基于小樣本集的網側風電功率預測方法

魏國清, 黃良毅, 楊蘋，鄒澍

(1. 海南電網公司系統運行部,海口市 510080；2.風電控制與并網技術國家地方聯合工程實驗室(華南理工大學),廣州市 510641)

基于小樣本集的網側風電功率預測方法

魏國清1, 黃良毅1, 楊蘋2，鄒澍2

(1. 海南電網公司系統運行部,海口市 510080；2.風電控制與并網技術國家地方聯合工程實驗室(華南理工大學),廣州市 510641)

風電功率預測多采用統計預測模型，為了達到可接受的預測精度，需要大量的歷史數據對模型進行訓練，不適用于缺少歷史數據的新建風電場，為此提出基于小樣本集的網側風電功率預測方法。基于風電場少量的歷史數據，運用支持向量機方法建立了網側風電功率預測通用模型，并用此通用模型對風電場功率進行初步預測；在通用模型預測的基礎上，利用區域內風電場的特征參數對這一網側通用模型進行辨識和修正，從而得到區域電網網側風電功率預測結果。實際算例驗證了基于小樣本集的預測方法的可行性，實際預測精度較好，說明該方法適于歷史數據樣本較小的風電場的功率預測，能夠減少功率預測中統計預測方法對數據的依賴。

風電功率預測；網側；小樣本集；支持向量機；通用模型

0 引 言

隨著生態環境的日益惡化，風電等綠色能源受到了越來越多的關注。近年來，我國風電裝機容量增長迅速[1]，與此同時風電功率的隨機性、波動性帶來的并網問題愈發凸顯[2]，需要對區域電網內的風電場進行高精度的風電功率預測，以便將風電納入電網調度計劃中，提高電網對風電的消納能力。

網側風電功率預測是針對區域電網內的所有風電場進行風電功率預測，目前較常見的做法是：若區域電網內的風電場彼此地理位置靠近，則對整個區域進行預測；若區域電網內的風電場地理位置相距較遠，則分別進行預測，再求和。無論是整體預測，還是分別預測再求和，都需要建立網側風電功率預測模型。按照預測方法分類，網側風電功率預測模型主要有統計模型和物理模型[3]。統計模型采用一定的統計方法，通過大量風電場歷史數據對模型進行訓練，建立輸入數據與風電功率的映射關系，從而對風電功率進行預測。統計模型主要方法為：時間序列、人工神經網絡、模糊邏輯等方法[4-12]。統計方法的模型不是直接建立風速與功率的物理關系，而是試圖找出數據之間的映射關系，需要對大量的歷史數據進行識別、擬合、訓練，才能達到一定的精度。物理模型則主要依賴于風電場的地形、地貌與高精度的數值天氣預報[13-14]，具體建立物理模型時，需要從數值天氣預報中的風速、風向等數據出發，考慮風電場及其周圍的地理信息(包括地形，地表粗糙度等)轉化到風機輪轂高度的風速、風向，再由風機功率曲線得到預測功率值。物理模型不需要風電場歷史數據，但模型輸入數據多，模型建立的過程十分復雜。

從目前我國風電發展水平來看，建立網側風電功率預測的物理模型代價太大，應根據區域電網內風電場的實際情況，建立實用化的統計預測模型。針對區域電網內的風電場缺少大量歷史數據的情況，本文提出基于小樣本集的網側風電功率預測方法，期望通過少量的風電場歷史數據，對區域電網內的風電場進行高精度的風電功率預測，為提升電網消納風電的能力提供支持。

1 網側風電功率預測通用模型

常見的風電功率預測統計模型是采用歷史數據進行訓練直接得到的，這需要足夠的歷史數據支撐。為應對歷史數據不足的情況，本文先用典型風電場的歷史數據采用支持向量機回歸法建立網側風電功率預測通用模型，是后續小數據集修正的基礎。

1.1 輸入矢量

模型用高精度數值天氣預報作為輸入(輸入特征矢量、風速、風向正弦、風向余弦、相對濕度、溫度)，風電場輸出功率作為輸出。具體輸入的特征矢量有：氣壓為85，925，100 kPa這3層的風速、風向余弦、風向正弦、相對濕度、溫度。

樣本選擇的原則為：(1)樣本平均分布在各個月份；(2)樣本輸出也就是風電場輸出功率平均分布在各個功率段；(3)考慮到實際風電場可能限電，樣本中去除了限電時段對應的樣本。

1.2 支持向量機

相對于神經網絡等常用統計方法，支持向量機的優勢在于：能夠有效地避免局部極小值問題，同時模型參數的確定只依賴少量的支持向量，能較好地利用有限樣本進行建模。

建立基于支持向量機回歸的風電功率預測模型，首先要構造支持向量機。針對風電場功率預測問題，需要建立支持向量回歸機算法。為了便于說明，設風電場功率預測的訓練集為T={(x1,y1),…, (xl,yl)} ,其中(xi,yi)構成一個訓練樣本，xi為十五維的向量，yi為一維向量。

為了推斷出訓練集中映射關系y=f(x)，構造損失函數c(x,y,f(x))[15]，在特征空間中，引入損失函數的支持向量機表示如下優化問題：

(1)

(2)

直接對式(1)求解比較困難，根據最優化原問題與對偶問題等價理論，可將上式轉換為其對偶問題進行求解：

(3)

(4)

(5)

(6)

其中

(7)

(8)

2 網側風電功率短期預測模型

為了得到網側風電場短期預測模型，需要在通用模型的基礎上，應用區域內風電場的特征參數對其進行修正。對通用模型的修正過程為：獲取風電場實時測風塔風速、風向、溫度、濕度等數據，建立修正后功率與通用模型預測結果之間的對應關系。實際風電場出力常常和風電場的地形、地表粗糙度、風機的排列導致的尾流相關。

2.1 向量相似度評估

評估2個向量之間的相似性有很多方法，比如：向量歐氏距離、曼哈頓距離、向量余弦相似度等。本文采用向量相似性評估方法來建立實測數據與通用模型數據的聯系，實現對通用模型預測功率的修正。為便于說明，令歸一化后的2個向量為w1=[w11,…,w1n]、w2=[w21,…,w2n]，其直接的相似度用向量之間的夾角余弦表示：

(7)

2.2 修正模型建立

用向量余弦相似度將小數據集中的測風塔數據和通用模型中的輸入矢量聯系起來，得到衡量2個向量之間的相似度矢量λ=[λ1,…,λn]。設小數據集為[w,p],其中w為十五維向量，p為一維向量，修正模型建立步驟為：

(1)用通用模型對小數據集的輸入做預測，得到通用模型預測輸出功率，記為Pc；

(2)用支持向量機算法，建立輸入矢量為[Pc,λ]，輸出矢量為p的修正模型。修正模型考慮了實測網側風電場輸出功率數據的可能受影響的因素，包括風機尾流效應，風電場地形影響，風電場地表粗糙度等，將通用模型的輸出與實測數據相結合起來，得到依靠少量風電場數據修正的修正模型。

(3)在建模的時候考慮了尾流、風場地理信息等因素的基礎上，通過網側風電場少量的測風塔數據對通用模型進行修正，得到網側風電功率短期預測模型。

3 網側風電功率超短期預測模型

短期風電功率預測中不需要考慮風的快速變化，但在超短期預測中必須考慮，而數值天氣預報中不包含風的快速變化規律，故需在超短期預測模型中重建風的快速變化時間序列。具體風場的風速快速變化特性各自不同，本文引入陣風模型對其進行描述。

陣風模型一般用于表示突然變化的風速，可在基本風上疊加一個陣風分量實現，即

(8)

(9)

式中：VWG為陣風風速，m/s；TG為周期，s；T1G為陣風起動時間，s；G為陣風風速最大值。

陣風模型參數可由測風塔數據擬合得到，在風電功率短期預測模型基礎上引入陣風模型，即可得到風電功率超短期預測模型。

4 算例分析

為了驗證本文提出的基于小樣本集網側風電功率預測方法，本文選取某省級電網下的區域風電場進行預測，分別建立網側風電功率預測的通用模型、短期預測模型和超短期預測模型，在網側對其出力進行預測。

采用海南省5個風電場1—7月歷史數據建立通用模型，用風電場現場測風數據建立修正模型對其進行修正。其中某個風電場的單臺風機容量為1 500 kW，其風速曲線如圖1所示。

圖1 24 h風速曲線

從圖1可以看出：1天中風場風速變化較大，平均風速為10.56 m/s，風速最小為7.35 m/s，風速最大為15.74 m/s，對于風速變化較大的風電場，應用測風塔數據對通用模型進行修正非常重要。通用模型泛化能力強，但同時對突變樣本適應不夠好，需要通過測風塔數據去修正。將本文方法應用到這5個風電場網側功率預測，短期預測結果如圖2、3所示。

圖2 短期預測曲線

圖3 短期預測誤差

從圖3可以看到，短期預測模型精度較高，能夠達到87%或者以上，說明了本文模型的正確性。從圖2可以看到，預測曲線能夠基本跟隨功率趨勢，說明了通用模型的合理性；在功率預測峰谷值有一些不能完全跟隨，說明對模型的修正的精度還可以進一步提高。

超短期預測結果如圖4所示。從圖4可知，06：00之后功率預測精度較高，誤差比較小，說明陣風模型對于超短期預測精度的提高；之前預測誤差較大是由于風速隨機性，導致陣風模型的失效，這是以后陣風模型需要優化的方向。

圖4 超短期預測曲線與結果

5 結 論

針對缺少歷史數據的區域電網的風電功率預測，本文提出了基于小樣本集的網側風電功率預測方法。該方法首先建立基于支持向量機的網側風電功率預測通用模型，然后利用風電場實時測風數據對通用模型進行修正，得到網側風電功率短期預測模型，再針對超短期預測中的快速風速不變化部分，設計了陣風模型。實際算例表明：該方法能有效提高區域電網的風電場功率預測精度。

[1]王穎, 魏云軍. 風電場風速及風功率預測方法研究綜述[J]. 陜西電力, 2011, 39(11): 18-21.

[2]婁素華, 李志恒, 高蘇杰, 等. 風電場模型及其對電力系統的影響[J]. 電網技術, 2007, 31(2): 330-334.

[3]王健, 嚴干貴, 宋薇, 等. 風電功率預測技術綜述[J]. 東北電力大學學報, 2011, 31(3): 20-24.

[4]Billinton R, Chen H, Ghajar R. A sequential simulation technique for adequacy evaluation of generating systems including wind energy[J]. IEEE Transactions on Energy Conversion, 1996, 11(4): 728-734.

[5]Li S. Wind power prediction using recurrent multilayer perceptron neural networks[C]//Power Engineering Society General Meeting. Toronto, Canada: IEEE, 2003,4: 13-17.

[6]Lei C, Ran L. Short-term wind speed forecasting model for wind farm based on wavelet decomposition[C]// Third International Conference on Electric Utility Deregulation and Restructuring and Power Technologies. Nanjing, China：IEEE, 2008: 2525-2529.

[7]Bakshi B R, Stephanopoulos G. Wave-net: A multiresolution, hierarchical neural network with localized learning[J]. American Institute of Chemical Engineers Journal, 1993， 39(1)：57-81.

[8]薛翔,趙冬梅,王金奕,等. 基于ARIMA與雙層BP神經網絡相結合的風電功率預測方法[J]. 電力科學與工程,2012,28(12):50-55.

[9]章偉,鄧院昌. 基于灰色-馬爾可夫鏈的短期風速及風電功率預測[J]. 中國電力,2013, 46(2): 98-102.

[10]馬彥宏,汪寧渤,馬明,等. 基于神經網絡的酒泉風電基地超短期風電功率預測方法[J]. 電力建設,2013,34(9):1-5.

[11]師洪濤,楊靜玲,丁茂生,等. 基于小波—BP神經網絡的短期風電功率預測方法[J]. 電力系統自動化,2011, 35(16): 44-48.

[12]周松林,茆美琴,蘇建徽. 基于主成分分析與人工神經網絡的風電功率預測[J]. 電網技術,2011, 35(9): 128-132.

[13]Landberg L. Short-term prediction of the power production from wind farms[J]. Journal of Wind Engineering and Industrial Aerodynamics, 1999, 80(1): 207-220.

[14]Landberg L, Watson S J. Short-term prediction of local wind conditions[J]. Boundary-Layer Meteorology, 1994, 70(1-2): 171-195.

[15]丁志勇. 風電場短期功率預測方法研究[D]. 廣州：華南理工大學, 2012.

(編輯：蔣毅恒)

WindPowerForecastingforPowerGridBasedonSmallSampleSet

WEI Guoqing1, HUANG Liangyi1, YANG Ping2, ZOU Shu2

(1. Dispatch and Control Center of Hainan Power Grid Corporation, Haikou 510080, China;2. National-Local Joint Engineering Laboratory for Wind Power Control and Integration Technology,South China University of Technology, Guangzhou 510641, China)

At present, the widely used statistical prediction model for wind power needs a lot of the historical data for training to achieve acceptable accuracy, so it is not suitable for the new wind farms which are lack of historical data. This paper presented a wind power prediction method for power grid based on small sample set. Firstly, based on few historical data of wind farm, the general wind power prediction model was built with using support vector machine (SVM) method, and was used for the preliminary forecasting of wind power. Then, on the basis of the general model prediction, the characteristic parameters of regional wind farm were used to adjust and modify the general model for power grid, so as to obtain the prediction results of wind power for regional power grid. Finally, the practical examples verified the feasibility of prediction method based on small sample set. The results show that the prediction method based on small sample set with good accuracy is suitable for the power prediction of wind farm with few historical data, and can reduce the dependence of statistical prediction method on data during power forecasting.

wind power forecasting; power grid; small sample set; support vector machine; general model

國家高技術研究發展計劃項目(863計劃)(2012AA050201)；廣東省戰略性新興產業核心技術攻關項目(2012A032300013)。

TM 614

： A

： 1000-7229(2014)09-0018-04

10.3969/j.issn.1000-7229.2014.09.004

2014-04-16

：2014-06-26

魏國清(1965)，男，高級工程師，研究生，主要從事電力系統自動化方面的工作；

黃良毅(1971)，男，碩士，高級工程師，主要從事調度自動化方面的工作；

楊蘋(1967)，女，博士，博導，主要從事可再生能源發電控制與并網技術方面的研究工作；

鄒澍(1989)，男，碩士研究生，主要從事風電并網技術方面的研究工作，E-mail：shu.zou@qq.com。