区域风电场群集中式功率预测系统设计与应用

阎 洁 张永蕊 张 浩

(1.华北电力大学新能源学院,北京市 昌平区 102206;2.新能源电力系统国家重点实验室(华北电力大学),北京市 昌平区 102206)

0 引言

国外风电功率预测技术的研究开始于20世纪80年代,我国的相关研发始于2008年。随着我国风电产业的快速发展,国家出台了《风电场功率预测预报管理暂行办法》《风电功率预报与电网协调运行实施细则》等管理办法,要求所有并网运行的风电场必须建立风电功率预测系统,并向电网调度机构实时传送数据。经过几年技术升级,国内众多科研院所和商业机构开发多套风电功率预测系统应用于并网风电场,在提升可再生能源的消纳水平方面发挥了重要作用[1-6]。然而随着风电并网比例的提高,电网对风电功率预测系统的考核力度和惩罚力度也逐步加大。尤其在面临风电平价上网的政策压力下,引进更加先进的预测手段、进一步提升风电功率预测精度迫在眉睫。

我国规划和建设了大量的大规模集中式风电基地,如何提升区域风电场群功率预测精度和预测管理效率是预测系统研发中所面临的重要技术问题之一,开发区域风电场群集中式预测系统正是解决这一问题的关键举措。一方面,集中式预测系统以考虑风电场群内的复杂时空依赖关系为核心出发点,通过建立先进的风电场群时空联合预测模型来提升区域整体的预测精度,在技术原理上优于一个风电场配置一套预测系统的传统“一场一测”开发模式;另一方面,区域风电场群集中式预测系统可以汇聚区域内大量风电场的预测相关数据,能够同时向区域内所有风电场提供预测服务,系统的部署、维护、更新将更为高效便捷。

风电场群时空联合预测存在精度和效率上的优势,是风电功率预测研究中的前沿主题。目前主要发展出了2类区域风电场群集中式预测方法:人工统计分析方法与端到端数据驱动方法。

人工统计分析方法以区制转换(regime-switching space-time,RSST)方法为代表。GNEITING[7]等首先引入了RSST 方法进行多风电场时空预测,HERING[8]等人通过改进RSST 方法中的风向变量表达方式提出了三角风向日(trigonometric direction diurnal,TDD)和双变量偏t(bivariate skew-T,BST)模型;LE[9]等又进一步提出了考虑地转风的TDD 模型;TASTU[10]等从场群内部、外部以及风速、风向等多个角度描述了时空预测误差模式,并提出了线性模型和另外几种RSST 模型对预测误差进行了拟合。上述方法在划分预测状态时要依靠专家经验来确定划分结构和模型参数,对复杂地形和复杂风况的风电场群适应性差,并且难以将模型快速迁移到其他不同的区域。

数据驱动的风电场时空预测模型,假设风电场间的时空依赖关系可以从历史数据中直接学习得到,在目前大规模风电历史数据积累的前提下,此类模型得到了越来越多的重视。大量不同类型的数据驱动算法被应用到风电场时空联合预测中来,不仅包括了传统的浅层算法,还包括目前使用较多的深度学习算法。在浅层学习方面,多通道自适应滤波[11]、正则化Vine Copulas[12]、K 最近邻[13]、梯度提升机[14]等被应用于多风电场时空预测研究和预测竞赛中。此外,稀疏统计学习技术也被多次用于构建风电场时空依赖性的稀疏结构表达[15-17]。分布式预测能够解决数据不出本地共享的问题,通过建立分布式时空预测模型来学习临近场站之间时空相关性[18-19]。在深度学习方面,当前的研究主要集中使用不同的神经网络结构对风电场内部以及风电场群之间的时空依赖关系进行学习。深度卷积网络[20-21]、长短时记忆网络[22]、卷积-长短时记忆网络[23]、稀疏降噪自动编码机[24]、混合密度网络[25]、图卷积-长短时记忆网络[26]等不同的网络结构均被用于风电场和风电场群的时空联合预测研究中。数据驱动的时空联合预测算法虽然能够在一定程度上提升风电场或者风电场群的功率预测精度,但数据量和数据质量问题是限制此类模型应用的首要因素。

目前国内外已经初步展开了区域风电场群联合时空预测研究并取得了一定成果,然而系统级的应用开发还并不完善。因此面向多风电场精准、高效功率预测建模的需求,本文提出区域风电场群集中式功率预测系统,并进行工程化应用实践。该系统集合多场站观测数据,引入多源数值天气预报(numerical weather prediction,NWP)提升模型输入信息,完善数据清洗流程,建立以图网络和特征工程为核心的风电场群时空联合预测模型框架,最终实现同时为区域内多风电场提供短期、超短期预测服务的目的。

1 区域风电场群集中式预测系统设计

区域风电场群集中式预测系统将多个风电场的功率预测任务同时纳入一个预测模型,通过时空预测建模方法考虑多个风电场之间的时空依赖特性。系统对于风电场运营的意义在于:(1)提高风电场(群)功率预测精度和上传可靠性,降低电网考核造成的经济损失和电量损失,提高上网排序;(2)扩展现有预测系统的时空尺度,同时实现风电场整体、不同子风电场组合、单个子风电场的短期、超短期预测,为风电场优化运维、电力市场竞价等提供准确、可靠的指导信息,提升市场竞争力;(3)节约系统开发和维护成本、提升系统效率。下面将从系统的模块设计以及部署方案对系统进行介绍。

1.1 系统模块设计

着眼于提升区域整体的预测水平,设计的区域风电场群集中式预测系统框架包含3个核心功能:(1)机组级与场站级实测数据清洗、(2)多源数值天气预报融合修正、(3)多风电场联合时空预测。围绕上述的3个核心功能,设计了7 个系统模块,包括:数据采集、数据存储、数据清洗、模型训练、功率预测、结果修正、上报展示。集中式多风电场联合预测系统模块如图1所示。

图1 集中式多风电场联合功率预测系统模块Fig.1 Modules of the centralized multi-wind farm power prediction system

(1) 数据采集模块负责实时采集多个风电场各机组数据采集与监视控制系统(supervisory control and data acquisition,SCADA)数据和多源NWP数据。此外还需采集风电场与风电机组基础位置、型号、运行策略信息,用于数据清洗和预测模型搭建。

(2) 数据存储模块用于存储与备份所采集的观测数据、清洗后的数据以及预测结果。

(3) 数据清洗模块依靠机组运行策略和数据清洗算法对风电机组数据进行清洗,形成适合于训练和预测的规整数据集。

(4) 模型训练模块采用清洗后的数据集对数值天气预报修正模型和时空联合预测模型进行定期训练。

(5) 功率预测模块将新获取的数据输入训练好的数值天气预报修正模型以及时空预测模型,获得短期和超短期预测结果。

(6) 结果修正模块依据风电机组检修计划以及预防性维护系统指令对预测结果进行修正,如遇特殊情况也可以通过人工来修正预测结果。

(7) 上报展示模块负责向电网调度部门上报短期、超短期预测结果,并将预测结果写入数据库用于误差统计与预测结果展示。

1.2 系统部署方案

如图2所示,系统部署于安全生产二区,通过防火墙从安全生产一区采集集控中心的实时观测数据,通过反向隔离装置从安全生产三区的数值天气预报转接服务器获取多源NWP数据。系统在计算得到预测结果后,将通过专网向电网调度部门上报短期与超短期预测结果。

图2 集中式多风电场联合功率预测系统部署方案Fig.2 Deployment plan of the centralized multi-wind farm power forecasting system

2 机组级与场站级数据清洗

集中式功率预测模式下,将面临大规模、不同类型风电机组运行数据的数据质量问题。首先,场站和单台机组的实测数据会受到电网限电因素的影响,原始实测数据中存在大量限功率运行数据。此类数据会扭曲正常的风速-功率非线性关系,导致预测模型存在较大的偏差;其次,机组故障停机、疲劳运行、线路停运、传感器失效、通讯中断等情况会导致观测数据中存在大量的死数、重数、异常数和缺失数,直接在这类数据上建立预测模型会引起映射关系的畸变,降低预测模型精度。

风电场功率预测数据清洗是建立准确的映射关系、降低预测不确定性的重要辅助手段。数据清洗需要考虑数据结构和数据的物理意义以及各种数据参数之间的相关关系,往往定制化的数据清洗方法才能实现数据的高效、准确复原,这也使得数据清洗成为了风电功率预测中一个较为关键且繁重的环节。

风电功率预测中常见的数据质量问题包括了风速和功率数据的缺失与异常。针对上述数据质量问题,设计了如图3所示的机组级与场站级数据清洗策略,主要包括了风数据异常检测与插补、单机功率异常数据识别、单机功率曲线拟合以及整场功率数据还原等步骤。下面对2种数据存在的问题和数据清洗方法进行介绍。

图3 机组级与场站级数据清洗技术路线Fig.3 Technical route of data cleaning at wind turbine level and wind farm level

2.1 风速数据清洗

风电机组风速数据通常由机舱风速仪测得,然而风速仪观测、记录风速数据时通常会发生如图4所示的2种异常情况:(1)部分风速仪观测数据仍然随机波动,但其读数极大偏离风电场内其他风电机组观测数值;(2)某些风电机组风速数据长时间处于同一数值。为检测上述2种情况风速异常情况,使用了3-Sigma准则与连续相同值检测规则,将风速数据中的异常位置进行了标注。

图4 风电机组异常风速数据Fig.4 Abnormal wind speed data of wind turbines

机舱风速观测数据在观测和存储过程中,会出现大量缺失值,并且不同风电场由于数据管理能力不同,数据缺失的比例和位置并不相同。如图5所示,某风电场内50台风电机组的实测风速数据存在大量非规则分布的缺失数据,此类数据严重影响了数据连续性,对于序列建模会造成一定的影响。

图5 风电机组缺失数据分布Fig.5 Missing data of wind turbines

在确定异常数据以及缺失数据的位置后,系统中使用了双向长短时记忆网络构建了序列降噪自编码器以及改进搜索方式的K最近邻插补算法对标注位置处的数据进行插补。

2.2 功率数据清洗

由于限电、机组故障运行、机组停机等多种情况的影响,风电机组功率数据中存在大量异常的功率数据,这些功率数据如果直接用来建立预测模型将会极大地影响预测的效果。如图6所示,蓝色功率散点为偏离正常运行区间的机组功率散点。

图6 异常功率数据筛选Fig.6 Abnormal wind power data selection

为了获得能表征机组与风电场实际出力能力功率数据,对风电机组功率数据实施了如下的数据清洗流程:(1)对单台机组的异常功率数据进行判别,其中判别方法依据实际数据采集情况而定,如依据控制规则判别[26]、密度聚类判别[27]、图像特征识别等[28]。(2)使用单台机组正常运行数据建立单机功率曲线模型。功率曲线建模方法较多,但是为快速、准确地建立功率曲线模型,使用了分段多项式拟合。(3)单台机组异常功率点可用清洗后的风速数据经过功率曲线转换而得,再通过各机组功率数据加和来还原整场功率数据。图7展示了经过数据还原前后的整场功率数据,其时间跨度为2019-01-01至2019-01-08。可见风电场实际可发功率与风电场实际发电功率间存在明显的差距,限电运行是导致此问题的最主要原因。

图7 风电场总输出功率恢复Fig.7 Restoration of the wind farm power outputs

3 多源数值天气预报及其融合与修正

3.1 多源数值天气预报

NWP是短期风电功率预测及其不确定性分析的关键输入,但对于地形、气候条件复杂的地区而言,单一来源的NWP适应性有限。通常一种NWP采用一种参数化方案、一种初始条件来求解,难以满足复杂地形和气候条件下的准确预报需求。即使通过集合预报的方式来获取多组预报结果增加结果的适应性,但是由于不同预报提供商经验存在差别,任一NWP 模式的预报结果并不能保证在所有风电场均为最优的预报结果。文献[1]中的统计结果也表明,我国资源参量预报结果的低频大误差比欧洲参量预报结果的发生频次更高,单一的预报模式无法适应我国的复杂地形气候。

以集中式预测系统落地的内蒙赤峰地区为例,该地区海拔差异大、陆面荒漠面积大,湍流强度大,阵风频发。即使受同一天气过程影响,区域内各风电场受影响时间不同并且风况差异大。如图8 所示,对比赤峰地区10个风电场(WF1-WF10)的4种NWP源(欧洲中期天气预报中心,全球预报系统,远景,国际商业机器公司天气预报系统)年平均风速预报均方根误差(root mean square error,RMSE),可以看出第3种NWP源的RMSE在6个风电场中较小,第2种NWP源的RMSE 在3个风电场误差较小,第1种NWP 源在余下的1个风电场表现较好。该误差统计结果表明,即使整体最准确的数值天气预报源也并不能保证在所有的风电场提供最精准的预报结果。多源NWP能够提供更为多元的输入信息,不同的NWP 源之间能够相互校验,降低了风电场因采用单个NWP 源带来的风险,因此有必要采用多源NWP 数据来进行短期风电功率预测。但也需要考虑到采用多源NWP时会面临较为明显的共线性问题,需要适当的建模方法避免该问题。

图8 多源数值天气预报年均方根误差空间分布Fig.8 Annual RMSE of multi-source NWP at 10 wind farms

3.2 多源数值天气预报融合与修正

NWP中既包含初始条件和物理过程等引起的系统性误差,也包含由局部地形、粗糙度、障碍物、机组尾流等微尺度因素的局部结构性误差。如图9所示,上述2种误差体现在NWP 既有趋势上的整体偏差,也有细节波动上的缺失。

图9 数值天气预报误差模式Fig.9 Error pattern of NWP

由于NWP中存在上述的误差模式,因此结合风电场实测数据,可以对上述的误差进行修正。采用文献[24]中所建立的多对多NWP修正模型对风电场内各风电机组点位处的NWP 风速进行修正。建立的多对多NWP 修正模型以多源、多点位的NWP作为模型输入,以风电场多台机组的风速为输出,间接学习风电场内的时空流动性,获得除原有多源NWP数据以外的修正NWP数据。

4 多风电场联合功率预测模型

集中开发的风电场群地理空间分布复杂,内部存在独特的时空依赖模式,通常体现为动态变化的风电场出力相关性和时移性。复杂的时空依赖模式难以量化表达,但可采用多风电场联合的时空预测模型获取隐含的时空依赖模式,从而提升风电场功率预测精度。

区域风电集群集中式预测系统依据短期和超短期功率预测任务的各自特点分别建立不同的预测模型来实现风电场群联合时空预测。按照现行的风电场功率预测考核标准,风电场功率预测考核标准主要考核未来0～4 h(超短期)以及次日0～24 h(短期)的预测准确率与合格率指标。超短期与短期风电功率预测本质是2种不同的时间序列预测任务,短期预测任务更加偏重于NWP数据的挖掘,而超短期任务则更加偏重于历史观测序列的学习。下文将对2种预测任务的预测建模思路进行介绍。

4.1 短期预测

在短期区域风电场群时空联合预测方面,主要采用构建了深度时空图注意力网络预测模型与多场特征工程预测模型,并采用集成算法对2种模型的结果进行组合来获得最终的预测结果[25]。深度时空图注意力网络以多源NWP和修正NWP作为模型输入,多场站的概率密度预测结果为输出,图卷积层融合了多个风电场之间的空间结构信息,时序注意力层提取时序过程信息。特征工程预测模型以多个场站NWP 数据和修正NWP 数据为基础,通过特征构造方法得到大量相关特征,使用特征筛选方法筛选出有效特征剔除重复、无效噪声特征,经过特征变化后输入多种浅层回归模型获得多组预测结果。汇总2 种模型的预测结果,使用Stacking集成学习算法将多种预测结果进行线性组合,获得各个场站最终的预测结果。

4.2 超短期预测

风电场超短期输出功率同时受到风电场内局部大气流动和区域大气流动的影响。风电场内地形、障碍物、尾流等局部因素将影响较临近时段内的风电场整体出力;而风电场群间的地形和大气系统运动将会影响稍远时段的风电场整场出力。以大唐赤峰风电公司运营的10个风电场为例,通过计算单个风电场与其余9个风电场间的出力相关性,发现风电场间存在0～3 h不等的时移相位差;由于超短期预测的时间范围为0～4 h,风电场间的时空依赖特性不容忽视。

在超短期建模方面,主要构建了场站级和区域级的深度时空图注意力网络预测模型,并同样采用集成学习技术获得最终的预测结果。超短期预测中建立的时空图注意力网络采用了编码-解码的神经网络结构,其中编码部分采用了时间注意力与空间图注意力网络模块,解码部分采用了Transform实现多步输出。场站级的时空图注意力网络获得单机预测结果后叠加成为整场预测结果,区域级时空图注意力网络直接获得整场预测结果。使用Stacking集成学习模型对2种结果进行线性组合,获得各个场站最终的预测结果。

4.3 基于机组状态及检修计划的预测结果修正

对于单个风电场来说,单台机组停机或者切出运行都将引起明显的预测误差。以33台机组的风电场为例,1台机停机将会使得预测结果存在大约3%左右的偏差。为了降低机组停机带来的不确定性,集中式联合预测系统首先考虑了提前制定好的机组停机检修计划,按停机数量修正预测结果;然后又与故障诊断系统进行交互,在预防性维护发生时进一步更正预测结果。

5 应用示例

本文提出的区域风电集群集中式预测系统在大唐赤峰公司实现了在线应用,能够满足大唐赤峰公司下属10个风电场的短期、超短期功率预测上报需求。下面分别展示10个风电场在线运行期间的短期与超短期预测效果。同时也进一步说明集中式多风电场联合预测系统在提升风力发电公司经济性方面的作用。

大唐赤峰公司风电场分布于南北约300 km,东西约280 km 的区域范围内,共计1 136台风电机组并网运行,机组类型多样且分布复杂。目前大唐赤峰公司所有风电场均由集控中心的大数据平台进行统一管理。集控中心数据管理规范,各类数据齐全,为集中式的多风电场联合预测系统搭建提供了非常好的数据基础。本文提出的集中式多风电场联合功率预测系统部署于集控中心生产二区,直接从集控中心大数据平台获取实时观测数据。所采用的NWP数据由远景能源公司提供。

5.1 短期预测结果

区域风电集群集中式预测系统对多个风电场的短期功率进行了联合概率预测建模,因此可以同时输出多个风电场的短期单点和概率预测结果。采用风电功率预测国家标准中的准确率与合格率指标对风电场的短期预测结果进行验证,预测结果如图10所示。由图10可知:其中有5个风电场短期预测准确率高于80%,有5个风电场短期预测准确率高于85%;其中有5个风电场短期合格率高于80%,有5个风电场短期合格率高于90%。图11展示了10个风电场的预测效果,其中红色线为确定性预测结果,黑色线为实际发电功率,可见10个风电场的预测结果均能准确跟随实际发电功率的趋势,并且概率预测区间(5%～95%)(图中蓝色部分)均能涵盖大多数的实际功率点。

图10 在线应用系统的短期预测准确率与合格率Fig.10 Short-term wind power prediction error of the online system

图11 在线应用系统短期概率预测效果Fig.11 Short-term wind power prediction performance of the online system

5.2 超短期预测结果

超短期预测对于实时性要求较高,因此区域风电集群集中式预测系统仅对单点预测结果进行输出。计算风电场的超短期预测准确率和合格率,最终结果如图12所示。由图12可知:其中7个风电场超短期预测准确率高于85%,3个风电场的超短期预测准确率高于90%;其中5个风电场超短期预测合格率高于85%,3个风电场超短期预测合格率高于90%,2个风电场超短期预测合格率高于95%。图13展示了风电场超短期预测中第1个预测点的预测效果,图中黑色曲线是实测值,红色曲线是预测值。

图12 在线应用系统的超短期预测准确率与合格率Fig.12 Very short-term wind power prediction error of the online system

图13 在线应用系统超短期单点预测效果Fig.13 Very short-term wind power prediction performance of the online system

5.3 经济效益

蒙东电网采取了对预测结果排名靠前风电场进行奖励,对排名靠后的风电场进行惩罚的考核机制。相比于原有运行于各个风电场的单场站功率预测系统,区域风电集群集中式预测系统提供了更为准确的预测结果,在考核评比中由原有的受惩罚状态转变为受奖励状态,实现了扭亏为盈的运行效果。此外集中部署的预测系统减少了系统部署和维护工作,也进一步减少了运行支出。

6 结论

本文提出的区域风电集群集中式预测系统采用了多源NWP来提升输入参量的适应性、降低由于单个NWP源引起的预测风险,并通过实际数据对多源NWP数据进行了融合修正;通过机组级和场站级的数据清洗还原了风资源-功率之间的真实映射关系;建立了以特征工程和图网络为核心的风电场群时空联合预测模型以同时获取多个风电场的预测结果;最终预测结果校正模块修正了停机检修以及预防性维护带来的功率偏差。工程应用的最终结果表明:集中式联合预测系统能够提升区域整体预测水平,不仅有利于提升电网考核排序,同时有利于风电场集中运营管理和未来电力市场竞价。