楊 茂，于欣楠

(東北電力大學(xué)現(xiàn)代電力系統(tǒng)仿真控制與綠色電能新技術(shù)教育部重點實驗室，吉林 吉林 132012)

當(dāng)前，世界能源結(jié)構(gòu)及其帶來的問題正迫使人們尋找新的能源解決方案，清潔、無排放的新能源隨之得到了廣泛的開發(fā)和利用.其中風(fēng)能是大規(guī)模開發(fā)利用的最有潛力的清潔能源之一[1-3].由于風(fēng)能自身的間歇性及波動性等特征，風(fēng)電場的功率呈現(xiàn)出了一種高度的不確定性，具體表現(xiàn)為風(fēng)電功率的爬坡事件，這給大規(guī)模風(fēng)電并入電力系統(tǒng)以及電能質(zhì)量都帶來了嚴(yán)峻挑戰(zhàn)，因此考慮風(fēng)電場功率爬坡的預(yù)測方法成為了當(dāng)前研究的重點[4-6].

風(fēng)電功率爬坡事件是指在較短時間尺度內(nèi)風(fēng)功率出現(xiàn)較大幅度波動的情況，這會對區(qū)域電能質(zhì)量及電力調(diào)度計劃產(chǎn)生一定的消極影響.在我國風(fēng)電大規(guī)模并網(wǎng)的發(fā)展模式大前提下，受到地理位置及不規(guī)律的自然氣候影響的風(fēng)電功率爬坡現(xiàn)象對電力系統(tǒng)所產(chǎn)生的影響日益突出，考慮風(fēng)電場功率爬坡的預(yù)測是其中的關(guān)鍵環(huán)節(jié).

參考文獻(xiàn)[7-8]中詳細(xì)介紹了爬坡事件的幾類定義，分別采用了均值聚類算法、支持向量機等方法對歷史數(shù)據(jù)中的爬坡事件進(jìn)行了不同的分類，并分析了不同類型爬坡事件的各自特征以及危害.參考文獻(xiàn)[9]中提出了一種具有自適應(yīng)選擇特征的小波深度置信算法.這種方法在一定程度上可以提高超短期預(yù)測的精度，但計算過于復(fù)雜并且在風(fēng)電爬坡事件的漏捕率及誤捕率指標(biāo)上表現(xiàn)不佳.參考文獻(xiàn)[10]中提出了一種考慮風(fēng)電場爬坡事件的基本模式及其自相關(guān)統(tǒng)計特性的模型，建立了一種關(guān)于爬坡事件的日前預(yù)測算法.該方法盡管有效減少了預(yù)測過程中誤報及漏報的情況，但其僅包含了風(fēng)電場的歷史功率數(shù)據(jù)，同樣沒有考慮未來的天氣因素，導(dǎo)致了預(yù)測的局限性.

目前，超短期風(fēng)電功率預(yù)測更多的是直接使用功率時間序列來構(gòu)建預(yù)測模型[11-13]，但這類預(yù)測模型無法很好地追蹤風(fēng)電功率的波動情況.而風(fēng)速因素是引起功率出力變化的主要因素，當(dāng)風(fēng)速在短時間內(nèi)變化較大時，僅根據(jù)歷史功率信息無法對未來的變化趨勢進(jìn)行判斷，從而導(dǎo)致較大的預(yù)測誤差.文獻(xiàn)[14-15]是在考慮風(fēng)電功率爬坡事件和預(yù)測難度大等條件時，建立了考慮風(fēng)電爬坡事件約束的精確線性化的機組組合模型，但其性能受爬坡波動速率的約束.文獻(xiàn)[16-17]所運用的是基于時間序列法的風(fēng)電功率波動分析及預(yù)測，該方法可以對超短期的風(fēng)電功率進(jìn)行預(yù)測，具有一定的實用價值，但其無法從宏觀角度去審視風(fēng)電功率的波動特性.文獻(xiàn)[18-19]提出在一個合適的時間窗口內(nèi)進(jìn)行風(fēng)電功率預(yù)測和爬坡事件識別的方法，并重點討論如何選取合適的預(yù)測時間窗，通過多個評估指標(biāo)驗證了該預(yù)測時間窗對實例爬坡預(yù)測的有效性.該工作為爬坡事件的預(yù)測奠定了重要基礎(chǔ).但是針對風(fēng)電功率爬坡預(yù)測的預(yù)測精度還有待進(jìn)一步提高，且結(jié)合數(shù)值天氣預(yù)報氣象因素的爬坡預(yù)測研究較少.

為此，針對上述問題本文采用極限學(xué)習(xí)機理論，引入NWP中的有效信息，提出了一種考慮風(fēng)電場功率爬坡的超短期功率組合預(yù)測方法.根據(jù)已知的數(shù)值天氣預(yù)報(NWP)序列，利用灰色關(guān)聯(lián)識別出與風(fēng)電功率相關(guān)性較強的幾個天氣因素，對其中相關(guān)性最強的天氣因素根據(jù)爬坡事件的定義進(jìn)行劃分，在其發(fā)生爬坡事件時引入數(shù)值天氣預(yù)報(NWP)信息作為輸入變量，并采用極限學(xué)習(xí)機算法預(yù)測未來的風(fēng)力發(fā)電量.最后，采用吉林省內(nèi)某風(fēng)電場的實際測量數(shù)據(jù)進(jìn)行驗證，計算結(jié)果表明，本文所提出的方法可準(zhǔn)確識別風(fēng)電的爬坡事件并削弱其給預(yù)測結(jié)果帶來的影響，同時能夠有效地提高風(fēng)電場功率超短期預(yù)測精度，驗證了該方法的有效性.

1 風(fēng)電爬坡事件分析

1.1 爬坡事件定義

在目前日漸繁雜的風(fēng)電應(yīng)用需求下，不同區(qū)域的風(fēng)電場應(yīng)當(dāng)結(jié)合其實際需求及場站特征來建立合適的風(fēng)電爬坡事件的具體定義，這是實現(xiàn)其有效預(yù)測亟待解決的問題.目前大多數(shù)預(yù)測爬坡事件的方法是含統(tǒng)計及物理模型的方法，而如何從包含各種不確定因素的復(fù)雜歷史及氣象數(shù)據(jù)中提取出關(guān)于爬坡事件的特征，并同時滿足預(yù)測爬坡事件精度的要求是目前主要的發(fā)展方向[20-21].

目前相對較為常見的風(fēng)電爬坡事件定義有3種[4]，本文所使用的定義是目前應(yīng)用相對廣泛的一種.假設(shè)在風(fēng)電功率數(shù)據(jù)某時間區(qū)間ΔT的開始時刻，當(dāng)此區(qū)間的功率增加或減少的幅值大于預(yù)先設(shè)定的閾值參數(shù)Trval時，則認(rèn)為在此ΔT時間區(qū)間內(nèi)發(fā)生了功率爬坡事件，計算方法表示為

|P(t+ΔT)-P(t)|>Trval.

(1)

本定義考慮了該時間段首末段的風(fēng)電功率值，涵蓋了大部分的風(fēng)電爬坡事件，應(yīng)用最為廣泛.

1.2 灰色關(guān)聯(lián)

在數(shù)值天氣預(yù)報數(shù)據(jù)中，不同的天氣因素對風(fēng)電功率預(yù)測的影響程度不盡相同.為了提取出數(shù)值天氣預(yù)報中與風(fēng)電功率相關(guān)性較高的天氣因素來作為輸入變量，采用灰色關(guān)聯(lián)分析(gray relation analysis，GRA)方法來提取數(shù)據(jù)，計算其中的各個特征與風(fēng)電功率的關(guān)聯(lián)度，并選取關(guān)聯(lián)度較高的幾個天氣因素作為輸入建立爬坡預(yù)測模型.NWP中的各個特征及其與風(fēng)電功率的灰色關(guān)聯(lián)度如表1所示.

表1 NWP 特征及其對應(yīng)灰色關(guān)聯(lián)度

從表1中可以看出100 m風(fēng)速與風(fēng)電功率的相關(guān)性最高，因此采用100 m風(fēng)速數(shù)據(jù)作為判斷爬坡事件的輸入；同時采用關(guān)聯(lián)度較高的幾個天氣因素作為風(fēng)電功率爬坡段的輸入，以更好地跟蹤風(fēng)電功率的波動趨勢.

2 風(fēng)電爬坡預(yù)測模型的建立

本文基于極限學(xué)習(xí)機理論，提出了一種考慮風(fēng)電場功率爬坡的超短期組合預(yù)測模型，具體步驟如下：

讀取風(fēng)電功率數(shù)據(jù)及數(shù)值天氣預(yù)報(NWP)數(shù)據(jù)，利用灰色關(guān)聯(lián)分析方法提取與風(fēng)功率相關(guān)性較強的多維氣象因素數(shù)據(jù).

選取NWP數(shù)據(jù)中相關(guān)性最強的100 m風(fēng)速數(shù)據(jù)，利用公式(1)所示的爬坡事件的定義判斷其是否發(fā)生爬坡事件；

如果未發(fā)生爬坡事件，則輸出其對應(yīng)風(fēng)功率段作為預(yù)測輸入，采用ELM方法進(jìn)行預(yù)測得到預(yù)測值P1；

如果發(fā)生爬坡事件，則輸出其對應(yīng)風(fēng)功率段，同時將與其相關(guān)性較強的風(fēng)速、風(fēng)向等多種氣象因素數(shù)據(jù)一起作為預(yù)測輸入，建立ELM-NWP-C預(yù)測模型進(jìn)行預(yù)測得到預(yù)測值P2.

將預(yù)測值P1及P2進(jìn)行組合加權(quán)，并采用國家能源局文件風(fēng)電功率預(yù)測功能規(guī)范中的評價指標(biāo)進(jìn)行結(jié)果分析；得到最終的風(fēng)電功率預(yù)測值P.

詳細(xì)的建模流程圖如圖1所示.

圖1 組合預(yù)測模型流程圖

3 算例分析

3.1 數(shù)據(jù)描述

本文采用2018年吉林省二十個風(fēng)電場集群的實際測量數(shù)據(jù)作為樣本來進(jìn)行分析，其采樣間隔為15分鐘，風(fēng)場的總裝機容量為2 854.31兆瓦.算例選取2018年1月1日至6月30日共181天的實測數(shù)據(jù)作為訓(xùn)練集，2018年7月1日至7月31日共31天的數(shù)據(jù)作為測試集，對所提方法進(jìn)行驗證.

3.2 評價指標(biāo)

本文采用國家能源局文件《風(fēng)電功率預(yù)測功能規(guī)范》中的評價指標(biāo)[25]：日平均準(zhǔn)確率r1、日平均合格率r2、日預(yù)測均方根誤差r3來對預(yù)測結(jié)果進(jìn)行評價分析.各個指標(biāo)的計算公式如下所示.

日平均準(zhǔn)確率r1：

(2)

公式中：r1i為第i次實時預(yù)測的準(zhǔn)確率，且

(3)

日平均合格率r2：

(4)

公式中：r2i為第i次實時預(yù)測的合格率，且

(5)

(6)

日預(yù)測均方根誤差r3：

(7)

3.3 實驗結(jié)果分析

本文為了對比驗證所提ELM-NWP-C模型對超短期風(fēng)功率預(yù)測的精準(zhǔn)性和有效性，分別選取極限學(xué)習(xí)機神經(jīng)網(wǎng)絡(luò)(extreme learning machine，ELM)模型、反向傳播神經(jīng)網(wǎng)絡(luò)(backpropagation，BP)模型、長短期記憶神經(jīng)網(wǎng)絡(luò)(long short-term memory，LSTM)模型作為對比模型來進(jìn)行分析，不同方法的預(yù)測誤差如表2所示.

表2 7月平均預(yù)測誤差對比

靠近預(yù)測開始的時段時，僅以功率特征作為輸入進(jìn)行預(yù)測的方法具有更大的優(yōu)勢，對于每次滾動預(yù)測的16個點全部進(jìn)行誤差統(tǒng)計就無法合理地比較各方法的優(yōu)劣，因此本文僅對第16個時點的預(yù)測精度進(jìn)行統(tǒng)計.從上述指標(biāo)統(tǒng)計結(jié)果可以看出，相比于只考慮歷史功率的分析方法，本文所提出的方法在預(yù)測數(shù)值的準(zhǔn)確程度上要高于其他方法，準(zhǔn)確率平均提高了2.67%，合格率平均提高了8.45%.采用NWP作為輸入特征的方法準(zhǔn)確率普遍高于僅輸入功率進(jìn)行預(yù)測的方法，即其在風(fēng)電功率趨勢的跟蹤上要更具優(yōu)勢，說明考慮風(fēng)電場功率爬坡過程能夠有效地提高預(yù)測精度.

本文所提ELM-NWP-C模型與三種常見預(yù)測模型的預(yù)測值與實際值進(jìn)行對比分析，預(yù)測對比結(jié)果見附錄圖A.由圖A對比可以看出基于ELM-NWP-C模型的超短期風(fēng)功率預(yù)測結(jié)果曲線擬合效果最好，預(yù)測精準(zhǔn)度最高，預(yù)測效果最好.考慮了天氣因素的功率爬坡預(yù)測模型曲線精準(zhǔn)度優(yōu)于未加入天氣因素的ELM模型，說明天氣因素對發(fā)生功率爬坡時的優(yōu)化有明顯的促進(jìn)作用.本文僅截取其中三天的預(yù)測曲線與實際曲線，如圖2所示.可以看出本文所提方法可以有效識別并跟蹤風(fēng)電功率的波動變化.

圖2 2018年7月某三天預(yù)測效果對比圖

由于每天的風(fēng)速分布都不盡相同，因此以大風(fēng)日，中風(fēng)日和小風(fēng)日來對預(yù)測結(jié)果進(jìn)行分類分析，以保證所提方法的嚴(yán)謹(jǐn)性.利用NWP中的100米風(fēng)速數(shù)據(jù)將預(yù)測數(shù)據(jù)集劃分為大風(fēng)，中風(fēng)，小風(fēng)出力場景，再對各場景的精度進(jìn)行分析.根據(jù)日平均風(fēng)速對天氣類型進(jìn)行劃分，分為大風(fēng)日，中風(fēng)日，小風(fēng)日.對風(fēng)速數(shù)據(jù)區(qū)間進(jìn)行劃分，將日平均風(fēng)速區(qū)間在7 m/s～10 m/s的日期定義為大風(fēng)日，日平均風(fēng)速區(qū)間在4 m/s～7 m/s的日期定義為中風(fēng)日，日平均風(fēng)速區(qū)間在1 m/s～4 m/s的日期定義為小風(fēng)日.本文選取的數(shù)據(jù)集中大風(fēng)日為11天，中風(fēng)日為8天，小風(fēng)日為12天.幾種建模方式在不同風(fēng)期的評價指標(biāo)如表3所示.

表3 預(yù)測模型平均對比分析

由表3可以看出，本文所提方法的預(yù)測效果最佳，在不同風(fēng)期下，均能得到較高的準(zhǔn)確率和擬合效果.在大風(fēng)日，相對于ELM、BP及LSTM模型，ELM-NWP-C準(zhǔn)確率分別提高1.38%，4.07%，1.44%；合格率分別提高8.17%，14.58%，10.04%；中風(fēng)日時相對于ELM、BP及LSTM模型，ELM-NWP-C均方根誤差分別降低2.08%，4.98%，1.65%，合格率分別提高了8.99%，17.16%，8.63%；小風(fēng)日時普遍表現(xiàn)較好，所有方法在小風(fēng)日預(yù)測準(zhǔn)確率均大于90%，但ELM-NWP-C模型仍然具有明顯優(yōu)勢，相對于ELM、BP及LSTM模型準(zhǔn)確率分別提高了4.18%，0.90%，3.29%，合格率分別提高了3.71%，1.23%，3.55%.從表中可以看出本文所提方法可以顯著提高預(yù)測精度，且合格率均滿足要求，可以更好地追蹤爬坡趨勢.

為了進(jìn)一步驗證模型的有效性，分別選取大風(fēng)日、中風(fēng)日、小風(fēng)日中預(yù)測表現(xiàn)相對較好的一天及相對較差的一天進(jìn)行對比分析，結(jié)果如表4及表5所示.

表4 預(yù)測模型分風(fēng)期較高一天對比分析

表5 預(yù)測模型分風(fēng)期最低一天對比分析

為了更清晰地體現(xiàn)出本文所提方法相較于其他常用預(yù)測方法的優(yōu)勢，圖3及圖4給出了風(fēng)電場分風(fēng)期較高一天及較低一天的功率實際值與各個預(yù)測值的對比效果，用于直觀評判各模型的預(yù)測效果.

圖3 預(yù)測模型分風(fēng)期較高一天對比圖

圖4 預(yù)測模型分風(fēng)期較低一天對比圖

由圖3和表4可知，本文方法的預(yù)測值與實際值擬合較好，無論在大風(fēng)日、中風(fēng)日還是小風(fēng)日都能夠在風(fēng)電功率波動時跟隨其波動趨勢.而ELM及BP模型雖然也可以跟蹤功率變化趨勢，但效果十分不穩(wěn)定，且部分天數(shù)擬合較差，總體效果不及本文方法；LSTM模型的預(yù)測值則較為平緩，不能很好地跟隨功率數(shù)據(jù)波動，說明僅選用歷史功率作為預(yù)測模型輸入時無法有效追蹤功率波動趨勢，而考慮NWP信息作為輸入則可充分利用其中的有效信息，改善模型的預(yù)測效果.由圖4和表5可知，在同一風(fēng)期下，ELM-NWP-C預(yù)測模型能夠緊緊跟隨風(fēng)電功率的波動趨勢從而得到更精確的預(yù)報值，以提供更加精確的預(yù)報信息.從整體上可以看出，所提預(yù)測方法是極具優(yōu)勢的.

4 結(jié) 論

為了彌補單一輸入特征的預(yù)測模型在風(fēng)電場發(fā)生爬坡事件時的不足，本文提出了一種基于極限學(xué)習(xí)機理論的考慮風(fēng)電場功率爬坡的超短期組合預(yù)測模型.通過實際算例分析，得到如下結(jié)論：

考慮天氣因素的預(yù)測模型可以更好地跟蹤識別風(fēng)電功率的爬坡趨勢，因而引入NWP信息可以在一定程度上彌補僅采用功率作為輸入特征的預(yù)測模型所帶來的負(fù)面影響.采用實際生產(chǎn)數(shù)據(jù)進(jìn)行計算的算例結(jié)果表明，與ELM、BP、LSTM等常見預(yù)測模型相比，考慮風(fēng)電場功率爬坡事件的超短期組合預(yù)測算法可以有效地利用NWP信息，其預(yù)測結(jié)果有著較高的精度.

圖A 2018年7月各模型預(yù)測值與實際值對比結(jié)果