風電場風電功率預測研究綜述

周 硯，談英蓮，劉 彪，王 凱

（新疆風電工程設計咨詢有限責任公司，新疆烏魯木齊830063）

1 引言

大力發展風電能源技術在改善能源結構、減少溫室氣體排放等方面具有非常積極的作用，與常規電源相比，風電場的輸出功率受人為因素干預較小，幾乎完全由自然條件決定。隨機變化的風速、風向導致風電場輸出功率具有波動性、間歇性、隨機性的特點，大量風電場集中并網會對電網的安全、穩定、經濟運行帶來影響，成為了限制電網接納風電的主要障礙之一。

對風電場的輸出功率進行預測被認為是提高電網調峰能力、增強電網接納風電發電的能力、改善電力系統運行安全性與經濟性的最有效、最經濟的手段之一。通過預測，風電將從未知變為基本已知，調度運行人員可根據預測的波動情況，合理安排應對措施，提高電網的安全性和可靠性；而將功率預測與負荷預測相結合，還有利于調度運行人員調整和優化常規電源的發電計劃，改善電網調峰能力，增加風電的并網容量；根據風電功率預測結果，只需增加對應預測誤差的旋轉備用容量，可以顯著降低額外增加的旋轉備用容量，對改善電力系統運行經濟性，減少溫室氣體排放具有非常重要的意義，風電功率預測還可以增強風電在電力市場中的競爭力，提高上網電價。對發電企業來說，風電功率預測有助于發電企業合理安排檢修計劃、減少棄風，提高企業的盈利能力［1]。

2 風電場風電功率預測研究的方法

風電場風電功率的預測可按多種方法分類，如圖1所示。

本文主要從輸入數據分類的角度展開對風電場風電功率預測的研究和論述。

2.1 時間序列法

時間序列分析法是實際工程中常用的預報方法［2]，對平穩時間序列所采用的時序模型主要包括自回歸模型（Auto Regressive，AR）、滑動平均模型（moving average，MA）和自回歸滑動平均模型（Auto Regressive Moving Average，ARMA）。對非平穩時間序列，則需要進行平穩化處理后再建立模型，常用的方法是差分處理，然后再建立ARMA模型，即差分自回歸滑動平均模型（Auto Regressive IntegratedMoving Average，ARIMA）。

圖1 風電功率預測方法

采用ARMA模型進行預測時（ARMA模型是隨機時間序列分析模型的普遍形式，AR模型和MA模型是它的特殊情況），由時間序列建立的ARMA（p，q）模型如下：

式中：xt（t＝1，2，3，…）為時間序列；at為零均值、方差為的正態白噪聲過程；φi（i＝1，2，…，p）和θj（j＝1，2，…，q）分別為模型的待估計自回歸參數和滑動平均參數；B為后移差分算子。

建立上述時序模型的過程包括模型識別、參數估計和模型檢驗。模型識別就是判定待求的預測模型是 AR、MA或 ARMA，并確定模型階數（確定p和q）。參數估計，就是在模型識別之后，根據適當的方法計算模型中的未知參數（確定φi、θj和）。模型識別和參數估計是應用時間序列建模時很重要且復雜的過程，它們都是根據有限序列式去推斷原始序列式的性質來完成的，這種推斷不可能完全準確。然而這兩個過程的適當與否直接影響到模型參數的計算精度，進一步地影響到預測的好壞，因此對所確定的隨機模型是否合適還需要進行檢驗。

在我國近期的研究中，文獻［3]運用聚類方法對歷史風速數據進行處理，實現了歷史數據的自動分類，運用時間序列方法，建立風速預測模型；文獻［4－5]針對數值天氣預報模型輸出的氣象參數存在系統誤差而導致風電場功率預測精度受到制約的問題，使用卡爾曼濾波算法對數值天氣預報輸出的風速數據進行動態修正，并結合其他氣象數據形成新的用于風電功率預測的修正氣象數據集合；文獻［6]根據風速變化的特點，選擇了適于描述波動變化特性時間序列的GARCH方法；文獻［7]基于電力系統領域對峰度的定義，理論推導并證明SV超峰度定理的衍生形式，建立適應風速預測的SV風速模型，模擬風速數據的整體峰度。

時間序列分析建模最大的優點在于不必深究信號序列的產生背景，序列本身所具有的時序性和自相關性已經為建模提供了足夠的信息，只需要有限的樣本序列，就可以建立起相當高精度的預測模型，但其存在低階模型預測精度低、高階模型參數估計難度大的不足。

2.2 采用數值天氣預報數據

數值天氣預報（Numerical Weather Prediction，NWP）根據大氣實際情況，在一定的初值和邊值條件下，通過大型計算機作數值計算，求解描寫天氣演變過程的流體力學和熱力學方程組，預測未來一定時段的大氣運動狀態和天氣現象的方法［8]。

2.2.1 物理方法

物理方法是一種基于風速的預測方法，考慮到風電功率與氣象條件的相關性，先根據數值天氣預報的預測結果得到風電機組輪轂高度的氣壓、風速、溫度、風向等信息，基于預測結果利用風功率曲線獲得風電功率的預測值［9－10]。圖2所示為物理方法預測流程圖。

圖2 物理方法預測流程圖

目前我國采用的物理預測方法有基于灰色理論對風電場風力發電容量預測［11－12]；以預測功率為基礎，考慮預測誤差分布影響，利用機會約束規劃方法建立基于預測功率可信度水平的分級模型［13]；基于預測誤差分布特性統計分析的非參數置信區間估計方法，對各功率分區內的預測誤差概率密度函數進行建模，并在確定性預測基礎上求取概率性風電功率預測值［14]；采用非線性神經網絡實現對實際功率曲線的逼近，根據風速預測值和實際功率擬合曲線計算功率預測值［15]。

物理方法不需要風電場的歷史數據，風電場投產就可以進行預測，但需要風電場詳細的物理信息對風電場所在地進行物理建模和準確的NWP數據，要求對大氣的物理特性及風電場特性有準確的數學描述。

2.2.2 統計方法

統計方法是一種基于功率的預測方法，不考慮風速的變化過程，根據歷史功率序列建立模型并利用實時數據對發電量進行短期預測，或根據歷史數據找出天氣和輸出功率間的關系，并利用實時數據和NWP信息對發電量進行預測。需要風電場至少一年的歷史數值氣象數據，歷史運行數據，實時數值氣象數據，并采用合適的數學算法建立模型，得出預測風電功率。

目前我國采用的統計方法有使用統計方法修正風電場尾流效應對預測結果的影響，從而改進多層前饋神經網絡模型的預測精度［16]；根據數值氣象預報的風速和風向數據，采用粒子群優化的前向神經網絡模型進行短期風電功率預測［17]。

統計方法使用數據單一，對突變信息出理不好，需要大量歷史數據，但不需要求解物理方程，計算速度快。

2.2.3 綜合方法

由于預測方法各有優勢，多種預測方法組合使用成為趨勢。例如：基于經驗模態分解和支持向量機的短期風電功率組合預測模型［18]；最小二乘支持向量機和卡爾曼濾波技術對風電總量和風電分配因子的自適應動態預測算法［19]；基于相似性樣本的多層前饋（BP）神經網絡風速預測方法，利用風速季節性周期變化的特點提高風速預測的準確性，結合時間序列分析與灰色預測方法研究了應用組合預測方法進行風電場風速預測，并在風速預測的基礎上討論了風電機功率預測［20]；利用BP神經網絡、徑向基函數神經網絡和支持向量機進行風電功率預測［21]；小波變換和神經網絡理論相結合的綜合預測方法，將歷史風電功率序列和歷史風速序列分別進行小波單尺度分解，得到對應的概貌功率、細節功率和概貌風速、細節風速；然后用概貌功率和概貌風速序列訓練BP神經網絡，預測未來的概貌功率［22]；首先采用K－S方法對樣本進行選??；然后用主成分分析法提取樣本有效信息，求解出主成分，構建神經網絡模型進行輸出功率預測［23]。

3 總結

我國風電功率預測技術的研究還不夠成熟，雖然國家電網要求風電場都要配置風電功率預測裝置，多個實驗模型已運用于現場，但還存在很多問題，如數值天氣預報模式還未建立，風電場基礎資料不健全，歷史數據不完備，風電場沒有建立實時測風系統等。

根據國家電網公司發布的《風電功率預測功能規范》要求，短期風電功率預測應能預測次日零時起3天的風電輸出功率，時間分辨率為15min；超短期風電功率預測應能預測未來0－4h的風電輸出功率，時間分辨率不小于15min。提出了短期預測月均方根誤差應小于20%，超短期預測月均方根誤差小于15%的誤差評估指標。目前運行的風電功率預測裝置雖然能達到該標準，但隨著風電上網電量不斷增大，預測尺度、精度必將提高；風電場所處地形越來越復雜，天氣情況更是變化莫測，環境因素必將成為以后預測的障礙。

4 結束語

隨著風電行業的不斷發展，風電功率預測精度的提高是保障風電進一步走向成熟的必要條件，今后應盡快建立高精度的數值天氣預報數據，不斷深化技術研究，提高預測精度，促進風電和諧發展。

［1] 國家電網公司標準.Q／GDW 588－2011風電功率預測功能規范［S] .

［2] 楊叔子，吳 雅，王治藩.時間序列分析的工程應用［M] .武漢：華中科技大學出版社，2003.

［3] 方江曉，周 暉，黃 梅.基于統計聚類分析的短期風電功率預測［J] .電力系統保護與控制，2011，39（11）；67－73.

［4] 時慶華，高 山，陳 昊.2種風電功率預測模型的比較［J] .能源技術經濟，2011，14（6）：31－35.

［5] 趙 攀，戴義平，夏俊榮，盛迎新.卡爾曼濾波修正的風電場短期功率預測模型［J] .西安交通大學學報，2011，45（5）；47－51.

［6] 周 暉，方江曉，黃 梅.風電功率GARCH預測模型的應用研究［J] .電力系統保護與控制，2011，39（5）；108－114.

［7] 陳 昊，張建忠，王玉榮.基于SV模型的風速時間序列峰度分析［J] .中國電力，2011，44（1）：90－93.

［8] 周 毅，侯志明，劉宇迪.數值天氣預報基礎［M] .北京：氣象出版社，2003.

［9] 馮雙磊，王偉勝，劉 純；戴慧珠.基于物理原理的風電場短期風速預測研究 ［J] .太陽能學報，2011，32（5）：611－616.

［10] 馮雙磊，王偉勝，劉 純，戴慧珠.風電場功率預測物理方法研究［J] .中國電機工程學報，2010，30（2）；1－5.

［11] 孟祥星，田成微，冬 雷.灰色理論用于風力發電容量中長期預測的研究［J] .電力系統保護與控制，2011，（21）：81－85.

［12] 李俊芳，張步涵，謝光龍.基于灰色模型的風速－風電功率預測研究［J] .電力系統保護與控制，2010，38（19）；152－159.

［13] 王成福，梁 軍，張 利.基于機會約束規劃的風電預測功率分級處理［J] .電力系統自動化，2011，（17）：14－19.

［14] 周松林，茆美琴，蘇建徽.風電功率短期預測及非參數區間估計［J] .中國電機工程學報，2011，（25）：10－16.

［15] 茆美琴，周松林，蘇建徽.基于脊波神經網絡的短期風電功率預測［J] .電力系統自動化，2011，（7）：70－74.

［16] 陳 穎，周 海，王文鵬.風電場輸出功率超短期預測結果分析與改進［J] .電力系統自動化，2011，（15）：30－33.

［17] 楊志凌，劉永前.應用粒子群優化算法的短期風電功率預測［J] .電網技術，2011，（5）：159－164.

［18] 葉 林，劉 鵬.基于經驗模態分解和支持向量機的短期風電功率組合預測模型［J] .中國電機工程學報，2011，（31）：102－108.

［19] 李 智，韓學山，韓 力.地區電網風電場功率超短期預測方法［J] .電力系統自動化，2010，34（7）；90－94.

［20] 張國強，張伯明.基于組合預測的風電場風速及風電機功率預測［J] .電力系統自動化，2009，33（18）；92－95.

［21] 劉純，范高鋒，王偉勝，戴慧珠.風電場輸出功率的組合預測模型［J] .電網技術，2009，（13）：74－79.

［22] 王世謙，蘇娟，杜松懷.基于小波變換和神經網絡的短期風電功率預測方法［J] .農業工程學報，2010，26（2）；125－129.

［23] 張明理，楊曉亮，滕云.基于主成分分析與前向反饋傳播神經網絡的風電場輸出功率預測［J] .電網技術，2011（3）；183－187.