消除小气候对风电场风电功率预测系统预测准确率的影响

中电投广西兴安风电有限公司 杨 民 宾世杨 王嘉鑫



消除小气候对风电场风电功率预测系统预测准确率的影响

中电投广西兴安风电有限公司 杨 民 宾世杨 王嘉鑫

【摘要】为了合理地利用风电，提高电力系统经济性，需要对风电场输出功率进行预测，初步建立的风功率预测平台为基础，对降尺度风场建模进行校正；对不同的统计学方法在风场发电功率预测校正实际效果的优化程度进行比较和验证；根据研究分析结果用于现有风功率预测平台的技术升级，提高预测准确率。

【关健词】风功率预测；预测模型；数据处理；预则精度及结果

1 研究现状

我国对风功率预测起步较晚，对风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，都制约着对风功率预测系统的研究和开发，因此，对数据的采集，处理和模开型校正及数据误差分析。

2 实施方案

对风场当地的微观建模根据实际的地形地貌和实际测风数据进行校正，以校正过的微尺模型计算结果作为预测的基础数据引入预测功能平台，之后根据积累的风场运行数据着重研究预测结果的统计学后处理的不同方法，评估不同的校正方法对最终预测准确率的提升效果，最终生成预测校正参数并引入现在运行中的预测系统。

3 微尺度模型校正

使用以CFD（计算流体力学）为核心的WT软件对某风电场进行风场微尺度建模，是风场所使用的预测软件前期必须的计算环节，在这一阶段的建模计算中，实现对风场当地风流变化的计算。微尺度模型的计算结果受到实际风场的地形数据和地表覆盖物环境影响，两类数据对风场实际自然环境的描述准确性决定了微尺度模型最终结果的准确性。

3.1 实测数据的筛选

对测风数据进行筛选，筛选出强风状态下的样本值。用于数据筛选的风速阈值根据测风数据的70米测风点（最高测风高度）的实测湍流强度曲线进行考察，如下图，取曲线趋于平稳处的风速10m/s做为筛选阈值。而选择强风状态的数据作为建模校正的依据，在于从气象学角度的一个经验性结论：强风状态下大气热稳定度为中性稳定。

3.2 初期风场微环境建模情况

风场建模的范围覆盖全部风机，地形数据准备采用SRTM地形数据库90米分辨率地形数据，而地表粗糙度地图则根据卫星照片和实地踏勘照片进行人工制作。计算半径4176米，风场中心坐标对应高斯6度带北京1954投影系下的XY坐标为（23343456，5075586）。由于东北地区冬季地表长期为积雪覆盖，则地表覆盖物性质随季节变化，因此建模数据的粗糙度地图分为雪季和非雪季，建模计算也对应分为雪季项目和非雪季项目。

3.3 校正后用于预测计算的微尺度模型

上述的风廓线比较是一个重复的过程，对于粗糙度地图的调整根据已知原则和前次调整效果进行尝试，直到确认效果较好的调整后的粗糙度地图，如图1、图2所示。

用于计算的微尺度模型具备不同热稳定度下的降尺度转换系数，但实际的热稳定度等级的计算则是根据中尺度预测数据按照如下公式计算得到的：

根据理查森数Ri的取值范围对应的WT中对应于热稳定度等级，来确定在微尺度模型计算结果中的哪一组转换参数被用于风电场功率预测。

图1 WT建模校正雪季粗糙度地图

图2 WT建模校正非雪季粗糙度地图

3.4 预测统计模型校正

提高风功率预测准确性的可能，则是从统计学入手。风场在实际运行过程中，风机不会严格按照理论功率曲线进行发电，实际情况与预测软件中根据理论功率曲线进行计算的情况本身就有差别，采用统计模型进行预测校正的过程并不仅仅是对小气候环境影响的消除，同时也是对其他无法在预测计算时作为已知量考虑在计算过程中的因素导致的影响的修正。

3.5 线性统计校正方法

线形统计校正的实现首先需要进行样本分类分析，将主要影响因素作为现象校正样本分类依据。对于预测技术方案来说，首先是由物理模型实现对风流变化的预测，包括风速风向，之后才是根据风机属性即功率曲线与尾流效应曲线来进行风功率预测。

3.6 神经网络校正

神经网络模型是用人工智能的方法提取输入和输出间的关系，而不是以解析法的形式来描述，这种方式所建模型为非线性模型。

一个完整的人工神经网络运行结构被两个数值定义：层级的数量与每层神经节点的数量。因此神经网络的结构类型存在巨大数量的可能性，相应的运行效果也不相同。一个过于简单的神经网络不够健全，因此也无法得到正确的运行结果。而一个过于复杂的神经网络结构则会导致对入口数据的过度拟合。

神经网络校正后的误差分析：

误差计算方法，在《风电功率预测系统功能规范》中有明确规定：

（1）均方根误差（RMSE）

（2）平均绝对误差（MAE）

而目前项目执行的发电功率预测属于日前预测，即在每日中午12点之前向电网调度机构提交次日0时到24时每15分钟共96个时间节点风电有功功率预测数据和开机容量。

4 项目研究成果

关于消除小气候对风电场发电功率预测的影响，在本次项目框

架内实现了预期几个方面的目标：

（1）实现了微尺度模型校正，使中尺度预测数据降尺度外推环节更为准确。

（2）实现了某风场预测结果的线性统计学校正效果评估，生成了可用的校正参数。

（3）实现了某风场预测结果的神经网络模型训练和校正参数的生成，并通过风场实际数据进行了效果验证，基本达到了预期提高准确率的水平（针对每个月的情况有所不同，随着今后数据的不断积累，校正参数的应用效果会更好）。

（4）在具体风场项目上实现了不同校正方法的效果比对，进一步确立了采用神经网络方法进行校正，用以消除小气候对发电功率预测影响的技术路线有效性和优越性。值得指出的是，风电场如果能够进一步提供风场运行更丰富的信息，包括每台风机的实时运行状态、停机维护计划等信息，则对于风机实时状态的描述会更为清楚，对分析预测过程中的典型情况的分析也会能有利。

（5）项目范围内除了数据分析、模型校正和参数生成与验证外，还包含设计开发内容，除了风场风流建模模拟的Google earth三维演示外，还包含了一项演示工具：风功率预测图谱实时二维演示模块工具，用于动态展示某风电功率预测系统的技术特征。

5 总结

对将CFD风流建模理论和统计学尤其是智能网络理论在风电功率预测准确率提高的实际需求中的作用得到了验证，实现了从理论到实际应用的转化。

参考文献

［1］王步华，李同，金翼，赵宏雷.浅谈提高负荷预测准确率的方法与措施［A］.2007中国电机工程学会电力系统自动化专委会供用电管理自动化学科组（分专委会）二届三次会议论文集［C］.2007.

［2］赵岩，张新平，刘锦英，郑凯.“移动平均法”提高日负荷预测准确率在地区电网中的应用［A］.山东电机工程学会第五届供电专业学术交流会论文集［C］.2008.

［3］李西泉，陈伟，朱军飞.提高湖南电网短期负荷预测准确率的分析与思考［A］.中南七省（区）电力系统专业委员会第二十二届联合学术年会论文集［C］.2007.