风电场超短期风功率预测问题研究

风电场超短期风功率预测问题研究

摘要：风电场的发电效果受风能的影响作用巨大，随着并网风电场装机容量不

断增加，风力发电对电网调峰能力的不良作用日益突出。风电场的超短期风功率

预测研究是解决风电场发电稳定性的关键技术之一，以河北省某风电场为例，采

用人工神经网络计算模型对超短期风功率进行预测，通过调整输入层数据对预测

方法及预测的结果进行分析，结果表明，随着时间的增长，风电机组运行数据对

超短期功率预测准确率影响降低，长时间的风电场超短期风预测功率准确率主要

依赖数值天气预报准确率。通过对风电场运行数据与超短期功率预测准确率的相

关性分析，对提高风电场的运行效率，提高发电的效率有良好的应用意义，保证

风电场运行的经济性。

关键词:风电场超短期风功率预测问题研究

引言:根据国家风电信息管理中心发布的信息显示，我国风电累计并网容量达

到世界第一，且长期处于首要位置，居高不下，随着我国风电行业的快速发展，

风电场并网情况出现较大问题，由于风能的不稳定性与不可控性，使得风电场的

运行过程中出现电压、频率不稳定等问题。对风电场超短期风功率预测方法及预

测结果进行分析，有助于提高电网运行的效率，增强电网运行的经济性。自十九

世纪来，欧洲就有系列国家开展风电场风功率预测技术研究，目前应用较为广泛

的是丹麦与德国技术研究所联合开发的技术系统对风电场风功率的预测方法，下

文就预测方法及预测结果进行具体分析。

一、预测方法

目前应用较为广泛的预测方法为物理方法、统计方法和物理-统计结合方法。

物理方法主要是以中尺度数值天气预报为基础，通过降尺度的方法建立基于风电

场的数值天气预报模型，从而将风速预测结果按风机功率曲线转换为功率预测结果，达到对风电场超短期风功率的预测。统计方法为统计模型与数据计算的结合，利用非线性回归统计模型将历史运行数据演算出预测数据，通过对回归方程的迭

代计算，使回归方程得到最优解，以此提高预测的准确程度。物理-统计方法是基于数值天气预报的物理模型预测方法，具有良好的适用性，因此在风电场中得到

广泛引用。此外，由于地形的复杂，风速的不确定性对预测准确性仍有挑战，因

此多种风功率预测技术仍然在研究开发过程中。

河北省某风电场使用的主要风功率预测方法为基于数值天气预报的人工神经

网络模型的方式，选取自2011年起至今33台华锐风电机组的历史功率数据，历

史预测风速与数值天气预测情况，对未来4小时风电场风机功率进行预测，采用

此种方法进行超短期预测，需要三层神经网络，该网络主要包括输入层，隐结点

层与输出层，在此研究过程中，输入层的网络模型为影响风电场功率的主要因素，同时，也是影响整个结果质量的关键因素（图1）。

输入层内容包含三种，第一种为天气预报风速、风向因子及风机历史风速，

第二种内容为测风塔数据、历史预测数据，第三种为除了上述的两种外，利用数

值天气预报的气温、空气密度、气压及湿度等因子，综合因素进行预测，从而提

高预测的准确程度。输出层即为风电场预测功率、预测发电量等。

在对预测结果的表达中，存在相应的误差评估，误差评估指标是指均方根误

差、平均绝对误差与相关系数三个物理量，在一定指标范围内最大限度地反应预

测结果的真实情况，对提升风电场整体的预测水平、提高风功率预测系统使用效率、增强预测方法的应用性及预测的准确性具有重要意义。

河北省某风电场采用的方法即为基于数值天气预报结果的人工神经网络的方式，对风速等相关的历史数据进行模型输入，从而得出相应的预测数据。总体而言，此种方法的应用较为广泛，方法较为简洁，目前我国对此类方法的理论研究

较多，应用于后评估的的研究较少，通过发展预测方法后评估的研究，对于提升

预测准确性有良好的示范作用。

二、预测结果对比分析

预测结果的对比分析是指使用同样的统计方法，通过改变输入的数据来观察

不同的预测结果，从而准确判断预测中某种因素的主要作用。在对河北省某风电

场结果的对比过程中，使用前三月的数据进行预测，在第四个月时对数据进行更改，通过改变输入层向量中的风机历史风速及风向因子，得到相应的预测结果，

对比发现随着预测时长的增加，预测结果的误差随之增加，大致误差在15%之内，这表明长时间的风电场超短期风预测功率准确率主要依赖数值天气预报准确率，

在进行风电场超短期风功率预测时，采用合适的时间长短，可避免因为时间等因

素导致预测结果误差偏大。此外，通过输入层改变风机历史风速、风向因子，得

出的预测结果显示，在输入层方面考虑风机历史风速有助于提升预测结果的准确

程度，这说明在进行预测过程中，输入层的数据越发详细，对于输出层而言结果

愈发准确，精确性越高。预测结果直接显示对未来风能的情况掌握，直接决定着

风电场发电管理及发电量情况，在日后对风电场的相关预测中，积累大量的有效

历史数据有助于提高预测的精确度，有利于提升风电场的发电效率与运行效率。

当在输入层中输入空气密度等数据时，发现预测结果几乎无影响。这表明，

在进行风电场超短期风功率预测过程中，风机历史运行数据、数值天气预报数据

等为主要因素，而空气密度、湿度并非主要因素，其对结果的影响较小，甚至可

以忽略不计。在进行预测过程中，需要对多种因素进行综合分析，对于影响较大

的因素，需要进行考虑，对于数据的掌握更是要精确到位，对于影响较小的因素，同样需要进行控制，防止变量过多使得预测结果的准确性降低。同时，对于误差

的分析，单台风机与多台风机的差别同样会造成功率预测的准确性降低，针对上

述的问题，合理控制输入数据，并保证数据的真实可靠，实现提前预测风电功率

的波动，有利于风电场进行有效调度和科学管理，增强风电场的工作效率，提高

风电场的发电质量。

三、结语

本文以河北省某风电场为例，通过基于数值天气预报结果的人工神经网络预

测方法进行超短期风功率预测，对风电场中的数据及相关影响因素进行分析，通

过改变人工神经网络中的风机历史风速、风向因子等输入层向量，得出相关结论，从而增强风电场超短期功率预测的可靠性与准确性，有利于风电场进行有效调度

和科学管理。主要结论包括：

1.有效的风机的历史运行数据、风速风向因子及数值天气预报等数据可以提

高风电场超短期风功率预测精确度，有效数据的累积对于准确率的提升有着明显

的帮助，通过对多组数据的分析了解，掌握风电场风功率预测的影响因素及变化

条件，从而提升风电场发电管理工作效率与质量。

2.随着时间的推移，风电机组运行数据对超短期功率预测准确率影响降低，

长时间的风电场超短期风预测功率准确率主要依赖数值天气预报准确率。