对风电功率预测系统中预测精度的讨论

杨桂兴，常喜强，王维庆，姚秀萍

（1.新疆大学 电气工程学院，新疆 乌鲁木齐 830008；2.新疆电力调度通信中心，新疆 乌鲁木齐 830002）

随着全球气候问题以及能源危机的出现，人类对可再生能源的依赖越显突出。风能作为一种可再生洁净能源的代表，有着广泛的发展前景。随着大规模风电场的兴起，风能越来越多地被应用到发电行业。由此也给电力系统带来一系列问题，例如电压问题、电能质量、调度方案等[1]，特别是风电场输出功率的不可预知性，给电网运行带来极大的困难。对风电场输出功率进行预测不但能提高电网运行水平，而且可以降低非可再生能源的消耗，提高电力系统经济性，减少温室气体排放，意义重大。

1 研究现状

国外在开展对风电场出力预测方面已经取得一些成果。在风能开发水平相对较高的欧美国家，各种模型的预测系统相继被开发出来，并投入到实际应用中，取得了良好的预测效果[2]。我国对风电功率预测起步较晚，准备工作也不及国外充分，例如，对风电功率预测系统所需要的基础数据准备不够充分，对风电场气象信息的监测和收集技术不够成熟等，这些都制约着对风电功率预测系统的研究和开发[3]。因此，对基础数据的采集、处理和管理以及如何提高预测精度是一个值得研究的内容。

2 预测方法

风功率预测主要有基于时间序列和基于数值气象预报2种方法。基于数值气象预报法[19]又分为2种:1）物理方法又叫基于风速的方法：在掌握风电场的地理信息的基础上，结合实时数值气象预报，由测风塔测量的风速、风向换算出风电机组轮毂高度的风速、风向进行预测[4]；2）统计方法又叫基于功率的预测方法：需要风电场至少一年的历史数值气象数据,历史运行数据，实时数值气象数据,并采用合适的数学算法建立预测模型,得出预测出力曲线。

电力系统要求风功率预测系统应具有0～48 h短期以及15 min～4 h超短期风电场出力预测功能，预测误差一般不超过20%[5]。但遗憾的是，国内的风电功率预测系统的预测精度尚难以达到这个要求[19]。

2.1 用物理模型预测

物理方法的关键是要有精确的物理模型以及准确的换算方法，结合风电机组的风功率曲线，得到每个风电机组的预测功率，然后再综合得到整个风电场出力[4]，流程如图1所示。

图1 物理预测模型

采用物理模型进行预测，对模型的精确度有很高的要求。对于具有特殊地理位置的风电场来说，变化频繁的自然条件和复杂的地形地貌给预测系统增加了困难[6]，且风电场选址一般在比较偏远的地区，如山脊、戈壁滩、草原、海滩和岛屿等[7]。安装在不同海拔高度以及因容量的不同引起风电机组之间在垂直方向的落差，对风电功率预测系统的预测精确度会有一定的影响。

2.1.1 风速引起的误差

风电机组吸收风能并将其转化为电能，当风速大于切入风速时风电机组可以发电，在允许风速范围内，输出功率与风速、空气密度的关系满足风功率计算公式：

式中，P为实际输出功率，W；籽为空气密度；R为圆截面的半径，m。

预测功率误差百分数由式（2）计算：

着为风速偏差；（3）式表明预测功率误差的大小与渍成正比，对于平均风速为6 m/s，风速偏差为0.5 m/s的风电场，其预测功率误差百分数e=17.12%。对大规模并网型风电场来说，这个数字显然让人难以接受。

2.1.2 风速换算

目前基于物理方法预测的风功率预测系统采用下式进行风速换算：

1）风切变指数的计算，测风塔离风电机组一般有几百米的距离，测风塔处和风电机组处的风切变指数可能存在差异；

2）计算过程需要至少3个测风计的测量值，无法避免和降低由测风计带来的误差，若风速计因本身质量损坏或者自然条件而无法测量风速，则风速换算无法进行。

针对这一问题，本文提出一种新的风速换算方法。当大气稳定度处于中性状态时，风速随高度分布满足下面公式[10]，

式中，V（Z）为在高度Z时的平均风速；ux为摩擦速度，近地面不随高度变化；k为卡门系数，一般取0.4；l0为粗糙长度。

设同一区域在不同高度Z1，Z2（Z1逸Z2）时的风速差为△V，可以由（6）式计算得到：

从而得到单位高度的风速变化率△v：

若高度为H0的测风塔测量风速为V0，并令Z2=H0则根据式（8）得到高度为HZ处的风速：

式（8）在计算过程中有如下优点：

1）从计算误差来讲，式（8）有明显的优势，线性误差明显低于幂指数误差；

2）该方法只需要至少一个风速仪的测量值，大大降低了对仪器的依赖性，可靠性得到增强；

3）摩擦速度ux为湍流切应力与空气密度比值的平方根，在近地面不随高度变化，可以视为常数,HZ，H0没有计算误差。

2.1.3 基于物理方法的风电场出力模型

文献[9]给出了对风电场测风塔的安装要求，对地形复杂的风电场应适当增加测风塔，但没有给出增加测风塔后风电场出力预测模型。

式（8）表明了对不同高度的风电机组可以分别进行风速换算。对于风速分布差异较大的风区，本文提出采用分块预测法,即：将风电场风速分布分成几块，对风速相似的风电机组采用同一风速进行功率综合,考虑到实际风电场的运行方式，风电场预测输出功率由下式给出：

式中，Pt为t时刻风电场预测输出功率；Pj为每个块中每台风电机组的预测功率；n表示将所有风电机组划分为n个块；m表示每个块中的风电机组个数。

采用分块预测法可以使风功率预测系统更加准确，但需要建立相应的测风塔。截止第三次全国风资源评估，仅在8个省区10个风电场安装了70 m和40 m高度总共40座测风塔[7]，且气象站距离风电场相当远，例如玉门气象站位于风电场东北方向12 km[8]。

2.2 用统计方法预测

统计方法常用基于时间序列的方法以及基于人工智能的算法。采用该方法预测需要分析输出功率与气象信息之间的数学关系，建立准确的数学模型（流程图如图2所示）。目前统计方法多采用风速、风向、气温、气压4个气象参数以及风电机组发电功率曲线作为基础数据训练数学模型。统计方法只需要高质量的基础数据和实时气象信息就能做出预测，但对数据的完整性和有效性有很高的要求。

2.2.1 数据采集

气象数据的获取通过气象传感器采集得到[14]，对收集到的原始数据进行合理处理将提高预测结果的准确度，数据处理流程如图3所示。

图2 统计方法模型流程图

图3 数据处理流程

根据风的间歇性和波动性特点，将风速的变化在时空域内分为4种类型：基本风速、阵风、渐变风和噪声风[17]。目前使用的风电机组叶片多采用定桨距和变桨距的控制方式，能在短时间内保持恒定功率输出，且风力机惯性较大，韧性较强，所以阵风对输出功率的影响几乎可以忽略，而在考虑切入风速和切出风速的发电特性时，在传统的数据采集方案中应该做一些改进，为了获得更具有代表性的数据特征，结合电力系统对风电场出力预测系统的要求（15 min超短期预测能力），本文在提高数据采集频率的基础上对数据采集系统做了如下改进。

提高采集频率后按式（10）平均后作为t分钟预测数据：

式中，xi：t分钟内风速均值，用作预测系统的输入数据；ki：以t分钟为单位下的实时采集值，将小于切入风速的值用零代替，大于切出风速的值用切出风速代替；n：t分钟内采集次数。

2.2.2 数据管理，验证

数据验证是指检查所有收集到的数据是否完整、合理以及消除错误数值。这有利于维持测风计划期间数据的完整性，对数据进行及时验证能防止因潜在的测量问题引起的数据丢失[7]。完整性检验通过数据完整率表示：

造成原始数据损坏和缺失的原因有：淤测风计本身的测量精度误差以及风速计旋转时由于摩擦阻力和风向标的电压死区带来的误差；于电信号的失真问题；盂存储设备和人为原因带来的数据丢失和破坏；榆人为的修改数据造成数据的损坏。对损坏和缺失数据采取的措施。

1）目前对数据缺损的情况大多采用插值填补法，但这种方法只是针对个别缺损数据有效，当数据连续缺损时，插值法显得无能为力。本文方案是：对一个风区应至少安装两个以上测风塔，假设一个风区有A、B两个测风塔。对A的缺损数据可以根据A、B气象数据的相关性进行填补，流程图如图4所示。

图4 数据填补流程图

采用这种填补方法，可以对连续缺损数据进行填补，精度取决于A，B测风塔的实际的地理位置，以及预测模型的准确率。模型的选择采用人工智能或者数据挖掘的方法。对于单个数据缺损的数据样本，采用插值方法更加方便。

2）对缺失的数据进行填补仅针对少数不可靠数据，对统计方法需要的大量数据而言不具有实用性。大量数据不合理或错误的气象因子不能被用作预测，而应该由其他气象因子替代。可以被用作预测的因子有：风速、风向、气温、气压、太阳辐射、空气湿度、空气密度、降水量、云层高度等9个气象因子。对不能使用的气象因子可以采用在计算该气象因子与其他因子的相关性的基础上进行替代，由下式给出：

式中，xi'为替代后的气象因子；xj为其他气象因子；A为相关矩阵；i、j为气象因子下标。

3）风电场历史功率数据的采集可以有两种方式:风电机组的历史功率数据和风电场的历史功率数据。采用对每台风电机组进行预测的方案可以提高预测精度，风电机组的停机或人为因素控制功率输出也会影响原始数据的有效性。对只具有气象数据而没有历史功率数据或历史功率数据错误的风电机组，需要对历史功率数据进行相应替代，从而使模型能得以进行。替代方法可以根据分块预测方法进行，具体为：基于同型机组，气象信息相似度最佳以及在控制策略相同的情况下，使用该机组的功率曲线进行替代。若不能满足以上3种情况，则可以选择采用块内其他机组的平均功率曲线进行折算后再代替。

2.3 风电场运行方式对预测系统的影响

风电场自身的运行维护，运行人员对机组的开机、停机，给风电功率预测系统带来一些问题。

文献[16]指出，风电穿透功率受诸多因素影响，如系统运行方式、网络约束常规机组处理等，所以当风电场输出功率大于电力系统的接纳能力时，风电场将被限电，考虑到风电机组的运行状态，风电场实际的功率输出应按式（13）进行预测。

式中，Pt为t时刻风电场实际输出功率；Pi为风电场每台机组的额定输出功率；△Pm为风电机组未满发时的功率缺额；Pl为停运中每台机组的额定功率。

但对于预测系统来讲，人为的控制功率输出直接影响原始数据的有效性。本文提出建立三组数据库：控制下的实际输出功率数据库玉、不受控制时输出功率差额数据库域和理论输出功率数据库芋。其中数据库玉用作风电场功率预测，上报调度部门；数据库芋用于本风电场数学建模和风电机组的功率预测；数据库域用作功率缺额对比和计算风电场总的功率预测。

3 对风电场风功率预测系统的展望

采用精确的风电功率预测模型，提高基础数据的完整率和有效性，结合更加科学的数据处理方法，建立相应的风电场管理制度将会对预测系统带来很大帮助。本文认为在今后的风电功率预测系统方面还需要做以下工作。

1）开发相应软件对风电场气象信息进行统一管理；数值天气预报信息能够提供更高分辨率的气象信息，至少应适用于本文提出的分块预测方案。

2）提高风速计的机械可靠性和测量精度，风向标方面，应减少死区范围。测量方法可以用电信号来代替目前的机械式方法。

3）将智能算法应用到数据管理中来，基于数据挖掘的机器算法更能发掘出数据之间的潜在联系。

4）未来的风功率预测系统应具备相应的数据处理程序和管理软件，计算机能够自动完成数据处理过程，工作人员不再直接处理数据，只起监督作用。

4 结语

本文简述了当前风电给电力系统带来的挑战，引出风电功率预测的必要性，简要介绍风电功率的预测模型，重点分析了当前风电功率预测系统中误差较大的各种原因，包括预测策略和模型，基础数据，风电场运行方式，人为因素给预测系统带来的影响。

针对以上原因，本文给出了适合于风电场预测系统并能提高预测精度的措施。最后对风电功率预测系统进行了展望，提出了在开发预测系统的过程中还需要进一步做的工作。

[1]范高锋,赵海翔,戴慧珠.大规模风电对电力系统的影响和应对策略[J].电网与清洁能源,2008，24（7）：44-48.

[2]韩爽.风电场功率短期预测方法研究[D].北京:华北电力大学，2008.

[3]谷兴凯,范高锋,王晓蓉,等.风电功率预测技术综述[J].电网技术,2007,31（2）:335-338.

[4]王丽婕,廖晓钟,高阳,等.风电场发电功率的建模和预测研究综述[J].电力系统保护与控制,2009,37（13）：118-121.

[5]杨秀媛,肖洋,陈树勇.风电场风速和发电功率预测研究[J].中国电机工程学报,2005,25（11）：1-5.

[6]国家发改委.风电场场址选择技术规定[2003]1403号[S].

[7]高虎,刘薇,王艳,等.中国风资源测量和评估实务[M].北京:化学工业出版社,2009.

[8]魏子杰,段宇平.风电场风能资源评估[J].发电设备,2009（5）：376-378.

[9]国家发改委.风电场风能资源测量和评估技术规定[M].发改能源[2003]1403号[S].

[10]牛山泉.新能源技术-风能技术[M].北京:科学出版社,2009：10-16.

[11]肖永山.风电场短期产能预测研究[D].新疆：新疆大学,2007.

[12]傅蓉,王维庆,何桂雄.基于气象因子的BP神经网络风电场风速预测[J].可再生能源,2009，27（5）：86-89.

[13]CAO Lei,LI Ran.Short-Term Wind Speed Forecasting Model for Wind Farm Based on Wavelet Decomposition[J].IEEE Trans on DRPT,2008:2525-2529.

[14]双斌,王维庆,张新燕.基于支持向量机的风速与风功率预测方法研究[J].华东电力,2009，39（9）：1599-1603.

[15]陈梅,洪飞,李鑫,等.风速风向传感器在风机控制中的应用于研究[J].工业控制与应用,2008，27（4）：38-43.

[16]雷亚洲,王伟胜,印永华,等.基于机会约束规划的风电穿透功率极限计算[J].中国电机工程学报,2002，22（5）：32-35.

[17]杨之俊.基于Matlab的组合风速建模与仿真[J].安徽电气工程职业技术学院学报，2008，13（9）：74-77.

[18]罗海洋,刘天琪,李兴源.风电场短期风速的混沌预测方法[J].电网技术,2009，33（9）：67-71.

[19]张国强,张伯明.基于组合预测的风电场风速及风电机功率预测[J].电力系统自动化，2009，33（18）：92-95.