彭小圣，樊聞翰，王勃，張濤，文勁宇，鄧迪元，熊磊，車建峰

(1.強電磁工程與新技術(shù)國家重點實驗室(華中科技大學(xué)電氣與電子工程學(xué)院)，武漢市 430074；2.中國電力科學(xué)研究院新能源與儲能運行控制國家重點實驗室，北京市 100192；3.國網(wǎng)山西省電力公司調(diào)控中心，太原市 030001)

基于改進(jìn)空間資源匹配法的風(fēng)電集群功率預(yù)測技術(shù)

彭小圣1，樊聞翰1，王勃2，張濤3，文勁宇1，鄧迪元1，熊磊1，車建峰2

(1.強電磁工程與新技術(shù)國家重點實驗室(華中科技大學(xué)電氣與電子工程學(xué)院)，武漢市 430074；2.中國電力科學(xué)研究院新能源與儲能運行控制國家重點實驗室，北京市 100192；3.國網(wǎng)山西省電力公司調(diào)控中心，太原市 030001)

大規(guī)模風(fēng)電集群的功率預(yù)測，有利于調(diào)度部門制定科學(xué)合理的發(fā)電計劃，提升電網(wǎng)的健壯性?；诳臻g資源匹配法(spatial resources matching algorithm，SRMA)的風(fēng)電集群功率預(yù)測方法，比廣泛采用的統(tǒng)計升尺度法具有更高的精度，而且需要的計算資源較少。但是現(xiàn)有的空間資源匹配法，匹配參數(shù)單一，不利于預(yù)測精度的進(jìn)一步提升。文章在詳細(xì)介紹空間資源匹配法的基礎(chǔ)上，提出了一種考慮風(fēng)電功率測量數(shù)據(jù)的改進(jìn)空間資源匹配法，并通過52個風(fēng)電場組成的風(fēng)電集群開展了0～12 h的風(fēng)電功率預(yù)測。結(jié)果表明，改進(jìn)的空間資源匹配法前4 h的預(yù)測精度比傳統(tǒng)的匹配法有較大幅度的提升，具有較強的工業(yè)應(yīng)用推廣價值。

風(fēng)電集群功率預(yù)測；空間資源匹配法(SRMA)；匹配參數(shù)；參數(shù)優(yōu)化

0 引 言

近年來我國風(fēng)電發(fā)展迅速，截止2015年我國風(fēng)電總裝機容量已經(jīng)達(dá)到1.283億kW，到2020年有望達(dá)到2.4億kW以上[1-2]。風(fēng)電出力主要受自然因素的影響，具有隨機性、波動性、間歇性等特點[3-5]。大規(guī)模風(fēng)電并網(wǎng)在電源側(cè)引入隨機分量，對電網(wǎng)的安全穩(wěn)定運行帶來了巨大的挑戰(zhàn)[6-7]。風(fēng)電功率預(yù)測(wind power prediction，WPP)是應(yīng)對這一挑戰(zhàn)的有力措施，因而近年來成為國內(nèi)外的研究熱點之一[8-14]。

我國的風(fēng)能資源分布不均勻，風(fēng)電大多是集中開發(fā)，形成區(qū)域性的集群分布，但是目前的風(fēng)電功率預(yù)測技術(shù)大多集中在對單個風(fēng)電場的功率預(yù)測[15-18]。對電網(wǎng)的調(diào)度而言，調(diào)度人員需要安排發(fā)電計劃和確定系統(tǒng)旋轉(zhuǎn)備用容量，更加關(guān)心整個風(fēng)電集群出力的大小[5]。在我國電網(wǎng)風(fēng)電穿透率不斷提升的形式下，風(fēng)電集群功率預(yù)測技術(shù)的研究意義重大[6-7]。

風(fēng)電集群功率預(yù)測方法包括累加法、統(tǒng)計升尺度法和空間資源匹配法等[1,3,5-7]。

累加法首先預(yù)測集群內(nèi)的每個風(fēng)電場的功率，然后將這些功率相加得到集群的總體出力。該方法的主要缺點有：(1)累加法獲得較高預(yù)測精度的一個核心條件是對每個風(fēng)電場都建立比較準(zhǔn)確的預(yù)測模型，因此該方法對風(fēng)電功率預(yù)測相關(guān)的歷史數(shù)據(jù)和數(shù)值天氣預(yù)報數(shù)據(jù)的完備性有較高的要求；(2)集群內(nèi)風(fēng)電場數(shù)量越多，累加法所需建立的單個風(fēng)電場預(yù)測模型越多，因此該方法計算復(fù)雜度較高，時間開銷較大，且所需的數(shù)據(jù)存儲資源較多[1]。

統(tǒng)計升尺度法，首先選擇數(shù)據(jù)完備性較好，預(yù)測精度高并且與集群總體出力相關(guān)性大的風(fēng)電場作為基準(zhǔn)風(fēng)電場，先預(yù)測基準(zhǔn)風(fēng)電場的出力，再通過功率倍增模型，得到集群總體出力。該方法的主要缺點有：(1)基準(zhǔn)風(fēng)電場數(shù)目的選擇及基準(zhǔn)風(fēng)電場的優(yōu)選，對集群總體功率預(yù)測精度影響較大；(2)該方法包含2個預(yù)測階段，計算復(fù)雜度較高[1,5]。

與累加法和統(tǒng)計升尺度法相比，空間資源匹配法是一種需要較少計算資源的方法，而且具有更高的預(yù)測精度。其核心思想為將風(fēng)電集群中所有的風(fēng)電場看成一個空間資源集合。風(fēng)機出力與風(fēng)速的三次方成正比，因此空間資源最重要的參數(shù)為風(fēng)速。該方法將每時刻集群風(fēng)速矩陣作為空間資源矩陣，通過計算歷史空間資源矩陣和待預(yù)測時刻空間資源矩陣的歐氏距離，獲取與待預(yù)測時刻空間資源相似度高的歷史數(shù)據(jù)集合。基于該歷史數(shù)據(jù)集合，通過加權(quán)平均的方式，計算得到待預(yù)測時刻的風(fēng)電集群功率。空間資源相似度的示意圖如圖1所示。圖1中每個網(wǎng)格等效為一個風(fēng)電場。風(fēng)速矩陣可以等效為空間資源矩陣。風(fēng)速矩陣的相似度等效為空間資源的相似度。該方法計算復(fù)雜度低，而且根據(jù)文獻(xiàn)[3]對西班牙半島地區(qū)的風(fēng)電集群功率的結(jié)果表明，該方法的預(yù)測精度較高，優(yōu)于傳統(tǒng)的累加法和統(tǒng)計升尺度法。本文通過52個風(fēng)電場組成的風(fēng)電集群1年的歷史數(shù)據(jù)對該方法進(jìn)行了驗證，結(jié)果表明該方法具有較高的預(yù)測精度。但是該方法僅僅用風(fēng)速作為空間資源匹配參數(shù)，而實際上風(fēng)機出力不僅與風(fēng)速相關(guān)，而且與風(fēng)向、溫度、濕度、氣壓等較多因素相關(guān)[15-18]。實際的單個風(fēng)電場功率預(yù)測模型往往加入測量功率作為預(yù)測的輸入?yún)?shù)之一[19-21]。

圖1 空間資源相似度示意圖Fig.1 Spatial resources similarity

基于上述分析，本文提出一種將風(fēng)電測量功率作為空間資源匹配參數(shù)的改進(jìn)空間資源匹配法，并提出等效測量功率的選擇方法和空間資源參數(shù)的優(yōu)化方法。結(jié)果表明，該方法對風(fēng)電集群超短期功率預(yù)測精度有較大幅度的提升，優(yōu)于傳統(tǒng)的空間資源匹配法和統(tǒng)計升尺度法，有較強的工業(yè)應(yīng)用推廣價值。

1 統(tǒng)計升尺度法

為了便于對比分析，本文研究了國內(nèi)外廣泛采用的統(tǒng)計升尺度法，下面對該方法進(jìn)行簡要介紹。

一種典型的基于統(tǒng)計升尺度法的風(fēng)電集群功率預(yù)測流程如圖2所示[20]。圖2中包含3種數(shù)據(jù)源，即歷史功率數(shù)據(jù)、數(shù)值天氣預(yù)報(numerical weather prediction，NWP)數(shù)據(jù)和實時功率數(shù)據(jù)。該方法先通過功率曲線模型和動態(tài)功率預(yù)測模型預(yù)測基準(zhǔn)風(fēng)電場的功率，采用的數(shù)據(jù)含NWP數(shù)據(jù)和實時功率數(shù)據(jù)?；诨鶞?zhǔn)風(fēng)電場預(yù)測結(jié)果、NWP數(shù)據(jù)和歷史功率數(shù)據(jù)，采用統(tǒng)計升尺度模型，得到集群功率預(yù)測結(jié)果。統(tǒng)計升尺度模型可采用基于輸出功率相關(guān)系數(shù)矩陣的模型、人工神經(jīng)網(wǎng)絡(luò)模型等[2,6,19-22]。

圖2 基于統(tǒng)計升尺度法的風(fēng)電集群功率預(yù)測流程Fig.2 Flowchart of up-scale method based WPP of regions

2 空間資源匹配法

2.1 模型架構(gòu)

基于空間資源匹配法的風(fēng)電集群功率預(yù)測方法由文獻(xiàn)[3]提出，該方法的預(yù)測流程如圖3所示。該模型的流程如下詳述。

圖3 風(fēng)電集群空間資源匹配模型預(yù)測流程Fig.3 Flowchart of spatial resources matching method based WPP of regions

(1)提取集群內(nèi)風(fēng)電場(假設(shè)總共有m個風(fēng)電場)待預(yù)測時刻的風(fēng)速數(shù)據(jù)，并構(gòu)建m×1維的風(fēng)速矩陣A。

(2)從歷史風(fēng)速數(shù)據(jù)庫中提取與待預(yù)測時刻同維度的風(fēng)速數(shù)據(jù)，構(gòu)建m×1維的風(fēng)速矩陣集合B，B={B1,B2,…,Bn}。

(3)計算矩陣A與矩陣集合B的歐式距離，得到n個空間距離集合。

(4)設(shè)置空間距離門檻值，提取門檻值內(nèi)的歷史風(fēng)速樣本，得到樣本子集C(假設(shè)為j個樣本)，并根據(jù)空間距離計算權(quán)重系數(shù)。

(5)從風(fēng)電集群歷史功率數(shù)據(jù)庫中，提取與風(fēng)速樣本子集C對應(yīng)的j個歷史功率數(shù)據(jù)。

(6)根據(jù)步驟4中的權(quán)重系數(shù)對j個歷史功率樣本加權(quán)求和，即得到風(fēng)電集群未來某時刻的功率預(yù)測結(jié)果。

2.2 模型基本參數(shù)

基于空間資源匹配模型的風(fēng)電集群功率預(yù)測實現(xiàn)關(guān)鍵點包括預(yù)測模型、匹配集合選擇、空間資源相似度計算、參數(shù)優(yōu)化。

2.2.1 預(yù)測模型

預(yù)測功率的計算公式為

(1)

2.2.2 匹配集合選擇

匹配集合的選擇方式與空間資源距離的計算方法有關(guān)。對風(fēng)電集群的預(yù)測而言，空間資源距離的本質(zhì)是計算2個集群之間m維參數(shù)的距離di,t+h，該距離的計算公式為

(2)

式中：M代表風(fēng)電場的個數(shù)；ηk為某風(fēng)電場對于整體計量重要程度的權(quán)重系數(shù)，容量大的風(fēng)電場對應(yīng)的權(quán)重系數(shù)應(yīng)比容量小的風(fēng)電場權(quán)重系數(shù)高；vk,t+h、vk,i分別為待預(yù)測時刻和歷史匹配對象的空間資源參數(shù)。

根據(jù)公式(2)計算出的距離得到歷史功率和空間資源距離散點圖的示例如圖4所示。

圖4 空間資源匹配集合選擇Fig.4 Sample selection of SRMA method

圖4中的數(shù)據(jù)來自我國東北地區(qū)52個風(fēng)電場構(gòu)成的風(fēng)電集群。將該集群半年的風(fēng)速歷史數(shù)據(jù)作為空間資源匹配對象，通過式(2)計算該集群某時刻的風(fēng)速數(shù)據(jù)與半年的風(fēng)速歷史數(shù)據(jù)的距離，即得到圖4中橫坐標(biāo)所示的空間資源距離。圖4中的縱坐標(biāo)代表匹配對象的歷史測量功率。圖4中點虛線為門檻值δs，短虛線所圍方框即為選中的匹配數(shù)據(jù)集合。通過調(diào)整門檻值δs的大小，即可調(diào)整所選匹配集合的大小。

門檻值δs的計算公式為

δs=dmin+pr(dmed-dmin)

(3)

式中：dmin為最小距離值；dmed為散點分布圖的中位數(shù)；pr為從dmin和dmed區(qū)間內(nèi)截取靠近dmin數(shù)據(jù)的百分比。

2.2.3 空間資源相似度

對模型的計算公式(1)而言，匹配集合確定之后，需要進(jìn)一步確定每個集合的空間資源相似度ωi,t+h，其計算公式為

(4)

(5)

式中：α為待定系數(shù)，將在訓(xùn)練中進(jìn)行優(yōu)化選擇；μ為距離分布散點圖中的中位數(shù)。

(6)

式中：t+h-i為時間距離；λ為時間因子，需在訓(xùn)練過程中進(jìn)行優(yōu)化選擇，0<λ<1。

2.2.4 參數(shù)優(yōu)化

空間資源匹配模型中含有λ、α、pr這3個未知參數(shù)，對預(yù)測誤差的影響較大。文獻(xiàn)[3]僅給出了參數(shù)的大致區(qū)間，即λ>0，pr<1，α>0，并提出以最小均方根誤差(root mean square error, RMSE)為目標(biāo)函數(shù)，計算得到最優(yōu)參數(shù)組合，并沒有對如何獲取這3個參數(shù)展開詳細(xì)的論述。本文將在3.3節(jié)對如何獲取最優(yōu)參數(shù)組合以及如何獲得改進(jìn)后的空間資源匹配模型的參數(shù)展開詳細(xì)論述。

3 改進(jìn)空間資源匹配法

空間資源匹配法存在如下不足之處。

(1)空間資源匹配法只考慮了風(fēng)速作為空間資源匹配參數(shù)，但是影響風(fēng)電出力的因素包括風(fēng)速、風(fēng)向、氣壓、溫度、濕度等參數(shù)。研究者在以前的研究中發(fā)現(xiàn)，待預(yù)測時刻之前的風(fēng)電測量功率，是一個非常有效的輸入?yún)?shù)，因此更優(yōu)的空間資源匹配模型需要加入更多的輸入?yún)?shù)，尤其是需要加入待預(yù)測時刻之前的風(fēng)電測量功率。

(2)待預(yù)測時刻之前的風(fēng)電測量功率的獲取是研究的難點之一。因為待預(yù)測時刻之前的歷史功率，除了第1個預(yù)測點有歷史測量功率之外，第2個預(yù)測點及其之后的預(yù)測點，其前一個點的測量功率為未來值，是未知量。采用何種方式獲取等效測量功率是研究的難點之一。

(3)加入歷史測量功率后，空間資源參數(shù)從1個變成2個，這2個參數(shù)在空間資源匹配模型中所占比重的優(yōu)化，是研究的難點之一。

針對這3個問題，本文提出了一種改進(jìn)的空間資源匹配法。

3.1 輸入?yún)?shù)改進(jìn)

為了在空間資源匹配模型中加入測量功率，本文提出一種新的空間資源距離計算方法，如式(7)所示：

(7)

式中：β為功率權(quán)重系數(shù)；Pi-1為匹配點前一個時刻的歷史功率；Pt+h-1為等效測量功率。式(7)相較于式(2)的最大區(qū)別在于增加了待預(yù)測時刻前一個時刻點的風(fēng)電測量功率，作為空間資源距離的計算輸入?yún)?shù)之一。已有一些研究證明，在單個風(fēng)電場的功率預(yù)測模型中，將待預(yù)測時刻點前一個時刻點的風(fēng)電測量功率作為輸入?yún)?shù)能夠有效提升風(fēng)電功率的預(yù)測精度[14]。以此為借鑒，將風(fēng)電測量功率引入基于空間資源匹配法的風(fēng)電集群的預(yù)測，將有較大的可能提升預(yù)測精度。

3.2 等效測量功率

為了解決預(yù)測前一時刻部分測量功率無法獲取的問題，本文提出了一種等效測量功率的方法，其示意圖如圖5所示。

圖5 等效測量功率的迭代示意圖Fig.5 Iteration of equivalent measurement wind power output

圖5中，對第1個預(yù)測點，用風(fēng)電測量功率和數(shù)值天氣預(yù)報數(shù)據(jù)作為空間資源匹配參數(shù)；對第2個預(yù)測點，采用第1個預(yù)測點的預(yù)測功率和數(shù)值天氣預(yù)報作為空間資源匹配參數(shù)；對第3個點，采用第2個預(yù)測點的預(yù)測功率和數(shù)值天氣預(yù)報作為空間資源匹配參數(shù)。以此類推，得到12 h的預(yù)測結(jié)果。

3.3 參數(shù)優(yōu)化

改進(jìn)后的匹配法引入了功率調(diào)節(jié)系數(shù)β，加上空間資源匹配法中固有的3個未知參數(shù)λ、α、pr，一共有4個未知參數(shù)。對于不同的風(fēng)電集群而言，這些參數(shù)的最優(yōu)值不同。

對這4個未知參數(shù)，本文提出一種基于網(wǎng)格搜索法的優(yōu)化方法，其流程圖如圖6所示。

基于網(wǎng)格搜索法的優(yōu)化方法的步驟為：(1)從風(fēng)電集群的歷史數(shù)據(jù)中，選擇一部分訓(xùn)練數(shù)據(jù)集用于λ、α、pr、β這4個參數(shù)的尋優(yōu)；(2)將訓(xùn)練數(shù)據(jù)集劃分為預(yù)測數(shù)據(jù)集和匹配數(shù)據(jù)集，預(yù)測數(shù)據(jù)集以匹配數(shù)據(jù)集為空間資源匹配對象；(3)通過預(yù)訓(xùn)練初始化空間資源匹配模型的4個參數(shù)得到相對較優(yōu)的值，并設(shè)置這4個參數(shù)的搜索范圍；(4)開展基于匹配數(shù)據(jù)集和預(yù)測數(shù)據(jù)集的空間資源匹配風(fēng)電集群功率預(yù)測，記錄預(yù)測誤差；(5)采用網(wǎng)格搜索法，重新設(shè)置這4個參數(shù)，并開展下一次預(yù)測，直到網(wǎng)格搜索超出設(shè)置的搜索范圍；(6)以預(yù)測精度最高的4個參數(shù)組合，作為該風(fēng)電集群的空間資源匹配模型最優(yōu)參數(shù)。

圖6 空間資源匹配模型參數(shù)優(yōu)化過程Fig.6 Parameters training process of SRMA method

研究發(fā)現(xiàn)，通過預(yù)訓(xùn)練對這4個參數(shù)設(shè)置合適的初始值，是該方法成功應(yīng)用的關(guān)鍵。

4 3種方法的預(yù)測結(jié)果對比

本文采用了統(tǒng)計升尺度法、空間資源匹配方法和改進(jìn)空間資源匹配法這3種方法對我國某地區(qū)包含52個風(fēng)電場的風(fēng)電集群進(jìn)行驗證。本文的數(shù)值天氣預(yù)報數(shù)據(jù)時間分辨率為1 h，每12 h預(yù)報1次。數(shù)據(jù)起點為2014年1月1日，終點為2014年12月31日。2014年6月1日之前的數(shù)據(jù)用于尋優(yōu)未知參數(shù)，之后的數(shù)據(jù)用于測試模型的預(yù)測精度。

算例的預(yù)測精度評估方式為均方根誤差，如公式(8)所示。

(8)

式中：Pmi為風(fēng)電功率測量值；Ppi為風(fēng)電功率預(yù)測值；Cap為風(fēng)電場的裝機容量。空間資源匹配法和改進(jìn)空間資源匹配法的預(yù)測曲線如圖7所示。圖7(b)、(c)、(d)為圖7(a)中截取的3段預(yù)測曲線的放大圖。從圖7中可以看出，改進(jìn)后的方法相對改進(jìn)前有明顯提升，更加切合風(fēng)電功率的測量值。

統(tǒng)計升尺度法、空間資源匹配方法和改進(jìn)空間資源匹配法這3種預(yù)測方法的預(yù)測均方根誤差見表1。

圖7 改進(jìn)前后的預(yù)測曲線對比Fig.7 Prediction curve comparison before and after improvement

從表1可以看出，改進(jìn)空間資源匹配法在0～4 h具有最高的精度，相對改進(jìn)前在0～4 h提高了1.21%，但在5～12 h，與改進(jìn)前的空間資源匹配法相比，誤差下降了0.28%。

統(tǒng)計升尺度法、空間資源匹配方法和改進(jìn)空間資源匹配法這3種預(yù)測方法的0～12 h的預(yù)測均方根誤差曲線如圖8所示。從圖8中可以看出，在提前12 h的預(yù)測中，空間資源匹配法、改進(jìn)空間資源匹配法均優(yōu)于統(tǒng)計升尺度法，且隨著預(yù)測時間的增加，空間資源匹配法和改進(jìn)空間資源匹配法預(yù)測精度下降較小，甚至在某些時段幾乎保持不變，但統(tǒng)計升尺度法預(yù)測精度隨預(yù)測時間的增加下降嚴(yán)重。圖8還表明，與改進(jìn)前相比，改進(jìn)空間資源匹配法在0～6 h有著明顯的下垂特性。前一個時刻的風(fēng)電測量功率作為輸入?yún)?shù)，對預(yù)測模型的改進(jìn)有較為顯著的效果。

圖8 3種方法的逐小時誤差Fig.8 RMSE of three WPP methods by hours

本文還研究了在保持λ、α、pr參數(shù)不變，調(diào)整功率調(diào)節(jié)系數(shù)β時，風(fēng)電集群功率預(yù)測誤差的變化情況，結(jié)果如圖9所示。圖9表明，功率調(diào)節(jié)系數(shù)越大，0～4 h之內(nèi)的預(yù)測精度改善越顯著，但是同時5～12 h之內(nèi)的預(yù)測精度下降越嚴(yán)重。

圖9 不同β參數(shù)下的預(yù)測誤差Fig.9 WPP RMSE under different β parameters

5 結(jié)論與展望

(1)空間資源匹配法是一種有效的風(fēng)電集群功率預(yù)測方法。該方法建模簡單，精度高，優(yōu)于傳統(tǒng)的統(tǒng)計升尺度法，而且隨著預(yù)測時間的增加，該方法的精度幾乎保持不變。

(2)在空間資源匹配法中加入測量功率和等效測量功率，改進(jìn)該方法，提升了預(yù)測精度。尤其在超短期的預(yù)測中，預(yù)測精度提升顯著。本文算例表明改進(jìn)之后，前4 h的精度提高了1.21%，但是5～12 h的預(yù)測精度降低了0.28%。

(3)算例分析表明，改進(jìn)后的空間資源匹配法在0～6 h有著明顯的下垂特性。

(4)對改進(jìn)空間資源匹配法而言，功率調(diào)節(jié)系數(shù)越大，0～4 h之內(nèi)的預(yù)測精度改善越顯著，但是同時5～12 h之內(nèi)的預(yù)測精度下降越嚴(yán)重。

(5)對風(fēng)電集群的功率預(yù)測，建議在0～4 h采用改進(jìn)后的空間資源匹配法，但是在5～12 h采用傳統(tǒng)的空間資源匹配法，以實現(xiàn)預(yù)測效果整體最優(yōu)。

本文提出了網(wǎng)格搜索法實現(xiàn)對改進(jìn)空間資源匹配模型的4個參數(shù)進(jìn)行優(yōu)化，雖然獲得了較好的預(yù)測效果，但是該尋優(yōu)過程耗費的時間較長。如何實現(xiàn)對該模型參數(shù)的快速優(yōu)化，值得在今后的工作中進(jìn)一步開展研究。另外本文對僅僅考慮了預(yù)測前一個時刻的測量功率作為參數(shù)之一改進(jìn)空間資源匹配法，但是影響風(fēng)電出力的有效參數(shù)含風(fēng)速、風(fēng)向、溫度、氣壓、濕度等，因此如何綜合考慮這些參數(shù)，構(gòu)建更加完備的空間資源匹配法，值得繼續(xù)開展研究。

[1]彭小圣，熊磊，文勁宇，等. 風(fēng)電集群短期及超短期功率預(yù)測精度改進(jìn)方法綜述[J]．中國電機工程學(xué)報，2016，36(23)：6315-6326. PENG Xiaosheng，XIONG Lei，WEN Jingyu, et al．A summary of the state of the art for short-term and ultra-short-term wind power prediction of regions[J]．Proceedings of the CSEE，2016，36(23)：6315-6326.

[2]楊秀媛，肖洋，陳樹勇．風(fēng)電場風(fēng)速和發(fā)電功率預(yù)測研究[J]．中國電機工程學(xué)報，2005，25(11)：1-5． YANG Xiuyuan，XIAO Yang，CHEN Shuyong．Wind speed and generated power forecasting in wind farm[J]．Proceedings of the CSEE，2005，25(11)：1-5．

[3]LOBO M G, SANCHEZ I. Regional wind power forecasting based on smoothing techniques, with application to the Spanish peninsular system[J]. IEEE Transactions on Power Systems, 2012, 27(4): 1990-1997.

[4]馮雙磊，王偉勝，劉純，等．風(fēng)電場功率預(yù)測物理方法研究[J]．中國電機工程學(xué)報，2010，30(2)：1-6． FENG Shuanglei，WANG Weisheng，LIU Chun，et al．Study on the physical approach to wind power prediction [J]．Proceedings of the CSEE，2010，30(2)：1-6.

[5]陳穎，孫榮富，吳志堅，等．基于統(tǒng)計升尺度方法的區(qū)域風(fēng)電場群功率預(yù)測[J]．電力系統(tǒng)自動化，2013，37(7)：1-5． CHEN Ying，SUN Rongfu，WU Zhijian，et al．A regional wind power forecasting method based on statistical upscaling approach[J]．Automation of Electric Power Systems，2013，37(7)：1-5．

[6]別朝紅，安佳坤，陳筱中，等．一種考慮時空分布特性的區(qū)域風(fēng)電功率預(yù)測方法[J]．西安交通大學(xué)學(xué)報，2013，47(10)：68-74． BIE Zhaohong，AN Jiakun，CHEN Xiaozhong，et al．Regional wind power prediction considering temporal and spatial characteristics[J]．Journal of Xi’an Jiaotong University，2013，47(10)：68-74．

[7]劉燕華，劉沖，李偉花，等．基于出力模式匹配的風(fēng)電集群點多時間尺度功率預(yù)測[J]．中國電機工程學(xué)報，2014，34(25)：4350-4358． LIU Yanhua，LIU Chong，LI Weihua，et al．Multi-time scale power prediction of wind farm cluster based on profile pattern matching[J]．Proceedings of the CSEE，2014，34(25)：4350-4358．

[8]鄭國強，鮑海，陳樹勇．基于近似線性規(guī)劃的風(fēng)電場穿透功率極限優(yōu)化的改進(jìn)算法[J]．中國電機工程學(xué)報，2004，24(10)：68-71． ZHENG Guoqiang, BAO Hai, CHEN Shuyong. Amending algorithm for wind farm penetration optimization based on approximate linear programming method[J]．Proceedings of the CSEE，2004，24(10)：68-71．

[9]葉林，劉鵬．基于經(jīng)驗?zāi)B(tài)分解和支持向量機的短期風(fēng)電功率組合預(yù)測模型[J]．中國電機工程學(xué)報，2011，31(31)：102-108． YE Lin，LIU Peng．Combined model based on EMD-SVM for short-term wind power prediction[J]． Proceedings of the CSEE，2011，31(31)：102-108．

[10]潘迪夫，劉輝，李燕飛．風(fēng)電場風(fēng)速短期多步預(yù)測改進(jìn)算法[J]．中國電機工程學(xué)報，2008，28(26)：87-91. PAN Difu，LIU Hui，LI Yanfei. Optimization algorithm of short-term multi-step wind speed forecast[J]．Proceedings of the CSEE，2008， 28(26)：87-91.

[11]高亞靜，劉棟，程華新，等．基于數(shù)據(jù)驅(qū)動的短期風(fēng)電出力預(yù)估-校正預(yù)測模型[J]．中國電機工程學(xué)報，2015，35(11)：2645-2653． GAO Yajing，LIU Dong，CHENG Huaxin，et al．Predictor- corrector model of wind power forecast based on data-driven[J]．Proceedings of the CSEE，2015，35(11)：2645-2653．

[12]VOGELZANG J, STOFFELEN A，et al．NWP model error structure functions obtained from scatterometer winds[J]．IEEE Transactions on Geoscience and Remote Sensing，2011，50(7)：2525-2533．

[13]GONG W, MEYER F J, LIU S，et al. Temporal filtering of InSAS data using statistical parameters from NWP models[J]. IEEE Transactions on Geoscience and Remote Sensing，2015，53(7)：4033-4044.[14]王勃，馮雙磊，劉純，等．基于天氣分型的風(fēng)電功率預(yù)測方法[J]．電網(wǎng)技術(shù)，2014，38(1)：93-98． WANG Bo，F(xiàn)ENG Shuanglei，LIU Chun，et al. Study on weather typing based wind power prediction[J]．Power System Technology，2014，38(1)：93-98．

[15]GAN L, LI G, ZHOU M. Coordinated planning of large-scale wind farm integration system and transmission network[J]. CSEE Journal of Power and Energy Systems, 2016, 2(1): 19-29.

[16]LI S, WANG P, GOEL L. Wind power forecasting using neural network ensembles with feature selection[J]. IEEE Transactions on Sustainable Energy, 2015, 6(4): 1447-1456.

[17]冬雷，王麗捷，高爽，等．基于混沌時間序列的大型風(fēng)電場發(fā)電功率預(yù)測建模與研究[J]．電工技術(shù)學(xué)報，2008， 23(12)：125-129． DONG Lei，WANG Lijie，GAO Shuang，et al．Modeling and analysis of prediction of wind power generation in the large wind farm based on chaotic time series [J]．Transactions of China Electrotechnical Society，2008， 23(12)：125-129．

[18]陳穎，周海，王文鵬，等．風(fēng)電場輸出功率超短期預(yù)測結(jié)果分析與改進(jìn)[J]．電力系統(tǒng)自動化，2011，35(15)：30-33． CHEN Ying，ZHOU Hai，WANG Wenpeng，et al．Improvement of ultra-short-term forecast for wind power[J]．Automation of Electric Power Systems，2011，35(15)：30-33．

[19]蔡凱，譚倫農(nóng)，李春林，等．時間序列與神經(jīng)網(wǎng)絡(luò)法相結(jié)合的短期風(fēng)速預(yù)測[J]．電網(wǎng)技術(shù)，2008，32(8)：82-85． CAI Kai，TAN Lunnong，LI Chunlin，et al．Short-term wind speed forecasting combing time series and neural network method[J]. Power System Technology，2008，32(8)：82-85．[20]陳正洪，許楊，許沛華，等. 風(fēng)電功率預(yù)測預(yù)報技術(shù)原理及其業(yè)務(wù)系統(tǒng)[M]. 北京：氣象出版社，2013:22-25.

[21]薛禹勝，郁琛，趙俊華，等．關(guān)于短期及超短期風(fēng)電功率預(yù)測的評述[J]．電力系統(tǒng)自動化，2015，39(6)：141-151． XUE Yusheng，YU Chen，ZHAO Junhua，et al．A review on short-term and ultra-short-term wind power prediction[J]．Automation of Electric Power Systems，2015，39(6)：141-151.

[22]范高峰，王偉勝，劉純，等．基于人工神經(jīng)網(wǎng)絡(luò)的風(fēng)電功率短期預(yù)測系統(tǒng)[J]．中國電機工程學(xué)報，2008，32(22)：72-76． FAN Gaofeng，WANG Weisheng，LIU Chun，et al．Artificial neural network based wind power short term prediction system[J]．Proceedings of the CSEE，2008，32(22)：72-76．

(編輯 景賀峰)

A Lifting Spatial Resources Matching Approach Based Wind Power Prediction of Regions

PENG Xiaosheng1，F(xiàn)AN Wenhan1，WANG Bo2，ZHANG Tao3，WEN Jinyu1，DENG Diyuan1，XIONG Lei1，CHE Jianfeng2

(1. State Key Laboratory of Advanced Electromagnetic Engineering and Technology (School of Electrical and Electronic Engineering, Huazhong University of Science and Technology), Wuhan 430074, China;2. State Key Laboratory of Operation and Control of Renewable Energy & Storage Systems, China Electric Power Research Institute, Beijing 100192, China; 3. State Grid Shanxi Electric Power Company Dispatching Center, Taiyuan 030001, China)

Wind power prediction of large scale wind farm clusters will contribute to the scientific and reasonable power generation schedule establishment and enhance the robustness of the power grid. Spatial resources matching algorithm (SRMA) based wind power prediction of regions is with higher prediction accuracy and less computing time than the method of up-scaling approach, which is widely adopted by industrial companies. However, there is only one matching parameter of the SRMA method, which restricts the further improvement of the prediction accuracy. This paper presents an improved SRMA method, which contains the parameter of the historical wind power output, based on the introduction of the SRMA method. Then, this paper predicts the wind power within 0～12 hours with the data derived from one wind farm cluster which contains 52 wind farms. The results show that, the prediction accuracy of the improved SRMA method within 4 hours is higher than that of the traditional SRMA method, and is applicable for industrial application.

wind power prediction of regions; spatial resources matching algorithm (SRMA); matching parameters; parameter optimization

TM 711

A

1000-7229(2017)07-0010-08

10.3969/j.issn.1000-7229.2017.07.002

2017-03-31

彭小圣(1983)，男，博士，IEEE會員，主要研究方向為電力系統(tǒng)大數(shù)據(jù)理論與應(yīng)用、電力系統(tǒng)主設(shè)備狀態(tài)監(jiān)測與故障診斷、局部放電信號提取與模式識別、新能源功率預(yù)測等；

樊聞翰(1993)，男，碩士研究生，主要研究方向為電力系統(tǒng)新能源功率預(yù)測、電力設(shè)備狀態(tài)監(jiān)測與故障診斷等；

王勃(1983)，男，博士，高級工程師，主要研究方向為新能源資源評價、功率預(yù)測、數(shù)值天氣預(yù)報等；

張濤(1966)，男，高級工程師，主要研究方向為新能源調(diào)度技術(shù)及運行管理等；

文勁宇(1973)，男，博士，教授，主要研究方向為電力系統(tǒng)規(guī)劃運行與控制，儲能與新能源并網(wǎng)，直流輸電與直流電網(wǎng)等；

鄧迪元(1992)，男，碩士研究生，主要研究方向為電力系統(tǒng)主設(shè)備智能監(jiān)測等；

熊磊(1989)，男，碩士研究生，主要研究方向為電力系統(tǒng)新能源功率預(yù)測等；

車建峰(1985)，男，碩士，高級工程師，主要研究方向為新能源發(fā)電功率預(yù)測技術(shù)等。