對比Fig.5 Comparison of satisfaction rate between prediction error and maximum daily forecast error

另外，為了衡量預測系統誤差的離散度，可對風電場預測數據全天預測結果的均方根誤差進行統計，圖6為其統計結果?！掇k法》要求風電功率預測數據的均方根誤差應<20%，算例風電場的風電功率預測數據全天預測結果均方根誤差<20%的數據點占數據點總數的78.5%，即有21.5%的數據點不滿足要求。

圖6 預測結果的均方根誤差Fig.6 The RMSE of prediction results

根據《辦法》規定，將通過計算風電場預測數據的準確率與合格率考核其預報能力，基于算例風電場的樣本數據統計結果如圖7所示，可以看出，該風電場的預測數據準確率與合格率較高，但仍未100%滿足《辦法》要求。

圖7 準確率和合格率Fig.7 Accuracy rate and qualified rate

為使風電場實際風電功率符合其上報的日發電計劃，需通過一定技術手段減小預測誤差。而基于現有預測技術水平，通過引入電池儲能技術將有效彌補風儲合成出力與風電功率預測數據之間的固有誤差，提高風電跟蹤計劃出力能力，促進其符合《辦法》要求，并提高風力發電的可調度性，滿足電網調度部門安排的運行方式、制定調度計劃的需要，從而實現提高風電的利用小時數。

3 風儲聯合應用

通過上述關于風電預測數據誤差的統計分析知，將電池儲能系統用于改善跟蹤風電計劃出力能力具有一定可行性。風儲聯合系統（wind power and energy storage combined system，WECS）的應用控制原理如圖8所示。

圖8 風儲聯合系統跟蹤計劃出力控制框圖Fig.8 Control block diagram for the tracking schedule output with the WECS

實時采集風電功率數據并與預測數據對比分析，判斷其誤差是否滿足《辦法》要求，利用電池儲能系統的雙向功率能力彌補實際風電功率的溢出或不足，使風儲合成出力功率數據與風電功率預測數據之間的日預測最大誤差滿足《辦法》要求。電池儲能系統輸出功率如圖9所示。

圖9 儲能系統功率輸入/輸出原理圖Fig.9 Schematic energy storage system power input/output

當實際風電功率值大于預測數據值時，對電池儲能系統充電，將富余的能量存儲在電池儲能系統中；當實際風電功率值小于預測數據時，控制電池儲能系統放電，使風儲合成出力滿足風電功率預測標準。為合理調度電池儲能系統充放電，確保風儲聯合系統穩定運行的連續性和可靠性，需實時采集實際風電功率數據，并與預測數據對比分析，若此時的功率預測誤差超出15%的限定要求，則對電池儲能系統進行功率控制，使風儲合成出力曲線在允許范圍內接近風電功率預測曲線（或風電調度計劃出力曲線）。因此，風儲合成出力可以在以風電功率預測數據fiP 為中心、limitP±為帶寬的范圍內波動。在不同工況包括不同電池儲能系統荷電狀態（state of charge，SOC）下電池儲能系統充放電的功率變化量范圍見表1。

表1 電池在不同SOC 下的充放電功率Table 1 Charge-discharge power of the battery in different SOC conditions

a1、a2為電池儲能系統正常運行的SOC 邊界約束因子；b1、b2為電池儲能系統正常運行的SOC 參考約束因子，且各因子之間滿足如圖10所示的關系。

圖10 SOC 控制區域示意圖Fig.10 A schematic diagram of the control area of SOC

電池儲能系統在工作過程中時刻滿足以下條件

式中，outP（ k）為k 時刻的風儲合成出力，MW。

仿真計算，電池儲能系統參與運行控制時，其輸入/輸出功率曲線如圖11所示。

分析風儲合成出力數據（Pout）與風電功率預測數據所有數據點之間的誤差，其累計誤差所占的百分比曲線如圖12 曲線(1)所示，曲線(2)為其日預測最大誤差的累計百分比曲線。

由圖12 可以看出，加入電池儲能系統之后，風電功率預測數據與風儲合成出力所有數據點之間的誤差、日最大誤差全部在25%以內，與加入電 池儲能之前的56.2%的不滿足率比較，此時完全滿足《辦法》中日最大預測誤差在25%以內的要求。

圖11 電池儲能系統的輸出功率Fig.11 The out power of BESS

圖12 預測數據與Pout 的累計誤差概率分布Fig.12 The accumulated error probability distribution of prediction data and Pout

同理，圖13 給出風儲合成出力數據（Pout）與風電功率預測數據的均方根誤差，由圖12 可知，加入電池儲能系統之后，風儲合成出力與風電功率預測數據的均方根誤差全部在20%以內，滿足《辦法》要求。

圖13 預測數據與Pout 的均方根誤差Fig.13 The RMSE of Pout and forecasting data

4 結 論

（1）針對算例中49.5 MW 級風電場樣本數據，借助概率統計方法，得出了該風電場的日最大預測誤差大于25%的天數概率為56.2%，而風電功率預測數據所有數據點中，預測數據的誤差大于25%的數據點僅占所有數據點的11.7%。

（2）通過仿真驗證可知，以《辦法》對風電場功率數據預測要求誤差為判據，可以得出，風功率預測誤差大于25%的概率為11.7%，需借助電池儲能系統才能進一步降低這一概率。

[1] Gu Weidong（顧為東）. Development and application of large-scale non-grid-connected wind power system[J]. Automation of Electric Power Systems（電力系統自動化），2008，32（19）：1-4.

[2] Hong Cui（洪翠），Lin Weiming（林維明），Wen Buying（溫步瀛）.Overview on prediction methods of wind speed and wind power[J].Power System and Clear Energy（電網與清潔能源），2011，27（1）：60-66.

[3] 國家電網公司. Q/GDW 588-2011 風電功率預測功能規范[S].北京：中國電力出版社，2011.

[4] Li Jianlin（李建林）. Large-scale wind power development and inseparable from wind power[J]. The World of Inverters（變頻器世界），2010，4（4）：49-52.

[5] Carpentiero V，Langella R，Manco T，et al. A Markovian approach to size a hybrid wind-diesel stand alone system[C]//Proceedings of the 10th International Conference on Probababilistic Methods Applied to Power System，[S.l.]：[s.n.]，2008.

[6] Wang Xiaolan（王曉蘭），Wang Mingwei（王明偉）.Short-term wind speed forecasting based on wavelet decomposition and least square support vector machine[J]. Power System Technology（電網技術），2010，34（1）：179-184.

[7] Zhang xin（張欣）.風電功率預測技術和管理亟待解決[EB/OL]. [2012-07-11].http://www.china5e.com/show.php?contentid=232437

[8] Gu Xingkai（谷興凱），Fan Gaofeng（范高峰），Wang Xiaorong（王曉蓉），et al. Summarization of wind power prediction technology[J]. Power System Technology（電網技術），2007，31（S2）：335-338.

[9] Feng Shuanglei（馮雙磊），Wang Weisheng（王偉勝），Liu Chun（劉純），Dai Huizhu（戴慧珠）. Study on the physical approach to wind power prediction[J]. Proceedings of the CSEE（電力系統自動化），2010，30（2）：1-6．

[10] Yu Peng（于芃），Zhou Wei（周瑋），Sun Hui（孫輝），Guo Lei（郭磊），Sun Fushou（孫福壽），Sui Yongzheng（隋永正）.Hybrid energy storage system and control system design for wind power balancing[J]. Proceedings of the CSEE（中國電機工程學報），2011，31（17）：127-133.

[11] Papaefthimiou S，Karamanou E，Papathanassiou S A，Papadopoulos M P. Operating policies for wind-pumped storage hybrid power stations in island grids[J]. IET Renewable Power Generation，2009，3（3）：293-307.

[12] Zhang Guoju（張國駒），Tang Xisheng（唐西勝），Qi Zhiping（齊智平）. Design of a hybrid energy storage system on leveling off fluctuating power outputs of intermittent sources[J]. Automation of Electric Power Systems（電力系統自動化），2011，35（20）：24-28.

[13] Kong Feifei（孔飛飛），Chao Qin（蓸勤），Yuan Tiejiang（袁鐵江），Li Jianlin（李建林），Zeng Xinyi（曾信義），Yuan Jiandang（袁建黨）. Estimation of wind farm energy storage capacity for short-term power dispatch[J]. Electric Power Automation Equipment（電力自動化設備），2012，32（7）：1-4.

[14] Wang Shiqian（王世謙），Su Juan（蘇娟），Du Songhuai（杜松懷）. A method of short-term wind power forecast based on wavelet transform and neural network[J]. Transactions of the CSAE（農業工程學報），2010，26（S2）：125-129.

[15] Pinson P. Estimation of the uncertainty in wind power forecasting[D]. Paris：Ecole des Mines de Paris，2006.

[16] Giebel G，Badger J，Martí L P，Kallos G，Palomares A，et al. Short-term forecasting using advanced physical modeling, the results of the ANEMOS project[C]//Proceedings of European Wind Energy Conference，Athens：[s.n.]，2006.

[17] The state-of-the-art in short-term prediction of wind power：A literature review [EB/OL]. [2010-08-10]. http: // anemos. cma.fr.

[18] Xu Man（徐曼），Qiao Ying（喬穎），Lu Zongxiang（魯宗相）. A comprehensive error evaluation method for short-term wind power prediction [J]. Automation of Electric Power Systems（電力系統自動化），2011，35（12）：21-26.

[19] Yang Xiuyuan（楊秀媛），Xiao Yang（肖洋），Chen Shuyong（陳樹勇）. Wind speed and generated power forecasting in wind farm[J]. Proceedings of the CSEE（中國電機工程學報），2005，25（11）：1-5.