湖北山區復雜地形條件下風電功率預報算法研究

許沛華，陳正洪，孫延維，王必強，簡仕略

(1.華中師范大學人工智能教育學部教育信息技術學院，湖北 武漢 430079；2.湖北省氣象服務中心，湖北 武漢 430074；3.湖北第二師范學院計算機學院，湖北 武漢 430205)

引 言

湖北省內風能資源豐富區域主要分布在鄂北部的隨州至麻城桐柏山大別山一線、中部的襄陽及荊門一帶、鄂西南的利川齊岳山區、鄂東低山丘陵湖區，全省90%以上風電場建設在復雜地形的山區。對于復雜地形的山區來說，數值模式預報由于網格及陸面物理過程的局限性，模擬山區復雜地形及地貌條件較困難[1-4]，尤其是近地層風速易受復雜下墊面和復雜湍流過程影響[5-6]，使模式模擬的風速、風向與實測值之間存在一定偏差[7-8]，需要在大量的觀測數據基礎上進行模式后處理，使數值預報結果更接近電站觀測值[9-13]。

目前國內外風電功率預報算法主要分為物理法與統計方法，物理法也被稱為數值天氣預測模型[14]，它嚴重依賴于風電場條件的完整描述。統計方法側重于挖掘時間序列中的時變關系，這些時變關系由三類組成，分別是時間序列分析方法、卡爾曼濾波和機器學習方法。自回歸模型、移動平均模型、自回歸移動平均模型是典型的時間序列分析模型[15]，往往需要較高的模型階數來描述時間序列數據的線性關系。卡爾曼濾波考慮了模型誤差的動態傳播，可以有效提高預測精度[16]。除此之外，神經網絡和支持向量機是具有代表性的機器學習方法[17]，可以通過各種學習規則在輸入和輸出之間建立非線性映射。然而在風電場大規模的服務實踐過程中發現，針對統計模型所需的高質量時間序列數據，往往會受測風塔觀測數據質量、風機老化、停機檢修、限電、覆冰等諸多因素影響，數據的內在統計規律被破壞，給統計模型的建立帶來了困難。同時，隨著并網風電規模越來越大，國家能源局華中監管局2019年7月發布了對每日功率預報準確率進行考核的文件，對預報的合格率和準確率提出了更高要求。因此，如何建立一個可以適應不同數據場景又能提供持續高準確率的風電功率預測算法體系，并在大規模的工程應用中以經濟高效的方式運行是一個急需破解的難題。

本文使用物理法[18]、偏最小二乘法[19]、神經網絡算法[20-24]，建立基于風速訂正方法的物理法、偏最小二乘法、神經網絡方法進行功率預測，通過實際對比檢驗，每一種單一方法均無法滿足風電場對持續高準確率預報的要求，受深度學習方法的啟發，在這些方法的基礎上提出了softmax集成預報方法[25]，該方法較單一預報方法和傳統均值法集成預報都具有更高的合格率和準確率，可以有效減少電站考核天數，提升電站經濟效益。

1 資料與方法

1.1 資 料

為檢驗softmax集成預報方法在不同典型條件下的預報能力，對具有典型代表地區的3個風電場進行6種風電短期功率預報，并對預報結果進行詳細分析。這3個電站情況分別為：電站1位于鄂北部山區，風機較多，裝機容量大，投產時間長，觀測數據受風機老化、檢修、限電等各種不確定因素影響較大，數值預報較為準確；電站2位于鄂西南高海拔山區，投產時間短，觀測數據質量高，數值預報在該地區存在系統偏差；電站3位于鄂東低山丘陵地區，裝機規模小，投產時間短，觀測數據質量高，數值預報經訂正后大部分月份能滿足要求。

利用湖北省3個風電場2018年5月至2019年12月的數據進行試驗，經過分析和篩選，每個風電場挑選數據質量較好的7個月數據(其中第1個月數據用于訓練，剩余6個月數據用于檢驗準確率)，包括風電場的功率實況數據、測風塔數據及數值預報數據，時間分辨率均為15 min，數值預報使用同期歐洲中期天氣預報中心(European Center for Medium-Range Weather Forecasts，ECMWF)產品，區域水平分辨率為3 km×3 km。

1.2 方 法

為適應不同風電場的數據條件和場景，利用物理法[18]，即利用數值預報的風速、風向、溫度、濕度、氣壓等預報要素，根據風機的功率曲線預報發電功率的方法；偏最小二乘法[19]，基于線性回歸和最小二乘法基礎上的一種高度非線性體系的統計預報方法；神經網絡法[20-24]，是一種高度非線性預報方法，能夠以任意精度逼近任何非線性映射，以及考慮數值預報周期性和季節性波動特點的滾動風速訂正方法。首先使用數值模式預報輸出結果輸入到上述3種功率預報模型中，然后結合風電場實際測風數據對風速和功率曲線進行滾動訂正和建模，再輸入到3種功率預報模型中。在長期風電場服務過程中發現，由于每個風場觀測數據的穩定性、數值預報誤差的不確定性等因素導致無法使用任何一種單一的預報方法進行高合格率和高準確率的預報服務。

均值法集成預報方法，即對所有預報方法求平均值的方法，存在一些固有缺陷，容易高估小風，導致小風天氣因為平滑而被夸大，低估大風，導致大風天氣的預報能力因為平滑而被降低，給功率預報造成了困擾，降低預報的合格率[26-28]。越來越多實踐表明[29]，預報準確率較高的方法應賦予“更高”的權重，預報準確率不高的方法也能得到一定的權重，準確率不同的預報方法之間的權重需要具有一定的“距離”，softmax函數恰好能夠滿足這個要求，該函數是機器學習領域比較重要的函數，尤其在多分類的任務中應用廣泛，softmax函數可形式化表示[25]如下：

(1)

假設P1、P2、P3分別為某一時刻最優預報方法一、方法二、方法三的風電預報功率，則集成預報風電功率P公式如下：

P=δ1(z)×P1+δ2(z)×P2+δ3(z)×P3

(2)

式中：P(MW)為集成預報的風電功率；δ1(z)、δ2(z)和δ3(z)分別為優選的3種算法權重值；P1、P2、P3(MW)分別為優選的3種算法預報的功率值。由公式(2)可以看出，softmax集合方法可以“凸顯”最近30 d預報準確率較高的方法并“抑制”最近30 d預報準確率相對一般的方法，如3種方法都具有相同的合格天數，則該方法變為均值法。每天選擇參與集成預報的方法時，根據這些預報方法最近30 d的預報準確率進行動態調整，而不是固定的3種方法。

風電功率預報預測合格率(Q)計算公式如下(1)國家能源局華中監管局文件. 關于印發華中區域“兩個細則”的通知，(2019)192號.：

(3)

式中：i代表某一天，Bi代表第i天是否合格，rRMSE為第i天功率預報的相對均方根誤差，當預報準確率大于等于80%為1，表示該日預報合格，當預報準確率小于80%為0，表示該日預報不合格。

1.3 流程圖

設計兩大類預報算法：(1)基于原始數值預報結果進行預報的物理法、偏最小二乘法和神經網絡法；(2)原始數值預報結合現場觀測數據進行風速訂正的基礎上，再將訂正風速進行物理法、偏最小二乘法和神經網絡法進行預報。對以上6種算法再進行最近30 d的預報合格率計算并優選合格率最高的3種預報算法，再對這3種預報算法進行softmax集成預報，圖1為softmax集成預報流程圖。

圖1 softmax集成預報流程圖Fig.1 The softmax ensemble prediction flow chart

2 結果分析

2.1 電站1

隨州天河口風電場地處隨州市桐柏山脈，風場由一條東西走向長約10 km的主導山脊組成，風場占地面積大，地形地貌復雜，裝機容量220 MW，為湖北省境內最大裝機容量風電場，共135臺風機，選取2019年4—10月的數據進行各種算法的合格率和準確率統計。表1列出2019年5—10月天河口風電場各算法風電功率預報合格率及天數，可以看出，前6種算法每個月合格的天數不穩定，而后2種集成預報算法表現出較好的穩定性，其中7月、8月、10月softmax集成預報算法較均值法集成預報合格天數提高2 d，其他月份提高1 d，平均提高1.5 d。softmax集成預報算法較均均值法集成預報月平均合格率提高4.91%。

表1 2019年5—10月天河口風電場各算法風電功率預報合格率及天數Tab.1 The qualification rate and days of wind power forecasted by each algorithm in Tianhekou wind farm from May to October 2019

表2列出2019年5—10月天河口風場各算法風電功率預報準確率。可以看出，數值模式的原始預報較準確，即使在沒有訂正的基礎上，預報準確率也均大于80%。6—8月將該風場數值預報輸出風速代入3種方法后，物理法較神經網絡法和偏最小二乘法的預報準確率更高，以6月為例分析發現，5月整場的風速和實況功率的散點圖(圖2)雖成“S”型分布，但對于4～10 m·s-1風速來說，對應的實況功率取值范圍較大，其中4～5 m·s-1風速對應實況功率值范圍為0～150 MW，由于神經網絡法和偏最小二乘法采用最近前30 d的數據滾動建模，所以5月的數據不利于機器學習，影響6月神經網絡法和偏最小二乘法預報準確率，分析原因可能是由于該風電場裝機容量較大，風機較多，整場出力受到風機檢修、老化等各種不確定因素的影響。另外，softmax集成預報的準確率較均值法集成預報更高，其中月平均預報準確率較均值法提升0.79%，其中10月預報準確率較均值法提升0.92%。

表2 2019年5—10月天河口風電場各算法風電功率預報準確率Tab.2 The forecast accuracy of wind power of each algorithm in Tianhekou wind farm from May to October 2019

圖2 2019年5月天河口風電場實況風速與實況發電功率散點圖Fig.2 The scatter diagram of actual wind speed and actual generation power of Tianhekou wind farm in May 2019

2019年5—7月天河口風電場采用直接將數值預報輸出的風速代入物理法的預報準確率更高，以6月為例分析發現，6月訂正前的風速均方根誤差為2.23 m·s-1，訂正后均方根誤差為2.24 m·s-1，誤差不僅沒有下降，相反略有增大(圖3)。說明通過風速訂正后的預報算法反而比沒有訂正的算法預報效果略差。

圖3 2019年6月天河口風場實況風速及訂正前后預報風速的日變化Fig.3 The daily variation of observed wind speed and forecasted wind speed before and after revision in Tianhekou wind farm in June 2019

2.2 電站2

利川齊岳山風電場位于鄂西北高海拔山區，總裝機容量99 MW，共66臺風機，選取該風電場2018年6—11月的風電功率預報合格率、合格天數、準確率(表3、表4)進行分析。由表3可以看出，softmax集成預報較均值集成預報合格天數提高1～3 d，其中8月和11月均值法和softmax集成預報法的合格率一樣。以11月例，優選的3種預報算法合格天數均為25 d，由公式(2)可知，softmax集成預報法變成了均值法集成預報，故兩種集成預報合格天數一樣，也均為25 d。總體上，softmax集成預報法月平均合格天數比均值法集成預報高1.3 d。

表3 2018年5—11月齊岳山風電場各算法風電功率預報合格率及天數Tab.3 The qualification rate and days of wind power forecasted by each algorithm in Qiyueshan wind farm from June to November 2018

表4 2018年6—11月齊岳山風電場各算法風電功率預報準確率Tab.4 The forecast accuracy of wind power of each algorithm in Qiyueshan wind farm from June to November 2018

圖4為2018年6—11月齊岳山風電場預報風速訂正前后的均方根誤差。可以看出，7月、8月和11月訂正后風速均方根誤差(RMSE)均略有增大，其中7月增大0.05 m·s-1，但6月、9月、10月預報風速經訂正后均方根誤差均有下降，其中10月下降0.26 m·s-1。由表4可以看出，將數值預報輸出風速直接代入的物理法沒有其他預報方法效果好，其中6月、9月、10月經風速訂正后的各預報算法準確率都得到明顯改進，6月、9月風速訂正后的神經網絡法較直接將數值預報輸出風速代入的物理法分別提升3.89%、6.25%，10月風速訂正后的物理法較直接將數值預報輸出風速代入的物理法提升6.67%，與圖4風速訂正誤差較為吻合，尤其是10月，風速訂正后改進最為明顯。從各月預報準確率來看，softmax集成預報法接近單一預報方法的最大值，6—11月均優于均值法集成預報。

圖4 2018年6—11月齊岳山風電場訂正前后預報風速的均方根誤差Fig.4 The root-mean-square error of forecasted wind speed before and after revision in Qiyueshan wind farm from June to November 2018

2.3 電站3

武穴大金中部風電場位于鄂東低山丘陵地區，裝機容量26 MW，共13臺風機，選取該風電場2019年7—12月的功率預報合格率、合格天數、準確率(表5、表6)進行分析。由表5可以看出，7—12月softmax集成預報法較均值法集成預報合格天數提高1～3 d，其中10月、12月合格天數提高較明顯，均提高3 d，與天河口風電場類似，月平均合格天數提高1.8 d。

表5 2019年7—12月大金風電場各算法風電功率預報合格率及天數Fig.5 The qualification rate and days of wind power forecasted by each algorithm in Dajin wind farm from July to December 2019

由表6可見經過風速訂正后的預報模型比直接使用數值預報輸出風速的預報模型月平均預報準確率更高，對預報風速訂正后的算法除9月和11月外，其他月份預報準確率均為最高，其中9月訂正風速后偏最小二乘法較數值預報輸出風速代入物理法提高2.89%。7月softmax集成預報法比單一預報算法準確率最高的偏最小二乘法(訂正風速)提高1.31%，其他月份softmax集成預報法均接近單一預報算法準確率最高的算法。除12月外，其他月softmax集成預報均高于均值法集成預報。

表6 2019年7—12月大金風電場各算法風電功率預報準確率Tab.6 The forecast accuracy of wind power of each algorithm in Dajin wind farm from July to December 2019

圖5為2019年9月大金風電場實況風速與實況發電功率散點圖。對比圖2發現，該風電場散點圖數據聚集度高，經過數據“清洗”后，噪聲數據少，適合機器學習模型的建立，所以統計方法較物理法準確率更高。

圖5 2019年9月大金風電場實況風速與實況發電功率散點圖Fig.5 The scatter diagram of actual wind speed and actual generation power of Dajin wind farm in September 2019

圖6為2019年12月大金風電場實況風速及訂正前后預報風速的日變化。可以看出，12月預報風速與實況風速存在明顯的系統偏差，預報風速偏小，訂正前預報風速均方根誤差為2.06 m·s-1，訂正后預報風速均方根誤差為1.77 m·s-1，誤差減小0.29 m·s-1，經風速訂正后的神經網絡法準確率較數值預報輸出風速代入物理法提高7.05%(表6)，預報準確率得到明顯提升。

圖6 2019年12月大金風電場實況風速及訂正前后預報風速的日變化Fig.6 The daily variation of observed wind speed and forecasted wind speed before and after revision in Dajin wind farm in December 2019

通過3個典型電站分析發現，6個單一的預報算法在每個電站每個月都會有不同的表現，預報合格率和準確率受數值預報的不確定性、訓練數據(歷史數據)的質量問題、風機老化程度、檢修等各種復雜的主客觀因素影響。如在天河口風電場，裝機容量較大，原始的數值預報在沒有訂正的情況下準確率能達到80%以上，而在齊岳山風電場觀測數據質量較高，數值預報風速存在一定系統偏差，使用訂正后的預報算法效果更好，但沒有任何一個單一預報算法所有月份的預報準確率大于80%，在大金風電場雖然觀測數據質量較好，但極少數月份通過訂正后預報準確率仍然達不到80%，有賴于數值預報的能力的進一步提高。通過應用實踐表明，softmax集成預報法相比傳統均值法集成預報，月平均合格天數提高約1～2 d，預報準確率提高0.40%～0.79%，具有更高的合格天數和準確率。

3 結論與討論

(1)在數值模式后處理的訂正方面，統計訂正方法的確可以修正數值預報對風速預報的系統偏差，但同一數值模式在不同地區表現出不同的預報能力，甚至同一地區的不同月份和季節都表現出不同的預報能力，訂正算法有時候也會使預報誤差增大，最終影響功率預報的合格率和準確率。

(2)在采用實際功率曲線方面，偏最小二乘法與神經網絡算法在部分電站表現出較好的預報能力，分析發現功率預報的合格率和準確率與風機出力、測風質量、模型訓練有關。

(3)在數據質量方面，觀測數據的質量會嚴重影響訂正模型的表現能力，對訓練樣本集噪聲數據的清洗比較困難，需結合電站實際情況和專家經驗進行具體斟別，需投入大量的人力物力，不利于大規模的推廣應用。

綜合分析，任何單一算法受數值模式的預報能力、風電場規模、風機老化程度(投產時長)、觀測數據質量、檢修限電等各種因素的影響，即使對每個場站進行深入分析后再精細化建模，要使單一預報算法的合格率和準確率每個月都達到最好效果比較困難，受深度學習啟發，本文提出一種softmax的集成預報算法，較均值法集成預報算法具有更好的預報效果，使得每個月預報準確率和合格率都能有較穩定的表現，大多數情況下都能逼近每個月預報準確率最高的算法，甚至極個別月份還會超過所有單一預報算法，尤其是每個月的預報合格天數可以提升約1～3 d，能有效減少電站被考核的電量，提高電站經濟效益。