电池储能系统在跟踪风电计划出力中的需求分析

靳文涛，李 蓓，谢志佳

（中国电力科学研究院，北京 100192）

尽管风力机控制技术水平不段提高，然而随着大规模风力发电接入电力系统，其间歇性、波动性对电力系统的影响愈发显著[1-2]，影响电能质量和电力系统的稳定运行。2011年7月国家能源局下发了《风电场功率预测预报管理暂行办法的通知》（国家能源[2011]177号文件），并制定了《风电场功率预测预报管理暂行办法》（以下简称《办法》），《办法》规定“所有并网运行的风电场均应具备风电功率预测预报能力，并按要求开展风电功率预测预报”。具有风电功率预测系统的风电场需向电网调度部门提供发电功率预报信息，并用于电力系统实时调度[3]，提高风力发电上网小时数额[4]，并有助于负荷和发电机组控制策略的优化[5]。目前风电功率预测技术仍存在预测误差大的问题[6-9]，若电网调度部门按风电预测曲线安排发电计划将对系统备用容量提出挑战。电池储能技术凭借其易于扩容、响应快速、循环使用寿命长等特性，在风力发电领域的应用逐渐扩大，并主要集中于平滑风电出力波动、跟踪风电计划出力等应用场合[10-13]，其中，后者作为提高风电并网应用能力的有效辅助手段，成为当前研究的新热点。目前，国内外均已针对风电功率预测技术展开多项研 究[14-19]，但基于风储联合应用提出改善风电跟踪计划出力能力的研究成果仍鲜见公开报道。基于算例风电场风力机的历史运行数据和预测数据，综合考虑预测误差评价指标和风电场预报考核指标，对算例风电场预测数据进行误差统计分析，提出利用电池储能系统（battery energy storage system，BESS）改善风电跟踪计划出力能力的应用方法，通过控制电池储能系统的输入/输出功率，使风储联合出力在一定允许范围内接近风电功率预测曲线（或风电调度计划出力曲线），从而提高可再生能源输出的可调度能力和输出可信度，减轻风电对电网的影响，提高电力系统运行的经济性。

1 风电功率预测要求及考核指标

风电功率预测受到预测算法、天气、风电场运行状态等多种因素影响，不可避免存在预测误差。为保证风电顺利并网和电力系统安全运行，《办法》规定风电场功率预测系统提供的日预测曲线最大误差不超过25%；实时预测误差不超过15%；全天预测结果的均方根误差（root mean square error，RMSE）应小于20%。该办法制定的目的在于判断某一预测系统是否满足实际风电场并网运行的预报技术要求。

根据《办法》要求，风电场功率预报考核指标包括准确率与合格率，相关定义如下。

（1）预测误差 各数据点实际风电功率值与风电预测功率值的误差，计算方法见式（1）。

（2）日预测曲线最大误差日考核总时段数（96 点-免考核点数）内所有数据点的最大预测误差即为日预测曲线最大误差。

（3）准确率 计算方法见式（2）。

（4）合格率 计算方法见式（3）。

其中

式中，iε 为预测误差，wiP 为i 时刻实际风电功率值；fiP 为i 时刻的预测功率值；Cap 为风电场开机容量；1r 为预测计划曲线准确率；N 为日考核总时段数（取96 点-免考核点数）；mkP 为k 时段实际平均功率；pkP 为k 时段的预测平均功率。

2 预测误差分析

选取算例风电场（共计33 台风力机，单机装机容量为1.5 MW，总装机容量为49.5 MW）连续317 d 的风电历史运行数据和预测数据（基于短期预测技术获取）进行统计分析。图1 给出了样本数据的波形分布图。

由图1 可以看出风电输出的实际功率和预测数据之间存在显著差异，为便于消减误差，基于概率统计学对所有样本数据点的偏差进行分析，并总结其概率分布特征。该风电场预测数据的预测误差和日最大预测误差统计结果如图2所示。由预测误差和日最大预测误差的概率分布可以看出不是所有数据点可以满足国家标准中日预测最大误差小于25%的要求。为进一步量化不满足《办法》要求的概率，将以5%为步长，分别统计落在各误差区间的概率，如图3所示。

图1 风电场预测和实际功率数据曲线Fig.1 The wind farm’s forecast and actual power curves

图2 预测误差和日预测最大误差Fig.2 Forecast error and maximum daily forecast error

由图2 可以看出其中有部分数据点不满足国家标准中对日预测最大误差小于25%的要求。将预测/日预测最大误差分为误差间隔为5%的20个区间，统计得到误差落在各区间的概率。

图3 预测误差/日预测最大误差的概率分布Fig.3 Probability distributions of prediction error and maximum daily forecast error

由图3(a)预测误差的概率分布图可以看出，随预测误差值的增大，落在该误差范围内的数据所占的百分比随之减小，即说明该预测数据的误差基本集中在小误差范围内；由图3(b)日预测曲线最大误差可以看出，该预测数据中存在有部分日最大预测误差超出国家标准中日最大预测误差<25%的要求；分别对预测误差和日预测最大误差各个误差段的概率进行累计概率密度统计，其结果分别如图4(a)、(b)所示。

图4 累计概率密度曲线Fig.4 Cumulative probability density curves

预测误差<25%的数据点占全部数据点的88.3%，存在数据点不满足日最大预测误差<25%的《办法》要求。符合《办法》要求中日最大预测误差<25%的概率仅占43.5%，显然，不满足要求的概率超过50%。

基于日考核总时段数中的96个数据点，当有且仅有一个数据点超出预测误差<25%要求时，则该日不满足《办法》要求。若以日为考核周期，即以每96 点为一个统计单位，样本数据中日预测最大误差>25%的概率占56.2%；而若以连续317 天的所有样本数据点为统计单位，则超出《办法》要求的概率仅占11.7%，如图5所示，而这正是引入电池储能技术后，电池储能系统所需提供服务的对象。即通过风电预测功率数据的误差统计知，借助电池储能技术提高风电跟踪计划出力能力，对电池储能系统而言能够满足其技术能力需求，因此该应用方向具有一定实用价值。

图5 预测误差与日预测最大误差满足率对比Fig.5 Comparison of satisfaction rate between prediction error and maximum daily forecast error

另外，为了衡量预测系统误差的离散度，可对风电场预测数据全天预测结果的均方根误差进行统计，图6为其统计结果。《办法》要求风电功率预测数据的均方根误差应<20%，算例风电场的风电功率预测数据全天预测结果均方根误差<20%的数据点占数据点总数的78.5%，即有21.5%的数据点不满足要求。

图6 预测结果的均方根误差Fig.6 The RMSE of prediction results

根据《办法》规定，将通过计算风电场预测数据的准确率与合格率考核其预报能力，基于算例风电场的样本数据统计结果如图7所示，可以看出，该风电场的预测数据准确率与合格率较高，但仍未100%满足《办法》要求。

图7 准确率和合格率Fig.7 Accuracy rate and qualified rate

为使风电场实际风电功率符合其上报的日发电计划，需通过一定技术手段减小预测误差。而基于现有预测技术水平，通过引入电池储能技术将有效弥补风储合成出力与风电功率预测数据之间的固有误差，提高风电跟踪计划出力能力，促进其符合《办法》要求，并提高风力发电的可调度性，满足电网调度部门安排的运行方式、制定调度计划的需要，从而实现提高风电的利用小时数。

3 风储联合应用

通过上述关于风电预测数据误差的统计分析知，将电池储能系统用于改善跟踪风电计划出力能力具有一定可行性。风储联合系统（wind power and energy storage combined system，WECS）的应用控制原理如图8所示。

图8 风储联合系统跟踪计划出力控制框图Fig.8 Control block diagram for the tracking schedule output with the WECS

实时采集风电功率数据并与预测数据对比分析，判断其误差是否满足《办法》要求，利用电池储能系统的双向功率能力弥补实际风电功率的溢出或不足，使风储合成出力功率数据与风电功率预测数据之间的日预测最大误差满足《办法》要求。电池储能系统输出功率如图9所示。

图9 储能系统功率输入/输出原理图Fig.9 Schematic energy storage system power input/output

当实际风电功率值大于预测数据值时，对电池储能系统充电，将富余的能量存储在电池储能系统中；当实际风电功率值小于预测数据时，控制电池储能系统放电，使风储合成出力满足风电功率预测标准。为合理调度电池储能系统充放电，确保风储联合系统稳定运行的连续性和可靠性，需实时采集实际风电功率数据，并与预测数据对比分析，若此时的功率预测误差超出15%的限定要求，则对电池储能系统进行功率控制，使风储合成出力曲线在允许范围内接近风电功率预测曲线（或风电调度计划出力曲线）。因此，风储合成出力可以在以风电功率预测数据fiP 为中心、limitP±为带宽的范围内波动。在不同工况包括不同电池储能系统荷电状态（state of charge，SOC）下电池储能系统充放电的功率变化量范围见表1。

表1 电池在不同SOC 下的充放电功率Table 1 Charge-discharge power of the battery in different SOC conditions

a1、a2为电池储能系统正常运行的SOC 边界约束因子；b1、b2为电池储能系统正常运行的SOC 参考约束因子，且各因子之间满足如图10所示的关系。

图10 SOC 控制区域示意图Fig.10 A schematic diagram of the control area of SOC

电池储能系统在工作过程中时刻满足以下条件

式中，outP（ k）为k 时刻的风储合成出力，MW。

仿真计算，电池储能系统参与运行控制时，其输入/输出功率曲线如图11所示。

分析风储合成出力数据（Pout）与风电功率预测数据所有数据点之间的误差，其累计误差所占的百分比曲线如图12 曲线(1)所示，曲线(2)为其日预测最大误差的累计百分比曲线。

由图12 可以看出，加入电池储能系统之后，风电功率预测数据与风储合成出力所有数据点之间的误差、日最大误差全部在25%以内，与加入电 池储能之前的56.2%的不满足率比较，此时完全满足《办法》中日最大预测误差在25%以内的要求。

图11 电池储能系统的输出功率Fig.11 The out power of BESS

图12 预测数据与Pout 的累计误差概率分布Fig.12 The accumulated error probability distribution of prediction data and Pout

同理，图13 给出风储合成出力数据（Pout）与风电功率预测数据的均方根误差，由图12 可知，加入电池储能系统之后，风储合成出力与风电功率预测数据的均方根误差全部在20%以内，满足《办法》要求。

图13 预测数据与Pout 的均方根误差Fig.13 The RMSE of Pout and forecasting data

4 结 论

（1）针对算例中49.5 MW 级风电场样本数据，借助概率统计方法，得出了该风电场的日最大预测误差大于25%的天数概率为56.2%，而风电功率预测数据所有数据点中，预测数据的误差大于25%的数据点仅占所有数据点的11.7%。

（2）通过仿真验证可知，以《办法》对风电场功率数据预测要求误差为判据，可以得出，风功率预测误差大于25%的概率为11.7%，需借助电池储能系统才能进一步降低这一概率。

[1] Gu Weidong（顾为东）. Development and application of large-scale non-grid-connected wind power system[J]. Automation of Electric Power Systems（电力系统自动化），2008，32（19）：1-4.

[2] Hong Cui（洪翠），Lin Weiming（林维明），Wen Buying（温步瀛）.Overview on prediction methods of wind speed and wind power[J].Power System and Clear Energy（电网与清洁能源），2011，27（1）：60-66.

[3] 国家电网公司. Q/GDW 588-2011 风电功率预测功能规范[S].北京：中国电力出版社，2011.

[4] Li Jianlin（李建林）. Large-scale wind power development and inseparable from wind power[J]. The World of Inverters（变频器世界），2010，4（4）：49-52.

[5] Carpentiero V，Langella R，Manco T，et al. A Markovian approach to size a hybrid wind-diesel stand alone system[C]//Proceedings of the 10th International Conference on Probababilistic Methods Applied to Power System，[S.l.]：[s.n.]，2008.

[6] Wang Xiaolan（王晓兰），Wang Mingwei（王明伟）.Short-term wind speed forecasting based on wavelet decomposition and least square support vector machine[J]. Power System Technology（电网技术），2010，34（1）：179-184.

[7] Zhang xin（张欣）.风电功率预测技术和管理亟待解决[EB/OL]. [2012-07-11].http://www.china5e.com/show.php?contentid=232437

[8] Gu Xingkai（谷兴凯），Fan Gaofeng（范高峰），Wang Xiaorong（王晓蓉），et al. Summarization of wind power prediction technology[J]. Power System Technology（电网技术），2007，31（S2）：335-338.

[9] Feng Shuanglei（冯双磊），Wang Weisheng（王伟胜），Liu Chun（刘纯），Dai Huizhu（戴慧珠）. Study on the physical approach to wind power prediction[J]. Proceedings of the CSEE（电力系统自动化），2010，30（2）：1-6．

[10] Yu Peng（于芃），Zhou Wei（周玮），Sun Hui（孙辉），Guo Lei（郭磊），Sun Fushou（孙福寿），Sui Yongzheng（隋永正）.Hybrid energy storage system and control system design for wind power balancing[J]. Proceedings of the CSEE（中国电机工程学报），2011，31（17）：127-133.

[11] Papaefthimiou S，Karamanou E，Papathanassiou S A，Papadopoulos M P. Operating policies for wind-pumped storage hybrid power stations in island grids[J]. IET Renewable Power Generation，2009，3（3）：293-307.

[12] Zhang Guoju（张国驹），Tang Xisheng（唐西胜），Qi Zhiping（齐智平）. Design of a hybrid energy storage system on leveling off fluctuating power outputs of intermittent sources[J]. Automation of Electric Power Systems（电力系统自动化），2011，35（20）：24-28.

[13] Kong Feifei（孔飞飞），Chao Qin（蓸勤），Yuan Tiejiang（袁铁江），Li Jianlin（李建林），Zeng Xinyi（曾信义），Yuan Jiandang（袁建党）. Estimation of wind farm energy storage capacity for short-term power dispatch[J]. Electric Power Automation Equipment（电力自动化设备），2012，32（7）：1-4.

[14] Wang Shiqian（王世谦），Su Juan（苏娟），Du Songhuai（杜松怀）. A method of short-term wind power forecast based on wavelet transform and neural network[J]. Transactions of the CSAE（农业工程学报），2010，26（S2）：125-129.

[15] Pinson P. Estimation of the uncertainty in wind power forecasting[D]. Paris：Ecole des Mines de Paris，2006.

[16] Giebel G，Badger J，Martí L P，Kallos G，Palomares A，et al. Short-term forecasting using advanced physical modeling, the results of the ANEMOS project[C]//Proceedings of European Wind Energy Conference，Athens：[s.n.]，2006.

[17] The state-of-the-art in short-term prediction of wind power：A literature review [EB/OL]. [2010-08-10]. http: // anemos. cma.fr.

[18] Xu Man（徐曼），Qiao Ying（乔颖），Lu Zongxiang（鲁宗相）. A comprehensive error evaluation method for short-term wind power prediction [J]. Automation of Electric Power Systems（电力系统自动化），2011，35（12）：21-26.

[19] Yang Xiuyuan（杨秀媛），Xiao Yang（肖洋），Chen Shuyong（陈树勇）. Wind speed and generated power forecasting in wind farm[J]. Proceedings of the CSEE（中国电机工程学报），2005，25（11）：1-5.