基于数值天气预报的风电功率预测研究

刘 浩 李 爽 杨 超 刘红坤

1. 保定市气象局，河北 保定 071000

2. 河北省信息工程学校，河北 保定 071000

引言

目前，预测方法主要有两种：一是物理方法，先利用数值天气预报系统(NWP)得到风速、风向、气压、气温等天气数据，然后根据风电发电机周围的物理信息得到风电机组轮毂高度的风速、风向等信息，最后利用风力发电机组的功率曲线计算得到风力发电机组的输出功率；二是统计方法，即根据历史数据(风速或功率)在天气状况与输出功率间建立映射关系，然后进行预测[1]。

本文通过分析某风电场风力发电功率数据，结合相对应的数值天气预报相关气象要素数据，利用基于子空间的辨识方法和GRNN 广义神经网络建模方法，得到不同负荷不同季节的风力发电系统数学模型，利用未来数值天气预报数据作为输入对象，得到预测功率，与实测功率进行对比，检验模型的准确性。

1 风力发电机组数据及数值天气预报数据的获取

1.1 风力发电机组数据

风力发电机组输出功率数据采用吉林省白城市某风场数据，风力发电机组功率数据资料为2015 年7 月-2016 年6 月时间段内的机组输出功率，数据序列记录时间间隔为15 分钟。

1.2 数值天气预报数据

利用欧洲EC 细网格数据作为建模数据。搜集整理了2015 年7 月-2016 年6 月该风场所处地理位置的EC细网格数值天气预报数据。获取的原始数据为grib2 格式。使用国家气象局下发的dataCMACASTec 解码程序解码，通过修改配置文件ecmwf_C1D.ini 可得到需要的气象资料产品。

2 按季节建立预测模型及结果分析

为了反映不同天气变化情况和机组状态，消除季节变化以及极端天气情况对预测结果的影响[2]，我们采用分季节的数值预报数据，分别利用子空间方法和GRNN方法建模，对风电功率进行预测，并对误差进行对比，验证建模方法及模型。

2.1 春季模型

春季输入输出数据采用2016年3 月至5 月共计410 组数据作为系统辨识数据，输入数据为100 米高度风速，925hpa 温度和925hpa 相对湿度等。输出数据为风力发电机组输出功率。2016 年5 月50 组数据作为验证预测模型的数据。输出结果对比如图1 所示。

图1 子空间方法、GRNN 方法预测功率与实际输出功率对比

利用子空间方法、GRNN 广义回归神经网络算法分别得到的输出功率与实际输出功率进行误差分析，得到的结果如表1 所示。

表1 春季风电功率预测误差

2.2 夏季模型

夏季输入输出数据采用2015 年7 月1 日至8 月31日、2 01 6年6 月3 日至6 月1 1日共计2 9 4组数据作为系统辨识数据，输入数据为100 米高度风速，925hpa温度和925hpa 相对湿度等。输出数据为风力发电机组输出功率。2016 年6 月50 组数据作为验证预测模型的数据。输出结果对比如图2 所示。

利用子空间方法、GRNN 广义回归神经网络算法分别得到的输出功率与实际输出功率进行误差分析，得到的结果如表2 所示。

表2 夏季风电功率预测误差

图2 子空间方法、GRNN 方法预测功率与实际输出功率对比

2.3 秋季模型

秋季输入输出数据采用2015年9 月1 日至10 月26 日共计262 组数据作为系统辨识数据，输入数据为100 米高度风速，925hpa 温度和925hpa 相对湿度等。输出数据为风力发电机组输出功率。2015年10 月-11月50 组数据作为验证预测模型的数据。输出结果对比如图3 所示。

利用子空间方法、GRNN 广义回归神经网络算法分别得到的输出功率与实际输出功率进行误差分析，得到的结果如表3 所示。

表3 秋季风电功率预测误差

图3 子空间方法、GRNN 方法预测功率与实际输出功率对比

2.4 冬季模型

冬季输入输出数据采用2015 年12 月至2016 年2 月共计265 组数据作为系统辨识数据，输入数据为100 米高度风速，925hpa 温度和925hpa 相对湿度等。输出数据为风力发电机组输出功率。2016 年2 月50组数据作为验证预测模型的数据。输出结果对比如图4 所示。

利用子空间方法、GRNN 广义回归神经网络算法分别得到的输出功率与实际输出功率进行误差分析，得到的结果如表4 所示。

表4 冬季风电功率预测误差

3 结论

本项目利用某风电场的历史数据及欧洲EC 数值天气预报数据进行建模，研究基于数值天气预报的风电功率预测，试验结果显示，本文提出的基于数值天气预报的建模方法能够有效地利用 NWP 进行风电功率预测，并得到如下结论：

1.本文选取了空间分辨率较高的欧洲EC 数值天气预报模式，该模式有更全面的数据和更高的预测精度，这是该项目最为重要的数据基础。

2.为了反映不同天气变化情况，消除极端天气、季节变化对预测结果的影响，本项目按季节建立了风电功率短期预测模型。文章分别采用了两种建模方法，即子空间方法和广义回归神经网络方法。通过对两种建模方法得到的预测结果与实际输出功率进行误差分析，结果显示采用子空间方法建立的数学模型，其预测结果与实际输出的平均绝对误差（MAE）和均方根误差（RMSE）两个评价指标均优于广义回归神经网络方法的预测结果。并且该建模方法具有良好的预测精度，并大大简化了预测模型，提高了预测程序的运行效率。该项目表明基于子空间方法的系统辨识方法在风电功率预测领域的适用性。为新方法在未来风电功率预测的应用研究领域提供了新的思路。