新型電力系統新能源發電智能預測系統設計與實現

摘要：隨著新能源技術的不斷發展，以風能、光伏為主的新能源發電技術逐漸成為我國電力供應的重要組成部分。目前，新能源發電技術受氣象因素的影響較大，發電間歇性和波動性會對電網運行的穩定性造成一定的影響，因此，需要借助智能預測系統對新能源發電功率進行準確預測，從而提升電力供應的準確性和穩定性。鑒于此，文章對新型電力系統新能源發電智能預測系統的設計與實現進行了研究，試圖為之提供行之有效的可行性建議。

關鍵詞：新能源；系統；模型；算法；設計

doi：10.3969/J.ISSN.1672-7274.2023.05.015

中圖分類號：TM 61，TP 18" " " " " " " "文獻標示碼：A" " " " " " " "文章編碼：1672-7274（2023）05-00-03

Abstract： With the continuous development of new energy technologies in China， new energy power generation technologies， mainly wind energy and photovoltaic， have gradually become an important component of China's power supply. At present， new energy power generation technology is greatly affected by meteorological factors， and intermittent and volatile power generation can have a certain impact on the stability of grid operation. Therefore， it is necessary to accurately predict the power generated by new energy with the help of intelligent prediction systems to improve the accuracy and stability of power supply. In view of this， the article studies the design and implementation of a new energy generation intelligent prediction system for a new type of power system， attempting to provide effective and feasible suggestions.

Key words： new energy; system; model; algorithm; design

傳統發電技術對煤炭、石油等不可再生資源的依賴程度過高，同時發電產生的污染較大。隨著我國經濟的不斷發展，能源的需求越來越大，亟須尋找更加安全、可靠的發電技術，彌補現有能源缺口，降低對傳統發電技術的依賴，并且有效改善人們的生存環境。圍繞“碳達峰、碳中和”目標，應加快新能源并網消納等主動支撐技術研究應用。新能源消納涉及電力系統發、輸、配、用多個環節，尤其是風力發電、光伏發電對氣象條件十分敏感，實現新能源高效消納，需要電力氣象創新技術驅動。同時，山東地區分布式光伏發展迅速，全省分布式用戶已超過50余萬戶，受天氣等因素影響，光伏發電存在明顯的間歇性和波動性，對電網的運行造成沖擊，成為制約分布式光伏并網的難題。利用精準氣象預報，研發基于AI技術的新能源發電智能預測技術，有效提升新能源預報準確性，能夠加強電網運行調度能力，提升新能源消納能力。

1" 新能源發電智能預測技術評價

新能源包括風能、太陽能、地熱能、潮汐能等，我國目前常用的新能源發電主要是風力和光伏兩種形式。隨著風電、光伏等新能源裝機占比不斷提高，其輸出功率的不確定性帶來了一系列調度運行問題。對風電、光伏輸出功率進行準確預測是降低不確定影響的有效手段。新能源發電智能預測系統由一套新能源發電預測終端和一套軟件管理平臺組成，該系統基于電力氣象預測平臺下開發的新能源智能預測系統，可以接收新能源發電站的氣象信息和電網設備運行狀態信息，通過計算機系統分析處理，生成短期、超短期功率預測數據文件及調度部門要求的其他指標文件，并自動上傳相應數據文件至上級調度部門，協助進行發電規劃[1]。

此外，風電和光伏發電智能預測主要用于電力計劃和電力市場兩個方面，用于制定年度電量計劃和檢修計劃，重點關注風電、光伏發電量情況，電網部門根據中長期預測結果并結合負荷預測結果，制定風電、光伏的年度用電計劃和電網檢修計劃。中長期預測需要定期對數據進行調整和更新。短期預測用于安排常規電源機組組合以及制定發電計劃。對短期預測的精度要求更高，電網部門可根據短期功率預測結果提前了解風力發電和光伏發電的波動情況，合理預留備用容量，以保證發電和用電量的合理分配。其主要體現在電網相關部門可以根據短期預測結果調整機組組合方案，優化常規電源機組發電計劃，提高電網對新能源發電的分配和調控能力[2]。

短期預測可以用于優化旋轉備用容量以及電力系統實時調度的能力，滿足電力系統發電與用電的實時平衡。調度部門需要根據超短期的預測結果，實時調整發電計劃并優化備用，滿足最佳的經濟性要求。在電力市場環境中，風光功率預測的作用越來越重要，預測精度的高低不僅會對電力系統安全穩定性造成影響，還會影響所有市場參與者的經濟收益[3]。風光功率預測作用主要體現在根據預測結果確定備用市場中需要購買的備用容量，預測精度的高低將直接影響著備用容量的需求。風光功率預測是企業參與電力市場的基礎條件，企業根據短期預測結果參與市場競價，預測結果的好壞直接影響電量競價，根據超短期預測結果不斷修正短期預測結果并調整市場中每小時計劃電量，預測精度越高在市場中需要買進或者賣出的差額電量越少。

2" 新能源發電智能預測系統設計

新能源發電智能預測系統的主要功能包括天氣預報、功率預報、統計分析、檢修管理、系統管理五個部分。系統采用模塊化設計，網絡架構分層清晰，模塊靈活多變，適用性強。風電場的后續部署模式更加簡化，便于擴容，降低投資成本，支持風場監控、資產管理、災害預警等功能[4]。下面就對新能源發電智能預測系統的設計進行詳細分析。

2.1 硬件設計

服務器集群設計，采用DELL T640塔式主機，支持64G多網口，具有大數據存儲、高性能運算等特點，適用于各種類型光伏電站的主控系統，實現對光伏資源數據的存儲、數據傳輸，對運行監控系統設備進行對接[5]，可以與各種光伏電站主控系統和各地光伏功率預測集控系統建立數據通信連接，支持多協議、多網絡、多平臺、多地域的設備快速接入。

2.2 軟件設計

該平臺采用Java編程語言，以Browser/Server Architecture架構設計，軟件功能包括實時監測、發電計劃、統計分析、系統診斷等。軟件通過安全二區的隔離裝置，采集站內的有功、無功、氣象數據和設備狀態，進行數據分析并生成發電計劃上報給調度中心；實現對電網系統以及環境信息的實時監控、功率及氣象歷史曲線展示、預測曲線展示等功能。此外，該系統具有超高預測精度，可利用眾多觀測數據進行實時修正，實現高級數據同化，單風場預測誤差可以控制在10%左右。

3" 新能源發電智能預測系統的關鍵技術

3.1 短期功率預測模型

風力發電和光伏發電的功率預測，需要考慮預測場站的時間尺度、空間范圍、輸入數據的類型以及預測模型等因素。模型輸入是指風電短期功率預測模型，輸入信息包括歷史功率觀測數據和歷史氣象觀測數據。由于風速、風向、氣溫、氣壓、濕度各物理量與風電輸出功率不同，需要通過相關性分析篩選變量，提高模型訓練的速度和輸出精度。模型輸出指風電短期功率預測模型的輸出，可以分為指定時間段的預測功率值和預測誤差。模型主體指風電功率短期預測技術，主要包括物理方法、統計方法和組合方法三種類型。物理模型主要包括數據引入、風電機組輪轂高度處風向獲取和風速、功率轉化三個技術環節，可以利用物理因素實現對當地氣象因素的最佳估計，不需要大量的測量數據，隨后使用模型輸出統計，來減少物理模型的預測誤差。統計模型采用具體的算法來找出歷史數據和相應的輸出功率之間的關系。統計預測模型基于學習算法，通過建立風向歷史數據與風電場歷史輸出功率數據之間的聯系，由NWP數據對風電場輸出功率進行預測。組合模型適用于復雜地形的風電場，物理方法可以通過更高分辨率的計算以及更完善的物理描述獲取局部的氣象信息，統計方法可以對各個風電機組的風速功率曲線進行學習。通過組合方式，應對風電機組所處置風資源的不同，并考慮風電功率曲線隨時間和環境的變化，有利于提高風電功率的預測精度。

3.2 短期預測算法

該系統采用的光伏短期預測算法包括持續預測法、機器學習模型、時間序列算法和組合預測方法。持續預測法是簡單的預測方法，通常是把最近時刻的輻照度測量值或者若干歷史測量值的滑動平均值作為下一個時刻的預測值，該方法適用于非常短時間的預測，預測誤差較大且預測結果不穩定。

機器學習模型可以基于已知歷史數據，學習光伏功率影響因子與未來輸出功率間的映射關系，在此過程中不斷對預測模型自身參數進行優化訓練，隨后通過將影響因子數據輸入訓練后預測模型，從而得到所需要的光伏發電功率預測值。機器學習模型不需要明確輸入、輸出之間的關系，無須復雜的支撐參數，只需要知道輸出變化的非恒定因素。因此，與傳統的數據處理方法相比，神經網絡技術在處理模糊數據、隨機性數據、非線性數據方面具有顯著優勢，尤其適用于大規模、復雜結果、信息不確定的系統。

時間序列算法包含產生該序列的系統全部歷史行為數據，通過對其當前以及之前有限長度的觀測數據進行分析，建立相應的參數模型，可以利用該模型對系統未來的變化情況進行預測。通過建立輸入和輸出之間的線性映射關系，利用信號分解方法將輻照度或者功率時間序列分解成各種子序列，針對平穩的低頻序列建模，對于高頻序列可以采用神經網等方式建模。

組合預測建立在大信息利用的基礎上，綜合利用多種單一模型包含的信息，考慮不同模型的特點，提高預測精度。大型光伏發電站的發電量會受到很多因素的影響，單一預測模型不能完全包含各種因素，在極端天氣情況下，單一模型沒有充分的學習，會產生較大的預測誤差。應選擇一定的組合方式將單一的模型集成起來進行預測，將未來起作用的因素盡可能全包含在組合模型中。光伏短期功率預測技術路線如圖1所示。

此外，基于上述技術的實現和應用，新能源發電智能預測系統可以實現風力發電監測中心、風力發電預測中心、風力發電預警中心3個二級功能[6]。風力發電監測中心對風電場的基礎信息和運行狀態、風電場發電數據、區域聚合功率進行實時監控；風力發電預測中心對風機位置風速、單場站出力功率、區域聚合風電功率進行預測；風力發電預警中心對影響風力發電的強天氣事件進行預警。集中式光伏發電智能預測模塊可以實現集中式光伏發電監測中心、集中式光伏發電預測中心、集中式光伏發電預警中心3個二級功能。集中式光伏發電監測中心對光伏電站的基礎信息和運行狀態、光伏電站發電數據、區域聚合光伏功率進行實時監控；集中式光伏發電預測中心對太陽輻射、單站出力功率、區域聚合集中式光伏發電功率進行預測；集中式光伏發電預警中心對影響集中式光伏發電的強天氣事件進行預警。分布式光伏發電智能預測模塊可以實現分布式光伏發電監測中心、分布式光伏發電預測中心、分布式光伏發電預警中心3個二級功能。分布式光伏發電監測中心對分布式光伏的基礎信息和運行狀態、分布式光伏發電數據、臺區發電功率進行實時監控；分布式光伏發電預測中心對臺區出力功率、基于臺區聚合的網格化分布式光伏發電功率進行預測；分布式光伏發電預警中心對影響分布式光伏發電的強天氣事件進行預警。

4" 結束語

綜上所述，新能源發電所產生的間歇性和波動性是困擾電網調度的一個重要問題，需要通過有效的預測方法，減少新能源發電對電網負荷產生的擾亂，降低電網管理難度。因此，本文研究的高精度新能源短期功率預測體系，可以實現對新型電力系統新能源發電功率的精準預測，提供深度融合、易用有用、個性定制的系統功能，提供風電場、集中式光伏電站、分布式光伏一體化預測服務，為新能源電力供應的準確性和穩定性提供技術支持。

參考文獻

[1] 康曉凡．中基于優化支持向量回歸機的充電站負荷預測研究[D]．西安：西安科技大學，2019.

[2] 馬曉玲，張祥飛，龐清樂，等．模糊聚類-BP神經網絡短期光伏發電預測模型[J]．物聯網技術，2021（10）：69-72.

[3] 魏崢，施唯佳，張錚凱．以數據驅動為核心的智慧家庭智能運營體系構建[J]．電信科學，2017（10）：163-169.

[4] 官達，凌云．基于RNA-CS混合算法優化的風光發電預測模型研究[J]．湖南電力，2020（1）：20-23.

[5] 宋良才，索貴龍，胡軍濤，等．基于注意力機制的Encoder-Decoder光伏發電預測模型[J]．計算機與現代化，2020（9）：112-117.

[6] 桑博，張濤，劉亞杰，等．多微電網能量管理系統研究綜述[J]．中國電機工程學報，2020（10）：3077-3093