基于數據驅動的風電功率預測誤差解耦評價方法

江長明，楊 健，柳 玉，，崔 陽

（1. 國家電網華北電力調控分中心,北京市100053；2. 華北電力科學研究院有限責任公司,北京市100045）

0 引言

風電裝機容量持續多年的快速增長、風電出力的高占比和隨機波動特性［1］等因素,使風電預測準確性在電網運行中的影響日益明顯［2］:一方面,電力系統調度中的備用容量留取和發電計劃安排等環節需要考慮風電功率預測的不確定性［3-4］；另一方面,現有電網多以火電等常規電源為主,高比例風電接入后,現有電網的靈活調整電源不足［5］,風電預測出力偏差會嚴重影響出力平衡和機爐啟停安排［6］。因此,電網生產運行越來越倚重風電等新能源預測的準確程度［7］。

風電功率預測作為高比例新能源電力系統關鍵調控技術的重要組成［8］,其中,0～168 h 中短期功率預測是日前電力平衡安排的重要參考,數值天氣預報（numerical weather prediction,NWP）作為定量化描述未來大氣各氣象要素變化的預報結果,是預測模型中必要且最重要的輸入；0～4 h 超短期功率預測本質上是基于風能利用的持續特性,利用統計學方法進行時序外推［9］,分為風速外推與功率外推2 類,也有學者引入NWP 對超短期預測模型進行優化［10-11］。

現有研究多針對功率預測中的某類場景或某個環節進行優化,但受限于NWP 對大氣運動過程的不完美描述和統計學模型對物理隨機過程匹配的局限性,預測誤差難以完全避免［12］。因此,如何有效開展誤差多維評價與深入分析,是指導功率預測精度進一步提升的關鍵問題,具有重要的實際應用價值。文獻［13］分析了風電功率預測誤差的表現形式和產生原因,總結了典型的誤差評價指標和考核評價指標。文獻［14］從誤差分析入手,分析了風速和風電功率特性、預測模型算法及輸入變量對預測誤差的影響,并根據誤差評價結果給出模型修正方法。文獻［15］從機理上分析風速與功率預測誤差概率分布的時變特性規律,并引入高階Volterra 級數預測模型,辨識了預測誤差關于預測時長的函數關系。文獻［16］通過數據統計方法評價影響預測誤差的主要因素為:功率幅值、波動性、預測方法和周期。文獻［17］分析了功率預測誤差的存在形式,提出了包含縱向誤差、橫向誤差、相關因子與極端誤差在內的綜合評價方法。文獻［18］將評價指標進一步擴展至包含重點時段誤差和長期統計誤差等的多維評價指標,并給出一種基于離差最大化和灰色關聯分析的綜合評價指標,解決了多評價指標的權重分配問題。

上述研究多聚焦于功率預測最終誤差結果的評價,尚未實現對功率預測的全過程時序評價,缺少從業務鏈條角度對風電功率預測的實現過程進行解構。特別是功率預測各環節的誤差占比始終無法定量化評價,原因包括:①功率預測過程尚未根據業務流程實現解構,且各環節導致的誤差成因缺乏解耦評價方法,誤差評價不精細；②各環節分析對象不同,量綱也不同,誤差分析不直觀。為解決上述問題,本文提出了基于數據驅動的風電功率預測誤差解耦評價方法,定量分析預測各關鍵環節的誤差成因,高效、精準定位問題場站及預測薄弱環節,實例表明該方法可實現功率預測短板高效查找與精準提升,具有較強的工程應用價值。

1 風電功率預測關鍵環節解析

經過多年研究與實踐,風電功率預測的技術路線已明確固化。按業務流程依次為NWP 環節、Model 環節（風資源-電力轉換模型）、校正環節（預測結果校正）。

全網功率預測結果可通過場站預測［19］加和、調度直接預測2 種方式獲取。場站加和方式是電網調度機構對場站端中短期預測功率進行加和后,按照斷面約束等邊界條件進行修正,得到全網預測功率結果,具體流程如圖1 所示。

圖1 基于場站預測加和方式的全網風電功率預測流程Fig.1 Flow chart of wind power prediction for whole grid based on method of wind farm prediction addition

1.1 NWP 環節

風電場采用的NWP［20］屬于站點精細化預報。首先,從權威氣象機構下載全球氣象預報場。然后,將全球大氣預報場數據進行格式標準化處理,使其具備驅動中尺度NWP 模式軟件運行的條件,完成模式運行前的所有準備工作。最后,功率預測服務商根據其詳細地理坐標的預測需求,運行中尺度數值天氣模式軟件,完成局部目標區域的降尺度計算,最終獲得風電場所處地理區域在未來不同時刻的大氣狀態。

1.2 Model 環節

Model 環節中的風-電轉換模型是描述風資源氣象要素與風電有功功率之間關系的數學模型［12］。在實際生產中,由于受到天氣條件、機組發電性能等因素的影響,風速與電力往往呈現復雜的映射關系,為了保證功率預測準確性,通常需要考慮復雜多變的機組運行工況開展精細化建模,從而獲得較強適用性的風-電轉換模型。統計模型是目前工程應用領域中普遍使用的建模方法。其本質是利用統計學方法匹配系統的輸入（包括NWP、歷史數據等）和預測功率之間的物理因果關系。

1.3 校正環節

校正環節中的預測結果校正是指風電場根據計劃開機容量,對風-電轉換模型計算出的預測功率進行修正,得到最終預測結果［21］。預測結果校正是與人工經驗密切相關的管理環節,主要由風電場運行工程師完成:①將風電功率預測與計劃檢修工作聯動,根據擬開工檢修工作涉及的機組數量,在功率預測系統中通過人工錄入方式合理訂正開機容量、開機時間以及預測出力；②考慮凍雨、覆冰、大風等極端氣候可能引起風電機組的停運容量,通過人工輸入的方式,對預測結果進行經驗校正。

2 風電場功率預測誤差解耦評價

風電場功率預測運行主要由上述3 個時序環節組成,解耦評價各環節對誤差結果影響的基本思路為:將NWP 環節的預測風資源和實測風資源分別輸入風-電轉換模型,將輸出的功率結果分別與實際功率進行比對；再考慮實際開機容量與計劃開機容量的偏差,最終將各環節對誤差結果的影響歸一化到功率單位上進行評價。

2.1 數據準備

在預測誤差解耦評價建模過程中,除傳統功率預測評價外,還需引入與功率預測運行中間過程相關的多源信息,以區分評價功率預測運行各環節對最終預測結果的影響。所需的數據包括風電場運行信息、場站功率預測信息、機組運行信息、NWP 信息和運行日志信息等,見附錄A 表A1。

數據驅動方式的實際應用效果與數據質量關系密切,上述相關信息的數據質量統計指標主要包括正確率A、缺數率F1、死數率F2和錯數率F3,4 個指標之和為100%,即

1）缺數率

定義缺數率F1為每個風電場數據缺失點數Nlost占所有數據點數Ntotal的比例,即

2）死數率

定義死數率F2為數據不刷新的數據點數Nsame占所有數據點數的比例,即

其中,不刷新的數據的判斷規則為:①風速數據不刷新,風速連續0.5 h 不刷新,則除第1 個點以外標記為不刷新；②功率數據不刷新,在自校驗階段,有功功率連續0.5 h 不變,則除第1 個點以外標記為不刷新。

在狀態有功功率互校驗時,對于計劃停運、非計劃停運、調度停運（含調度限電）、通信中斷、場內受累停運、場外受累停運6 種狀態相應有功數據被標記為不刷新的情況,需取消其不刷新標記；對于待風狀態相應有功數據被標記為不刷新的情況,需判斷死數是否為0,如果是0,則取消其不刷新標記,進行修正；如果不是0,則不需要任何處理。

3）錯數率

定義錯數率F3為錯誤的數據點數Nfalse占所有數據點數的比例,即

以風速和有功功率為例,錯數的判斷規則為:風速越限范圍為風速大于50 m/s 或小于0 m/s；數據躍變為1 h 平均風速超過6 m/s,1 h 平均氣溫變化超過5 ℃,3 h 平均氣壓變化超過1 kPa；有功越限為單機或場站有功功率大于1.1 倍裝機容量或者小于-10%的裝機容量。

2.2 預測誤差解耦評價模型

首先,在功率預測中定義評價3 個主要環節對預測結果誤差影響程度的指標。具體地,定義變量En表征由NWP 環節導致的預測功率誤差,定義變量Em表征由Model 環節導致的預測功率誤差,定義變量Er表征由校正環節導致的預測功率誤差。三者共同組成整體預測功率誤差Et,i,即風電場預測功率與實際功率的差值,如式（5）所示。

式中:Pp,i為風電場在i 時刻的預測功率；Pm,i為風電場在i 時刻的實際功率；En,i,Em,i,Er,i分別為i 時刻由NWP 環節、Model 環節、校正環節導致的預測功率誤差。

其次,引入發電開機方式和氣象預測/觀測信息,求解等效預測功率值。通過獲取風電場計劃開機容量和實際開機容量,計算在準確開機容量條件下的等效功率預測值,即

式中:Pcap,i為i 時刻準確開機容量條件下的等效功率預測值；CO,i和C′O,i分別為i 時刻風電場實際開機容量和計劃開機容量。

通過獲取風電場氣象預測/觀測信息,計算在準確風資源條件下的等效功率預測值為:

式中:Pwind,i為i 時刻準確風資源條件下的等效功率預測值；f (?)為風電場功率預測中應用的風-電轉換模型；v,d,T,H,rh分別為觀測的風速、風向、氣溫、氣壓、相對濕度；C 為風電場裝機容量。

預測功率Pp,i與實際功率Pm,i之差為En,i,Em,i,Er,i這3 個環節誤差之和；預測功率Pp,i與等效預測功率Pwind,i之差為NWP 環節誤差En,i；預測功率Pp,i與等效預測功率Pcap,i之差為校正環節誤差Er,i；建立聯立方程組（式（8））,求解可得i 時刻En,i,Em,i和Er,i的值,方法示意圖如圖2 所示。

圖2 預測誤差解耦評價方法示意圖（場站側）Fig.2 Schematic diagram of decoupling evaluation method for prediction error (wind farm side)

將3 個主要環節誤差進行歸一化處理,得到每個環節的誤差貢獻率,分別為Rn,i,Rm,i,Rr,i,計算公式如式（9）—式（11）所示。

3 調度側功率預測誤差解耦評價模型

第2 章已經給出風電場側功率預測誤差的解耦評價模型,理論上,該評價模型亦可部署于電網調度側,但在實際應用中,受限于模型多樣性、部署難度、維護效率等限制,調度側功率預測誤差的解耦評價模型需要重新設計通用的風-電轉換簡化模型,以滿足自動、高效的批量評估需求。

3.1 風-電轉換簡化模型

基于風電機組的能量轉換原理,風電場從風資源中獲取的機械功率Pm［22-23］為:

式中:ρ 為空氣密度；S 為風輪掃掠面積；Cp為功率利用 系 數；v0為 偏 航 風 速；θ 為 偏 航 偏 差；d0為 偏 航 風向；e 為輪轂高度處的水汽壓。

由式（12）—式（14）可知,風電有功功率與風速的立方呈正比例關系,與空氣密度呈正比例關系,空氣密度由氣溫、氣壓和相對濕度共同決定。

綜上,風-電轉換簡化模型的輸入變量為輪轂高度的風速、風向、氣溫、氣壓、相對濕度,輸出變量為風電場在正常工況下的有功功率。建模主要分為建模數據篩選和統計模型訓練2 個部分。

1）建模數據篩選

功率預測中的風-電轉換模型只用于表征風電場在正常運行工況下的風資源與發電功率的映射關系,無法覆蓋電網限電降額/停運、機組故障停運和檢修停運等其他特殊工況,因此,用于統計建模的歷史運行數據應先進行工況篩選。

概率密度估計是通過樣本估計總體的概率密度函數,通常分為參數和非參數形式的概率密度估計。核密度估計［24-25］是常用且有效的非參數概率密度估計方法,其表達式如下。

式中:n 為樣本數；h 為帶寬；xm為變量x 的第m 個樣本；K（?）為核函數。

本文采用高斯核函數,其表達式如下。

核密度估計帶寬的選取影響估計精度。帶寬較小時,概率密度曲線偏尖銳,結果波動較大；帶寬較大時,概率密度曲線過于平滑,數據的真實性可能被掩蓋,本文選用最優帶寬求取方法。

基于核密度估計的風電場運行異常工況數據識別過程如附錄A 圖A1 所示,具體步驟如下。

步驟1:工況篩選。對于原始數據包含對應的運行工況,剔除開機容量小于95%的額定裝機容量、電網調峰/網架原因限電、機組主動限功率等特殊工況樣本。

步驟2:將功率數據從0 至額定功率等間隔劃分為多個區間,并將機組實際功率及風速數據對應至各功率區間。

步驟3:通過核密度估計確定各區間內風速數據的概率密度估計結果。以功率區間[ P1,P2]為例,假設該區間內風速數據的核密度估計結果:風速序列為{v1,v2,…,vn}（v1＜v2＜…＜vn）,對應概率密度為{ p1,p2,…,pn}。

步驟4:異常數據篩選。以功率區間［P1,P2］為例,確定風速數據核密度估計概率密度的最大值pk及其對應風速vk。從風速vk開始,沿核密度估計風速序列增大的方向,即vk→vn方向,判斷t=k 時式（17）是否成立,若成立,繼續判斷t=k+1 時式（17）是否成立,以此類推,直到不滿足判斷條件為止,設此時的風速為vmax。從風速vk開始,沿核密度估計風速序列減小的方向,即vk→v1方向,判斷t=k時式（17）是否成立,若成立,繼續判斷t=k-1 時式（17）是否成立,以此類推,直到不滿足判斷條件為止,設此時的風速為vmin。該功率區間內,介于vmin至vmax間的風速及對應功率數據為正常數據,其余數據為需要剔除的異常數據。

步驟5:對于步驟2 所劃分的全部功率區間,通過步驟4 篩選并剔除異常數據,即可得到全功率段的正常數據。

以某風電場風速-功率的運行數據為例,圖3 為原始的全部運行數據散點采用本文所提方法進行工況數據篩選后的結果。本文所提核密度估計法能夠有效地批量提取正常工況的風-電建模數據,相對于傳統四分位法,對異常數據的篩選剔除結果更優,避免出現篩除過多有用數據的問題。

2）統計模型訓練

風-電轉換模型的輸入和輸出具有非線性關系,應用在調度側的風電場預測誤差解耦評價模型中,風-電轉換簡化模型采用反向傳播（BP）神經網絡結構［26］。BP 神經網絡是一種非線性優化,它按照誤差BP 來調整神經網絡的參數,以實現非線性系統映射關系的最優表達。模型采用3 層BP 神經網絡結構,如附錄A 圖A2 所示,輸入節點數為4,分別為風速、風向、氣溫、氣壓；單節點輸出為風電場有功功率,隱含層節點數為7。模型訓練樣本為經數據篩選后的風電場正常運行工況數據。

圖3 功率運行數據散點篩選圖Fig.3 Diagram of operation power data filtering

3.2 誤差解耦模型

基于2.2 節功率預測誤差解耦評價的思想,在調度側的誤差評價應用中引入風-電轉換簡化模型,如圖4 所示。

引入調度側的風-電轉換簡化模型,求解等效預測功率值。通過獲取風電場氣象觀測信息和預測信息,計算等效功率預測值,即

式中:Pwind,sm,j為第j 個風電場在準確風資源和簡化模型條件下的等效功率預測值；Pp,sm,j為第j 個風電場在采用風-電轉換簡化模型條件下的等效功率預測值；gj(?)為調度側用于預測誤差評價第j 個風電場的風-電轉換簡化模型；v′,d′,T′,H′分別為風速、風向、氣溫、氣壓的NWP 預測值；CO,j為第j 個風電場的實際開機容量；Cj為第j 個風電場的裝機容量。

圖4 預測誤差解耦評價方法示意圖（調度側）Fig.4 Schematic diagram of decoupling evaluation method for prediction error (dispatch side)

第j 個風電場的預測功率Pp,j與實際功率Pm,j之差為En,j,Em,j,Er,j這3 個環節誤差之和；第j 個風電場的預測功率Pp,j與等效預測功率Pcap,j之差為校正環節誤差Er,j；第j 個風電場的等效預測功率Pwind,sm,j與等效預測功率Pp,sm,j之差約為NWP 環節誤差,建立聯立方程組（式（20））,求解可得第j 個風電場各環節的預測誤差值。

式中:En,j,Em,j,Er,j分別為第j 個風電場由NWP 環節、Model 環節、校正環節導致的預測功率誤差；Pp,sm,j為第j 個風電場在風-電轉換簡化模型下的等效預測功率；Pwind,sm,j為第j 個風電場在準確風資源輸入和風-電轉換簡化模型條件下的等效預測功率；En,sm,j為風-電轉換簡化模型條件下的NWP 環節等效誤差；Em,sm,j為風-電轉換簡化模型條件下的Model 環節等效誤差。

3.3 調度側評價模型準確性分析

在調度側引入風-電轉換簡化模型后,由于誤差測算過程中存在近似化,各環節等效誤差的估算可能產生偏差。對3 座典型風電場的誤差解耦評價指標進行測算,分析調度側對風電場預測誤差評價的準確性。表1 為調度側與場站側的預測誤差評價對比,場站側和調度側校正環節評價誤差結果相同,場站側NWP 環節的誤差占比比調度側的高1.1%,場站側Model 環節的誤差占比比調度側的低1.1%,調度側評價的最大誤差為風電場C,與場站側NWP環節和Model 環節評價誤差為1.4%。結果表明,調度側模型可以較準確地評價風電場功率預測各環節的誤差貢獻占比。

表1 功率預測誤差解耦評價對比Table 1 Comparision of decoupling evaluation on power prediction error

4 算例分析

4.1 長周期統計算例

選取中國華北區域9 座風電場,地形涵蓋了壩上高原、壩上丘陵、復雜山地及沿海平地等,利用調度側評價模型進行測算,風-電轉換簡化模型采用BP 神經網絡,數據質量如附錄A 圖A3 所示。以風電場A 的2019 年1 月數據為例,其預測誤差解耦評價時序曲線結果如圖5 所示。

圖5 風電場A 誤差解耦評價曲線Fig.5 Curves of decoupling evaluation on error in wind farm A

9 座風電場2019 年1 至7 月功率預測各環節誤差解耦測算結果如表2 所示,3 個預測環節誤差的平均占比分別為58.8%,40.5%和0.7%,NWP 環節誤差平均占比最高,為58.8%。Model 環節的誤差貢獻平均占比為40.5%。從長期測算結果看,NWP 環節是預測誤差的主要來源,Model 環節是造成預測誤差的重要來源,NWP 環節和Model 環節的誤差共同構成了總誤差的基本面。

表2 典型風電場功率預測各環節誤差統計Table 2 Error statistics of each link for power prediction in typical wind farms

在測算的風電場中,高準確率風電場的Model環節誤差占比較低,而低準確率的風電場Model 環節誤差占比普遍偏高:風電場I 的預測準確率最低,其Model 環節誤差占比為44.1%；風電場A 的預測準確率最高,其Model 環節的誤差占比為30.8%,二者占比相差13.3%,其Model 環節預測誤差分布集中在±0.2（標幺值）范圍內（見附錄A 圖A4）,其NWP 環節預測誤差分布集中在±0.4（標幺值）范圍內（見附錄A 圖A5）。綜上,Model 環節誤差是較低預測水平場站的普遍短板,是預測水平較差場站應重點解決的問題。

校正環節在較長統計周期中對整體誤差影響較小,但個別場站的非計劃停運導致部分時段出現較大誤差。2019 年1～7 月,9 座測算風電場出現非計劃停運事件共76 起,累計機組停運1 032 臺?次,涉及裝機容量為1 716 MW。校正環節誤差的平均占比為0.3%,表明總體影響不大,各風電場均能按檢修計劃準確上報次日開機容量。但個別風電場非計劃停運后,日前開機容量估算不準確造成了較大的預測偏差。例如,風電場A 在2019 年4 月30 日至5 月3 日期間,1 號主變壓器故障檢修導致28.8 MW風電機組非計劃停運,由于日前開機容量未準確估算,導致校正環節誤差占比分別達到34.6%,41.1%,37.6%和12.2%。此外,風電場E 和G 也出現了相似現象。校正環節誤差反映了風電場功率預測工作管理及發電設備運維的水平。

NWP 環節誤差通常是大預測偏差事件的主要成因。選取各場站預測準確率最低的10 天進行測算,9 座風電場NWP 環節誤差平均占比為65.4%,較平均水平上升了6.6%,如表3 所示。

表3 預測準確率最低10 天的各環節誤差統計Table 3 Error statistics of each link in 10 days with the lowest prediction accuracy

測算結果表明發生預測較大偏差的主要原因是NWP 偏差,持續提升NWP 環節預測水平是預防大偏差事件發生的重點工作方向。

4.2 大偏差事件算例

在某電網負荷晚峰17:00—22:30,風電功率預測出現明顯預測偏差,如附錄A 圖A6 所示。風電實際出力先降后升,變化幅度大、速度快,與日前預測結果偏差明顯。

按照本文提出的功率預測誤差解耦評價方法,分別提取了各風電重點匯集區10 座典型風電場的功率預測數據、NWP 數據、風資源觀測數據、開機容量等數據,對功率預測各環節誤差進行解耦評價,評價結果統計如表4 所示。

表4 負荷晚峰時段風電預測誤差統計Table 4 Error statistics of wind power prediction during evening peak load period

根據測算結果分析此次負荷晚峰時段預測偏差的主要特點:①NWP 環節誤差占比高,在晚峰時段,區域GY,KB,SY,WQ,JSL 這5 個風電匯集區域的10 座典型風電場的NWP 環節誤差占比平均值為74%,顯著大于Model 環節誤差占比平均值（26%）；②NWP 環節誤差方向一致,各風電場在晚峰時段的NWP 環節誤差均為正向誤差,即NWP 環節預測風速均大于實際風速,進而導致NWP 環節等效功率預測誤差偏大；③不存在校正環節的等效誤差,各風電場當天的實際開機均按日前開機計劃執行。綜上,NWP 環節的正向誤差是此次負荷晚峰時段風電預測偏差事件的主要原因。

5 結語

本文提出了一種風電功率預測誤差解耦評價方法,利用風電實際運行信息,定量化分析0～168 h 中短期功率預測各關鍵環節對整體誤差的影響程度,為精準優化功率預測薄弱環節提供了前提。主要結論如下。

1）基于氣象、電力等多源運行數據驅動,所提功率預測各環節等效影響誤差的量度方法,實現了各環節時序誤差的定量化評價,精細化分析預測偏差事件成因,精準定位問題場站及薄弱環節。

2）設計了基于核密度估計的風電異常工況分區間辨識方法,并建立了典型的風資源-電力特性的簡化模型,解決了多類型誤差評價模型在電網調度側統一開發部署的難題,實現了海量運行數據的高效利用。

3）長期測算結果表明,NWP 環節是預測誤差的主要來源（占比為58.8%）,Model 環節是造成預測誤差的重要來源（占比為40.5%）,NWP 環節和Model 環節的誤差共同構成了總誤差的基本面。

4）Model 環節誤差是較低預測水平場站的普遍短板,是預測水平較差場站應重點解決的問題；NWP 環節誤差通常是大預測偏差事件的主要成因；校正環節誤差反映了風電場功率預測管理和設備運行維護水平。

預測誤差解耦評價的核心前提是掌握風電運行、氣象觀測、氣象預測等多元數據,評價準確性高度依賴于實際數據質量,因此本文所提方法高效落地與推廣應用的關鍵點是,未來如何探索通過技術和管理手段保障數據質量,實現多源海量信息的自動化、批量化、智能化處理與運算。

附錄見本刊網絡版（http：//www.aeps-info.com/aeps/ch/index.aspx），掃英文摘要后二維碼可以閱讀網絡全文。