中国短期风电功率预测技术现状与误差分析郝立杰

中国短期风电功率预测技术现状与误差分析郝立杰
发布时间：2021-08-18T07:54:12.113Z 来源：《中国电业》（发电）》2021年第9期作者：郝立杰
[导读] 随着经济和各行各业的快速发展，电力系统为实时平衡系统，电网调度运行的目标是保持发用电实时平衡。

风电出力主要受气候和环境因素的影响，随机变化的风速、风向导致风电场输出功率具有显著的随机性和波动性特征。

随机波动的风电大规模并入电网，给电网的安全、稳定运行带来了挑战。

对风电出力情况进行预测是应对上述问题的有效手段之一。

郝立杰
大唐三门峡风力发电有限公司河南省三门峡市 472000
摘要：随着经济和各行各业的快速发展，电力系统为实时平衡系统，电网调度运行的目标是保持发用电实时平衡。

风电出力主要受气候和环境因素的影响，随机变化的风速、风向导致风电场输出功率具有显著的随机性和波动性特征。

随机波动的风电大规模并入电网，给电网的安全、稳定运行带来了挑战。

对风电出力情况进行预测是应对上述问题的有效手段之一。

短期风电功率预测是以风电场环境因素、输出功率、风速、风向等数据建立功率预测模型，获得未来一段时间、逐时刻风电出力的技术。

短期风电功率预测可将随机波动的风电出力变为基本已知，是风电调度运行的基础，意义重大。

关键词：风力发电；短期功率预测；预测方法；误差特点；误差成因
引言
经济的迅猛发展促进了能源利用方式的变革，绿色能源逐渐兴起。

作为绿色的可再生能源，风力发电具有不可估量的商业化发展前景，对相关预测技术的研究也显得更加重要。

然而，风资源的随机性、波动性和间歇性，给电力系统的稳定运行带来了极大的困扰与挑战，传统的风电功率预测技术已不足以解决上述问题。

为此，亟需引入前沿的人工智能技术。

人工智能是计算机科学的一个分支，致力于研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统。

近年来，与人工智能相关的机器学习、深度学习等技术的迅猛发展为高精度风电功率预测技术的研究和落地提供了新的思路，带来了新的发展机遇。

1风电功率预测技术现状
为提升功率预测应用价值，短期功率预测成为研究焦点，并提出了多种建模方法。

在物理建模方面，为降低风流场模拟误差，引入流体力学理论，重点考虑粗糙度、地形等对风速的影响，并加入了风电机组尾流效应模型，提升了物理预测模型的性能；在统计建模方面，大量寻优算法被引入短期风电功率预测建模中，如人工神经网络、支持向量机、遗传算法、粒子群优化算法等。

同时，针对应用中发现的非全局最优等问题，结合风电功率序列样本的特点，对上述算法进行了改进。

以上方法通过全局寻优，充分利用了NWP信息，实现了特定NWP条件下的最佳容错预测。

由于风电波动的潜在序贯特征未得到充分利用，技术发展中期的物理预测建模方法和统计预测建模方法的预测精度仍与调度应用需求存在一定差距。

1）功率预测模型方面，充分利用风电功率的序贯特征，以大型天气系统引发的连续波动过程看待风电出力的波动，将大数据挖掘等技术应用于短期风电功率预测，同时引入深度学习方法，充分利用风能资源的时空互相关规律和自相关规律，提高短期功率预测模型的决策能力，将传统的资源-功率映射模型拓展为气象、电力大数据下的条件预测模型。

此外，针对功率数据异常导致转化关系错误的问题，开展了理论功率计算方法研究，以重构功率信息、提升功率预测模型性能。

2）结果优化方面，通过认识误差特性，采用有针对性的优化方法提升预测精度。

例如研究发现，不同功率水平下短期风电功率预测误差特性各异，对不同功率水平分别优化取得了较好的效果。

针对不同资源预报模式在不同时空下误差特性各异，不同预测建模方法误差特性也存在差异，提出了不同资源预报模式和不同功率预测模型的组合预测方法，提升了短期风电功率预测结果的性能，成为目前中国短期风电功率预测普遍采用的方法。

2风电功率预测技术应用
2.1循环神经网络
在很多应用场合中，网络的输入和当前时间的输入以及前期某些时刻的输出均存在一定程度的相关性。

RNN是一类具有短期记忆能力的神经网络。

它能够挖掘时间序列隐含的时序相关性，以便更充分地利用历史信息进行时间序列建模。

然而，简单RNN存在模型训练相关的梯度消失或爆炸问题，长短期记忆(longshort-termmemory，LSTM)神经网络作为RNN的改进，能够通过自身特殊的结构设计，有效解决上述问题，从而真正有效地利用历史序列信息。

目前，已经在自然语言处理、行为识别等诸多前沿领域中得到了广泛研究和应用。

近年来，也有研究者将LSTM应用于风电功率预测领域中。

将PCA用于对风电功率预测相关输入进行降维，随后使用LSTM神经网络进行预测，具有一定的效果。

GRU是LSTM的一种变体，相较LSTM，它的结构更加精简，参数较少因而能够更快收敛。

使用了GRU作为风电功率预测模型，并引入注意力机制，使得模型能够更加关注时间序列信息中更加关键的信息，提高预测精度。

2.2转矩曲线验证
平台的转矩控制单元可以显示一段时期内机组的转矩增益系数曲线，学生通过此单元模块，可观察到机组实际运行时转矩增益系数与机组设计的最优转矩增益系数是否存在偏差。

该平台也可显示同一时期同型号机组的转矩曲线情况，以及同时期内不同类型机组的转矩曲
线情况，可以看出，两台机组的转矩控制曲线相似，但与标准转矩控制曲线相比，随着转速的增大，两台机组的转矩控制曲线逐渐偏离标准曲线。

2.3调度端短期预测结果应用
调度端短期功率预测结果主要用于全省未来24h发电计划编制。

电网调控机构根据调度端短期风电功率预测结果，并综合考虑场站端上报的发电计划曲线，合理确定其他电源的发电计划，最终获得满足安全校核要求的发电计划。

为了确保发用电实时平衡，电网调控机构在综合考虑风电功率历史预测误差水平的基础上，以一定比例将短期风电功率预测结果纳入电力平衡。

在确定短期功率预测结果的纳入比例时：若纳入比例过低，则调度计划偏保守、风电消纳水平降低；若纳入比例过高，则调度计划较为激进、风电消纳水平提升，但系统安全性降低。

实际应用中，在短期预测的基础上还需要结合风电功率概率预测结果，综合确定纳入比例。

结语
储能系统经济净现值最大为目标，综合考虑储能电站投资、运维成本、充放电效率、售电价、购电价、荷电状态、储能电池寿命、弃电率等因素的储能系统容量/功率优化配置方法。

而相关新技术的引进也使得当今的风电功率预测的研究思路相较以往更加丰富和新颖。

然而，目前发表的许多研究成果要实现真正落地，还有很长一段路要走。

在风电功率预测相关的实际应用中，位置气候条件、风电场布局、地形地貌等因素导致了不同风电场拥有的数据基础不同。

目前，很难找到一种适用于多个风电场的风电功率预测模型。

在预测一个风电场的发电功率时，做一些精细化的数据分析工作，有针对性地构建合适的模型，是提高预测精度的一大关键途径。

整个系统的实时性较好，脑电信号与六自由度机械臂运动应答机制良好。

实验小组所设计的非侵入式脑电信号控制机械臂，其量化后的脑电指令接口模式方法简单、易于操作，而且成功率很高。

这项技术能够用于提高身体障碍患者或运动障碍患者的生活质量，也能为更多人群的工作生活带来便利。

”
参考文献
[1]赵书强，王杨，徐岩，等.基于机会约束目标规划的高风电接入比例下大规模储能与火电协调调度[J].中国电机工程学报，2016,36 (4):969-977.
[2]修晓青，唐巍，李建林，等.计及电池健康状态的源储荷协同配置方法[J].高电压技术，2017，43(9):3118-3126.
[3]孙充勃，宋毅，蔡超，等.考虑多场景需求的配电网分布式储能多目标优化配置方法[J].电力建设,2019,40(7):48-56.
[4]程鑫,许亮，周姝灿，等.基于新能源出力保证率轨迹灵敏度分析的储能配置方法[J].电力系统自动化,2019,35(5):1-11.。