風功率預測技術水平分析及改進措施研究

南曉強

（國網山西省電力公司，山西 太原 030013）

0 引言

大力發展風電對改善能源結構、減少環境污染等方面具有非常積極的作用。與常規火電相比，風電場的輸出功率完全受制于來風的大小，人為干預因素很小[1]。風速的隨機波動性、間歇性等特點導致風電場輸出功率表現出明顯的波動性。隨著大量風電場的并網運行，將對電網的安全、穩定、經濟運行帶來很大的挑戰，這也成為目前限制大規模接納風電的主要障礙[2，3]。

對風電功率進行預測可以有效增加電網接納風電的能力，從而提高電網調峰能力與改善系統運行特性[4]。通過對未來時刻風速的預測，將未知的風功率轉變為已知量，調度運行人員可根據短期預測結果安排日發電計劃，提高電網安全穩定運行特性；根據超短期預測合理安排調峰措施，優化發電計劃，改善電網調峰能力。

風速的隨機波動給預測帶來了很大的困難，加之預測方法對不同風電場的使用具有一定的局限性，因此預測結果難免出現誤差。風電預測誤差指預測值與真實值之間的差別，對其分析有助于提高預測水平，對增加風電并網容量，提高電網經濟運行特性，增強風電在電力市場中的競爭力等方面均具有非常重要的意義[5，6]。

1 山西風電功率預測及監視系統

2013年1月山西風電功率預測及監控系統正式投入運行。該系統主要由三部分組成：人機界面、接口和數據庫操作。人機界面用于用戶管理、系統設置、監測控制、預測曲線、氣象信息、統計分析及預測分析等；接口和數據庫主要負責接收、計算和存儲系統運行數據。該系統在建設過程中，引入了高精度數值氣象系統，大規模使用了先進的人工智能算法，從而為系統的高效能運行打下了堅實基礎。

山西風電功率預測及監控系統采用優化的物理模型，該模型通過大量工程實踐和風電場評估設計，系統為每個風電場量身定制精確的風電物理關系。該系統采用先進的人工智能算法，進行人工智能數據挖掘與數據融合，通過萬億次高性能計算機迭代運算，篩選出預測精準的數學模型，從而保證系統做出精準預報。風電場處于限負荷運行狀態，系統自適應地捕捉風電場運行模式，給出結合現實運行情況和未來風資源情況的功率預報。

2 預測誤差綜合評價方法

2.1 風功率預測誤差評價指標

由于風速的隨機波動特性，風功率時間序列值也表現出隨時間不斷波動的性質。在風功率預測中不可避免地出現了預測值與實際值之間的差值，定義為預測誤差值。預測方法不同，預測誤差的大小也不同，表現出的特性也不盡相同。為了對預測方法進行評估，需要選取合適的評估指標對預測誤差進行分析，且風功率預測誤差指標的選取與預測準確度存在密切的關系。工程上常用的且有效的描述預測誤差的指標主要有：絕對誤差、平均誤差、平均絕對誤差、平均相對誤差及均方根誤差等[7]。

a）平均相對誤差。風功率預測平均相對誤差指一段時間內預測絕對誤差與實測值比值的平均水平，表示為

式中：EMRE——風功率預測平均相對誤差；

Ei——風功率預測絕對誤差值；

n——樣本容量。

b）均方根誤差：風功率預測的均方根誤差也可以避免出現正負誤差相抵消的現象，用于表征預測誤差的分散程度，常與其他指標共同對預測值進行綜合評價。表示為

式中：ERMSE——風功率預測均方根誤差；

Pe——風電場裝機容量。

上述指標體系雖已在風功率預測中廣泛應用，但實際可參考性還有待商榷。在實際中，由于風速的波動性與間歇性，會出現風速的驟降現象，當風速突然降到0左右，會導致部分指標過大，無法衡量預測效果。

2.2 風功率預測誤差考核指標

為提高風電運行管理水平，完善風電功率預測預報機制，針對預測預報系統進行了規范，國家能源局、國家電網公司對風電預測系統的功能、預測系統的建設、驗收和運行進行了統一規范，制定了一系列行業標準及技術規范[8]。下文介紹常用于直觀描述預測結果的兩種考核指標。

a）準確率。風功率預測準確綠定義為考核時間段內預測平均值與實際平均值之間的差距。表示為

式中：Ar——風功率預測準確率；——k時段實際功率平均值；——k時段功率預測平均值。

b）合格率。風功率預測合格率定義為考核時間段內預測值達到某一考核指標的合格程度。實際中采用預測誤差大于85%作為考核預測合格與否的指標。定義為

式中：Qr——風功率預測合格率。

考核指標從實際系統運行角度出發，給出了一段時間內風電預測方法的應滿足的條件，可以從整體層面上做出準確率與合格率的對比，但缺少對預測方法的細節評估。

2.3 風功率預測誤差綜合評估指標對

風功率預測誤差評價方法應從實際應用出發，涵蓋預測誤差的分析及預測結果的整體考核。既能用于判別預測系統是否符合驗收標準，又可作為對比預測效果好壞的指標，即用于篩選預測效果較好的預測模型。基于此，本文提出采用預測誤差綜合評估指標對的方法對風電預測系統進行有效評估。剔除常規誤差統計學指標中可能出現評估異常的指標，建立預測誤差評價指標集

式中：EMRE——風功率預測平均相對誤差；

ERMSE——風功率預測均方根誤差。

根據風電場運行管理辦法及其他能作為整體評估的指標，建立預測誤差考核指標集B

式中：Ar——風電預測準確率；

Qr——風電預測合格率。

分別從A、B類指標中提取相應評價指標，建立預測誤差綜合評價指標對

綜上所述，通過兩類評價指標的結合便可完成對預測誤差的綜合評估。

3 山西電網風電預測系統評估

采用山西電網風電預測及監視系統，結合上文提出的綜合評價指標對，對2017年全年運行情況進行預測評估，包括短期預測與超短期預測，其中評估指標（A類指標）選用預測均方根誤差與平均絕對誤差，考核指標（B類指標）選用預測準確率。

3.1 運行分析結果

圖1、圖2給出了2017年短期預測月平均評價指標及考核指標。對預測系統運行情況進行整體統計分析后選取典型月數據進行評估分析，圖3、圖4選取2017年12月作為分析目標，給出了2017年典型月的短期預測日平均評價指標及考核指標。

圖3 短期預測日平均評價指標

圖4 短期預測日平均準確率

同樣地，本文選取了2017年3月21日、6月21日及12月22日作為典型日，分別作為春季典型日、夏季典型日及冬季典型日，對該系統的超短期預測情況進行了統計分析。圖5、圖6及圖7分別給出了3個典型日的風電功率實測值及預測值。表1對典型日的綜合評估指標進行了統計。

從分析與統計結果可以看出，預測綜合評估指標對可以較全面地對預測系統進行評估。山西電網風電預測及監視系統的短期平均預測準確率超過80%，超短期平均預測準確率超過95%，完全達到并超過了國家電網公司和能源局的技術要求。

圖5 超短期典型日（03-21）預測值與實測值

圖6 超短期典型日（06-21）預測值與實測值

表1 超短期典型日綜合評價指標

3.2 提高預測水平的改進措施

為提高風電預測水平，對預測誤差進行合理分析，從而可對預測結果做出修正，這對提高現有預測精度有著重要意義。從上述分析結果可以看出，山西風電預測系統預測誤差產生的主要原因有以下幾方面。

a）采用單一算法對不同風電特性區域進行預測造成的算法適應性問題。

b）風電場歷史數據不足或數值天氣預報數據精細化程度不足造成的數據質量問題。

c）出現異常數據（如連續缺損數據）時，無法進行有效模擬致使預測偏差較大，甚至出現錯誤的現象，綜合表現為預測數據質量管理問題。

為進一步提要預測系統的運行水平，需要從下面幾方面著手。

a）在風電場歷史運行數據不足的情況下，建議將物理方法與統計方法相結合，應用數值外推方法，提高區域預測水平。

b）在地形復雜的風電場應適量增加測風塔數量，加大測風塔數據收集，提高數值天氣預報的精度，進而優化預測模型，提高數據來源質量，減少由數據收集帶來的誤差。

c）開發相關應用軟件用于風電場數據統一管理，應用先進數據挖掘技術，發現其潛在聯系，自動完成缺損數據的插值填補，錯誤數據的剔除更換。

4 結論

結合山西電網調度工作的實際情況，利用山西電網風電預測與監視系統，對山西電網風電數據進行了進一步統計和分析。主要結論如下。

a）預測誤差綜合評價指標對能夠對預測系統做出較全面的評估。

b）山西風功率預測與監視系統的短期平均預測準確率超過85%，超短期平均預測準確率超過95%，完全達到并超過了國家電網公司和能源局的技術要求。

需要進一步研究的內容：配合風電自動發電控制子站的建設進度，開展風電場的大規模優化控制的研究和測試，修正控制策略中可能存在的缺陷。