閻 潔 張永蕊 張 浩

(1.華北電力大學(xué)新能源學(xué)院,北京市 昌平區(qū) 102206;2.新能源電力系統(tǒng)國(guó)家重點(diǎn)實(shí)驗(yàn)室(華北電力大學(xué)),北京市 昌平區(qū) 102206)

0 引言

國(guó)外風(fēng)電功率預(yù)測(cè)技術(shù)的研究開始于20世紀(jì)80年代,我國(guó)的相關(guān)研發(fā)始于2008年。隨著我國(guó)風(fēng)電產(chǎn)業(yè)的快速發(fā)展,國(guó)家出臺(tái)了《風(fēng)電場(chǎng)功率預(yù)測(cè)預(yù)報(bào)管理暫行辦法》《風(fēng)電功率預(yù)報(bào)與電網(wǎng)協(xié)調(diào)運(yùn)行實(shí)施細(xì)則》等管理辦法,要求所有并網(wǎng)運(yùn)行的風(fēng)電場(chǎng)必須建立風(fēng)電功率預(yù)測(cè)系統(tǒng),并向電網(wǎng)調(diào)度機(jī)構(gòu)實(shí)時(shí)傳送數(shù)據(jù)。經(jīng)過(guò)幾年技術(shù)升級(jí),國(guó)內(nèi)眾多科研院所和商業(yè)機(jī)構(gòu)開發(fā)多套風(fēng)電功率預(yù)測(cè)系統(tǒng)應(yīng)用于并網(wǎng)風(fēng)電場(chǎng),在提升可再生能源的消納水平方面發(fā)揮了重要作用[1-6]。然而隨著風(fēng)電并網(wǎng)比例的提高,電網(wǎng)對(duì)風(fēng)電功率預(yù)測(cè)系統(tǒng)的考核力度和懲罰力度也逐步加大。尤其在面臨風(fēng)電平價(jià)上網(wǎng)的政策壓力下,引進(jìn)更加先進(jìn)的預(yù)測(cè)手段、進(jìn)一步提升風(fēng)電功率預(yù)測(cè)精度迫在眉睫。

我國(guó)規(guī)劃和建設(shè)了大量的大規(guī)模集中式風(fēng)電基地,如何提升區(qū)域風(fēng)電場(chǎng)群功率預(yù)測(cè)精度和預(yù)測(cè)管理效率是預(yù)測(cè)系統(tǒng)研發(fā)中所面臨的重要技術(shù)問(wèn)題之一,開發(fā)區(qū)域風(fēng)電場(chǎng)群集中式預(yù)測(cè)系統(tǒng)正是解決這一問(wèn)題的關(guān)鍵舉措。一方面,集中式預(yù)測(cè)系統(tǒng)以考慮風(fēng)電場(chǎng)群內(nèi)的復(fù)雜時(shí)空依賴關(guān)系為核心出發(fā)點(diǎn),通過(guò)建立先進(jìn)的風(fēng)電場(chǎng)群時(shí)空聯(lián)合預(yù)測(cè)模型來(lái)提升區(qū)域整體的預(yù)測(cè)精度,在技術(shù)原理上優(yōu)于一個(gè)風(fēng)電場(chǎng)配置一套預(yù)測(cè)系統(tǒng)的傳統(tǒng)“一場(chǎng)一測(cè)”開發(fā)模式;另一方面,區(qū)域風(fēng)電場(chǎng)群集中式預(yù)測(cè)系統(tǒng)可以匯聚區(qū)域內(nèi)大量風(fēng)電場(chǎng)的預(yù)測(cè)相關(guān)數(shù)據(jù),能夠同時(shí)向區(qū)域內(nèi)所有風(fēng)電場(chǎng)提供預(yù)測(cè)服務(wù),系統(tǒng)的部署、維護(hù)、更新將更為高效便捷。

風(fēng)電場(chǎng)群時(shí)空聯(lián)合預(yù)測(cè)存在精度和效率上的優(yōu)勢(shì),是風(fēng)電功率預(yù)測(cè)研究中的前沿主題。目前主要發(fā)展出了2類區(qū)域風(fēng)電場(chǎng)群集中式預(yù)測(cè)方法:人工統(tǒng)計(jì)分析方法與端到端數(shù)據(jù)驅(qū)動(dòng)方法。

人工統(tǒng)計(jì)分析方法以區(qū)制轉(zhuǎn)換(regime-switching space-time,RSST)方法為代表。GNEITING[7]等首先引入了RSST 方法進(jìn)行多風(fēng)電場(chǎng)時(shí)空預(yù)測(cè),HERING[8]等人通過(guò)改進(jìn)RSST 方法中的風(fēng)向變量表達(dá)方式提出了三角風(fēng)向日(trigonometric direction diurnal,TDD)和雙變量偏t(bivariate skew-T,BST)模型;LE[9]等又進(jìn)一步提出了考慮地轉(zhuǎn)風(fēng)的TDD 模型;TASTU[10]等從場(chǎng)群內(nèi)部、外部以及風(fēng)速、風(fēng)向等多個(gè)角度描述了時(shí)空預(yù)測(cè)誤差模式,并提出了線性模型和另外幾種RSST 模型對(duì)預(yù)測(cè)誤差進(jìn)行了擬合。上述方法在劃分預(yù)測(cè)狀態(tài)時(shí)要依靠專家經(jīng)驗(yàn)來(lái)確定劃分結(jié)構(gòu)和模型參數(shù),對(duì)復(fù)雜地形和復(fù)雜風(fēng)況的風(fēng)電場(chǎng)群適應(yīng)性差,并且難以將模型快速遷移到其他不同的區(qū)域。

數(shù)據(jù)驅(qū)動(dòng)的風(fēng)電場(chǎng)時(shí)空預(yù)測(cè)模型,假設(shè)風(fēng)電場(chǎng)間的時(shí)空依賴關(guān)系可以從歷史數(shù)據(jù)中直接學(xué)習(xí)得到,在目前大規(guī)模風(fēng)電歷史數(shù)據(jù)積累的前提下,此類模型得到了越來(lái)越多的重視。大量不同類型的數(shù)據(jù)驅(qū)動(dòng)算法被應(yīng)用到風(fēng)電場(chǎng)時(shí)空聯(lián)合預(yù)測(cè)中來(lái),不僅包括了傳統(tǒng)的淺層算法,還包括目前使用較多的深度學(xué)習(xí)算法。在淺層學(xué)習(xí)方面,多通道自適應(yīng)濾波[11]、正則化Vine Copulas[12]、K 最近鄰[13]、梯度提升機(jī)[14]等被應(yīng)用于多風(fēng)電場(chǎng)時(shí)空預(yù)測(cè)研究和預(yù)測(cè)競(jìng)賽中。此外,稀疏統(tǒng)計(jì)學(xué)習(xí)技術(shù)也被多次用于構(gòu)建風(fēng)電場(chǎng)時(shí)空依賴性的稀疏結(jié)構(gòu)表達(dá)[15-17]。分布式預(yù)測(cè)能夠解決數(shù)據(jù)不出本地共享的問(wèn)題,通過(guò)建立分布式時(shí)空預(yù)測(cè)模型來(lái)學(xué)習(xí)臨近場(chǎng)站之間時(shí)空相關(guān)性[18-19]。在深度學(xué)習(xí)方面,當(dāng)前的研究主要集中使用不同的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)對(duì)風(fēng)電場(chǎng)內(nèi)部以及風(fēng)電場(chǎng)群之間的時(shí)空依賴關(guān)系進(jìn)行學(xué)習(xí)。深度卷積網(wǎng)絡(luò)[20-21]、長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)[22]、卷積-長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)[23]、稀疏降噪自動(dòng)編碼機(jī)[24]、混合密度網(wǎng)絡(luò)[25]、圖卷積-長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)[26]等不同的網(wǎng)絡(luò)結(jié)構(gòu)均被用于風(fēng)電場(chǎng)和風(fēng)電場(chǎng)群的時(shí)空聯(lián)合預(yù)測(cè)研究中。數(shù)據(jù)驅(qū)動(dòng)的時(shí)空聯(lián)合預(yù)測(cè)算法雖然能夠在一定程度上提升風(fēng)電場(chǎng)或者風(fēng)電場(chǎng)群的功率預(yù)測(cè)精度,但數(shù)據(jù)量和數(shù)據(jù)質(zhì)量問(wèn)題是限制此類模型應(yīng)用的首要因素。

目前國(guó)內(nèi)外已經(jīng)初步展開了區(qū)域風(fēng)電場(chǎng)群聯(lián)合時(shí)空預(yù)測(cè)研究并取得了一定成果,然而系統(tǒng)級(jí)的應(yīng)用開發(fā)還并不完善。因此面向多風(fēng)電場(chǎng)精準(zhǔn)、高效功率預(yù)測(cè)建模的需求,本文提出區(qū)域風(fēng)電場(chǎng)群集中式功率預(yù)測(cè)系統(tǒng),并進(jìn)行工程化應(yīng)用實(shí)踐。該系統(tǒng)集合多場(chǎng)站觀測(cè)數(shù)據(jù),引入多源數(shù)值天氣預(yù)報(bào)(numerical weather prediction,NWP)提升模型輸入信息,完善數(shù)據(jù)清洗流程,建立以圖網(wǎng)絡(luò)和特征工程為核心的風(fēng)電場(chǎng)群時(shí)空聯(lián)合預(yù)測(cè)模型框架,最終實(shí)現(xiàn)同時(shí)為區(qū)域內(nèi)多風(fēng)電場(chǎng)提供短期、超短期預(yù)測(cè)服務(wù)的目的。

1 區(qū)域風(fēng)電場(chǎng)群集中式預(yù)測(cè)系統(tǒng)設(shè)計(jì)

區(qū)域風(fēng)電場(chǎng)群集中式預(yù)測(cè)系統(tǒng)將多個(gè)風(fēng)電場(chǎng)的功率預(yù)測(cè)任務(wù)同時(shí)納入一個(gè)預(yù)測(cè)模型,通過(guò)時(shí)空預(yù)測(cè)建模方法考慮多個(gè)風(fēng)電場(chǎng)之間的時(shí)空依賴特性。系統(tǒng)對(duì)于風(fēng)電場(chǎng)運(yùn)營(yíng)的意義在于:(1)提高風(fēng)電場(chǎng)(群)功率預(yù)測(cè)精度和上傳可靠性,降低電網(wǎng)考核造成的經(jīng)濟(jì)損失和電量損失,提高上網(wǎng)排序;(2)擴(kuò)展現(xiàn)有預(yù)測(cè)系統(tǒng)的時(shí)空尺度,同時(shí)實(shí)現(xiàn)風(fēng)電場(chǎng)整體、不同子風(fēng)電場(chǎng)組合、單個(gè)子風(fēng)電場(chǎng)的短期、超短期預(yù)測(cè),為風(fēng)電場(chǎng)優(yōu)化運(yùn)維、電力市場(chǎng)競(jìng)價(jià)等提供準(zhǔn)確、可靠的指導(dǎo)信息,提升市場(chǎng)競(jìng)爭(zhēng)力;(3)節(jié)約系統(tǒng)開發(fā)和維護(hù)成本、提升系統(tǒng)效率。下面將從系統(tǒng)的模塊設(shè)計(jì)以及部署方案對(duì)系統(tǒng)進(jìn)行介紹。

1.1 系統(tǒng)模塊設(shè)計(jì)

著眼于提升區(qū)域整體的預(yù)測(cè)水平,設(shè)計(jì)的區(qū)域風(fēng)電場(chǎng)群集中式預(yù)測(cè)系統(tǒng)框架包含3個(gè)核心功能:(1)機(jī)組級(jí)與場(chǎng)站級(jí)實(shí)測(cè)數(shù)據(jù)清洗、(2)多源數(shù)值天氣預(yù)報(bào)融合修正、(3)多風(fēng)電場(chǎng)聯(lián)合時(shí)空預(yù)測(cè)。圍繞上述的3個(gè)核心功能,設(shè)計(jì)了7 個(gè)系統(tǒng)模塊,包括:數(shù)據(jù)采集、數(shù)據(jù)存儲(chǔ)、數(shù)據(jù)清洗、模型訓(xùn)練、功率預(yù)測(cè)、結(jié)果修正、上報(bào)展示。集中式多風(fēng)電場(chǎng)聯(lián)合預(yù)測(cè)系統(tǒng)模塊如圖1所示。

圖1 集中式多風(fēng)電場(chǎng)聯(lián)合功率預(yù)測(cè)系統(tǒng)模塊Fig.1 Modules of the centralized multi-wind farm power prediction system

(1) 數(shù)據(jù)采集模塊負(fù)責(zé)實(shí)時(shí)采集多個(gè)風(fēng)電場(chǎng)各機(jī)組數(shù)據(jù)采集與監(jiān)視控制系統(tǒng)(supervisory control and data acquisition,SCADA)數(shù)據(jù)和多源NWP數(shù)據(jù)。此外還需采集風(fēng)電場(chǎng)與風(fēng)電機(jī)組基礎(chǔ)位置、型號(hào)、運(yùn)行策略信息,用于數(shù)據(jù)清洗和預(yù)測(cè)模型搭建。

(2) 數(shù)據(jù)存儲(chǔ)模塊用于存儲(chǔ)與備份所采集的觀測(cè)數(shù)據(jù)、清洗后的數(shù)據(jù)以及預(yù)測(cè)結(jié)果。

(3) 數(shù)據(jù)清洗模塊依靠機(jī)組運(yùn)行策略和數(shù)據(jù)清洗算法對(duì)風(fēng)電機(jī)組數(shù)據(jù)進(jìn)行清洗,形成適合于訓(xùn)練和預(yù)測(cè)的規(guī)整數(shù)據(jù)集。

(4) 模型訓(xùn)練模塊采用清洗后的數(shù)據(jù)集對(duì)數(shù)值天氣預(yù)報(bào)修正模型和時(shí)空聯(lián)合預(yù)測(cè)模型進(jìn)行定期訓(xùn)練。

(5) 功率預(yù)測(cè)模塊將新獲取的數(shù)據(jù)輸入訓(xùn)練好的數(shù)值天氣預(yù)報(bào)修正模型以及時(shí)空預(yù)測(cè)模型,獲得短期和超短期預(yù)測(cè)結(jié)果。

(6) 結(jié)果修正模塊依據(jù)風(fēng)電機(jī)組檢修計(jì)劃以及預(yù)防性維護(hù)系統(tǒng)指令對(duì)預(yù)測(cè)結(jié)果進(jìn)行修正,如遇特殊情況也可以通過(guò)人工來(lái)修正預(yù)測(cè)結(jié)果。

(7) 上報(bào)展示模塊負(fù)責(zé)向電網(wǎng)調(diào)度部門上報(bào)短期、超短期預(yù)測(cè)結(jié)果,并將預(yù)測(cè)結(jié)果寫入數(shù)據(jù)庫(kù)用于誤差統(tǒng)計(jì)與預(yù)測(cè)結(jié)果展示。

1.2 系統(tǒng)部署方案

如圖2所示,系統(tǒng)部署于安全生產(chǎn)二區(qū),通過(guò)防火墻從安全生產(chǎn)一區(qū)采集集控中心的實(shí)時(shí)觀測(cè)數(shù)據(jù),通過(guò)反向隔離裝置從安全生產(chǎn)三區(qū)的數(shù)值天氣預(yù)報(bào)轉(zhuǎn)接服務(wù)器獲取多源NWP數(shù)據(jù)。系統(tǒng)在計(jì)算得到預(yù)測(cè)結(jié)果后,將通過(guò)專網(wǎng)向電網(wǎng)調(diào)度部門上報(bào)短期與超短期預(yù)測(cè)結(jié)果。

圖2 集中式多風(fēng)電場(chǎng)聯(lián)合功率預(yù)測(cè)系統(tǒng)部署方案Fig.2 Deployment plan of the centralized multi-wind farm power forecasting system

2 機(jī)組級(jí)與場(chǎng)站級(jí)數(shù)據(jù)清洗

集中式功率預(yù)測(cè)模式下,將面臨大規(guī)模、不同類型風(fēng)電機(jī)組運(yùn)行數(shù)據(jù)的數(shù)據(jù)質(zhì)量問(wèn)題。首先,場(chǎng)站和單臺(tái)機(jī)組的實(shí)測(cè)數(shù)據(jù)會(huì)受到電網(wǎng)限電因素的影響,原始實(shí)測(cè)數(shù)據(jù)中存在大量限功率運(yùn)行數(shù)據(jù)。此類數(shù)據(jù)會(huì)扭曲正常的風(fēng)速-功率非線性關(guān)系,導(dǎo)致預(yù)測(cè)模型存在較大的偏差;其次,機(jī)組故障停機(jī)、疲勞運(yùn)行、線路停運(yùn)、傳感器失效、通訊中斷等情況會(huì)導(dǎo)致觀測(cè)數(shù)據(jù)中存在大量的死數(shù)、重?cái)?shù)、異常數(shù)和缺失數(shù),直接在這類數(shù)據(jù)上建立預(yù)測(cè)模型會(huì)引起映射關(guān)系的畸變,降低預(yù)測(cè)模型精度。

風(fēng)電場(chǎng)功率預(yù)測(cè)數(shù)據(jù)清洗是建立準(zhǔn)確的映射關(guān)系、降低預(yù)測(cè)不確定性的重要輔助手段。數(shù)據(jù)清洗需要考慮數(shù)據(jù)結(jié)構(gòu)和數(shù)據(jù)的物理意義以及各種數(shù)據(jù)參數(shù)之間的相關(guān)關(guān)系,往往定制化的數(shù)據(jù)清洗方法才能實(shí)現(xiàn)數(shù)據(jù)的高效、準(zhǔn)確復(fù)原,這也使得數(shù)據(jù)清洗成為了風(fēng)電功率預(yù)測(cè)中一個(gè)較為關(guān)鍵且繁重的環(huán)節(jié)。

風(fēng)電功率預(yù)測(cè)中常見的數(shù)據(jù)質(zhì)量問(wèn)題包括了風(fēng)速和功率數(shù)據(jù)的缺失與異常。針對(duì)上述數(shù)據(jù)質(zhì)量問(wèn)題,設(shè)計(jì)了如圖3所示的機(jī)組級(jí)與場(chǎng)站級(jí)數(shù)據(jù)清洗策略,主要包括了風(fēng)數(shù)據(jù)異常檢測(cè)與插補(bǔ)、單機(jī)功率異常數(shù)據(jù)識(shí)別、單機(jī)功率曲線擬合以及整場(chǎng)功率數(shù)據(jù)還原等步驟。下面對(duì)2種數(shù)據(jù)存在的問(wèn)題和數(shù)據(jù)清洗方法進(jìn)行介紹。

圖3 機(jī)組級(jí)與場(chǎng)站級(jí)數(shù)據(jù)清洗技術(shù)路線Fig.3 Technical route of data cleaning at wind turbine level and wind farm level

2.1 風(fēng)速數(shù)據(jù)清洗

風(fēng)電機(jī)組風(fēng)速數(shù)據(jù)通常由機(jī)艙風(fēng)速儀測(cè)得,然而風(fēng)速儀觀測(cè)、記錄風(fēng)速數(shù)據(jù)時(shí)通常會(huì)發(fā)生如圖4所示的2種異常情況:(1)部分風(fēng)速儀觀測(cè)數(shù)據(jù)仍然隨機(jī)波動(dòng),但其讀數(shù)極大偏離風(fēng)電場(chǎng)內(nèi)其他風(fēng)電機(jī)組觀測(cè)數(shù)值;(2)某些風(fēng)電機(jī)組風(fēng)速數(shù)據(jù)長(zhǎng)時(shí)間處于同一數(shù)值。為檢測(cè)上述2種情況風(fēng)速異常情況,使用了3-Sigma準(zhǔn)則與連續(xù)相同值檢測(cè)規(guī)則,將風(fēng)速數(shù)據(jù)中的異常位置進(jìn)行了標(biāo)注。

圖4 風(fēng)電機(jī)組異常風(fēng)速數(shù)據(jù)Fig.4 Abnormal wind speed data of wind turbines

機(jī)艙風(fēng)速觀測(cè)數(shù)據(jù)在觀測(cè)和存儲(chǔ)過(guò)程中,會(huì)出現(xiàn)大量缺失值,并且不同風(fēng)電場(chǎng)由于數(shù)據(jù)管理能力不同,數(shù)據(jù)缺失的比例和位置并不相同。如圖5所示,某風(fēng)電場(chǎng)內(nèi)50臺(tái)風(fēng)電機(jī)組的實(shí)測(cè)風(fēng)速數(shù)據(jù)存在大量非規(guī)則分布的缺失數(shù)據(jù),此類數(shù)據(jù)嚴(yán)重影響了數(shù)據(jù)連續(xù)性,對(duì)于序列建模會(huì)造成一定的影響。

圖5 風(fēng)電機(jī)組缺失數(shù)據(jù)分布Fig.5 Missing data of wind turbines

在確定異常數(shù)據(jù)以及缺失數(shù)據(jù)的位置后,系統(tǒng)中使用了雙向長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)構(gòu)建了序列降噪自編碼器以及改進(jìn)搜索方式的K最近鄰插補(bǔ)算法對(duì)標(biāo)注位置處的數(shù)據(jù)進(jìn)行插補(bǔ)。

2.2 功率數(shù)據(jù)清洗

由于限電、機(jī)組故障運(yùn)行、機(jī)組停機(jī)等多種情況的影響,風(fēng)電機(jī)組功率數(shù)據(jù)中存在大量異常的功率數(shù)據(jù),這些功率數(shù)據(jù)如果直接用來(lái)建立預(yù)測(cè)模型將會(huì)極大地影響預(yù)測(cè)的效果。如圖6所示,藍(lán)色功率散點(diǎn)為偏離正常運(yùn)行區(qū)間的機(jī)組功率散點(diǎn)。

圖6 異常功率數(shù)據(jù)篩選Fig.6 Abnormal wind power data selection

為了獲得能表征機(jī)組與風(fēng)電場(chǎng)實(shí)際出力能力功率數(shù)據(jù),對(duì)風(fēng)電機(jī)組功率數(shù)據(jù)實(shí)施了如下的數(shù)據(jù)清洗流程:(1)對(duì)單臺(tái)機(jī)組的異常功率數(shù)據(jù)進(jìn)行判別,其中判別方法依據(jù)實(shí)際數(shù)據(jù)采集情況而定,如依據(jù)控制規(guī)則判別[26]、密度聚類判別[27]、圖像特征識(shí)別等[28]。(2)使用單臺(tái)機(jī)組正常運(yùn)行數(shù)據(jù)建立單機(jī)功率曲線模型。功率曲線建模方法較多,但是為快速、準(zhǔn)確地建立功率曲線模型,使用了分段多項(xiàng)式擬合。(3)單臺(tái)機(jī)組異常功率點(diǎn)可用清洗后的風(fēng)速數(shù)據(jù)經(jīng)過(guò)功率曲線轉(zhuǎn)換而得,再通過(guò)各機(jī)組功率數(shù)據(jù)加和來(lái)還原整場(chǎng)功率數(shù)據(jù)。圖7展示了經(jīng)過(guò)數(shù)據(jù)還原前后的整場(chǎng)功率數(shù)據(jù),其時(shí)間跨度為2019-01-01至2019-01-08?？梢婏L(fēng)電場(chǎng)實(shí)際可發(fā)功率與風(fēng)電場(chǎng)實(shí)際發(fā)電功率間存在明顯的差距,限電運(yùn)行是導(dǎo)致此問(wèn)題的最主要原因。

圖7 風(fēng)電場(chǎng)總輸出功率恢復(fù)Fig.7 Restoration of the wind farm power outputs

3 多源數(shù)值天氣預(yù)報(bào)及其融合與修正

3.1 多源數(shù)值天氣預(yù)報(bào)

NWP是短期風(fēng)電功率預(yù)測(cè)及其不確定性分析的關(guān)鍵輸入,但對(duì)于地形、氣候條件復(fù)雜的地區(qū)而言,單一來(lái)源的NWP適應(yīng)性有限。通常一種NWP采用一種參數(shù)化方案、一種初始條件來(lái)求解,難以滿足復(fù)雜地形和氣候條件下的準(zhǔn)確預(yù)報(bào)需求。即使通過(guò)集合預(yù)報(bào)的方式來(lái)獲取多組預(yù)報(bào)結(jié)果增加結(jié)果的適應(yīng)性,但是由于不同預(yù)報(bào)提供商經(jīng)驗(yàn)存在差別,任一NWP 模式的預(yù)報(bào)結(jié)果并不能保證在所有風(fēng)電場(chǎng)均為最優(yōu)的預(yù)報(bào)結(jié)果。文獻(xiàn)[1]中的統(tǒng)計(jì)結(jié)果也表明,我國(guó)資源參量預(yù)報(bào)結(jié)果的低頻大誤差比歐洲參量預(yù)報(bào)結(jié)果的發(fā)生頻次更高,單一的預(yù)報(bào)模式無(wú)法適應(yīng)我國(guó)的復(fù)雜地形氣候。

以集中式預(yù)測(cè)系統(tǒng)落地的內(nèi)蒙赤峰地區(qū)為例,該地區(qū)海拔差異大、陸面荒漠面積大,湍流強(qiáng)度大,陣風(fēng)頻發(fā)。即使受同一天氣過(guò)程影響,區(qū)域內(nèi)各風(fēng)電場(chǎng)受影響時(shí)間不同并且風(fēng)況差異大。如圖8 所示,對(duì)比赤峰地區(qū)10個(gè)風(fēng)電場(chǎng)(WF1-WF10)的4種NWP源(歐洲中期天氣預(yù)報(bào)中心,全球預(yù)報(bào)系統(tǒng),遠(yuǎn)景,國(guó)際商業(yè)機(jī)器公司天氣預(yù)報(bào)系統(tǒng))年平均風(fēng)速預(yù)報(bào)均方根誤差(root mean square error,RMSE),可以看出第3種NWP源的RMSE在6個(gè)風(fēng)電場(chǎng)中較小,第2種NWP源的RMSE 在3個(gè)風(fēng)電場(chǎng)誤差較小,第1種NWP 源在余下的1個(gè)風(fēng)電場(chǎng)表現(xiàn)較好。該誤差統(tǒng)計(jì)結(jié)果表明,即使整體最準(zhǔn)確的數(shù)值天氣預(yù)報(bào)源也并不能保證在所有的風(fēng)電場(chǎng)提供最精準(zhǔn)的預(yù)報(bào)結(jié)果。多源NWP能夠提供更為多元的輸入信息,不同的NWP 源之間能夠相互校驗(yàn),降低了風(fēng)電場(chǎng)因采用單個(gè)NWP 源帶來(lái)的風(fēng)險(xiǎn),因此有必要采用多源NWP 數(shù)據(jù)來(lái)進(jìn)行短期風(fēng)電功率預(yù)測(cè)。但也需要考慮到采用多源NWP時(shí)會(huì)面臨較為明顯的共線性問(wèn)題,需要適當(dāng)?shù)慕７椒ū苊庠搯?wèn)題。

圖8 多源數(shù)值天氣預(yù)報(bào)年均方根誤差空間分布Fig.8 Annual RMSE of multi-source NWP at 10 wind farms

3.2 多源數(shù)值天氣預(yù)報(bào)融合與修正

NWP中既包含初始條件和物理過(guò)程等引起的系統(tǒng)性誤差,也包含由局部地形、粗糙度、障礙物、機(jī)組尾流等微尺度因素的局部結(jié)構(gòu)性誤差。如圖9所示,上述2種誤差體現(xiàn)在NWP 既有趨勢(shì)上的整體偏差,也有細(xì)節(jié)波動(dòng)上的缺失。

圖9 數(shù)值天氣預(yù)報(bào)誤差模式Fig.9 Error pattern of NWP

由于NWP中存在上述的誤差模式,因此結(jié)合風(fēng)電場(chǎng)實(shí)測(cè)數(shù)據(jù),可以對(duì)上述的誤差進(jìn)行修正。采用文獻(xiàn)[24]中所建立的多對(duì)多NWP修正模型對(duì)風(fēng)電場(chǎng)內(nèi)各風(fēng)電機(jī)組點(diǎn)位處的NWP 風(fēng)速進(jìn)行修正。建立的多對(duì)多NWP 修正模型以多源、多點(diǎn)位的NWP作為模型輸入,以風(fēng)電場(chǎng)多臺(tái)機(jī)組的風(fēng)速為輸出,間接學(xué)習(xí)風(fēng)電場(chǎng)內(nèi)的時(shí)空流動(dòng)性,獲得除原有多源NWP數(shù)據(jù)以外的修正NWP數(shù)據(jù)。

4 多風(fēng)電場(chǎng)聯(lián)合功率預(yù)測(cè)模型

集中開發(fā)的風(fēng)電場(chǎng)群地理空間分布復(fù)雜,內(nèi)部存在獨(dú)特的時(shí)空依賴模式,通常體現(xiàn)為動(dòng)態(tài)變化的風(fēng)電場(chǎng)出力相關(guān)性和時(shí)移性。復(fù)雜的時(shí)空依賴模式難以量化表達(dá),但可采用多風(fēng)電場(chǎng)聯(lián)合的時(shí)空預(yù)測(cè)模型獲取隱含的時(shí)空依賴模式,從而提升風(fēng)電場(chǎng)功率預(yù)測(cè)精度。

區(qū)域風(fēng)電集群集中式預(yù)測(cè)系統(tǒng)依據(jù)短期和超短期功率預(yù)測(cè)任務(wù)的各自特點(diǎn)分別建立不同的預(yù)測(cè)模型來(lái)實(shí)現(xiàn)風(fēng)電場(chǎng)群聯(lián)合時(shí)空預(yù)測(cè)。按照現(xiàn)行的風(fēng)電場(chǎng)功率預(yù)測(cè)考核標(biāo)準(zhǔn),風(fēng)電場(chǎng)功率預(yù)測(cè)考核標(biāo)準(zhǔn)主要考核未來(lái)0～4 h(超短期)以及次日0～24 h(短期)的預(yù)測(cè)準(zhǔn)確率與合格率指標(biāo)。超短期與短期風(fēng)電功率預(yù)測(cè)本質(zhì)是2種不同的時(shí)間序列預(yù)測(cè)任務(wù),短期預(yù)測(cè)任務(wù)更加偏重于NWP數(shù)據(jù)的挖掘,而超短期任務(wù)則更加偏重于歷史觀測(cè)序列的學(xué)習(xí)。下文將對(duì)2種預(yù)測(cè)任務(wù)的預(yù)測(cè)建模思路進(jìn)行介紹。

4.1 短期預(yù)測(cè)

在短期區(qū)域風(fēng)電場(chǎng)群時(shí)空聯(lián)合預(yù)測(cè)方面,主要采用構(gòu)建了深度時(shí)空?qǐng)D注意力網(wǎng)絡(luò)預(yù)測(cè)模型與多場(chǎng)特征工程預(yù)測(cè)模型,并采用集成算法對(duì)2種模型的結(jié)果進(jìn)行組合來(lái)獲得最終的預(yù)測(cè)結(jié)果[25]。深度時(shí)空?qǐng)D注意力網(wǎng)絡(luò)以多源NWP和修正NWP作為模型輸入,多場(chǎng)站的概率密度預(yù)測(cè)結(jié)果為輸出,圖卷積層融合了多個(gè)風(fēng)電場(chǎng)之間的空間結(jié)構(gòu)信息,時(shí)序注意力層提取時(shí)序過(guò)程信息。特征工程預(yù)測(cè)模型以多個(gè)場(chǎng)站NWP 數(shù)據(jù)和修正NWP 數(shù)據(jù)為基礎(chǔ),通過(guò)特征構(gòu)造方法得到大量相關(guān)特征,使用特征篩選方法篩選出有效特征剔除重復(fù)、無(wú)效噪聲特征,經(jīng)過(guò)特征變化后輸入多種淺層回歸模型獲得多組預(yù)測(cè)結(jié)果。匯總2 種模型的預(yù)測(cè)結(jié)果,使用Stacking集成學(xué)習(xí)算法將多種預(yù)測(cè)結(jié)果進(jìn)行線性組合,獲得各個(gè)場(chǎng)站最終的預(yù)測(cè)結(jié)果。

4.2 超短期預(yù)測(cè)

風(fēng)電場(chǎng)超短期輸出功率同時(shí)受到風(fēng)電場(chǎng)內(nèi)局部大氣流動(dòng)和區(qū)域大氣流動(dòng)的影響。風(fēng)電場(chǎng)內(nèi)地形、障礙物、尾流等局部因素將影響較臨近時(shí)段內(nèi)的風(fēng)電場(chǎng)整體出力;而風(fēng)電場(chǎng)群間的地形和大氣系統(tǒng)運(yùn)動(dòng)將會(huì)影響稍遠(yuǎn)時(shí)段的風(fēng)電場(chǎng)整場(chǎng)出力。以大唐赤峰風(fēng)電公司運(yùn)營(yíng)的10個(gè)風(fēng)電場(chǎng)為例,通過(guò)計(jì)算單個(gè)風(fēng)電場(chǎng)與其余9個(gè)風(fēng)電場(chǎng)間的出力相關(guān)性,發(fā)現(xiàn)風(fēng)電場(chǎng)間存在0～3 h不等的時(shí)移相位差;由于超短期預(yù)測(cè)的時(shí)間范圍為0～4 h,風(fēng)電場(chǎng)間的時(shí)空依賴特性不容忽視。

在超短期建模方面,主要構(gòu)建了場(chǎng)站級(jí)和區(qū)域級(jí)的深度時(shí)空?qǐng)D注意力網(wǎng)絡(luò)預(yù)測(cè)模型,并同樣采用集成學(xué)習(xí)技術(shù)獲得最終的預(yù)測(cè)結(jié)果。超短期預(yù)測(cè)中建立的時(shí)空?qǐng)D注意力網(wǎng)絡(luò)采用了編碼-解碼的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu),其中編碼部分采用了時(shí)間注意力與空間圖注意力網(wǎng)絡(luò)模塊,解碼部分采用了Transform實(shí)現(xiàn)多步輸出。場(chǎng)站級(jí)的時(shí)空?qǐng)D注意力網(wǎng)絡(luò)獲得單機(jī)預(yù)測(cè)結(jié)果后疊加成為整場(chǎng)預(yù)測(cè)結(jié)果,區(qū)域級(jí)時(shí)空?qǐng)D注意力網(wǎng)絡(luò)直接獲得整場(chǎng)預(yù)測(cè)結(jié)果。使用Stacking集成學(xué)習(xí)模型對(duì)2種結(jié)果進(jìn)行線性組合,獲得各個(gè)場(chǎng)站最終的預(yù)測(cè)結(jié)果。

4.3 基于機(jī)組狀態(tài)及檢修計(jì)劃的預(yù)測(cè)結(jié)果修正

對(duì)于單個(gè)風(fēng)電場(chǎng)來(lái)說(shuō),單臺(tái)機(jī)組停機(jī)或者切出運(yùn)行都將引起明顯的預(yù)測(cè)誤差。以33臺(tái)機(jī)組的風(fēng)電場(chǎng)為例,1臺(tái)機(jī)停機(jī)將會(huì)使得預(yù)測(cè)結(jié)果存在大約3%左右的偏差。為了降低機(jī)組停機(jī)帶來(lái)的不確定性,集中式聯(lián)合預(yù)測(cè)系統(tǒng)首先考慮了提前制定好的機(jī)組停機(jī)檢修計(jì)劃,按停機(jī)數(shù)量修正預(yù)測(cè)結(jié)果;然后又與故障診斷系統(tǒng)進(jìn)行交互,在預(yù)防性維護(hù)發(fā)生時(shí)進(jìn)一步更正預(yù)測(cè)結(jié)果。

5 應(yīng)用示例

本文提出的區(qū)域風(fēng)電集群集中式預(yù)測(cè)系統(tǒng)在大唐赤峰公司實(shí)現(xiàn)了在線應(yīng)用,能夠滿足大唐赤峰公司下屬10個(gè)風(fēng)電場(chǎng)的短期、超短期功率預(yù)測(cè)上報(bào)需求。下面分別展示10個(gè)風(fēng)電場(chǎng)在線運(yùn)行期間的短期與超短期預(yù)測(cè)效果。同時(shí)也進(jìn)一步說(shuō)明集中式多風(fēng)電場(chǎng)聯(lián)合預(yù)測(cè)系統(tǒng)在提升風(fēng)力發(fā)電公司經(jīng)濟(jì)性方面的作用。

大唐赤峰公司風(fēng)電場(chǎng)分布于南北約300 km,東西約280 km 的區(qū)域范圍內(nèi),共計(jì)1 136臺(tái)風(fēng)電機(jī)組并網(wǎng)運(yùn)行,機(jī)組類型多樣且分布復(fù)雜。目前大唐赤峰公司所有風(fēng)電場(chǎng)均由集控中心的大數(shù)據(jù)平臺(tái)進(jìn)行統(tǒng)一管理。集控中心數(shù)據(jù)管理規(guī)范,各類數(shù)據(jù)齊全,為集中式的多風(fēng)電場(chǎng)聯(lián)合預(yù)測(cè)系統(tǒng)搭建提供了非常好的數(shù)據(jù)基礎(chǔ)。本文提出的集中式多風(fēng)電場(chǎng)聯(lián)合功率預(yù)測(cè)系統(tǒng)部署于集控中心生產(chǎn)二區(qū),直接從集控中心大數(shù)據(jù)平臺(tái)獲取實(shí)時(shí)觀測(cè)數(shù)據(jù)。所采用的NWP數(shù)據(jù)由遠(yuǎn)景能源公司提供。

5.1 短期預(yù)測(cè)結(jié)果

區(qū)域風(fēng)電集群集中式預(yù)測(cè)系統(tǒng)對(duì)多個(gè)風(fēng)電場(chǎng)的短期功率進(jìn)行了聯(lián)合概率預(yù)測(cè)建模,因此可以同時(shí)輸出多個(gè)風(fēng)電場(chǎng)的短期單點(diǎn)和概率預(yù)測(cè)結(jié)果。采用風(fēng)電功率預(yù)測(cè)國(guó)家標(biāo)準(zhǔn)中的準(zhǔn)確率與合格率指標(biāo)對(duì)風(fēng)電場(chǎng)的短期預(yù)測(cè)結(jié)果進(jìn)行驗(yàn)證,預(yù)測(cè)結(jié)果如圖10所示。由圖10可知:其中有5個(gè)風(fēng)電場(chǎng)短期預(yù)測(cè)準(zhǔn)確率高于80%,有5個(gè)風(fēng)電場(chǎng)短期預(yù)測(cè)準(zhǔn)確率高于85%;其中有5個(gè)風(fēng)電場(chǎng)短期合格率高于80%,有5個(gè)風(fēng)電場(chǎng)短期合格率高于90%。圖11展示了10個(gè)風(fēng)電場(chǎng)的預(yù)測(cè)效果,其中紅色線為確定性預(yù)測(cè)結(jié)果,黑色線為實(shí)際發(fā)電功率,可見10個(gè)風(fēng)電場(chǎng)的預(yù)測(cè)結(jié)果均能準(zhǔn)確跟隨實(shí)際發(fā)電功率的趨勢(shì),并且概率預(yù)測(cè)區(qū)間(5%～95%)(圖中藍(lán)色部分)均能涵蓋大多數(shù)的實(shí)際功率點(diǎn)。

圖10 在線應(yīng)用系統(tǒng)的短期預(yù)測(cè)準(zhǔn)確率與合格率Fig.10 Short-term wind power prediction error of the online system

圖11 在線應(yīng)用系統(tǒng)短期概率預(yù)測(cè)效果Fig.11 Short-term wind power prediction performance of the online system

5.2 超短期預(yù)測(cè)結(jié)果

超短期預(yù)測(cè)對(duì)于實(shí)時(shí)性要求較高,因此區(qū)域風(fēng)電集群集中式預(yù)測(cè)系統(tǒng)僅對(duì)單點(diǎn)預(yù)測(cè)結(jié)果進(jìn)行輸出。計(jì)算風(fēng)電場(chǎng)的超短期預(yù)測(cè)準(zhǔn)確率和合格率,最終結(jié)果如圖12所示。由圖12可知:其中7個(gè)風(fēng)電場(chǎng)超短期預(yù)測(cè)準(zhǔn)確率高于85%,3個(gè)風(fēng)電場(chǎng)的超短期預(yù)測(cè)準(zhǔn)確率高于90%;其中5個(gè)風(fēng)電場(chǎng)超短期預(yù)測(cè)合格率高于85%,3個(gè)風(fēng)電場(chǎng)超短期預(yù)測(cè)合格率高于90%,2個(gè)風(fēng)電場(chǎng)超短期預(yù)測(cè)合格率高于95%。圖13展示了風(fēng)電場(chǎng)超短期預(yù)測(cè)中第1個(gè)預(yù)測(cè)點(diǎn)的預(yù)測(cè)效果,圖中黑色曲線是實(shí)測(cè)值,紅色曲線是預(yù)測(cè)值。

圖12 在線應(yīng)用系統(tǒng)的超短期預(yù)測(cè)準(zhǔn)確率與合格率Fig.12 Very short-term wind power prediction error of the online system

圖13 在線應(yīng)用系統(tǒng)超短期單點(diǎn)預(yù)測(cè)效果Fig.13 Very short-term wind power prediction performance of the online system

5.3 經(jīng)濟(jì)效益

蒙東電網(wǎng)采取了對(duì)預(yù)測(cè)結(jié)果排名靠前風(fēng)電場(chǎng)進(jìn)行獎(jiǎng)勵(lì),對(duì)排名靠后的風(fēng)電場(chǎng)進(jìn)行懲罰的考核機(jī)制。相比于原有運(yùn)行于各個(gè)風(fēng)電場(chǎng)的單場(chǎng)站功率預(yù)測(cè)系統(tǒng),區(qū)域風(fēng)電集群集中式預(yù)測(cè)系統(tǒng)提供了更為準(zhǔn)確的預(yù)測(cè)結(jié)果,在考核評(píng)比中由原有的受懲罰狀態(tài)轉(zhuǎn)變?yōu)槭塥?jiǎng)勵(lì)狀態(tài),實(shí)現(xiàn)了扭虧為盈的運(yùn)行效果。此外集中部署的預(yù)測(cè)系統(tǒng)減少了系統(tǒng)部署和維護(hù)工作,也進(jìn)一步減少了運(yùn)行支出。

6 結(jié)論

本文提出的區(qū)域風(fēng)電集群集中式預(yù)測(cè)系統(tǒng)采用了多源NWP來(lái)提升輸入?yún)⒘康倪m應(yīng)性、降低由于單個(gè)NWP源引起的預(yù)測(cè)風(fēng)險(xiǎn),并通過(guò)實(shí)際數(shù)據(jù)對(duì)多源NWP數(shù)據(jù)進(jìn)行了融合修正;通過(guò)機(jī)組級(jí)和場(chǎng)站級(jí)的數(shù)據(jù)清洗還原了風(fēng)資源-功率之間的真實(shí)映射關(guān)系;建立了以特征工程和圖網(wǎng)絡(luò)為核心的風(fēng)電場(chǎng)群時(shí)空聯(lián)合預(yù)測(cè)模型以同時(shí)獲取多個(gè)風(fēng)電場(chǎng)的預(yù)測(cè)結(jié)果;最終預(yù)測(cè)結(jié)果校正模塊修正了停機(jī)檢修以及預(yù)防性維護(hù)帶來(lái)的功率偏差。工程應(yīng)用的最終結(jié)果表明:集中式聯(lián)合預(yù)測(cè)系統(tǒng)能夠提升區(qū)域整體預(yù)測(cè)水平,不僅有利于提升電網(wǎng)考核排序,同時(shí)有利于風(fēng)電場(chǎng)集中運(yùn)營(yíng)管理和未來(lái)電力市場(chǎng)競(jìng)價(jià)。