基于小样本集的网侧风电功率预测方法

魏国清, 黄良毅, 杨苹，邹澍

(1. 海南电网公司系统运行部,海口市 510080；2.风电控制与并网技术国家地方联合工程实验室(华南理工大学),广州市 510641)

基于小样本集的网侧风电功率预测方法

魏国清1, 黄良毅1, 杨苹2，邹澍2

(1. 海南电网公司系统运行部,海口市 510080；2.风电控制与并网技术国家地方联合工程实验室(华南理工大学),广州市 510641)

风电功率预测多采用统计预测模型，为了达到可接受的预测精度，需要大量的历史数据对模型进行训练，不适用于缺少历史数据的新建风电场，为此提出基于小样本集的网侧风电功率预测方法。基于风电场少量的历史数据，运用支持向量机方法建立了网侧风电功率预测通用模型，并用此通用模型对风电场功率进行初步预测；在通用模型预测的基础上，利用区域内风电场的特征参数对这一网侧通用模型进行辨识和修正，从而得到区域电网网侧风电功率预测结果。实际算例验证了基于小样本集的预测方法的可行性，实际预测精度较好，说明该方法适于历史数据样本较小的风电场的功率预测，能够减少功率预测中统计预测方法对数据的依赖。

风电功率预测；网侧；小样本集；支持向量机；通用模型

0 引 言

随着生态环境的日益恶化，风电等绿色能源受到了越来越多的关注。近年来，我国风电装机容量增长迅速[1]，与此同时风电功率的随机性、波动性带来的并网问题愈发凸显[2]，需要对区域电网内的风电场进行高精度的风电功率预测，以便将风电纳入电网调度计划中，提高电网对风电的消纳能力。

网侧风电功率预测是针对区域电网内的所有风电场进行风电功率预测，目前较常见的做法是：若区域电网内的风电场彼此地理位置靠近，则对整个区域进行预测；若区域电网内的风电场地理位置相距较远，则分别进行预测，再求和。无论是整体预测，还是分别预测再求和，都需要建立网侧风电功率预测模型。按照预测方法分类，网侧风电功率预测模型主要有统计模型和物理模型[3]。统计模型采用一定的统计方法，通过大量风电场历史数据对模型进行训练，建立输入数据与风电功率的映射关系，从而对风电功率进行预测。统计模型主要方法为：时间序列、人工神经网络、模糊逻辑等方法[4-12]。统计方法的模型不是直接建立风速与功率的物理关系，而是试图找出数据之间的映射关系，需要对大量的历史数据进行识别、拟合、训练，才能达到一定的精度。物理模型则主要依赖于风电场的地形、地貌与高精度的数值天气预报[13-14]，具体建立物理模型时，需要从数值天气预报中的风速、风向等数据出发，考虑风电场及其周围的地理信息(包括地形，地表粗糙度等)转化到风机轮毂高度的风速、风向，再由风机功率曲线得到预测功率值。物理模型不需要风电场历史数据，但模型输入数据多，模型建立的过程十分复杂。

从目前我国风电发展水平来看，建立网侧风电功率预测的物理模型代价太大，应根据区域电网内风电场的实际情况，建立实用化的统计预测模型。针对区域电网内的风电场缺少大量历史数据的情况，本文提出基于小样本集的网侧风电功率预测方法，期望通过少量的风电场历史数据，对区域电网内的风电场进行高精度的风电功率预测，为提升电网消纳风电的能力提供支持。

1 网侧风电功率预测通用模型

常见的风电功率预测统计模型是采用历史数据进行训练直接得到的，这需要足够的历史数据支撑。为应对历史数据不足的情况，本文先用典型风电场的历史数据采用支持向量机回归法建立网侧风电功率预测通用模型，是后续小数据集修正的基础。

1.1 输入矢量

模型用高精度数值天气预报作为输入(输入特征矢量、风速、风向正弦、风向余弦、相对湿度、温度)，风电场输出功率作为输出。具体输入的特征矢量有：气压为85，925，100 kPa这3层的风速、风向余弦、风向正弦、相对湿度、温度。

样本选择的原则为：(1)样本平均分布在各个月份；(2)样本输出也就是风电场输出功率平均分布在各个功率段；(3)考虑到实际风电场可能限电，样本中去除了限电时段对应的样本。

1.2 支持向量机

相对于神经网络等常用统计方法，支持向量机的优势在于：能够有效地避免局部极小值问题，同时模型参数的确定只依赖少量的支持向量，能较好地利用有限样本进行建模。

建立基于支持向量机回归的风电功率预测模型，首先要构造支持向量机。针对风电场功率预测问题，需要建立支持向量回归机算法。为了便于说明，设风电场功率预测的训练集为T={(x1,y1),…, (xl,yl)} ,其中(xi,yi)构成一个训练样本，xi为十五维的向量，yi为一维向量。

为了推断出训练集中映射关系y=f(x)，构造损失函数c(x,y,f(x))[15]，在特征空间中，引入损失函数的支持向量机表示如下优化问题：

(1)

(2)

直接对式(1)求解比较困难，根据最优化原问题与对偶问题等价理论，可将上式转换为其对偶问题进行求解：

(3)

(4)

(5)

(6)

其中

(7)

(8)

2 网侧风电功率短期预测模型

为了得到网侧风电场短期预测模型，需要在通用模型的基础上，应用区域内风电场的特征参数对其进行修正。对通用模型的修正过程为：获取风电场实时测风塔风速、风向、温度、湿度等数据，建立修正后功率与通用模型预测结果之间的对应关系。实际风电场出力常常和风电场的地形、地表粗糙度、风机的排列导致的尾流相关。

2.1 向量相似度评估

评估2个向量之间的相似性有很多方法，比如：向量欧氏距离、曼哈顿距离、向量余弦相似度等。本文采用向量相似性评估方法来建立实测数据与通用模型数据的联系，实现对通用模型预测功率的修正。为便于说明，令归一化后的2个向量为w1=[w11,…,w1n]、w2=[w21,…,w2n]，其直接的相似度用向量之间的夹角余弦表示：

(7)

2.2 修正模型建立

用向量余弦相似度将小数据集中的测风塔数据和通用模型中的输入矢量联系起来，得到衡量2个向量之间的相似度矢量λ=[λ1,…,λn]。设小数据集为[w,p],其中w为十五维向量，p为一维向量，修正模型建立步骤为：

(1)用通用模型对小数据集的输入做预测，得到通用模型预测输出功率，记为Pc；

(2)用支持向量机算法，建立输入矢量为[Pc,λ]，输出矢量为p的修正模型。修正模型考虑了实测网侧风电场输出功率数据的可能受影响的因素，包括风机尾流效应，风电场地形影响，风电场地表粗糙度等，将通用模型的输出与实测数据相结合起来，得到依靠少量风电场数据修正的修正模型。

(3)在建模的时候考虑了尾流、风场地理信息等因素的基础上，通过网侧风电场少量的测风塔数据对通用模型进行修正，得到网侧风电功率短期预测模型。

3 网侧风电功率超短期预测模型

短期风电功率预测中不需要考虑风的快速变化，但在超短期预测中必须考虑，而数值天气预报中不包含风的快速变化规律，故需在超短期预测模型中重建风的快速变化时间序列。具体风场的风速快速变化特性各自不同，本文引入阵风模型对其进行描述。

阵风模型一般用于表示突然变化的风速，可在基本风上叠加一个阵风分量实现，即

(8)

(9)

式中：VWG为阵风风速，m/s；TG为周期，s；T1G为阵风起动时间，s；G为阵风风速最大值。

阵风模型参数可由测风塔数据拟合得到，在风电功率短期预测模型基础上引入阵风模型，即可得到风电功率超短期预测模型。

4 算例分析

为了验证本文提出的基于小样本集网侧风电功率预测方法，本文选取某省级电网下的区域风电场进行预测，分别建立网侧风电功率预测的通用模型、短期预测模型和超短期预测模型，在网侧对其出力进行预测。

采用海南省5个风电场1—7月历史数据建立通用模型，用风电场现场测风数据建立修正模型对其进行修正。其中某个风电场的单台风机容量为1 500 kW，其风速曲线如图1所示。

图1 24 h风速曲线

从图1可以看出：1天中风场风速变化较大，平均风速为10.56 m/s，风速最小为7.35 m/s，风速最大为15.74 m/s，对于风速变化较大的风电场，应用测风塔数据对通用模型进行修正非常重要。通用模型泛化能力强，但同时对突变样本适应不够好，需要通过测风塔数据去修正。将本文方法应用到这5个风电场网侧功率预测，短期预测结果如图2、3所示。

图2 短期预测曲线

图3 短期预测误差

从图3可以看到，短期预测模型精度较高，能够达到87%或者以上，说明了本文模型的正确性。从图2可以看到，预测曲线能够基本跟随功率趋势，说明了通用模型的合理性；在功率预测峰谷值有一些不能完全跟随，说明对模型的修正的精度还可以进一步提高。

超短期预测结果如图4所示。从图4可知，06：00之后功率预测精度较高，误差比较小，说明阵风模型对于超短期预测精度的提高；之前预测误差较大是由于风速随机性，导致阵风模型的失效，这是以后阵风模型需要优化的方向。

图4 超短期预测曲线与结果

5 结 论

针对缺少历史数据的区域电网的风电功率预测，本文提出了基于小样本集的网侧风电功率预测方法。该方法首先建立基于支持向量机的网侧风电功率预测通用模型，然后利用风电场实时测风数据对通用模型进行修正，得到网侧风电功率短期预测模型，再针对超短期预测中的快速风速不变化部分，设计了阵风模型。实际算例表明：该方法能有效提高区域电网的风电场功率预测精度。

[1]王颖, 魏云军. 风电场风速及风功率预测方法研究综述[J]. 陕西电力, 2011, 39(11): 18-21.

[2]娄素华, 李志恒, 高苏杰, 等. 风电场模型及其对电力系统的影响[J]. 电网技术, 2007, 31(2): 330-334.

[3]王健, 严干贵, 宋薇, 等. 风电功率预测技术综述[J]. 东北电力大学学报, 2011, 31(3): 20-24.

[4]Billinton R, Chen H, Ghajar R. A sequential simulation technique for adequacy evaluation of generating systems including wind energy[J]. IEEE Transactions on Energy Conversion, 1996, 11(4): 728-734.

[5]Li S. Wind power prediction using recurrent multilayer perceptron neural networks[C]//Power Engineering Society General Meeting. Toronto, Canada: IEEE, 2003,4: 13-17.

[6]Lei C, Ran L. Short-term wind speed forecasting model for wind farm based on wavelet decomposition[C]// Third International Conference on Electric Utility Deregulation and Restructuring and Power Technologies. Nanjing, China：IEEE, 2008: 2525-2529.

[7]Bakshi B R, Stephanopoulos G. Wave-net: A multiresolution, hierarchical neural network with localized learning[J]. American Institute of Chemical Engineers Journal, 1993， 39(1)：57-81.

[8]薛翔,赵冬梅,王金奕,等. 基于ARIMA与双层BP神经网络相结合的风电功率预测方法[J]. 电力科学与工程,2012,28(12):50-55.

[9]章伟,邓院昌. 基于灰色-马尔可夫链的短期风速及风电功率预测[J]. 中国电力,2013, 46(2): 98-102.

[10]马彦宏,汪宁渤,马明,等. 基于神经网络的酒泉风电基地超短期风电功率预测方法[J]. 电力建设,2013,34(9):1-5.

[11]师洪涛,杨静玲,丁茂生,等. 基于小波—BP神经网络的短期风电功率预测方法[J]. 电力系统自动化,2011, 35(16): 44-48.

[12]周松林,茆美琴,苏建徽. 基于主成分分析与人工神经网络的风电功率预测[J]. 电网技术,2011, 35(9): 128-132.

[13]Landberg L. Short-term prediction of the power production from wind farms[J]. Journal of Wind Engineering and Industrial Aerodynamics, 1999, 80(1): 207-220.

[14]Landberg L, Watson S J. Short-term prediction of local wind conditions[J]. Boundary-Layer Meteorology, 1994, 70(1-2): 171-195.

[15]丁志勇. 风电场短期功率预测方法研究[D]. 广州：华南理工大学, 2012.

(编辑：蒋毅恒)

WindPowerForecastingforPowerGridBasedonSmallSampleSet

WEI Guoqing1, HUANG Liangyi1, YANG Ping2, ZOU Shu2

(1. Dispatch and Control Center of Hainan Power Grid Corporation, Haikou 510080, China;2. National-Local Joint Engineering Laboratory for Wind Power Control and Integration Technology,South China University of Technology, Guangzhou 510641, China)

At present, the widely used statistical prediction model for wind power needs a lot of the historical data for training to achieve acceptable accuracy, so it is not suitable for the new wind farms which are lack of historical data. This paper presented a wind power prediction method for power grid based on small sample set. Firstly, based on few historical data of wind farm, the general wind power prediction model was built with using support vector machine (SVM) method, and was used for the preliminary forecasting of wind power. Then, on the basis of the general model prediction, the characteristic parameters of regional wind farm were used to adjust and modify the general model for power grid, so as to obtain the prediction results of wind power for regional power grid. Finally, the practical examples verified the feasibility of prediction method based on small sample set. The results show that the prediction method based on small sample set with good accuracy is suitable for the power prediction of wind farm with few historical data, and can reduce the dependence of statistical prediction method on data during power forecasting.

wind power forecasting; power grid; small sample set; support vector machine; general model

国家高技术研究发展计划项目(863计划)(2012AA050201)；广东省战略性新兴产业核心技术攻关项目(2012A032300013)。

TM 614

： A

： 1000-7229(2014)09-0018-04

10.3969/j.issn.1000-7229.2014.09.004

2014-04-16

：2014-06-26

魏国清(1965)，男，高级工程师，研究生，主要从事电力系统自动化方面的工作；

黄良毅(1971)，男，硕士，高级工程师，主要从事调度自动化方面的工作；

杨苹(1967)，女，博士，博导，主要从事可再生能源发电控制与并网技术方面的研究工作；

邹澍(1989)，男，硕士研究生，主要从事风电并网技术方面的研究工作，E-mail：shu.zou@qq.com。