王偉勝，王 錚，董 存，梁志峰，馮雙磊，王 勃

（1. 新能源與儲能運行控制國家重點實驗室（中國電力科學研究院有限公司）,北京市100192；2. 國家電網(wǎng)有限公司,北京市100031）

0 引言

電力系統(tǒng)為實時平衡系統(tǒng),電網(wǎng)調(diào)度運行的目標是保持發(fā)用電實時平衡［1］。風電出力主要受氣候和環(huán)境因素的影響,隨機變化的風速、風向?qū)е嘛L電場輸出功率具有顯著的隨機性和波動性特征。隨機波動的風電大規(guī)模并入電網(wǎng),給電網(wǎng)的安全、穩(wěn)定運行帶來了挑戰(zhàn)。對風電出力情況進行預測是應對上述問題的有效手段之一［2］。短期風電功率預測是以風電場環(huán)境因素、輸出功率、風速、風向等數(shù)據(jù)建立功率預測模型,獲得未來一段時間、逐時刻風電出力的技術。短期風電功率預測可將隨機波動的風電出力變?yōu)榛疽阎?-5］,是風電調(diào)度運行的基礎,意義重大。

美國、德國、丹麥等歐美國家的電力調(diào)度采用市場方式,風電主要通過競價方式參與市場交易［6］。在日前市場,風電場根據(jù)短期功率預測結果申報次日逐小時電量及其價格,進入日內(nèi)及實時市場后,當日前申報電量偏大時,風電場需承擔正備用采購費用；當日前申報電力偏低時,風電場需承擔負備用采購費用或主動棄風損失。因此在電力市場環(huán)境下,短期風電功率預測對提高風電場經(jīng)濟效益、保障電力系統(tǒng)穩(wěn)定運行具有重要作用［4］。

在中國以火電、水電等常規(guī)電源為主的電力系統(tǒng)中:風電占比較低時,只需調(diào)整常規(guī)電源出力跟蹤變化的負荷,就能較好地實現(xiàn)發(fā)電和用電之間的實時平衡；大規(guī)模風電并入電網(wǎng)后,需要由常規(guī)電源和風電共同滿足負荷需求,在風電出力未知的情況下,常規(guī)電源需預留大量旋轉(zhuǎn)備用容量來應對未知的風電波動和負荷需求,這極大地擠占了風電消納空間,并對電力系統(tǒng)安全穩(wěn)定運行帶來影響。依據(jù)短期功率預測結果,將風電等新能源納入發(fā)電計劃,是解決上述問題的有效手段之一［7-8］。

為推動中國風電功率預測技術的研究和應用,國家能源主管部門相繼出臺了《風電場功率預測預報管理暫行辦法》（國能新能〔2011〕177 號）［9］、《風電功率預報與電網(wǎng)協(xié)調(diào)運行實施細則》（國能新能〔2012〕12 號）［10］等多項與風電功率預測相關的管理文件和《風電功率預測系統(tǒng)功能規(guī)范》（NB/T 31046—2013）［11］等行業(yè)標準,要求風電場和電網(wǎng)調(diào)度機構同步開展風電功率預測工作,并規(guī)范了風電功率預測系統(tǒng)建設和預測結果評估指標。而國外主要通過市場機制促進風電功率預測精度的持續(xù)提升。

根據(jù)行業(yè)標準,中國風電功率預測主要包括短期預測和超短期預測。短期預測的預測時間尺度為0～72 h,預測結果時間分辨率為15 min；超短期預測的預測時間尺度為0～4 h,預測結果時間分辨率為15 min,每15 min 滾動預測。本文主要聚焦短期風電功率預測,針對短期風電功率預測技術的發(fā)展及應用情況展開分析,在梳理國內(nèi)外短期風電功率預測技術發(fā)展歷程的基礎上,調(diào)研國內(nèi)短期風電功率預測技術的應用情況,分析主要預測誤差特點,總結誤差產(chǎn)生原因,并在此基礎上,從應用角度出發(fā),給出了中國短期風電功率預測技術的發(fā)展建議。通過本文的研究能夠掌握短期風電功率預測技術的概要,明確國內(nèi)外短期風電功率預測技術的研究現(xiàn)狀,并獲知國內(nèi)短期風電功率預測技術的應用情況及其誤差狀態(tài),了解誤差產(chǎn)生原因,從而明悉中國短期風電功率預測技術的改進研究方向,提高預測精度,推動國內(nèi)風電功率預測技術的研究和應用水平,支撐國內(nèi)風電的安全穩(wěn)定運行,促進風電消納、助力風電發(fā)展。

1 國內(nèi)外短期風電功率預測技術對比

1.1 國外發(fā)展情況

德國、丹麥等國家對風電功率預測技術的研究開展較早［12］。隨著對風電功率預測技術認識的不斷加深,短期風電功率預測由最初的時序分析逐漸聚焦到如何降低風速-功率轉(zhuǎn)化誤差。短期風電功率預測技術整體上經(jīng)歷了功率預測模型性能提升、數(shù)值天氣預報（numerical weather prediction,NWP）技術攻克、多方法組合應用等階段。

技術發(fā)展早期,通過采用歐洲風圖集中的資源評估模型［13］,獲得了短期風電功率預測結果,驗證了基于資源模擬的短期風電功率預測技術路線的可行性。隨著對預測精度需求的不斷提升,詳細模擬風電場內(nèi)風流場變化及其發(fā)電過程的物理預測模型［14-15］得到快速發(fā)展,計算流體力學（computational fluid dynamics,CFD）、微觀氣象學等方法開始應用于短期風電功率預測物理模型構建［16-17］,風電場內(nèi)風能資源分布及變化情況的預測能力得到改善,但模型復雜、建模難度大,且誤差無反饋修正環(huán)節(jié),預測性能仍不能較好地滿足要求。隨著人工智能學習方法的突破,統(tǒng)計方法開始被引入短期風電功率預測［18］,以人工神經(jīng)網(wǎng)絡等機器學習算法為基礎構建的統(tǒng)計預測模型［19-22］,由于加入了誤差反饋修正環(huán)節(jié),使得功率預測模型具有容錯轉(zhuǎn)化能力,預測性能得到較為顯著的提升。后續(xù),功率預測模型的研究逐漸進入瓶頸期,大量復雜算法被引入短期風電功率預測后,提升效果不顯著,研究人員將研究焦點由功率預測模型轉(zhuǎn)向提升風速、風向等資源預報精度。

技術發(fā)展中期,NWP 性能［23］成為推動短期風電功率預測精度提升的主要因素。應用于短期風電功率預測中的NWP 由空間統(tǒng)計降尺度、時間線性插值等簡單處理方式發(fā)展為面向?qū)I(yè)化應用的NWP 技術,預報模型實現(xiàn)定制化建立,并采用集合預報模式［24］,通過大型超級計算機求解,NWP 風速的空間尺度進一步降低,使預報精度獲得了較大提升［25］。此外,模式后處理技術［26］的加入,也在模式輸出環(huán)節(jié)提高了NWP 風速預報的準確性。

近年來,在持續(xù)推動NWP 技術和預測建模方法進步的同時,將多NWP 和多預測方法組合應用成為研究熱點。在NWP 技術方面,實時資料同化技術［27-28］和數(shù)據(jù)智能分析［29］等技術的引入,豐富了NWP 模式所能利用的觀測信息,進一步提高了NWP 風速的預報精度［30］；在預測建模方法方面,深度學習算法［31］、大數(shù)據(jù)挖掘技術［32］及其他預測算法［33-35］被引入短期風電功率預測建模中,提高了功率預測模型的性能。在單純改進NWP 技術、預測建模技術不能取得突破性進展的情況下,將不同NWP 模式［36］、不同預測建模技術［37］進行組合應用的組合預測方法［38-39］,成為目前的主流預測方法。此外,為了更好地將短期風電功率預測應用于調(diào)度運行,網(wǎng)格化預測［16］、爬坡事件預測［40］、概率預測［41］等衍生技術應運而生,并在不同應用場景下發(fā)揮著重要作用。

1.2 國內(nèi)發(fā)展情況

發(fā)展初期,中國短期風電功率預測技術主要采用序列推導方法［42-43］,如時間序列分析、卡爾曼濾波等,預測結果為風電場風速或功率序列。由于功率預測模型未引入NWP 數(shù)據(jù),隨著預測時間尺度的增加,預測誤差顯著增大。

發(fā)展中期,為提升功率預測應用價值,短期功率預測成為研究焦點,并提出了多種建模方法［2］。在物理建模方面,為降低風流場模擬誤差,引入流體力學理論,重點考慮粗糙度、地形等對風速的影響,并加入了風電機組尾流效應模型［44］,提升了物理預測模型的性能［45］；在統(tǒng)計建模方面,大量尋優(yōu)算法被引入短期風電功率預測建模中,如人工神經(jīng)網(wǎng)絡［46-48］、支持向量機［49］、遺傳算法［50］、粒子群優(yōu)化算法［51-52］等。同時,針對應用中發(fā)現(xiàn)的非全局最優(yōu)等問題,結合風電功率序列樣本的特點,對上述算法進行了改進［53-55］。以上方法通過全局尋優(yōu),充分利用了NWP 信息,實現(xiàn)了特定NWP 條件下的最佳容錯預測。由于風電波動的潛在序貫特征未得到充分利用,技術發(fā)展中期的物理預測建模方法和統(tǒng)計預測建模方法的預測精度仍與調(diào)度應用需求存在一定差距。

近期,中國對短期風電功率預測的認識進一步深入,著力開展短期風電功率預測模型輸入數(shù)據(jù)研究,并從資源參量預報、功率預測模型和結果優(yōu)化等3 個方面開展綜合研究。

1）資源參量預報方面,基于數(shù)值預報模式的資源參量精細化預報得到深入發(fā)展,如引進WRF（weather research and forecasting）模式［56-57］,并通過衛(wèi)星數(shù)據(jù)反演技術［58］獲得實際氣象參量值,豐富初始觀測場數(shù)據(jù),彌補了西部內(nèi)陸、東部海域等區(qū)域氣象觀測數(shù)據(jù)的不足,提升了風速、風向等資源參量預報的準確性。同時,針對短期風電功率預測中資源參量需定時、定點、定量預報的特點,結合國內(nèi)區(qū)域地形和氣候特點,對相關參數(shù)化方案進行了改進［59-61］,提高了NWP 模式對中國短期風電功率預測的適用性［56］。此外,引入風電場實時監(jiān)測風速等資源參量,采用四維變分實時資料同化技術［62-63］對風速預報結果進行滾動修正,在短期風電功率預測精度改進中發(fā)揮了積極的作用［64］。

2）功率預測模型方面,充分利用風電功率的序貫特征［65］,以大型天氣系統(tǒng)引發(fā)的連續(xù)波動過程看待風電出力的波動［66］,將大數(shù)據(jù)挖掘等技術應用于短期風電功率預測,同時引入深度學習方法,充分利用風能資源的時空互相關規(guī)律和自相關規(guī)律,提高短期功率預測模型的決策能力,將傳統(tǒng)的資源-功率映射模型拓展為氣象、電力大數(shù)據(jù)下的條件預測模型［67-69］。此外,針對功率數(shù)據(jù)異常導致轉(zhuǎn)化關系錯誤的問題,開展了理論功率計算方法研究,以重構功率信息［70］、提升功率預測模型性能。

3）結果優(yōu)化方面,通過認識誤差特性,采用有針對性的優(yōu)化方法提升預測精度。例如研究發(fā)現(xiàn),不同功率水平下短期風電功率預測誤差特性各異［71］,對不同功率水平分別優(yōu)化取得了較好的效果。針對不同資源預報模式在不同時空下誤差特性各異,不同預測建模方法誤差特性也存在差異,提出了不同資源預報模式和不同功率預測模型的組合預測方法［72-74］,提升了短期風電功率預測結果的性能,成為目前中國短期風電功率預測普遍采用的方法。

此外,針對中國風電發(fā)展速度快、基礎數(shù)據(jù)不足的問題,研究了區(qū)域網(wǎng)格化預測方法,提出了考慮資源相關性和網(wǎng)架拓撲結構的區(qū)域網(wǎng)格預測方法［75］,在保障預測精度的同時,解決了預測容量快速覆蓋的難題。同時,根據(jù)實際應用出現(xiàn)的問題,中國也開展了概率預測［76-78］、事件預測［79］等相關技術研究,目前主要采用概率統(tǒng)計理論,通過歷史預測誤差的分布情況建模實現(xiàn)。為了提高精準度,概率預測技術正向條件概率建模和基于集合NWP 的多場景預測深入發(fā)展,為體現(xiàn)短期風電功率預測價值提供了支撐。

2 中國短期風電功率預測技術應用

2006 年之前,中國風電裝機規(guī)模較小,火電等常規(guī)電源的調(diào)節(jié)能力可保障風電等新能源全額消納。2006 年之后,中國風電進入快速發(fā)展期,風電裝機容量年均增長超過30%,風電消納問題逐漸凸顯。2007 年,在技術研究的基礎上,國內(nèi)科研院校開始研發(fā)風電功率預測系統(tǒng)。近年來,在需求的推動下,國內(nèi)研發(fā)了多套風電功率預測系統(tǒng),并廣泛應用于電網(wǎng)調(diào)度機構和風電場。目前,已覆蓋所有并網(wǎng)風電場。

2.1 預測系統(tǒng)研發(fā)

2008 年中國首套風電功率預測系統(tǒng)研發(fā)成功,并在吉林省電力公司得到示范應用。隨后在應用中逐步得到發(fā)展和完善,形成了包含數(shù)據(jù)采集單元、功率預測單元、數(shù)據(jù)存儲單元、人機交互單元的風電功率預測系統(tǒng),可實現(xiàn)NWP 數(shù)據(jù)、實時氣象數(shù)據(jù)和風電運行數(shù)據(jù)的采集和處理,短期和超短期功率預測,數(shù)據(jù)篩選、整理和存儲,數(shù)據(jù)查詢、展示、統(tǒng)計分析、輸入輸出,以及報表生成等功能,并設計了滿足電力系統(tǒng)二次設備安全防護要求、運行穩(wěn)定的系統(tǒng)部署方案,如圖1 所示。在此種方案下,作為核心的功率預測模型分別部署于調(diào)度機構和風電場的預測系統(tǒng)。

圖1 風電功率預測系統(tǒng)部署方案Fig.1 Deployment plan of wind power forecasting system

2.2 預測結果應用

國內(nèi)的風電功率預測工作采取風電場和電網(wǎng)調(diào)度機構同步開展的方式。風電功率預測結果在風電場和電網(wǎng)調(diào)控機構中的應用存在差異。

1）風電場端短期預測結果應用

風電場端短期功率預測結果主要用于申報次日24 h、每15 min 的發(fā)電計劃,在獲得電網(wǎng)調(diào)度機構確認后,執(zhí)行確認的發(fā)電計劃曲線。當實際發(fā)電情況與發(fā)電計劃曲線存在偏差時,由電網(wǎng)調(diào)度機構負責平衡預測偏差。

此外,風電場端短期功率預測結果還可用于調(diào)整風電場發(fā)電設備的檢修計劃,避免大風期間開展設備檢修工作,無謂損失風電場發(fā)電量,并提高檢修工作的安全性。

2）調(diào)度端短期預測結果應用

調(diào)度端短期功率預測結果主要用于全省未來24 h 發(fā)電計劃編制。電網(wǎng)調(diào)控機構根據(jù)調(diào)度端短期風電功率預測結果,并綜合考慮場站端上報的發(fā)電計劃曲線,合理確定其他電源的發(fā)電計劃,最終獲得滿足安全校核要求的發(fā)電計劃。為了確保發(fā)用電實時平衡,電網(wǎng)調(diào)控機構在綜合考慮風電功率歷史預測誤差水平的基礎上,以一定比例將短期風電功率預測結果納入電力平衡。

在確定短期功率預測結果的納入比例時:若納入比例過低,則調(diào)度計劃偏保守、風電消納水平降低；若納入比例過高,則調(diào)度計劃較為激進、風電消納水平提升,但系統(tǒng)安全性降低。實際應用中,在短期預測的基礎上還需要結合風電功率概率預測結果,綜合確定納入比例［80］。

5）指導同學根據(jù)臨床診斷結果將表達譜數(shù)據(jù)在EXCEL里進行分組，然后進行t檢驗，并且按照P值進行升序排序。

對某省2016 年12 月30 日的風電運行情況進行分析發(fā)現(xiàn),按95%置信度將短期風電功率預測結果納入日前發(fā)電計劃后,常規(guī)電源開機容量從17 092 MW 減少至14 441 MW,使得棄風電量由27.959 3 GW·h 降 低 到5.339 7 GW·h,減 少 了80.79%,短期功率預測對提高風電消納水平意義重大。

3）其他應用

隨著互聯(lián)網(wǎng)信息技術與能源技術的深度融合,電力互聯(lián)網(wǎng)將逐步過渡為能源互聯(lián)網(wǎng),電力市場也將逐漸完善和成熟,風電電力將作為一種重要的電力產(chǎn)品進入電力市場。短期風電功率預測是風電參與電力現(xiàn)貨市場的基礎,其精度水平在影響自身效益的同時,還將對其他電力產(chǎn)品的價格產(chǎn)生影響,特別是系統(tǒng)備用的價格。因此,隨著可再生能源的深入發(fā)展,短期風電功率預測技術的應用范圍還將外延至電力現(xiàn)貨交易商和其他電力生產(chǎn)商。

3 系統(tǒng)預測誤差及特點

根據(jù)行業(yè)標準《風電功率預測系統(tǒng)功能規(guī)范》,短期風電功率預測性能的評價指標主要包括均方根誤差Ermse和合格率QR。

其中

式中:i=1,2,…,n；n 為統(tǒng)計樣本的數(shù)量；PM,i為實際功率；PP,i為預測功率；Ci為開機容量；T 為合格閾值,依各電網(wǎng)實際情況確定,一般不大于0.25；當預測功率與實際功率的絕對偏差占開機容量的占比小于T 時,預測結果合格,Bi取1,否則不合格,Bi取0。需要指出,為實現(xiàn)橫向?qū)?現(xiàn)有的短期風電功率預測結果性能評價指標均以開機容量進行了歸一化。

按照均方根誤差和合格率的計算方法,對中國短期風電功率預測結果進行分析,發(fā)現(xiàn)均方根誤差主要集中在10%～26%,合格率主要集中在82%～96%。在區(qū)域平滑效應作用下,省級短期風電功率預測均方根誤差可降至6%～18%,合格率可以達到95%以上。需要指出的是,短期風電功率預測結果的性能是NWP 預報性能和預測方法性能的綜合體現(xiàn)；由于不同地區(qū)地形和氣候類型不同,風電場數(shù)據(jù)可用性也存在差異,因此,預測方法的性能不能簡單通過對比功率預測結果精度來評價,只有在面向同一時段、同一預測對象時,不同預測方法的性能評價才有意義。

進一步分析中國各省區(qū)短期風電功率預測結果,發(fā)現(xiàn)預測誤差呈現(xiàn)如下特點。

不同場站、相同預測算法在相同時間尺度下的預測結果均方根誤差情況如附錄A 圖A1 所示,可以看出,中國短期風電功率預測誤差呈現(xiàn)西高東低、北高南低的特點。東部和南部地區(qū)主要為平原和丘陵,氣候主要為亞熱帶季風氣候,資源的可預報性相對較高（見圖A2）,預測誤差水平最低；東北地區(qū)以溫帶季風氣候為主,資源可預報性次之；西北地區(qū)以山地、高原和戈壁為主,地形復雜,且具有溫帶大陸性氣候、高原氣候和高山氣候等,氣候類型多樣、資源波動性大,短期功率預測均方根誤差整體偏高。

2）大誤差發(fā)生概率較低,但極端偏差較大。

以沿海某省和內(nèi)陸某省為例,兩省2018 年相對偏差（預測功率與實際功率的絕對偏差相對開機容量的比值）的全年概率分布統(tǒng)計結果如附錄A 圖A3所示?？梢钥闯?絕對偏差大于裝機容量10%和20%的比例分別在20%和5%左右。若以裝機容量的30%作為極端偏差的閾值,則極端偏差出現(xiàn)的比例在1%左右,占比相對較小,但各省年度最大絕對偏差超過開機容量的40%。

3）高峰、低谷時段預測誤差水平與整體誤差水平大體相當。

負荷高峰、低谷時段的風電出力水平是影響風電調(diào)度計劃制定的關鍵,高峰、低谷時段短期風電功率預測精度越高,風電調(diào)度計劃編制越合理,越有利于風電消納。同樣以沿海和內(nèi)陸的兩省為例,2018年的高峰、低谷時段（見表1）誤差情況如表2 所示。表中:Ermse為相對開機容量的均方根誤差；Emae為相對開機容量的平均絕對誤差。可以看出,影響調(diào)度計劃制定的高峰和低谷時段預測誤差與整體誤差特性基本一致,誤差水平大體相同。

表1 兩省區(qū)高峰和低谷時段Table 1 Peak and valley period of load in two provinces

表2 全年和高峰、低谷時段預測誤差比較Table 2 Comparison of forecasting error between whole year periods and peak-valley periods

4）預測誤差具有較為顯著的功率水平特性。

平均絕對誤差在不同功率水平下的特點如附錄A 圖A4 所示。從相對開機容量的平均絕對誤差來看,其呈現(xiàn)“兩端小、中間大”的特點,即在實際功率水平相對較小和相對較大時,預測結果的平均絕對誤差較??；在實際功率水平居于中間水平時,預測結果的平均絕對誤差較大。從相對預測功率平均值的平均絕對誤差來看,在低功率水平下的平均絕對誤差顯著高于較高功率水平下的平均絕對誤差,前者較后者最大相差達到7 倍以上。短期風電功率預測結果的誤差呈現(xiàn)出較為顯著的功率水平特性,在預測結果優(yōu)化、概率預測等技術研究中可利用該特性。

4 預測誤差產(chǎn)生原因分析

經(jīng)分析發(fā)現(xiàn),中國短期風電功率預測結果的誤差主要由資源參量預報、功率預測模型和基礎數(shù)據(jù)等產(chǎn)生。短期風電功率預測的關鍵資源參量是風速,其在預報環(huán)節(jié)主要產(chǎn)生2 種形態(tài)的誤差:一類是高頻小誤差,特點為波動頻率高、能量占比低；另一類是低頻大誤差,特點為波動頻率低、能量占比高。功率組合預測模型的誤差是各單一預測模型誤差的綜合體現(xiàn),不同預測建模方法均存在不同程度的問題；短期風電功率預測需綜合利用實際功率數(shù)據(jù)、風能資源監(jiān)測數(shù)據(jù)、運行狀態(tài)監(jiān)測數(shù)據(jù)、運行記錄數(shù)據(jù)、風電場基礎信息數(shù)據(jù)等。對于自動收集的數(shù)據(jù),在數(shù)據(jù)采集、傳輸和存儲等過程,由于信息采集設備故障、通信異常等原因,不可避免地存在缺數(shù)、錯數(shù)、重數(shù)等異常數(shù)據(jù)；對于人工記錄的數(shù)據(jù),也可能存在漏記、錯記、多記等情況。異常數(shù)據(jù)對資源參量預報和功率預測模型構建均會產(chǎn)生不利影響。

4.1 全球共性問題

資源參量預報中的高頻小誤差和功率預測模型的條件預測能力不足等是全球面臨的共性問題。

1）高頻小誤差不可避免

高頻小誤差是在大型天氣過程準確把握的基礎上,由大氣湍流等帶來的高頻隨機風速波動與較為平滑的預測風速之間的偏差,其波動時間尺度一般在分鐘級,國內(nèi)某風電場的風速預報結果如圖2 所示。同時,引入不同NWP 模式對歐洲某風電場的風速預報結果作為對比,如圖3 所示。其中,70 m 預測風速由WRF 模式計算獲得,背景場為ECMWF（European Centre for Medium-range Weather Forecasts）數(shù)據(jù),數(shù)值預報模型的水平網(wǎng)格分辨率為9 km×9 km。可以看出,預報風速的高頻小誤差問題是國內(nèi)外面臨的共性問題。

圖2 中國某風電場風速預測結果Fig.2 Wind speed forecasting results of a wind farm in China

圖3 歐洲某風電場風速預測結果Fig.3 Wind speed forecasting results of a wind farm in Europe

地形變化、粗糙度變化、障礙物等會觸發(fā)大氣的機械湍流,再疊加熱力湍流,風速分鐘級的快速波動不可避免［81］。現(xiàn)有中尺度NWP 模式的水平空間分辨率一般為幾千米量級,輸出的時間分辨率一般為10 min 至1 h 量級,難以體現(xiàn)分鐘級風速的快速波動。目前的CFD 模式可以基于中尺度NWP 模式的輸出結果進行降尺度計算,實現(xiàn)分鐘級的快速波動模擬,但計算量巨大,并且該種降尺度方法的小尺度分鐘級波動的預測精度仍然較低,不具有實用價值［82］。

2）功率預測模型性能不足

在物理預測模型方面,面臨2 個共性問題。

①對風電場局地效應導致的風流場變化還存在物理機理尚未完全認清、缺乏精準通用化模型等問題,因此,NWP 風速和風向在進行本地精細化推算時會引入誤差；此外,風電機組功率曲線在將輪轂高度處風速轉(zhuǎn)化為輸出功率過程中,由于轉(zhuǎn)化關系受風電機組運行狀態(tài)、控制策略、運行環(huán)境等因素影響,也會引入誤差。

②物理建模方法無誤差反饋修正環(huán)節(jié),在風電機組切入風速與額定風速之間,風速與功率近似呈現(xiàn)三次方關系,由NWP“傳導”而來的偏差經(jīng)三次方轉(zhuǎn)化后進一步放大。如圖4 所示的風電機組功率曲線中,當風速為8 m/s 時,若預測絕對偏差為1 m/s,則預測功率的相對偏差將達到20.5%。

在統(tǒng)計預測模型方面,主要存在尋優(yōu)能力和泛化能力不足這2 個共性問題。

①統(tǒng)計預測建模過程中,對預測精度影響最大的權重因子是預測風速,由于NWP 預報誤差的存在,使得大量相同預測風速對應的實際功率分布在較寬的范圍內(nèi),在整體誤差最小目標下,統(tǒng)計預測方法的尋優(yōu)結果趨于中間化,如圖5 所示,導致預測結果在低功率水平較實際功率偏大、在高功率水平較實際功率偏小。條件預測是突破統(tǒng)計預測建模方法這一局限性的有效手段,通過引入其他判斷信息,如風向、氣溫、氣壓,甚至不同天氣過程等,來縮小大體相同預報風速所對應實際功率的分布范圍,從而減小預測結果的不確定范圍,其本質(zhì)是對狀態(tài)空間進行細化,縮小各狀態(tài)空間下樣本的分布范圍。條件預測建模方法是當前統(tǒng)計預測建模方法研究的重點,對此國內(nèi)正進行深入研究。

圖4 某風電機組功率曲線Fig.4 Power curves of a wind turbine

圖5 風電場預測風速與實際功率關系Fig.5 Relationship between forecasted wind speed and real power of wind farm

②建模樣本未涵蓋個別場景或涵蓋場景的樣本容量有限。在模型訓練過程中,針對樣本不足的場景無法建立映射關系或映射關系較為稀疏,在模型應用過程中,當出現(xiàn)場景在建模樣本中未涵蓋或涵蓋數(shù)據(jù)量較少時,功率預測模型的泛化能力不足,預測結果產(chǎn)生較大偏差［5］。

4.2 中國特有問題

資源參量預報中的低頻大誤差和數(shù)據(jù)質(zhì)量等是中國面臨的特有問題。

1）低頻大誤差發(fā)生頻次更高

低頻大誤差是指NWP 模式對大尺度風速波動過程的漏報、誤報,以及起止時刻預測不準確等引起的誤差,如圖2 所示。NWP 模式一般能對大尺度天氣過程做出較好的模擬和預測,但模式的離散誤差、初邊值誤差、物理參數(shù)化誤差等,會使得誤差在預測的積分過程中逐步增大,導致具體時間下的風流場分布產(chǎn)生偏差:橫向表現(xiàn)為預測風速波動過程與實際風速波動過程的時間錯位；縱向表現(xiàn)為預測風速波動過程與實際風速波動過程的幅值偏差。同時,在中小尺度的劇烈天氣變化過程中,NWP 模式對大風過程的漏報、誤報的可能性增加,起止時刻也較難準確預測,從而產(chǎn)生較大偏差［57］。

采用相同NWP 模式,分別對中國某風電場和歐洲某風電場的風速進行預報,預報時間尺度均取第24～30 h,結果如附錄A 圖A5 所示。對預報結果進行分析,如連續(xù)2 h 及以上的預報偏差大于2 m/s,則判定為低頻大誤差。分別統(tǒng)計2 座風電場在2019 年3 月1 日 至2019 年4 月30 日 的 低 頻 大 誤差數(shù)量,結果顯示,歐洲某風電場的低頻大誤差次數(shù)為21 次,而中國某風電場則為83 次,可以清晰地看出,中國風電場預報風速發(fā)生低頻大誤差的頻次更高。主要原因是中國國土面積大,自東經(jīng)73°到東經(jīng)135°,東西跨越5 個時區(qū),約5 200 km,地勢西高東低,從西部高原、沙漠,中部山地、丘陵到東部濕地、平原,地形復雜；南北跨越超過5 500 km,具有熱帶季風氣候、亞熱帶季風氣候、溫帶季風氣候、溫帶大陸性氣候以及高原山地氣候等,氣候類型多樣。中國復雜的地形和多樣的氣候使單一的預報模式無法適應,資源參量預報結果的低頻大誤差發(fā)生頻次更高［8］。

2）基礎數(shù)據(jù)質(zhì)量需要進一步提高

異常數(shù)據(jù)將對資源參量預報和功率預測模型構建產(chǎn)生影響。

在資源參量預報方面,中國地面觀測的風速、風向、氣溫、氣壓、濕度等氣象參量的數(shù)據(jù)合格率主要在50%～95%,低于歐美等主要風電利用國家的90%以上。提高氣象參量數(shù)據(jù)質(zhì)量的主要原因是異常數(shù)據(jù)會對資源參量預測產(chǎn)生影響。在模式輸入環(huán)節(jié),NWP 模式需要輸入初始場以啟動預報,而初始場由初猜場和觀測場磨合得到,且觀測場對提高初始場準確性具有重要作用。如果觀測場中存在異常數(shù)據(jù)將影響初始場準確性,并在模式預報過程中將其不利影響逐步積累和放大［56］；在模式輸出優(yōu)化環(huán)節(jié),根據(jù)實時觀測的資源數(shù)據(jù),采用實時資料同化技術對模式輸出結果進行同化,可提高NWP 預報結果的準確性。但是,實時觀測資源數(shù)據(jù)中如存在異常數(shù)據(jù),如資源觀測數(shù)據(jù)的坐標錯誤或資源觀測儀器精度未進行校準標定,則會將模式輸出結果向錯誤的方向同化,此時不但不能提高NWP 預報結果的準確性,反而還可能降低NWP 預報結果的準確性［7］。

在功率預測模型構建方面,中國風電場基礎信息存在錯數(shù)等問題,實際發(fā)電功率存在一定比例的死數(shù)、重數(shù)、錯數(shù)以及限電等問題,異常的實際發(fā)電功率數(shù)據(jù)將對物理建模和統(tǒng)計建模產(chǎn)生影響。對物理建模方法而言,建模過程主要利用風電場基礎信息,當基礎信息存在錯誤時,如風電機組信息錯誤、風電場裝機容量錯誤等,將導致物理預測模型與風電場實際情況不相符,使預測結果與實際功率存在較大的系統(tǒng)性偏差［45］；對統(tǒng)計建模方法而言,不同統(tǒng)計預測方法雖存在差異,但都是利用歷史數(shù)據(jù)建立資源與發(fā)電功率之間的內(nèi)在關聯(lián)關系［46］。當樣本數(shù)值質(zhì)量較差時,構建的映射關系將產(chǎn)生畸變,使得預測結果與風電場實際功率之間產(chǎn)生較大偏差。

5 結語

隨著風電裝機容量占比的增加,短期風電功率預測逐漸成為電力系統(tǒng)調(diào)度運行的重要基礎,對提高電力系統(tǒng)安全和風電消納水平均具有重要作用。本文綜述了短期風電功率預測技術的國內(nèi)外研究和應用情況,重點分析了短期風電功率預測誤差的特點及其主要產(chǎn)生原因,并對短期風電功率預測技術發(fā)展進行了展望,主要結論如下。

1）經(jīng)過近20 年的研究與開發(fā),中國已基本建成了涵蓋多種技術路線和預測方法的短期風電功率預測體系,風電功率預測系統(tǒng)也已覆蓋國-分-省各級電力調(diào)控中心和風電場,在提升中國風電消納水平方面發(fā)揮了重要作用。

2）短期風電功率預測是復雜的系統(tǒng)性工程,涉及技術、管理等多個方面。中國短期風電功率預測精度水平具有較為顯著的地域特征,短期風電功率預測誤差整體上呈現(xiàn)西高東低、北高南低的特點。

3）NWP 是影響風電短期功率預測精度的關鍵因素,且不同預測方法的適應性也存在差異,為此出現(xiàn)了融合多種NWP 技術和功率預測模型的組合預測方法。與此同時,概率預測、爬坡事件預測成為研究熱點,進一步擴展了短期風電功率預測技術的研究和應用范圍。

為持續(xù)提高風電短期功率預測精度,需要在集合NWP 生產(chǎn)、功率組合預測模型構建、基礎數(shù)據(jù)質(zhì)量提高以及政策引導等4 個方面開展相關工作。未來,人工智能、大數(shù)據(jù)、深度學習等技術將有助于提高功率預測模型的條件預測能力,是提高短期風電功率預測精度的重要研究方向。在預測系統(tǒng)建設和部署方面,為提高短期風電功率預測模型再訓練和升級的實時性和便捷性,功率預測模型由就地部署移至云端將成為一種新的發(fā)展趨勢。

附錄見本刊網(wǎng)絡版（http：//www.aeps-info.com/aeps/ch/index.aspx），掃英文摘要后二維碼可以閱讀網(wǎng)絡全文。