新能源功率预测特性分析及精度提升措施

新能源功率预测特性分析及精度提升措
施
摘要：风电和光伏功率预测研究中，功率序列通常包含有丰富的气象、人为和设备信息。

并且，传统的预测手段多是依靠预测对象的单方面特征，建立输入-输出功率预测模型，而未对波动特征其进行深层次的分析。

若从机理上挖掘数值天气预报与风电出力之间的关联度，并建立相应预测模型，可实现预测精度提高，同时，预测方法也能够满足预测时长的要求。

然而，如何获取高精度的气象数据，仍然是一个亟待解决的课题。

基于此，以下对新能源功率预测特性分析及精度提升措施进行了探讨，以供参考。

关键词：新能源功率预测；特性分析；精度提升措施
引言
虽然新能源发电技术已相对成熟并被广泛应用，但相较于传统火电厂，以风力发电、光伏发电为主的新能源在发电生产过程中容易受到风速、风向、日照、气温、气压等环境因素的影响，其随机性、波动性与不可控性比较大。

大规模新能源并入电网时，会给系统的稳定运行以及电力调度带来巨大挑战。

因此，合理用好气候资源、充分利用气象要素监测和预报，将对新能源发电“趋利避害”产生积极作用。

1技术现状
根据预测模型不同，现有预测技术主要可分为物理方法、时间序列方法、人工智能方法以及上述多模型的组合预测法4类。

物理方法基于地理信息、气象数据与数值天气预报结果构建功率预测模型。

在风功率预测中，采用数值天气预报数据与风电场地形地貌数据计算风机轮毂高度的风速、风向等数据，然后通过风速功率特性曲线得到功率预测结果。

在光伏功率预测中，采集光伏电站详细地理信息及相关气象信息，然后通过太阳辐射传递、光伏器件运行相关物理方程计算
预测结果。

物理方法无需大量数据，适用于新场预测，但受数值天气预报结果精
度影响大，难以适应极端天气情况。

时间序列方法也称时序外推方法，其不依赖
数值天气预报结果，基于历史功率数据预测未来的风电光伏、出力。

新能源功率
预测中常用的时间序列模型包括持续法、移动平均法、自回归移动平均法等，主
要用于短期和超短期功率预测。

时间序列模型一般建模简单，其对预测结果有一
定的平滑效果，因此难以对新能源的波动精确建模，且预测精度会随着时间增长
骤降。

人工智能法通过大量历史训练数据学习输入数据和输出新能源功率预测结
果之间的映射关系。

新能源功率预测中常见的人工智能方法包括神经网络、马尔
可夫过程、支持向量机、极限学习机、模糊逻辑等。

人工智能法不依赖任何物理
模型，可对输入数据自动完成特征提取，在训练样本充足时具备较好的泛化性能，因此在超短期、短期、中长期预测中均有广泛应用。

但人工智能法对海量数据的
依赖使得其难以实现新并网新能源场站功率的准确预测，且低温凝冻、台风等极
端天气场景下的准确预测仍十分困难。

组合预测法集众家之长，针对不同条件采
取合适的集成方式融合前述3种新能源预测方法各自的优点，实现预测精度的提升。

具体的组合方法包括物理和学习模型的组合以及多时间尺度预测模型的组合，通常选取多模型输出结果的平均值或者中位数作为最终输出结果。

但针对具体的
预测场景不易选取到合适的模型组合方式，实际中难以保证组合预测的有效性。

2新能源功率预测特性分析及精度提升措施
2.1风力及光伏功率预测阶段
本算例中，分别使用长度为8日的风电数据和长度为5日的光伏数据作为目
标序列。

利用SBD指标对各辅助数据簇进行距离判断。

由计算结果可知，与目标
风力数据最接近的是6号聚类簇，与目标光电数据最接近的是8号聚类，通过LSTM训练生成对应与训练模型。

利用目标序列的80%数据作为微调用训练集，余
下20%数据作为验证集。

所选光伏数据测试集中存在神经网络较难预测的大波动
数据区段，以此进一步检验模型效果。

为体现本文所提方法的有效性，设置对照组，分别为直接使用目标数据训练的LSTM模型、GRU模型以及双重注意力长短期
记忆网络（Dual-stage Attention-based Long Short-Term Memory Network，
DA-LSTM）模型。

所有模型的超参数均相同，设置学习率为0.003，批尺寸为32，
数据输入步长为96，迭代次数为1500，训练集采用差值化处理。

结果分析时，
利用平均绝对误差（MAE），均方根误差（RMSE），决定系数（R2）3类指标对4
种模型的预测结果进行评估预测结果。

风电选取整日时段，光伏只选取06：00—20：00有效功率时段。

2.2模型优化算法的时域分解
在非平稳信号的时域分解中，原子分解是一种经典的基于模型优化的分解技术。

在新能源功率预测中，由于功率序列的波动特性较为复杂，对原子分解提出
了更高的要求。

2011年HOU和SHI在原子分解的基础上提出了一种能够刻画复杂
信号特征并且适应能力强的原子稀疏分解技术[27]。

使用该分解技术进行新能源
发电功率预测，有效地解决了信号噪声对提取布林线极值点的影响，提高了分解
精度。

原子分解可分为以下两步，一、构建完备的原子字典，该字典相比于傅里
叶展开中的正交基具有过完备性，能够描述多种序列特性。

字典内的原子又被称
为参数化波形；二、通过优化算法，将原始序列分解为一系列最优参数化波形叠
加组合的形式。

该分解技术的核心在于原子字典的构建和各个原子之间的最优组合。

只有当原子字典具有高度冗余的参数化波形时，其才能够快速准确地表征原
始序列的特征。

原子模型参数较少时，只能用于表征原始序列的局部特征。

2.3解决方案及建议
随着“碳达峰、碳中和”目标的持续推进，新能源的运营与市场必然会对专
业气象服务有极大的需求，气象服务也将会和新能源的发展产生良性互动。

为进
一步对标“碳达峰、碳中和”目标下的新能源发展，对新能源气象服务的建设首
先应解决观测精密的需求。

可以在县气象局等地建立标准化的能源气象观测基地，建设时应根据现有新能源设施建设分布和规划合理组网，适度加密，并通过实况
格点技术形成连续、无缝隙、全要素的观测数据覆盖；其次，对新能源功率的预
报预测能力提升应有针对性的加强，推动对国产预报模式中相关新产品的运用，
利用人工智能、机器学习等方法进一步提升模式产品的本地性能。

同时，在以新
能源功率预测切入新能源气象服务后，还应进一步挖掘未来以新能源为主的新型
电力系统中“源网荷储”各个环节对气象要素监测和预报需求，实现服务范围全
覆盖，服务环节全流程，服务模式多元化。

最后，对业务体系和服务模式，也应
有针对性的提升和组织，实现国省气象部门制定标准，国省气象部门＋社会科研
主体（院校、企业、专业团队）推动技术研发，业务体系实现省级指导产品、市
州输送产品、县区推广产品联动。

并同时加强与能源部门、能源企业合作，将人才、技术、数据等资源科学有效融合，共同挖掘其中的服务模式和商业模式，提
升产品服务效益，推动产业做大做强。

结束语
本文所提方法适用于环境相对稳定的常规新能源电站，对于海上风电这类极
易发生时序数据突变的站点而言，需要构建相关的突变预测模型来进行态势预测，具有一定局限性。

因此，后续研究工作也将围绕着这些内容展开。

参考文献
[1]张健.基于卷积神经网络的新能源光伏电站发电功率预测方法[J].机械设
计与制造工程,2022,51(10):69-73.
[2]陈泽西.基于新能源发电功率预测的储能系统优化配置研究[D].华北电力
大学(北京),2022.
[3]朱琼锋,李家腾,乔骥,史梦洁,王朝亮.人工智能技术在新能源功率预测的
应用及展望[J/OL].中国电机工程学报:1-23[2023-03-15].
[4]李达扬.置信区间在新能源中长期功率预测中的应用[J].机电信
息,2021(26):65-66.
[5]石倩倩,杨军伟,王有军,徐强.新能源功率预测系统研究分析[J].电工技术,2019(22):134-135+139.。