消除小氣候對風電場風電功率預測系統預測準確率的影響

中電投廣西興安風電有限公司 楊 民 賓世楊 王嘉鑫

?

消除小氣候對風電場風電功率預測系統預測準確率的影響

中電投廣西興安風電有限公司 楊 民 賓世楊 王嘉鑫

【摘要】為了合理地利用風電，提高電力系統經濟性，需要對風電場輸出功率進行預測，初步建立的風功率預測平臺為基礎，對降尺度風場建模進行校正；對不同的統計學方法在風場發電功率預測校正實際效果的優化程度進行比較和驗證；根據研究分析結果用于現有風功率預測平臺的技術升級，提高預測準確率。

【關健詞】風功率預測；預測模型；數據處理；預則精度及結果

1 研究現狀

我國對風功率預測起步較晚，對風功率預測系統所需要的基礎數據準備不夠充分，對風電場氣象信息的監測和收集技術不夠成熟等，都制約著對風功率預測系統的研究和開發，因此，對數據的采集，處理和模開型校正及數據誤差分析。

2 實施方案

對風場當地的微觀建模根據實際的地形地貌和實際測風數據進行校正，以校正過的微尺模型計算結果作為預測的基礎數據引入預測功能平臺，之后根據積累的風場運行數據著重研究預測結果的統計學后處理的不同方法，評估不同的校正方法對最終預測準確率的提升效果，最終生成預測校正參數并引入現在運行中的預測系統。

3 微尺度模型校正

使用以CFD（計算流體力學）為核心的WT軟件對某風電場進行風場微尺度建模，是風場所使用的預測軟件前期必須的計算環節，在這一階段的建模計算中，實現對風場當地風流變化的計算。微尺度模型的計算結果受到實際風場的地形數據和地表覆蓋物環境影響，兩類數據對風場實際自然環境的描述準確性決定了微尺度模型最終結果的準確性。

3.1 實測數據的篩選

對測風數據進行篩選，篩選出強風狀態下的樣本值。用于數據篩選的風速閾值根據測風數據的70米測風點（最高測風高度）的實測湍流強度曲線進行考察，如下圖，取曲線趨于平穩處的風速10m/s做為篩選閾值。而選擇強風狀態的數據作為建模校正的依據，在于從氣象學角度的一個經驗性結論：強風狀態下大氣熱穩定度為中性穩定。

3.2 初期風場微環境建模情況

風場建模的范圍覆蓋全部風機，地形數據準備采用SRTM地形數據庫90米分辨率地形數據，而地表粗糙度地圖則根據衛星照片和實地踏勘照片進行人工制作。計算半徑4176米，風場中心坐標對應高斯6度帶北京1954投影系下的XY坐標為（23343456，5075586）。由于東北地區冬季地表長期為積雪覆蓋，則地表覆蓋物性質隨季節變化，因此建模數據的粗糙度地圖分為雪季和非雪季，建模計算也對應分為雪季項目和非雪季項目。

3.3 校正后用于預測計算的微尺度模型

上述的風廓線比較是一個重復的過程，對于粗糙度地圖的調整根據已知原則和前次調整效果進行嘗試，直到確認效果較好的調整后的粗糙度地圖，如圖1、圖2所示。

用于計算的微尺度模型具備不同熱穩定度下的降尺度轉換系數，但實際的熱穩定度等級的計算則是根據中尺度預測數據按照如下公式計算得到的：

根據理查森數Ri的取值范圍對應的WT中對應于熱穩定度等級，來確定在微尺度模型計算結果中的哪一組轉換參數被用于風電場功率預測。

圖1 WT建模校正雪季粗糙度地圖

圖2 WT建模校正非雪季粗糙度地圖

3.4 預測統計模型校正

提高風功率預測準確性的可能，則是從統計學入手。風場在實際運行過程中，風機不會嚴格按照理論功率曲線進行發電，實際情況與預測軟件中根據理論功率曲線進行計算的情況本身就有差別，采用統計模型進行預測校正的過程并不僅僅是對小氣候環境影響的消除，同時也是對其他無法在預測計算時作為已知量考慮在計算過程中的因素導致的影響的修正。

3.5 線性統計校正方法

線形統計校正的實現首先需要進行樣本分類分析，將主要影響因素作為現象校正樣本分類依據。對于預測技術方案來說，首先是由物理模型實現對風流變化的預測，包括風速風向，之后才是根據風機屬性即功率曲線與尾流效應曲線來進行風功率預測。

3.6 神經網絡校正

神經網絡模型是用人工智能的方法提取輸入和輸出間的關系，而不是以解析法的形式來描述，這種方式所建模型為非線性模型。

一個完整的人工神經網絡運行結構被兩個數值定義：層級的數量與每層神經節點的數量。因此神經網絡的結構類型存在巨大數量的可能性，相應的運行效果也不相同。一個過于簡單的神經網絡不夠健全，因此也無法得到正確的運行結果。而一個過于復雜的神經網絡結構則會導致對入口數據的過度擬合。

神經網絡校正后的誤差分析：

誤差計算方法，在《風電功率預測系統功能規范》中有明確規定：

（1）均方根誤差（RMSE）

（2）平均絕對誤差（MAE）

而目前項目執行的發電功率預測屬于日前預測，即在每日中午12點之前向電網調度機構提交次日0時到24時每15分鐘共96個時間節點風電有功功率預測數據和開機容量。

4 項目研究成果

關于消除小氣候對風電場發電功率預測的影響，在本次項目框

架內實現了預期幾個方面的目標：

（1）實現了微尺度模型校正，使中尺度預測數據降尺度外推環節更為準確。

（2）實現了某風場預測結果的線性統計學校正效果評估，生成了可用的校正參數。

（3）實現了某風場預測結果的神經網絡模型訓練和校正參數的生成，并通過風場實際數據進行了效果驗證，基本達到了預期提高準確率的水平（針對每個月的情況有所不同，隨著今后數據的不斷積累，校正參數的應用效果會更好）。

（4）在具體風場項目上實現了不同校正方法的效果比對，進一步確立了采用神經網絡方法進行校正，用以消除小氣候對發電功率預測影響的技術路線有效性和優越性。值得指出的是，風電場如果能夠進一步提供風場運行更豐富的信息，包括每臺風機的實時運行狀態、停機維護計劃等信息，則對于風機實時狀態的描述會更為清楚，對分析預測過程中的典型情況的分析也會能有利。

（5）項目范圍內除了數據分析、模型校正和參數生成與驗證外，還包含設計開發內容，除了風場風流建模模擬的Google earth三維演示外，還包含了一項演示工具：風功率預測圖譜實時二維演示模塊工具，用于動態展示某風電功率預測系統的技術特征。

5 總結

對將CFD風流建模理論和統計學尤其是智能網絡理論在風電功率預測準確率提高的實際需求中的作用得到了驗證，實現了從理論到實際應用的轉化。

參考文獻

［1］王步華，李同，金翼，趙宏雷.淺談提高負荷預測準確率的方法與措施［A］.2007中國電機工程學會電力系統自動化專委會供用電管理自動化學科組（分專委會）二屆三次會議論文集［C］.2007.

［2］趙巖，張新平，劉錦英，鄭凱.“移動平均法”提高日負荷預測準確率在地區電網中的應用［A］.山東電機工程學會第五屆供電專業學術交流會論文集［C］.2008.

［3］李西泉，陳偉，朱軍飛.提高湖南電網短期負荷預測準確率的分析與思考［A］.中南七省（區）電力系統專業委員會第二十二屆聯合學術年會論文集［C］.2007.