風(fēng)電功率預(yù)測(cè)模型的優(yōu)選準(zhǔn)則和融合策略

易善軍, 張洋, 張文軍, 何晶

(1.國網(wǎng)內(nèi)蒙古東部電力有限公司, 內(nèi)蒙古, 呼和浩特 010020; 2.國網(wǎng)南京南瑞集團(tuán)公司(國網(wǎng)電力科學(xué)研究院), 江蘇, 南京 211106;3.國電南瑞科技股份有限公司, 江蘇, 南京 211106)

0 引言

隨著我國工業(yè)化進(jìn)程不斷加速,消耗更多的自然能源,造成污染并出現(xiàn)了能源危機(jī)。目前世界各國開始發(fā)展新能源,尋找綠色清潔的能源,減少碳排放量[1]。風(fēng)能因分布廣泛并且無污染受到各國重視,大力發(fā)展風(fēng)力發(fā)電,風(fēng)電在電力系統(tǒng)中占據(jù)越來越重要的作用。由于風(fēng)力作為自然能源,風(fēng)能隨機(jī)分布且強(qiáng)度不一致,風(fēng)電輸出功率不穩(wěn)定,給供電網(wǎng)絡(luò)的穩(wěn)定運(yùn)行帶來影響[2]。

針對(duì)上述存在的問題,文獻(xiàn)[3]綜合風(fēng)電場(chǎng)的地形條件和機(jī)組特性,利用物理方法進(jìn)行建模,通過數(shù)值氣象預(yù)報(bào)(NWP)采集到的風(fēng)速風(fēng)向數(shù)據(jù)預(yù)測(cè)風(fēng)機(jī)的輸出功率。這種方法計(jì)算方式簡單,需要依靠精確的NWP數(shù)據(jù),否則預(yù)測(cè)精度將會(huì)有所降低。文獻(xiàn)[4]建立了神經(jīng)網(wǎng)絡(luò)模型,以風(fēng)電機(jī)組的歷史運(yùn)行數(shù)據(jù)作為輸入,通過算法建立輸入與輸出的非線性關(guān)系,對(duì)模型進(jìn)行訓(xùn)練后輸出風(fēng)電功率,且不需要考慮數(shù)據(jù)時(shí)間上的相關(guān)性。但確定神經(jīng)網(wǎng)絡(luò)模型的結(jié)構(gòu)較為困難,模型訓(xùn)練速度較慢。

本研究分析影響風(fēng)電功率預(yù)測(cè)的主要因素,建立預(yù)測(cè)模型并分析模型數(shù)據(jù)特性,根據(jù)風(fēng)電場(chǎng)實(shí)際情況和影響因素變化規(guī)律,基于相似度模糊推理得到優(yōu)選預(yù)測(cè)模型,并加入IOWA算子融合預(yù)測(cè)模型,保證了預(yù)測(cè)模型的準(zhǔn)確性和實(shí)時(shí)性。

1 風(fēng)電功率融合預(yù)測(cè)模型及數(shù)據(jù)特性分析

由于風(fēng)電機(jī)組輸出功率的非線性變化,使用單個(gè)模型在復(fù)雜的條件下保持較高的預(yù)測(cè)精度具有一定困難。為了應(yīng)對(duì)不同情況下的預(yù)測(cè)功率需求,應(yīng)用多個(gè)模型對(duì)多種預(yù)測(cè)模型進(jìn)行優(yōu)選,建立融合的預(yù)測(cè)模型[3]。按照不同的類型可對(duì)預(yù)測(cè)方法進(jìn)行分類,本研究的創(chuàng)新點(diǎn)如下。

(1)基于相似度的模糊推理確定模糊規(guī)則的前件、后件和模糊規(guī)則。根據(jù)激活的模糊規(guī)則從模型庫中得到優(yōu)選模型,并加入IOWA算子。將單一模型的預(yù)測(cè)精度作為誘導(dǎo)值得到融合預(yù)測(cè)模型,在各時(shí)刻上與預(yù)測(cè)精度緊密相關(guān)。

(2)提出風(fēng)電場(chǎng)集群的無功電壓協(xié)調(diào)控制方法,根據(jù)風(fēng)電功率融合預(yù)測(cè)模型的預(yù)測(cè)信息,對(duì)風(fēng)電場(chǎng)集群無功電壓控制,維持風(fēng)電接入?yún)^(qū)域靜態(tài)電壓穩(wěn)定。并在并網(wǎng)節(jié)點(diǎn)加入靜止同步補(bǔ)償器,防止有功擾動(dòng)造成電壓突變。

風(fēng)電功率預(yù)測(cè)方法分類如圖1所示。

圖1 風(fēng)電功率預(yù)測(cè)方法分類

其中,統(tǒng)計(jì)方法根據(jù)采集到風(fēng)電場(chǎng)數(shù)據(jù)建立映射關(guān)系,使用的數(shù)據(jù)包括NWP數(shù)據(jù)、風(fēng)速風(fēng)向數(shù)據(jù)、風(fēng)電機(jī)組歷史運(yùn)行參數(shù)和實(shí)際測(cè)量功率,能夠適用風(fēng)電場(chǎng)實(shí)際位置,這種方法進(jìn)行預(yù)測(cè)誤差相對(duì)較小[4]。

同時(shí),功率預(yù)測(cè)精度也與數(shù)據(jù)特性有關(guān)。風(fēng)電機(jī)組利用風(fēng)能推動(dòng)風(fēng)機(jī)葉片轉(zhuǎn)動(dòng),帶動(dòng)發(fā)電機(jī)運(yùn)行轉(zhuǎn)換為電能輸入到電力網(wǎng)絡(luò)中[5]。輸出功率的大小與風(fēng)速、風(fēng)電機(jī)組的轉(zhuǎn)子直徑等因素有關(guān),風(fēng)電機(jī)組的風(fēng)輪從風(fēng)能中吸收的功率可表示為

(1)

其中,P表示風(fēng)電機(jī)組的輸出功率,Cp表示風(fēng)機(jī)的功率系數(shù),A表示風(fēng)輪掃掠面積,ρ表示空氣密度,v表示風(fēng)速[6]。風(fēng)力發(fā)電機(jī)組的風(fēng)速-功率特性曲線如圖2所示。

圖2 風(fēng)電發(fā)電機(jī)組的風(fēng)速-功率特性曲線

風(fēng)速-風(fēng)電功率輸出的函數(shù)關(guān)系可表示為

(2)

其中,vci表示風(fēng)機(jī)的切入風(fēng)速,風(fēng)速到達(dá)vci時(shí)風(fēng)機(jī)才能產(chǎn)生有功功率,一般情況下vci的值為0.5～5 m/s。vr表示風(fēng)機(jī)的額定風(fēng)速,vco表示切出風(fēng)速[7]。

由圖2可知,輸出功率變化可分為三個(gè)過程:當(dāng)風(fēng)速小于vci時(shí),輸出功率為0;當(dāng)風(fēng)速剛超出vci時(shí),輸出功率隨風(fēng)速變化不大,增長速度較慢;當(dāng)風(fēng)速大于vci小于vco時(shí),輸出功率增長速度較快,出現(xiàn)較小的風(fēng)速波動(dòng)時(shí),輸出功率的變化幅度較大。超過額定風(fēng)速后,輸出功率保持不變[8]。

2 基于相似度模糊推理和IOWA算子的預(yù)測(cè)模型

本研究根據(jù)相似度模糊推理建立風(fēng)電功率模型的優(yōu)選規(guī)則,可分為三個(gè)步驟。

(1)確定模糊規(guī)則前件

通過分析NWP數(shù)據(jù),不同區(qū)域、不同地理位置的風(fēng)電場(chǎng)的風(fēng)速、溫度不同,所輸出的功率也不一致。且不同時(shí)間下,同一個(gè)風(fēng)電場(chǎng)的風(fēng)速、風(fēng)向和溫度也不同,每個(gè)月呈現(xiàn)出新的變化規(guī)律。根據(jù)前件權(quán)重的大小判斷對(duì)后件的重要程度,規(guī)則前件的權(quán)重可表示為

(3)

其中,i表示月份,j表示影響輸出功率的因素,g表示因素個(gè)數(shù),Rij表示相關(guān)性。

(2)確定模糊規(guī)則后件

本研究提出優(yōu)選準(zhǔn)則為根據(jù)所在區(qū)域風(fēng)電場(chǎng)的預(yù)測(cè)要求和實(shí)際情況設(shè)定閾值,選取預(yù)測(cè)準(zhǔn)確率超過設(shè)定閾值的模型。使用多個(gè)評(píng)價(jià)指標(biāo)評(píng)價(jià)模型的預(yù)測(cè)效果,最后得出綜合評(píng)價(jià)值,選出預(yù)測(cè)誤差最小的模型[9-10]。風(fēng)電場(chǎng)風(fēng)電預(yù)測(cè)準(zhǔn)確率可表示為

(4)

其中,PMK表示風(fēng)電機(jī)組在K時(shí)刻實(shí)際輸出功率,PPK表示預(yù)測(cè)模型預(yù)測(cè)輸出功率,N表示總時(shí)段數(shù),Cap表示開機(jī)容量。預(yù)測(cè)模型的預(yù)測(cè)合格率可表示為

(5)

其中,Bk表示每天的預(yù)測(cè)合格率為

預(yù)測(cè)模型的準(zhǔn)確率r1和合格率r2的值在0～1之間,r1越大表示準(zhǔn)確率越高,預(yù)測(cè)效果也好,相對(duì)應(yīng)合格率也就越高。當(dāng)r2的值超過設(shè)定值時(shí)可以滿足預(yù)測(cè)需求。

(3)確定模糊規(guī)則

確定出前件和后件后,還需確定規(guī)則啟動(dòng)的閾值。為防止閾值過大導(dǎo)致規(guī)則不容易啟用,過小造成啟動(dòng)的規(guī)則數(shù)量過多,本研究設(shè)定每條模糊規(guī)則的閾值為0.5。確定規(guī)則前件歷史數(shù)據(jù)的權(quán)重,并從模型庫中選擇最優(yōu)模型。

根據(jù)樣本數(shù)據(jù),計(jì)算風(fēng)電場(chǎng)最新月份數(shù)據(jù)和樣本數(shù)據(jù)的相似度,從而得到新數(shù)據(jù)和規(guī)則的綜合相似度。如果綜合相似度超過設(shè)定閾值,表示該條規(guī)則被啟用。如果多條規(guī)則同時(shí)啟用,規(guī)則的并集為優(yōu)選預(yù)測(cè)模型;如果啟用規(guī)則的數(shù)量為一個(gè)時(shí),表示這條規(guī)則對(duì)應(yīng)即為優(yōu)選預(yù)測(cè)模型。

本研究采用IOWA算子融合單一模型,風(fēng)電機(jī)組在t時(shí)刻輸出功率序列為{yt},使用第i種預(yù)測(cè)模型得到的預(yù)測(cè)值為{yit},m1個(gè)單一模型在融合模型中的權(quán)重為(w1,w2,…,wm1)T,第i種模型在t時(shí)刻時(shí)的預(yù)測(cè)精度為

(6)

將ait作為預(yù)測(cè)值yit的誘導(dǎo)值,構(gòu)成了二維數(shù)組[(a1t,y1t),(a2t,y2t),…,(ait,yit)],將預(yù)測(cè)精度按照大小進(jìn)行排序,IOWA算子融合預(yù)測(cè)值可表示為

(7)

其中,a-i(it)表示融合預(yù)測(cè)模型在t時(shí)刻的預(yù)測(cè)精度,IOWA算子融合預(yù)測(cè)模型在各個(gè)時(shí)間點(diǎn)上預(yù)測(cè)精度與預(yù)測(cè)模型聯(lián)系緊密。以預(yù)測(cè)誤差平方和為準(zhǔn)則,預(yù)測(cè)最優(yōu)化模型和表示為

(8)

基于IOWA算子的風(fēng)電功率融合模型預(yù)測(cè)流程如圖3所示。

圖3 基于IOWA算子的風(fēng)電功率融合模型預(yù)測(cè)流程圖

優(yōu)選模型對(duì)歷史數(shù)據(jù)進(jìn)行訓(xùn)練并得出預(yù)測(cè)功率,對(duì)輸出功率進(jìn)行預(yù)測(cè),可用每種單一模型最近時(shí)刻的平均預(yù)測(cè)精度代替后一時(shí)刻作為誘導(dǎo)值,按照誘導(dǎo)值的大小對(duì)預(yù)測(cè)值進(jìn)行排序,然后再計(jì)算融合預(yù)測(cè)模型的預(yù)測(cè)功率。

3 風(fēng)電場(chǎng)無功電壓協(xié)調(diào)控制方法

各風(fēng)電場(chǎng)風(fēng)速變化不一致,使用的控制方法也不一樣,風(fēng)電場(chǎng)集群無功電壓協(xié)調(diào)控制方法的整體框架如圖4所示。

風(fēng)電功率出現(xiàn)隨機(jī)波動(dòng)是造成無功電壓問題的重要原因,應(yīng)用風(fēng)電功率預(yù)測(cè)模型到無功電壓協(xié)調(diào)控制中,引入功率波動(dòng)因子λ,用來表示接入?yún)^(qū)域的靜態(tài)電壓穩(wěn)定度。功率向上或向下波動(dòng)都會(huì)導(dǎo)致電壓失穩(wěn),接入?yún)^(qū)域的靜態(tài)電壓約束可表示為

(9)

其中,PU、PD表示向上、向下波動(dòng)狀態(tài)的有功出力臨界值,PN表示正常狀態(tài)下的風(fēng)電有功出力,PCAP表示接入容量,λu、λd表示向下和向下的波動(dòng)因子。為防止有功擾動(dòng)造成輸變電網(wǎng)絡(luò)電壓突然增加或減小,控制方法根據(jù)各t+1時(shí)刻的預(yù)測(cè)功率信息,將t～t+1時(shí)間內(nèi)可能出現(xiàn)的功率波動(dòng)作為t時(shí)刻的約束條件,保證風(fēng)電集群的靜態(tài)電壓穩(wěn)定度處于正常范圍。DSTATACOM的配電網(wǎng)結(jié)構(gòu)如圖5所示。

圖5 DSTATACOM配電網(wǎng)結(jié)構(gòu)

DSTATACOM輸出端的電壓隨輸出電流成一定比例變化,無功功率根據(jù)系統(tǒng)電壓采用斜率控制。靜止同步補(bǔ)償器斜率的存在能夠通過很小的電壓調(diào)節(jié)額定無功功率的大幅度減小,防止出現(xiàn)電壓波動(dòng)的情況。

4 應(yīng)用測(cè)試

為了驗(yàn)證本研究風(fēng)電功率預(yù)測(cè)模型的性能,分別使用文獻(xiàn)[3]預(yù)測(cè)模型、文獻(xiàn)[4]預(yù)測(cè)模型和本研究融合預(yù)測(cè)模型進(jìn)行實(shí)驗(yàn),比較3種預(yù)測(cè)模型的預(yù)測(cè)精度和預(yù)測(cè)誤差。訓(xùn)練樣本為風(fēng)電場(chǎng)歷史數(shù)據(jù)中的風(fēng)速、風(fēng)向、溫度和風(fēng)電功率數(shù)據(jù),訓(xùn)練樣本為650組,檢驗(yàn)樣本為70組,訓(xùn)練樣本中歷史風(fēng)速數(shù)據(jù)如圖6所示。

圖6 歷史風(fēng)速訓(xùn)練樣本

設(shè)定預(yù)測(cè)模型預(yù)測(cè)時(shí)間為1 h,使用3種預(yù)測(cè)模型得到的預(yù)測(cè)功率如圖7所示。

圖7 預(yù)測(cè)功率結(jié)果

根據(jù)圖7中預(yù)測(cè)功率的大小與實(shí)際功率進(jìn)行比較得到預(yù)測(cè)模型的誤差評(píng)價(jià)指標(biāo)如表1所示。

表1 預(yù)測(cè)模型的誤差評(píng)價(jià)指標(biāo)

本研究預(yù)測(cè)模型的準(zhǔn)確率r1的值為99.17%,合格率r2的值為97.58%。經(jīng)過模型優(yōu)選和融合后得到的預(yù)測(cè)效果比其他未經(jīng)過優(yōu)選的預(yù)測(cè)模型預(yù)測(cè)效果好,說明本研究模型優(yōu)選和融合提高了預(yù)測(cè)精度。其中,平均百分比誤差指標(biāo)反映了模型的總體平均性能,MAPE為3.22%。標(biāo)準(zhǔn)誤差表示預(yù)測(cè)模型的離散程度,本研究標(biāo)準(zhǔn)誤差為5.426%,越小說明預(yù)測(cè)誤差與平均值之間的差異越小。

文獻(xiàn)[3]預(yù)測(cè)模型的準(zhǔn)確率r1為95.24%,平均百分比誤差達(dá)到6.58%,相當(dāng)于本研究MAPE值的兩倍,反映出文獻(xiàn)[3]預(yù)測(cè)模型的整體平均性能比本研究預(yù)測(cè)模型較差,平均誤差指標(biāo)(MAE)為15.12,表示預(yù)測(cè)誤差的平均幅值較大。文獻(xiàn)[4]預(yù)測(cè)模型的均方根誤差指標(biāo)(RMSE)為24.365%,遠(yuǎn)高于本研究,說明預(yù)測(cè)功率和實(shí)際功率之間偏差的分散程度較大,得到預(yù)測(cè)樣本風(fēng)電功率的值偏大或偏小,預(yù)測(cè)精度不高。標(biāo)準(zhǔn)誤差高達(dá)12.341%,比本研究預(yù)測(cè)模型高出6.915,說明文獻(xiàn)[4]預(yù)測(cè)誤差離散程度較大。

5 總結(jié)

本研究分析影響風(fēng)電功率預(yù)測(cè)的主要因素,采用相似度模糊推理的方法建立模糊規(guī)則,選擇優(yōu)選預(yù)測(cè)模型。以風(fēng)速、風(fēng)向、溫度為輸入變量序列,輸出風(fēng)電功率的值。加入IOWA算子,融合預(yù)測(cè)模型提高預(yù)測(cè)精度。并提出風(fēng)電場(chǎng)集群無功電壓協(xié)調(diào)控制方法,根據(jù)得到的預(yù)測(cè)功率,控制風(fēng)電集群的電壓水平和穩(wěn)定性。本研究提出優(yōu)選方法缺乏長期、大量的歷史數(shù)據(jù)訓(xùn)練,還需增加數(shù)據(jù)樣本建立更加全面的模糊規(guī)則,擴(kuò)展本研究方法的適用性。