基于相关因素及空间分布的风电功率预测研究

赵帆 杨燕翔 易忠尧

【摘要】为提高短期风电功率预测效率。本文提出一种考虑空间分布的区域风电功率预测方法：将需要预测的总区域划分为若干分区域.运用考虑相关因素的最小二乘支持向量机方法预测标准风电场风速，进而利用标准风电场群的预测功率预测出各分区域功率，各分区域功率预测值之和即作为整个区域的功率预测值。通过对广西某风电场算例分析得出：该方法能有效提高短期风电功率的预测精度，具有一定的实用价值。

【关键词】功率预测;分区域;标准风电场群;相关因素;最小二乘支持向量机

引言

风力发电发展迅速，但风能本身具有较大波动性直接导致风电场出力的不确定性。所以，风电接入将对电力系统产生巨大影响。因此，对接入电力系统的风电功率进行有效预测是风电并网运行的重要环节[1]。

风电功率预测是指以风电场的历史功率、所处地理位置的地形地貌、数值天气预报等数据建立风电场输出功率的预测模型，以风速、风电功率、数值天气预报和地形地貌等相关数据作为模型的输入，结合风电场机组的设备状态及运行工况，得出风电场未来的输出功率[2]。目前，由于不重视数值天气预报的重要性、相关不同专业领域资源整合的欠缺造成我国风电功率预测不能很好的满足电网调度要求[3]。提高风电功率预测的精确度，可以增强风电并网的可控性，使其更好得满足调度需求，是研究风电功率预测的重要目标。通过本文的研究，寻求一种通过考虑相关因素影响、较传统预测方法更为准确、运算效率更高的风电功率预测方法。

1.风速、功率预测方法概述

准确的短期风速预测是短期风电功率预测的有力前提。目前对风速预测常用的方法有人工神经网络法、时间序列法、支持向量机法等方法。时间序列法依靠大量历史数据作为支撑，并且只考虑单一风速时间序列，而不考虑其他因素对即刻风速的决定作用，因此在气象条件复杂的风电场，预测精度不高[4]。人工神经网络法具备自适应能力，但由于需要输入的数据繁多，具有网络收敛速度慢的缺点。由于支持向量机法利用内积核函数代替向高维空间的非线性映射，因此可以处理非线性映射问题，从而广泛应用于预测领域[5、6]。基于最小二乘支持向量机法就是运用等式约束来代替原方法中的不等式约束降低了运算难度，具有更快的运算速度。

2.区域风电功率预测整体框架

图1 区域风电功率预测框架图

首先将整个风电场区域进行分区域划分，将情况相似的风电场纳入同一分区域。

其次计算相关系数，选择和分区域功率相关系数较大对应的风电场作为标准风电场，组成标准风电场群。

将标准风电场群的功率预测转换成对标准风电场群中各标准风电场风速的预测。本文采用基于相关因素的最小二乘支持向量机的方法来进行预测。再根据风电场功率特性曲线得出各标准风电场的功率预测值。进而直接得到标准风电场群的功率预测值。

然后利用标准风电场群的功率预测值得出分区域的功率预测值，由于采用的选取标准风电场进行预测的方式，不再考虑非标准风电场的影响，减小了运算量，使得预测工作能够更加高效。

最后直接相加得到整个区域的功率预测值。

3.分区域划分

分区域的风电功率预测是本功率预测方法的重要环节。首先，考虑区域内各风电场所处地域特性、风电场群分布位置等情况。若风电场位置相对集中、历史风力状况有较强的一致性，就不再进行分区域的划分，而是直接采用叠加法进行区域风电功率预测。若该区域各风电场空间位置相对分散、历史风力情况有较大差别，应进行分区域的划分，划分原则如下：

（1）依据各风电场分布以及接入位置;

（2）依据所处区域风力状况的分布特点;

（3）依据该区域各风电场容量的相似性。

根据实际情况，本文依据风电场分布及接入位置及所处区域风力的分布特点来对整个区域进行划分，这样可以降低迭代次数，提高划分效率。

4.标准风电场群功率预测

本文核心思路是由分区域的功率水平来对整个区域的风电功率进行预测。分区域的出力水平是由与分区域功率相关系数较大的风电场的出力水平来决定，这样的风电场本文称之为标准风电场。标准风电场的精准确定是本文所述后续计算准确性的重要保证。所选择的标准风电场的接入位置、所处地理位置、装机容量等都将影响到区域出力预测的准确性。

4.1 确定标准风电场群

标准风电场群由确定的标准风电场组成。由于运用相关系数研究相关性具有运算简便、易于实现的特点，则本文采取用相关系数来衡量各分区域中风电场和分区域的相关性，计算各分区域中各风电场功率与分区域总功率之间的相关系数，筛选出相关系数较大的风电场，作为标准风电场，直到达到一定的装机容量，组成风电场群，来对整个分区域的功率进行预测。

（1）设某一分区域内有m个风电场，编号分别为1、2…m，则第i个风电场与分区域功率的相关系数定义如下（1）式：

（1）

其中：为测量功率抽样点个数，为该分区域第个风电场第个抽样点实测功率;为第个测量点分区域实测功率;为第个风电场个抽样点功率平均值;为分区域个时刻功率平均值。若风电场数据异常，则将对应的相关系数设置为0。

（2）将上述步骤中所计算得到的相关系数值进行排序，标准风电场就是所筛选出的相关系数绝对值较大的风电场，由标准风电场组成标准风电场群（标准风电场群中各风电场功率总和达到所在分区域总额定功率的70%）。具体条件如下（2）式：

（2）

S为计算出相关系数绝对值排名前S的风电场;为第i个风电场的额定出力;为所在分区域总额定功率。

4.2 标准风电场群功率预测

标准风电场群的功率预测是本文的基础，风电场发出的功率受即刻风速、温度、压强等因素的影响，由风电机发出电功率与各要素的关系可知：风速为风电场发出功率的主要影响因素，因此，对于标准风电场群的功率预测，本文着重考虑风速影响，采用将预测的风速与风电场功率特性曲线相结合来确定的方法来减小直接进行预测的随机误差。

风速具有不稳定性，但其本身随季节、气温、时刻的变化呈现出一定的统计规律。而本文关注与即刻风速相关性大的因素。为了确定决定风速的因素，采取实例验证的方式。通过实验选取风场所在某地区预测时刻温度、预测时刻压强，预测时刻前10分钟、前20分钟、前30分钟、前l小时、前2小时风速作为参考因素，与预测时刻风速进行相关程度分析，进而选择相关性较大的因素作为风速预测模型输入变量的重要参考量和预测模型的训练样本。

同筛选标准风电场一样，确定预测模型的输入变量仍采用求解相关系数的方法，选择对风速影响较大的因素作为输入变量。如（3）式所示：

（3）

其中，。

由相关系数公式得出计算结果，某风电场风速与各相关因素的相关系数计算如表1所示。

表1 各因素与确定时刻风速的相关系数

易知：当前风速值主要与前10分钟、前20分钟、前30分钟的风速值的相关程度高。虽然风速易波动，但短时间内突变的情况少，且具有连续性。从表1可以得出：预测时刻前一小时内的风速值，因其与预测时刻的相关度较高，将其纳入即刻风速值预测的相关因素之列。而提前二小时的风速值与预测时刻风速值相关性不高，所以不考虑前二小时的风速值。本文对标准风电场群的风速预测采用考虑相关因素的最小二乘支持向量机的方法，且选择预测时刻的前l小时、前30分钟、前20分钟、前10分钟风速值为相关因素对目标时刻的风速值进行预测。

因此设定参考序列。分别表示标准风力发电机在预测时刻的前10分钟风速值、前20分钟风速值、前30分钟风速值以及前1小时风速值。设定每日同一预测时刻的前10分钟风速值、前20分钟风速值、前30分钟风速值、前1小时的风速值为比较序列，即：序列分别表示预测时刻的前一天、前两天、…、前n天的比较序列。

对于标准风电场群的训练样本，提取出和预测点同一时刻信息特征相似的风速值作为加权最小二乘支持向量机算法训练模型的输出量为，设对应的样本输入量为，同时定义：。其中，表示预测日前天内同一预测时段的风速数据。，表示预测日之前天内同一预测时段的信息特征向量。表示预测时刻风速信息。各标准风电场风速预测完毕后，根据风电场功率特性曲线，来确定各标准风电场的预测功率，相加得到标准风电场群的预测功率。

5.分区域风电功率预测

在得到各分区域标准风电场群预测功率的基础上，本文采取通过标准风电场的预测功率来预测所在分区域的功率的方法，来确定各分区域的预测功率。同对各分区域风电功率的预测方法相似，对分区域的风电功率预测采用最小二乘支持向量机的方法。

6.算例验证

本文将广西某风电场实际数据作为运算依据，对本文所提出的方法进行验证。收集2011年10月至2012年6月的数值天气预报中关于风速信息特征的相关数据，以10月份到次年1月份的数据进行考虑相关因素的最小二乘支持向量机训练，预测次年1月以后的风电功率。

（1）按照前文所叙述的方法将整个区域划分为8个分区域。

（2）确定标准风电场群。本文仅分析风电场数目较多的风区。以2011年11月的分区域2的数据对本文方法进行说明：分别测得风电场1～风电场5与分区域出力之间的相关系数为0.200、0.010、1.028、0.828、1.203。与分区域2功率相关系数从大到小的风电场依次是风电场1、风电场3、风电场4和风电场5，且此四个风电场装机容量已经超过该子区域额定容量的70%，符合上文所述组成标准风电场群的条件，因此将该子区域风电场1、3、4、5组成标准风电场群，进行预测。

（3）标准风电场群功率预测。对标准风电场风速的预测采用上文所述的考虑相关因素的最小二乘支持向量机的方法，再将各标准风电场的预测风速与风力发电机的功率特性曲线得出标准发电场的预测功率，各标准风电场的误差指标由平均相对误差和均方根相对误差两个指标来进行衡量，分别用式（4）、（5）来表示，测得值如表2所示：

（4）

（5）

表2 标准风电场误差指标

风电场编号 平均绝对误差 均方根误差

1 24.99MW 23.0%

3 45.40MW 24.7%

4 16.24MW 24.2%

5 8.69MW 18.5%

（4）分区域风电功率预测。利用考虑相关因素的最小二乘支持向量机的方法对分区域风电功率进行预测，与直接相加预测方法的对比结果如图2所示：

图2 分区域风电功率预测结果对比

由表3可得，采用直接相加法进行区域功率预测，风电场的预测误差会产生叠加，从而造成误差倍增，精度降低。本文所采用的区域风电功率预测可以有效排除其他无关因素，避免误差叠加，提高预测精度。本文的预测方法使预测误差降低接近6% 。

表3 总区域风电功率误差指标

方法 平均绝对误差  均方根误差

直接相加 120.8MW    27.89%

本文模型 96.02MW 22.13%

（5）最后将各个分区域预测数据相加得到整个区域的预测值，整个区域预测值和实测值进行对比如下图3所示。本文提出的方法使整个区域的风电功率预测趋近于实际值，能够达到预期的预测要求。

由图3可得，本文考虑相关因素的最小二乘支持向量机预测方法的区域风电功率预测误差控制在20%附近。说明了本文所提出的风电功率预测的方法能够降低单个风电场预测通过叠加带来的误差。

图3 总区域实测值与预测值对比

7.结论

本文采用将风电场空间分布同风电功率相关因素相结合的预测方式，较通常的预测方法而言，可以解决因为数值天气预报的数值不全造成的数据缺项问题或者预报风速异常等原因导致数据参考价值降低所导致风电功率预测误差增加的问题。

参考文献

[1]别朝红，安佳坤，陈筱中，等.一种考虑时空分布特性的区域风电功率预测方法[J].西安交通大学学报，2013，47（10）：68-74.

[2]袁铁江，晁勤，李建林.风电并网技术[M].机械工业出版社，2012.

[3]赵东.风电预报之困[J].科技创业，2012（8）：68-69.

[4]栗然，陈倩，徐宏锐.考虑相关因素的最小二乘支持向量机风速预测方法[J].电力系统保护与控制，2010，38（21）：146-151.

[5]张智晟，马龙，孙雅明.混沌理论和支持向量机结合的负荷预测模型[J].电力系统及其自动化学报，2008，20（6）：31-35.

[6]Mohandes M A，Halawani T O，Rehman S.Support vector machines for wind speed prediction[J].Renewable Energy，2004，29（6）：939-947.

作者简介：赵帆（1988—），男，四川成都人，西华大学在读研究生，研究方向：短期风电功率预测。