江長明，楊 健，柳 玉，，崔 陽

（1. 國家電網(wǎng)華北電力調(diào)控分中心,北京市100053；2. 華北電力科學(xué)研究院有限責(zé)任公司,北京市100045）

0 引言

風(fēng)電裝機(jī)容量持續(xù)多年的快速增長、風(fēng)電出力的高占比和隨機(jī)波動特性［1］等因素,使風(fēng)電預(yù)測準(zhǔn)確性在電網(wǎng)運(yùn)行中的影響日益明顯［2］:一方面,電力系統(tǒng)調(diào)度中的備用容量留取和發(fā)電計(jì)劃安排等環(huán)節(jié)需要考慮風(fēng)電功率預(yù)測的不確定性［3-4］；另一方面,現(xiàn)有電網(wǎng)多以火電等常規(guī)電源為主,高比例風(fēng)電接入后,現(xiàn)有電網(wǎng)的靈活調(diào)整電源不足［5］,風(fēng)電預(yù)測出力偏差會嚴(yán)重影響出力平衡和機(jī)爐啟停安排［6］。因此,電網(wǎng)生產(chǎn)運(yùn)行越來越倚重風(fēng)電等新能源預(yù)測的準(zhǔn)確程度［7］。

風(fēng)電功率預(yù)測作為高比例新能源電力系統(tǒng)關(guān)鍵調(diào)控技術(shù)的重要組成［8］,其中,0～168 h 中短期功率預(yù)測是日前電力平衡安排的重要參考,數(shù)值天氣預(yù)報（numerical weather prediction,NWP）作為定量化描述未來大氣各氣象要素變化的預(yù)報結(jié)果,是預(yù)測模型中必要且最重要的輸入；0～4 h 超短期功率預(yù)測本質(zhì)上是基于風(fēng)能利用的持續(xù)特性,利用統(tǒng)計(jì)學(xué)方法進(jìn)行時序外推［9］,分為風(fēng)速外推與功率外推2 類,也有學(xué)者引入NWP 對超短期預(yù)測模型進(jìn)行優(yōu)化［10-11］。

現(xiàn)有研究多針對功率預(yù)測中的某類場景或某個環(huán)節(jié)進(jìn)行優(yōu)化,但受限于NWP 對大氣運(yùn)動過程的不完美描述和統(tǒng)計(jì)學(xué)模型對物理隨機(jī)過程匹配的局限性,預(yù)測誤差難以完全避免［12］。因此,如何有效開展誤差多維評價與深入分析,是指導(dǎo)功率預(yù)測精度進(jìn)一步提升的關(guān)鍵問題,具有重要的實(shí)際應(yīng)用價值。文獻(xiàn)［13］分析了風(fēng)電功率預(yù)測誤差的表現(xiàn)形式和產(chǎn)生原因,總結(jié)了典型的誤差評價指標(biāo)和考核評價指標(biāo)。文獻(xiàn)［14］從誤差分析入手,分析了風(fēng)速和風(fēng)電功率特性、預(yù)測模型算法及輸入變量對預(yù)測誤差的影響,并根據(jù)誤差評價結(jié)果給出模型修正方法。文獻(xiàn)［15］從機(jī)理上分析風(fēng)速與功率預(yù)測誤差概率分布的時變特性規(guī)律,并引入高階Volterra 級數(shù)預(yù)測模型,辨識了預(yù)測誤差關(guān)于預(yù)測時長的函數(shù)關(guān)系。文獻(xiàn)［16］通過數(shù)據(jù)統(tǒng)計(jì)方法評價影響預(yù)測誤差的主要因素為:功率幅值、波動性、預(yù)測方法和周期。文獻(xiàn)［17］分析了功率預(yù)測誤差的存在形式,提出了包含縱向誤差、橫向誤差、相關(guān)因子與極端誤差在內(nèi)的綜合評價方法。文獻(xiàn)［18］將評價指標(biāo)進(jìn)一步擴(kuò)展至包含重點(diǎn)時段誤差和長期統(tǒng)計(jì)誤差等的多維評價指標(biāo),并給出一種基于離差最大化和灰色關(guān)聯(lián)分析的綜合評價指標(biāo),解決了多評價指標(biāo)的權(quán)重分配問題。

上述研究多聚焦于功率預(yù)測最終誤差結(jié)果的評價,尚未實(shí)現(xiàn)對功率預(yù)測的全過程時序評價,缺少從業(yè)務(wù)鏈條角度對風(fēng)電功率預(yù)測的實(shí)現(xiàn)過程進(jìn)行解構(gòu)。特別是功率預(yù)測各環(huán)節(jié)的誤差占比始終無法定量化評價,原因包括:①功率預(yù)測過程尚未根據(jù)業(yè)務(wù)流程實(shí)現(xiàn)解構(gòu),且各環(huán)節(jié)導(dǎo)致的誤差成因缺乏解耦評價方法,誤差評價不精細(xì)；②各環(huán)節(jié)分析對象不同,量綱也不同,誤差分析不直觀。為解決上述問題,本文提出了基于數(shù)據(jù)驅(qū)動的風(fēng)電功率預(yù)測誤差解耦評價方法,定量分析預(yù)測各關(guān)鍵環(huán)節(jié)的誤差成因,高效、精準(zhǔn)定位問題場站及預(yù)測薄弱環(huán)節(jié),實(shí)例表明該方法可實(shí)現(xiàn)功率預(yù)測短板高效查找與精準(zhǔn)提升,具有較強(qiáng)的工程應(yīng)用價值。

1 風(fēng)電功率預(yù)測關(guān)鍵環(huán)節(jié)解析

經(jīng)過多年研究與實(shí)踐,風(fēng)電功率預(yù)測的技術(shù)路線已明確固化。按業(yè)務(wù)流程依次為NWP 環(huán)節(jié)、Model 環(huán)節(jié)（風(fēng)資源-電力轉(zhuǎn)換模型）、校正環(huán)節(jié)（預(yù)測結(jié)果校正）。

全網(wǎng)功率預(yù)測結(jié)果可通過場站預(yù)測［19］加和、調(diào)度直接預(yù)測2 種方式獲取。場站加和方式是電網(wǎng)調(diào)度機(jī)構(gòu)對場站端中短期預(yù)測功率進(jìn)行加和后,按照斷面約束等邊界條件進(jìn)行修正,得到全網(wǎng)預(yù)測功率結(jié)果,具體流程如圖1 所示。

圖1 基于場站預(yù)測加和方式的全網(wǎng)風(fēng)電功率預(yù)測流程Fig.1 Flow chart of wind power prediction for whole grid based on method of wind farm prediction addition

1.1 NWP 環(huán)節(jié)

風(fēng)電場采用的NWP［20］屬于站點(diǎn)精細(xì)化預(yù)報。首先,從權(quán)威氣象機(jī)構(gòu)下載全球氣象預(yù)報場。然后,將全球大氣預(yù)報場數(shù)據(jù)進(jìn)行格式標(biāo)準(zhǔn)化處理,使其具備驅(qū)動中尺度NWP 模式軟件運(yùn)行的條件,完成模式運(yùn)行前的所有準(zhǔn)備工作。最后,功率預(yù)測服務(wù)商根據(jù)其詳細(xì)地理坐標(biāo)的預(yù)測需求,運(yùn)行中尺度數(shù)值天氣模式軟件,完成局部目標(biāo)區(qū)域的降尺度計(jì)算,最終獲得風(fēng)電場所處地理區(qū)域在未來不同時刻的大氣狀態(tài)。

1.2 Model 環(huán)節(jié)

Model 環(huán)節(jié)中的風(fēng)-電轉(zhuǎn)換模型是描述風(fēng)資源氣象要素與風(fēng)電有功功率之間關(guān)系的數(shù)學(xué)模型［12］。在實(shí)際生產(chǎn)中,由于受到天氣條件、機(jī)組發(fā)電性能等因素的影響,風(fēng)速與電力往往呈現(xiàn)復(fù)雜的映射關(guān)系,為了保證功率預(yù)測準(zhǔn)確性,通常需要考慮復(fù)雜多變的機(jī)組運(yùn)行工況開展精細(xì)化建模,從而獲得較強(qiáng)適用性的風(fēng)-電轉(zhuǎn)換模型。統(tǒng)計(jì)模型是目前工程應(yīng)用領(lǐng)域中普遍使用的建模方法。其本質(zhì)是利用統(tǒng)計(jì)學(xué)方法匹配系統(tǒng)的輸入（包括NWP、歷史數(shù)據(jù)等）和預(yù)測功率之間的物理因果關(guān)系。

1.3 校正環(huán)節(jié)

校正環(huán)節(jié)中的預(yù)測結(jié)果校正是指風(fēng)電場根據(jù)計(jì)劃開機(jī)容量,對風(fēng)-電轉(zhuǎn)換模型計(jì)算出的預(yù)測功率進(jìn)行修正,得到最終預(yù)測結(jié)果［21］。預(yù)測結(jié)果校正是與人工經(jīng)驗(yàn)密切相關(guān)的管理環(huán)節(jié),主要由風(fēng)電場運(yùn)行工程師完成:①將風(fēng)電功率預(yù)測與計(jì)劃檢修工作聯(lián)動,根據(jù)擬開工檢修工作涉及的機(jī)組數(shù)量,在功率預(yù)測系統(tǒng)中通過人工錄入方式合理訂正開機(jī)容量、開機(jī)時間以及預(yù)測出力；②考慮凍雨、覆冰、大風(fēng)等極端氣候可能引起風(fēng)電機(jī)組的停運(yùn)容量,通過人工輸入的方式,對預(yù)測結(jié)果進(jìn)行經(jīng)驗(yàn)校正。

2 風(fēng)電場功率預(yù)測誤差解耦評價

風(fēng)電場功率預(yù)測運(yùn)行主要由上述3 個時序環(huán)節(jié)組成,解耦評價各環(huán)節(jié)對誤差結(jié)果影響的基本思路為:將NWP 環(huán)節(jié)的預(yù)測風(fēng)資源和實(shí)測風(fēng)資源分別輸入風(fēng)-電轉(zhuǎn)換模型,將輸出的功率結(jié)果分別與實(shí)際功率進(jìn)行比對；再考慮實(shí)際開機(jī)容量與計(jì)劃開機(jī)容量的偏差,最終將各環(huán)節(jié)對誤差結(jié)果的影響歸一化到功率單位上進(jìn)行評價。

2.1 數(shù)據(jù)準(zhǔn)備

在預(yù)測誤差解耦評價建模過程中,除傳統(tǒng)功率預(yù)測評價外,還需引入與功率預(yù)測運(yùn)行中間過程相關(guān)的多源信息,以區(qū)分評價功率預(yù)測運(yùn)行各環(huán)節(jié)對最終預(yù)測結(jié)果的影響。所需的數(shù)據(jù)包括風(fēng)電場運(yùn)行信息、場站功率預(yù)測信息、機(jī)組運(yùn)行信息、NWP 信息和運(yùn)行日志信息等,見附錄A 表A1。

數(shù)據(jù)驅(qū)動方式的實(shí)際應(yīng)用效果與數(shù)據(jù)質(zhì)量關(guān)系密切,上述相關(guān)信息的數(shù)據(jù)質(zhì)量統(tǒng)計(jì)指標(biāo)主要包括正確率A、缺數(shù)率F1、死數(shù)率F2和錯數(shù)率F3,4 個指標(biāo)之和為100%,即

1）缺數(shù)率

定義缺數(shù)率F1為每個風(fēng)電場數(shù)據(jù)缺失點(diǎn)數(shù)Nlost占所有數(shù)據(jù)點(diǎn)數(shù)Ntotal的比例,即

2）死數(shù)率

定義死數(shù)率F2為數(shù)據(jù)不刷新的數(shù)據(jù)點(diǎn)數(shù)Nsame占所有數(shù)據(jù)點(diǎn)數(shù)的比例,即

其中,不刷新的數(shù)據(jù)的判斷規(guī)則為:①風(fēng)速數(shù)據(jù)不刷新,風(fēng)速連續(xù)0.5 h 不刷新,則除第1 個點(diǎn)以外標(biāo)記為不刷新；②功率數(shù)據(jù)不刷新,在自校驗(yàn)階段,有功功率連續(xù)0.5 h 不變,則除第1 個點(diǎn)以外標(biāo)記為不刷新。

在狀態(tài)有功功率互校驗(yàn)時,對于計(jì)劃停運(yùn)、非計(jì)劃停運(yùn)、調(diào)度停運(yùn)（含調(diào)度限電）、通信中斷、場內(nèi)受累停運(yùn)、場外受累停運(yùn)6 種狀態(tài)相應(yīng)有功數(shù)據(jù)被標(biāo)記為不刷新的情況,需取消其不刷新標(biāo)記；對于待風(fēng)狀態(tài)相應(yīng)有功數(shù)據(jù)被標(biāo)記為不刷新的情況,需判斷死數(shù)是否為0,如果是0,則取消其不刷新標(biāo)記,進(jìn)行修正；如果不是0,則不需要任何處理。

3）錯數(shù)率

定義錯數(shù)率F3為錯誤的數(shù)據(jù)點(diǎn)數(shù)Nfalse占所有數(shù)據(jù)點(diǎn)數(shù)的比例,即

以風(fēng)速和有功功率為例,錯數(shù)的判斷規(guī)則為:風(fēng)速越限范圍為風(fēng)速大于50 m/s 或小于0 m/s；數(shù)據(jù)躍變?yōu)? h 平均風(fēng)速超過6 m/s,1 h 平均氣溫變化超過5 ℃,3 h 平均氣壓變化超過1 kPa；有功越限為單機(jī)或場站有功功率大于1.1 倍裝機(jī)容量或者小于-10%的裝機(jī)容量。

2.2 預(yù)測誤差解耦評價模型

首先,在功率預(yù)測中定義評價3 個主要環(huán)節(jié)對預(yù)測結(jié)果誤差影響程度的指標(biāo)。具體地,定義變量En表征由NWP 環(huán)節(jié)導(dǎo)致的預(yù)測功率誤差,定義變量Em表征由Model 環(huán)節(jié)導(dǎo)致的預(yù)測功率誤差,定義變量Er表征由校正環(huán)節(jié)導(dǎo)致的預(yù)測功率誤差。三者共同組成整體預(yù)測功率誤差Et,i,即風(fēng)電場預(yù)測功率與實(shí)際功率的差值,如式（5）所示。

式中:Pp,i為風(fēng)電場在i 時刻的預(yù)測功率；Pm,i為風(fēng)電場在i 時刻的實(shí)際功率；En,i,Em,i,Er,i分別為i 時刻由NWP 環(huán)節(jié)、Model 環(huán)節(jié)、校正環(huán)節(jié)導(dǎo)致的預(yù)測功率誤差。

其次,引入發(fā)電開機(jī)方式和氣象預(yù)測/觀測信息,求解等效預(yù)測功率值。通過獲取風(fēng)電場計(jì)劃開機(jī)容量和實(shí)際開機(jī)容量,計(jì)算在準(zhǔn)確開機(jī)容量條件下的等效功率預(yù)測值,即

式中:Pcap,i為i 時刻準(zhǔn)確開機(jī)容量條件下的等效功率預(yù)測值；CO,i和C′O,i分別為i 時刻風(fēng)電場實(shí)際開機(jī)容量和計(jì)劃開機(jī)容量。

通過獲取風(fēng)電場氣象預(yù)測/觀測信息,計(jì)算在準(zhǔn)確風(fēng)資源條件下的等效功率預(yù)測值為:

式中:Pwind,i為i 時刻準(zhǔn)確風(fēng)資源條件下的等效功率預(yù)測值；f (?)為風(fēng)電場功率預(yù)測中應(yīng)用的風(fēng)-電轉(zhuǎn)換模型；v,d,T,H,rh分別為觀測的風(fēng)速、風(fēng)向、氣溫、氣壓、相對濕度；C 為風(fēng)電場裝機(jī)容量。

預(yù)測功率Pp,i與實(shí)際功率Pm,i之差為En,i,Em,i,Er,i這3 個環(huán)節(jié)誤差之和；預(yù)測功率Pp,i與等效預(yù)測功率Pwind,i之差為NWP 環(huán)節(jié)誤差En,i；預(yù)測功率Pp,i與等效預(yù)測功率Pcap,i之差為校正環(huán)節(jié)誤差Er,i；建立聯(lián)立方程組（式（8））,求解可得i 時刻En,i,Em,i和Er,i的值,方法示意圖如圖2 所示。

圖2 預(yù)測誤差解耦評價方法示意圖（場站側(cè)）Fig.2 Schematic diagram of decoupling evaluation method for prediction error (wind farm side)

將3 個主要環(huán)節(jié)誤差進(jìn)行歸一化處理,得到每個環(huán)節(jié)的誤差貢獻(xiàn)率,分別為Rn,i,Rm,i,Rr,i,計(jì)算公式如式（9）—式（11）所示。

3 調(diào)度側(cè)功率預(yù)測誤差解耦評價模型

第2 章已經(jīng)給出風(fēng)電場側(cè)功率預(yù)測誤差的解耦評價模型,理論上,該評價模型亦可部署于電網(wǎng)調(diào)度側(cè),但在實(shí)際應(yīng)用中,受限于模型多樣性、部署難度、維護(hù)效率等限制,調(diào)度側(cè)功率預(yù)測誤差的解耦評價模型需要重新設(shè)計(jì)通用的風(fēng)-電轉(zhuǎn)換簡化模型,以滿足自動、高效的批量評估需求。

3.1 風(fēng)-電轉(zhuǎn)換簡化模型

基于風(fēng)電機(jī)組的能量轉(zhuǎn)換原理,風(fēng)電場從風(fēng)資源中獲取的機(jī)械功率Pm［22-23］為:

式中:ρ 為空氣密度；S 為風(fēng)輪掃掠面積；Cp為功率利用 系 數(shù)；v0為 偏 航 風(fēng) 速；θ 為 偏 航 偏 差；d0為 偏 航 風(fēng)向；e 為輪轂高度處的水汽壓。

由式（12）—式（14）可知,風(fēng)電有功功率與風(fēng)速的立方呈正比例關(guān)系,與空氣密度呈正比例關(guān)系,空氣密度由氣溫、氣壓和相對濕度共同決定。

綜上,風(fēng)-電轉(zhuǎn)換簡化模型的輸入變量為輪轂高度的風(fēng)速、風(fēng)向、氣溫、氣壓、相對濕度,輸出變量為風(fēng)電場在正常工況下的有功功率。建模主要分為建模數(shù)據(jù)篩選和統(tǒng)計(jì)模型訓(xùn)練2 個部分。

1）建模數(shù)據(jù)篩選

功率預(yù)測中的風(fēng)-電轉(zhuǎn)換模型只用于表征風(fēng)電場在正常運(yùn)行工況下的風(fēng)資源與發(fā)電功率的映射關(guān)系,無法覆蓋電網(wǎng)限電降額/停運(yùn)、機(jī)組故障停運(yùn)和檢修停運(yùn)等其他特殊工況,因此,用于統(tǒng)計(jì)建模的歷史運(yùn)行數(shù)據(jù)應(yīng)先進(jìn)行工況篩選。

概率密度估計(jì)是通過樣本估計(jì)總體的概率密度函數(shù),通常分為參數(shù)和非參數(shù)形式的概率密度估計(jì)。核密度估計(jì)［24-25］是常用且有效的非參數(shù)概率密度估計(jì)方法,其表達(dá)式如下。

式中:n 為樣本數(shù)；h 為帶寬；xm為變量x 的第m 個樣本；K（?）為核函數(shù)。

本文采用高斯核函數(shù),其表達(dá)式如下。

核密度估計(jì)帶寬的選取影響估計(jì)精度。帶寬較小時,概率密度曲線偏尖銳,結(jié)果波動較大；帶寬較大時,概率密度曲線過于平滑,數(shù)據(jù)的真實(shí)性可能被掩蓋,本文選用最優(yōu)帶寬求取方法。

基于核密度估計(jì)的風(fēng)電場運(yùn)行異常工況數(shù)據(jù)識別過程如附錄A 圖A1 所示,具體步驟如下。

步驟1:工況篩選。對于原始數(shù)據(jù)包含對應(yīng)的運(yùn)行工況,剔除開機(jī)容量小于95%的額定裝機(jī)容量、電網(wǎng)調(diào)峰/網(wǎng)架原因限電、機(jī)組主動限功率等特殊工況樣本。

步驟2:將功率數(shù)據(jù)從0 至額定功率等間隔劃分為多個區(qū)間,并將機(jī)組實(shí)際功率及風(fēng)速數(shù)據(jù)對應(yīng)至各功率區(qū)間。

步驟3:通過核密度估計(jì)確定各區(qū)間內(nèi)風(fēng)速數(shù)據(jù)的概率密度估計(jì)結(jié)果。以功率區(qū)間[ P1,P2]為例,假設(shè)該區(qū)間內(nèi)風(fēng)速數(shù)據(jù)的核密度估計(jì)結(jié)果:風(fēng)速序列為{v1,v2,…,vn}（v1＜v2＜…＜vn）,對應(yīng)概率密度為{ p1,p2,…,pn}。

步驟4:異常數(shù)據(jù)篩選。以功率區(qū)間［P1,P2］為例,確定風(fēng)速數(shù)據(jù)核密度估計(jì)概率密度的最大值pk及其對應(yīng)風(fēng)速vk。從風(fēng)速vk開始,沿核密度估計(jì)風(fēng)速序列增大的方向,即vk→vn方向,判斷t=k 時式（17）是否成立,若成立,繼續(xù)判斷t=k+1 時式（17）是否成立,以此類推,直到不滿足判斷條件為止,設(shè)此時的風(fēng)速為vmax。從風(fēng)速vk開始,沿核密度估計(jì)風(fēng)速序列減小的方向,即vk→v1方向,判斷t=k時式（17）是否成立,若成立,繼續(xù)判斷t=k-1 時式（17）是否成立,以此類推,直到不滿足判斷條件為止,設(shè)此時的風(fēng)速為vmin。該功率區(qū)間內(nèi),介于vmin至vmax間的風(fēng)速及對應(yīng)功率數(shù)據(jù)為正常數(shù)據(jù),其余數(shù)據(jù)為需要剔除的異常數(shù)據(jù)。

步驟5:對于步驟2 所劃分的全部功率區(qū)間,通過步驟4 篩選并剔除異常數(shù)據(jù),即可得到全功率段的正常數(shù)據(jù)。

以某風(fēng)電場風(fēng)速-功率的運(yùn)行數(shù)據(jù)為例,圖3 為原始的全部運(yùn)行數(shù)據(jù)散點(diǎn)采用本文所提方法進(jìn)行工況數(shù)據(jù)篩選后的結(jié)果。本文所提核密度估計(jì)法能夠有效地批量提取正常工況的風(fēng)-電建模數(shù)據(jù),相對于傳統(tǒng)四分位法,對異常數(shù)據(jù)的篩選剔除結(jié)果更優(yōu),避免出現(xiàn)篩除過多有用數(shù)據(jù)的問題。

2）統(tǒng)計(jì)模型訓(xùn)練

風(fēng)-電轉(zhuǎn)換模型的輸入和輸出具有非線性關(guān)系,應(yīng)用在調(diào)度側(cè)的風(fēng)電場預(yù)測誤差解耦評價模型中,風(fēng)-電轉(zhuǎn)換簡化模型采用反向傳播（BP）神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)［26］。BP 神經(jīng)網(wǎng)絡(luò)是一種非線性優(yōu)化,它按照誤差BP 來調(diào)整神經(jīng)網(wǎng)絡(luò)的參數(shù),以實(shí)現(xiàn)非線性系統(tǒng)映射關(guān)系的最優(yōu)表達(dá)。模型采用3 層BP 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu),如附錄A 圖A2 所示,輸入節(jié)點(diǎn)數(shù)為4,分別為風(fēng)速、風(fēng)向、氣溫、氣壓；單節(jié)點(diǎn)輸出為風(fēng)電場有功功率,隱含層節(jié)點(diǎn)數(shù)為7。模型訓(xùn)練樣本為經(jīng)數(shù)據(jù)篩選后的風(fēng)電場正常運(yùn)行工況數(shù)據(jù)。

圖3 功率運(yùn)行數(shù)據(jù)散點(diǎn)篩選圖Fig.3 Diagram of operation power data filtering

3.2 誤差解耦模型

基于2.2 節(jié)功率預(yù)測誤差解耦評價的思想,在調(diào)度側(cè)的誤差評價應(yīng)用中引入風(fēng)-電轉(zhuǎn)換簡化模型,如圖4 所示。

引入調(diào)度側(cè)的風(fēng)-電轉(zhuǎn)換簡化模型,求解等效預(yù)測功率值。通過獲取風(fēng)電場氣象觀測信息和預(yù)測信息,計(jì)算等效功率預(yù)測值,即

式中:Pwind,sm,j為第j 個風(fēng)電場在準(zhǔn)確風(fēng)資源和簡化模型條件下的等效功率預(yù)測值；Pp,sm,j為第j 個風(fēng)電場在采用風(fēng)-電轉(zhuǎn)換簡化模型條件下的等效功率預(yù)測值；gj(?)為調(diào)度側(cè)用于預(yù)測誤差評價第j 個風(fēng)電場的風(fēng)-電轉(zhuǎn)換簡化模型；v′,d′,T′,H′分別為風(fēng)速、風(fēng)向、氣溫、氣壓的NWP 預(yù)測值；CO,j為第j 個風(fēng)電場的實(shí)際開機(jī)容量；Cj為第j 個風(fēng)電場的裝機(jī)容量。

圖4 預(yù)測誤差解耦評價方法示意圖（調(diào)度側(cè)）Fig.4 Schematic diagram of decoupling evaluation method for prediction error (dispatch side)

第j 個風(fēng)電場的預(yù)測功率Pp,j與實(shí)際功率Pm,j之差為En,j,Em,j,Er,j這3 個環(huán)節(jié)誤差之和；第j 個風(fēng)電場的預(yù)測功率Pp,j與等效預(yù)測功率Pcap,j之差為校正環(huán)節(jié)誤差Er,j；第j 個風(fēng)電場的等效預(yù)測功率Pwind,sm,j與等效預(yù)測功率Pp,sm,j之差約為NWP 環(huán)節(jié)誤差,建立聯(lián)立方程組（式（20））,求解可得第j 個風(fēng)電場各環(huán)節(jié)的預(yù)測誤差值。

式中:En,j,Em,j,Er,j分別為第j 個風(fēng)電場由NWP 環(huán)節(jié)、Model 環(huán)節(jié)、校正環(huán)節(jié)導(dǎo)致的預(yù)測功率誤差；Pp,sm,j為第j 個風(fēng)電場在風(fēng)-電轉(zhuǎn)換簡化模型下的等效預(yù)測功率；Pwind,sm,j為第j 個風(fēng)電場在準(zhǔn)確風(fēng)資源輸入和風(fēng)-電轉(zhuǎn)換簡化模型條件下的等效預(yù)測功率；En,sm,j為風(fēng)-電轉(zhuǎn)換簡化模型條件下的NWP 環(huán)節(jié)等效誤差；Em,sm,j為風(fēng)-電轉(zhuǎn)換簡化模型條件下的Model 環(huán)節(jié)等效誤差。

3.3 調(diào)度側(cè)評價模型準(zhǔn)確性分析

在調(diào)度側(cè)引入風(fēng)-電轉(zhuǎn)換簡化模型后,由于誤差測算過程中存在近似化,各環(huán)節(jié)等效誤差的估算可能產(chǎn)生偏差。對3 座典型風(fēng)電場的誤差解耦評價指標(biāo)進(jìn)行測算,分析調(diào)度側(cè)對風(fēng)電場預(yù)測誤差評價的準(zhǔn)確性。表1 為調(diào)度側(cè)與場站側(cè)的預(yù)測誤差評價對比,場站側(cè)和調(diào)度側(cè)校正環(huán)節(jié)評價誤差結(jié)果相同,場站側(cè)NWP 環(huán)節(jié)的誤差占比比調(diào)度側(cè)的高1.1%,場站側(cè)Model 環(huán)節(jié)的誤差占比比調(diào)度側(cè)的低1.1%,調(diào)度側(cè)評價的最大誤差為風(fēng)電場C,與場站側(cè)NWP環(huán)節(jié)和Model 環(huán)節(jié)評價誤差為1.4%。結(jié)果表明,調(diào)度側(cè)模型可以較準(zhǔn)確地評價風(fēng)電場功率預(yù)測各環(huán)節(jié)的誤差貢獻(xiàn)占比。

表1 功率預(yù)測誤差解耦評價對比Table 1 Comparision of decoupling evaluation on power prediction error

4 算例分析

4.1 長周期統(tǒng)計(jì)算例

選取中國華北區(qū)域9 座風(fēng)電場,地形涵蓋了壩上高原、壩上丘陵、復(fù)雜山地及沿海平地等,利用調(diào)度側(cè)評價模型進(jìn)行測算,風(fēng)-電轉(zhuǎn)換簡化模型采用BP 神經(jīng)網(wǎng)絡(luò),數(shù)據(jù)質(zhì)量如附錄A 圖A3 所示。以風(fēng)電場A 的2019 年1 月數(shù)據(jù)為例,其預(yù)測誤差解耦評價時序曲線結(jié)果如圖5 所示。

圖5 風(fēng)電場A 誤差解耦評價曲線Fig.5 Curves of decoupling evaluation on error in wind farm A

9 座風(fēng)電場2019 年1 至7 月功率預(yù)測各環(huán)節(jié)誤差解耦測算結(jié)果如表2 所示,3 個預(yù)測環(huán)節(jié)誤差的平均占比分別為58.8%,40.5%和0.7%,NWP 環(huán)節(jié)誤差平均占比最高,為58.8%。Model 環(huán)節(jié)的誤差貢獻(xiàn)平均占比為40.5%。從長期測算結(jié)果看,NWP 環(huán)節(jié)是預(yù)測誤差的主要來源,Model 環(huán)節(jié)是造成預(yù)測誤差的重要來源,NWP 環(huán)節(jié)和Model 環(huán)節(jié)的誤差共同構(gòu)成了總誤差的基本面。

表2 典型風(fēng)電場功率預(yù)測各環(huán)節(jié)誤差統(tǒng)計(jì)Table 2 Error statistics of each link for power prediction in typical wind farms

在測算的風(fēng)電場中,高準(zhǔn)確率風(fēng)電場的Model環(huán)節(jié)誤差占比較低,而低準(zhǔn)確率的風(fēng)電場Model 環(huán)節(jié)誤差占比普遍偏高:風(fēng)電場I 的預(yù)測準(zhǔn)確率最低,其Model 環(huán)節(jié)誤差占比為44.1%；風(fēng)電場A 的預(yù)測準(zhǔn)確率最高,其Model 環(huán)節(jié)的誤差占比為30.8%,二者占比相差13.3%,其Model 環(huán)節(jié)預(yù)測誤差分布集中在±0.2（標(biāo)幺值）范圍內(nèi)（見附錄A 圖A4）,其NWP 環(huán)節(jié)預(yù)測誤差分布集中在±0.4（標(biāo)幺值）范圍內(nèi)（見附錄A 圖A5）。綜上,Model 環(huán)節(jié)誤差是較低預(yù)測水平場站的普遍短板,是預(yù)測水平較差場站應(yīng)重點(diǎn)解決的問題。

校正環(huán)節(jié)在較長統(tǒng)計(jì)周期中對整體誤差影響較小,但個別場站的非計(jì)劃停運(yùn)導(dǎo)致部分時段出現(xiàn)較大誤差。2019 年1～7 月,9 座測算風(fēng)電場出現(xiàn)非計(jì)劃停運(yùn)事件共76 起,累計(jì)機(jī)組停運(yùn)1 032 臺?次,涉及裝機(jī)容量為1 716 MW。校正環(huán)節(jié)誤差的平均占比為0.3%,表明總體影響不大,各風(fēng)電場均能按檢修計(jì)劃準(zhǔn)確上報次日開機(jī)容量。但個別風(fēng)電場非計(jì)劃停運(yùn)后,日前開機(jī)容量估算不準(zhǔn)確造成了較大的預(yù)測偏差。例如,風(fēng)電場A 在2019 年4 月30 日至5 月3 日期間,1 號主變壓器故障檢修導(dǎo)致28.8 MW風(fēng)電機(jī)組非計(jì)劃停運(yùn),由于日前開機(jī)容量未準(zhǔn)確估算,導(dǎo)致校正環(huán)節(jié)誤差占比分別達(dá)到34.6%,41.1%,37.6%和12.2%。此外,風(fēng)電場E 和G 也出現(xiàn)了相似現(xiàn)象。校正環(huán)節(jié)誤差反映了風(fēng)電場功率預(yù)測工作管理及發(fā)電設(shè)備運(yùn)維的水平。

NWP 環(huán)節(jié)誤差通常是大預(yù)測偏差事件的主要成因。選取各場站預(yù)測準(zhǔn)確率最低的10 天進(jìn)行測算,9 座風(fēng)電場NWP 環(huán)節(jié)誤差平均占比為65.4%,較平均水平上升了6.6%,如表3 所示。

表3 預(yù)測準(zhǔn)確率最低10 天的各環(huán)節(jié)誤差統(tǒng)計(jì)Table 3 Error statistics of each link in 10 days with the lowest prediction accuracy

測算結(jié)果表明發(fā)生預(yù)測較大偏差的主要原因是NWP 偏差,持續(xù)提升NWP 環(huán)節(jié)預(yù)測水平是預(yù)防大偏差事件發(fā)生的重點(diǎn)工作方向。

4.2 大偏差事件算例

在某電網(wǎng)負(fù)荷晚峰17:00—22:30,風(fēng)電功率預(yù)測出現(xiàn)明顯預(yù)測偏差,如附錄A 圖A6 所示。風(fēng)電實(shí)際出力先降后升,變化幅度大、速度快,與日前預(yù)測結(jié)果偏差明顯。

按照本文提出的功率預(yù)測誤差解耦評價方法,分別提取了各風(fēng)電重點(diǎn)匯集區(qū)10 座典型風(fēng)電場的功率預(yù)測數(shù)據(jù)、NWP 數(shù)據(jù)、風(fēng)資源觀測數(shù)據(jù)、開機(jī)容量等數(shù)據(jù),對功率預(yù)測各環(huán)節(jié)誤差進(jìn)行解耦評價,評價結(jié)果統(tǒng)計(jì)如表4 所示。

表4 負(fù)荷晚峰時段風(fēng)電預(yù)測誤差統(tǒng)計(jì)Table 4 Error statistics of wind power prediction during evening peak load period

根據(jù)測算結(jié)果分析此次負(fù)荷晚峰時段預(yù)測偏差的主要特點(diǎn):①NWP 環(huán)節(jié)誤差占比高,在晚峰時段,區(qū)域GY,KB,SY,WQ,JSL 這5 個風(fēng)電匯集區(qū)域的10 座典型風(fēng)電場的NWP 環(huán)節(jié)誤差占比平均值為74%,顯著大于Model 環(huán)節(jié)誤差占比平均值（26%）；②NWP 環(huán)節(jié)誤差方向一致,各風(fēng)電場在晚峰時段的NWP 環(huán)節(jié)誤差均為正向誤差,即NWP 環(huán)節(jié)預(yù)測風(fēng)速均大于實(shí)際風(fēng)速,進(jìn)而導(dǎo)致NWP 環(huán)節(jié)等效功率預(yù)測誤差偏大；③不存在校正環(huán)節(jié)的等效誤差,各風(fēng)電場當(dāng)天的實(shí)際開機(jī)均按日前開機(jī)計(jì)劃執(zhí)行。綜上,NWP 環(huán)節(jié)的正向誤差是此次負(fù)荷晚峰時段風(fēng)電預(yù)測偏差事件的主要原因。

5 結(jié)語

本文提出了一種風(fēng)電功率預(yù)測誤差解耦評價方法,利用風(fēng)電實(shí)際運(yùn)行信息,定量化分析0～168 h 中短期功率預(yù)測各關(guān)鍵環(huán)節(jié)對整體誤差的影響程度,為精準(zhǔn)優(yōu)化功率預(yù)測薄弱環(huán)節(jié)提供了前提。主要結(jié)論如下。

1）基于氣象、電力等多源運(yùn)行數(shù)據(jù)驅(qū)動,所提功率預(yù)測各環(huán)節(jié)等效影響誤差的量度方法,實(shí)現(xiàn)了各環(huán)節(jié)時序誤差的定量化評價,精細(xì)化分析預(yù)測偏差事件成因,精準(zhǔn)定位問題場站及薄弱環(huán)節(jié)。

2）設(shè)計(jì)了基于核密度估計(jì)的風(fēng)電異常工況分區(qū)間辨識方法,并建立了典型的風(fēng)資源-電力特性的簡化模型,解決了多類型誤差評價模型在電網(wǎng)調(diào)度側(cè)統(tǒng)一開發(fā)部署的難題,實(shí)現(xiàn)了海量運(yùn)行數(shù)據(jù)的高效利用。

3）長期測算結(jié)果表明,NWP 環(huán)節(jié)是預(yù)測誤差的主要來源（占比為58.8%）,Model 環(huán)節(jié)是造成預(yù)測誤差的重要來源（占比為40.5%）,NWP 環(huán)節(jié)和Model 環(huán)節(jié)的誤差共同構(gòu)成了總誤差的基本面。

4）Model 環(huán)節(jié)誤差是較低預(yù)測水平場站的普遍短板,是預(yù)測水平較差場站應(yīng)重點(diǎn)解決的問題；NWP 環(huán)節(jié)誤差通常是大預(yù)測偏差事件的主要成因；校正環(huán)節(jié)誤差反映了風(fēng)電場功率預(yù)測管理和設(shè)備運(yùn)行維護(hù)水平。

預(yù)測誤差解耦評價的核心前提是掌握風(fēng)電運(yùn)行、氣象觀測、氣象預(yù)測等多元數(shù)據(jù),評價準(zhǔn)確性高度依賴于實(shí)際數(shù)據(jù)質(zhì)量,因此本文所提方法高效落地與推廣應(yīng)用的關(guān)鍵點(diǎn)是,未來如何探索通過技術(shù)和管理手段保障數(shù)據(jù)質(zhì)量,實(shí)現(xiàn)多源海量信息的自動化、批量化、智能化處理與運(yùn)算。

附錄見本刊網(wǎng)絡(luò)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(luò)全文。