風力發電功率預測的技術進展與展望

華北電力大學 韓韞洲

隨著能源危機日趨嚴峻，保障能源供應已是重要問題。風能是一清潔能源，有低成本、可再生優點。但風電本身的不確定性會影響其并網后電網的安全穩定。特別是當風電穿透率較高時，更要電網有大量調峰備用容量。我國風電場多集中式和大容量的風電場，風電不穩定性對于電網影響明顯，因此目前存在許多棄風行為。若能準確預測風電功率，便可解決問題。

風力發電功率的準確預測靠科學的預測理論方法和合理的預測模型，國內外學者進行了系列廣泛的理論探索并提出許多預測方法。按不同建模機理，風力發電功率預測模型可分物理模型、統計模型、空間相關性模型及人工智能模型等。當前世界范圍內已研發出一些成熟的風電預測系統，如丹麥的Zephry 系統、德國的WPMS 以及我國電力科學研究院研發的WPFS 等。

風電功率預測技術是指對未來一段時間風電場能輸出的功率大小進行預測以安排調度計劃，得到精準預測結果后可制定合理的調度、檢修計劃，從而提高風能利用率。準確的預測結果有利于解決風電輸出功率控制、經濟調度及風電競價交易等問題，從而提高上網電價。對發電企業，風電功率的精準預測有助于企業檢修、減少棄風，提高經濟效益。

1 風力發電功率預測的方法

風力發電功率預測從時間尺度可劃分為超短期、短期、中期和中長期預測；從模型對象可分為基于風速和基于功率；從模型原理看有物理方法、統計方法及學習方法；從對象范圍看有單臺風機、整個風電場和較弱區域。超短期預測用于控制風電機組，短期預測用于電網安排調度，中期預測用于大型檢修，長期預測用于風電場選址評估。從模型對象來看，基于風速的預測首先預測出風速，再據功率曲線計算風電功率。基于功率的預測是直接對風電功率進行預測。

持續型預測。這種方法直接假設在“t+Δt”時間內的風速與在“t”時間內的風速相同。它對于超短期或短期的風電功率預測比大多數物理和統計方法更準確，在工業領域中也常用這種方法進行超短期預測，這種方法也成為了衡量其他預測方法是否有效的基準之一。

物理方法。風電功率預測的物理方法主要指基于數字天氣預報(NWP)的預測方法。目前這種方法已較成熟，適用于較長時間風電功率預測。該方法將天氣數據代入NWP 的預測數學模型，計算分析出風電場位置的現場狀況。天氣條件越穩定，基于NWP 的預測方法結果就越準確[1]。由于模型復雜性，該方法要用超級計算機來運行，應用有局限性，短期預測有效性不如持續型預測，因此基于NWP 的預測方法通常不應用于超短期風電功率預測。

統計方法。是據歷史統計數據找出天氣狀況與發電功率間的關系后，據實測數據和數值天氣預測數據對場未來發電功率進行預測。統計預測方法的代表是時間序列法，其是將各個時間點的風電場氣象數據輸入SCADA 系統中進行計算分析。自回歸滑動平均（ARMR）是時間序列法中常用模型。ARMR 模型可描述線性動態過程，但僅限于零均值的平穩隨機序列。而風速和風電功率的時間序列都有非平穩隨機序列的特點，故建立風電功率預測的ARMR 模型時要對數據進行非平穩化處理。

學習方法。主指人工智能算法。用經典的數學統計方法可較快、簡易地預測風電功率。但電力系統及風速都處于復雜的非線性動態過程，因此采用經典的數學統計方法必影響精度。人工智能算法可更準確地擬合非線性關系，提高預測精確度，從而彌補傳統方法單純依靠數學求解帶來的不足。BP（Back-propagation）神經網絡是最常用的神經網絡。這種神經網絡中每個神經元有三個——輸入、判斷和輸出。每一層神經元內部無關聯，相鄰層的神經元點間互相連接。每條神經線可賦予不同的權重，權重分配的合理性將直接影響模型輸出結果的準確性[2]。

混合方法。近年來提出了利用個體預測方法優勢的各種組合預測方法，且其預測性能常優于個體。組合預測方法可分為四類：基于權重的組合方法據各預測精度為各方法分配權重系數，后合并加權的預測。Shi 等[3]提出一基于灰色關聯分析和風速分布特征的基于加權的組合模型；實施數據預處理技術，將原始的非線性風速或風能時間序列分解為更平穩和規則的分量。liang 等[4]提出一基于Hilbert-Huang 變換和Hurst 分析的風電規模劃分方法；訓練過程中采用參數選擇和優化技術來優化預測模型參數的組合方法。Chitsaz H 等[5]提出一以多維Morlet 小波為隱藏神經元函數；基于數據后處理技術的組合方法，減少從主要預測方法產生的對于殘差的負面影響。考慮到風力的波動性，Liu HP 等[6]提出了自回歸條件異方差模型（ARCH）。

2 風電功率預測現存問題

風電功率預測方法缺點。風力發電機功率取決于風電場風速，風速與功率是三次方的關系，即風速預測中任何誤差都會給風能預測帶來巨大誤差。對風電場這種關系更復雜。電場中不同風機用多個風向和速度以達風電場最佳功率輸出。因此風速預測中小誤差會在風能預測中產生更大誤差。物理預測缺點有由于邊界條件復雜導致更新緩慢不能預測短期功率、分辨率不高、誤差大。統計方法對于數據有一定要求，也有一定誤差且模型要求高。目前世界總體對風力發電功率的預測總體值是偏小的。現在可預測的風力發電功率集中在陸上及近岸，但陸上偏遠及崎嶇地區并不能很好地預測。在遠海及深海大部分地區都不能預測風力發電功率，主要是技術不行：一是不能建造風電場以獲得準確數據；二是預測技術不能適應；目前的技術不能很好的適應天氣變化、地理分布規律。

對風電功率預測系統的評價。風力發電功率隨風速變化有一定波動性，風電功率預測有一系列不可避免誤差，對電力系統穩定運行有影響。通過評價指標可直觀了解預測系統運行情況，提高風電功率預測系統精確度。現行的風電功率預測系統評價指標有：絕對誤差(et)v。et=|pt ?p′t|；平均相對誤差(MRE)。MRE=∑t=1net/(npt)；平均絕對誤差(MAE)。MAE=∑t1=net/(npN)；均方根誤差(RMSE)。

風電功率存在的偏差。現有數據偏差多呈現單向連續偏差且功率偏差大的數據比例較小，數據偏差相對值多居10～30%。為減少偏差制定了功率偏差考核細則，其中準確率有4個指標：月風電場功率預測準確率（權重60%)；上報功率預測合格率（權重20%)；月傳送率（權重10%)；完備率r4（權重10%)。

3 研究中的預測方法及風力發電功率預測展望

通過本文的研究，希望從中獲得風力發電功率預測的新想法：一是單機風電功率人工智能預測模型，闡述模糊邏輯等人工智能方法如何應用于單機風電功率預測及特點[7]；二是基于二次模式分解和級聯式深度學習的超短期風電功率預測，提出一基于EEMD-WPD 二次模式分解和級聯式CNNGRU 深度學習的風電功率預測模型[8]；三是基于降噪時序深度學習網絡的風電功率短期預測方法，提出使用SSALSTM 預測模型，可分析并處理低維度風能歷史數據[9]。

風力發電是目前世界上增長最快的可再生能源發電方式。我國是能源需求大國，隨著各大型風電場建立風電裝機容量也逐年上升。較傳統能源發電方式風力發電會因為風的不穩定性對電力系統穩定運行產生威脅，大規模風電并網也給電網帶來沖擊。為減少大規模風電并網對電力系統運行帶來的危害，風電場功率預測技術的研究及風電預測系統的開發就顯得尤為重要。智能算法、深度神經網絡在風力發電功率預測中有巨大潛力，應因地制宜的設計模型和方法進行功率預測。