戴千斌,黃南天

(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(diǎn)實(shí)驗(yàn)室(東北電力大學(xué)),吉林 吉林 132012)

0 引 言

為持續(xù)推進(jìn)“雙碳”目標(biāo)實(shí)現(xiàn),近年來(lái),以風(fēng)電為首的可再生能源利用經(jīng)歷了跨越式發(fā)展。截止2022年10月底,中國(guó)風(fēng)電裝機(jī)容量約3.5億千瓦,同比增長(zhǎng)16.6%。風(fēng)力發(fā)電已成為新型電力系統(tǒng)電力供應(yīng)端的重要組成部分[1]。然而,風(fēng)電輸出功率的強(qiáng)隨機(jī)性以及弱調(diào)度性,提高了電力系統(tǒng)運(yùn)行不確定性,大規(guī)模風(fēng)電高效消納與電網(wǎng)安全穩(wěn)定運(yùn)行矛盾日益突出[2-3]。

短期風(fēng)電功率高精度優(yōu)化預(yù)測(cè),有助于電力調(diào)度部門分析風(fēng)電并網(wǎng)時(shí)運(yùn)行參數(shù),確定最佳機(jī)組組合方案,降低風(fēng)電場(chǎng)的運(yùn)營(yíng)成本,是應(yīng)對(duì)上述挑戰(zhàn)的有效手段之一。受天氣混沌特性、樣本數(shù)據(jù)應(yīng)用質(zhì)量差等潛在負(fù)面因素影響,風(fēng)電功率預(yù)測(cè)模型所構(gòu)建風(fēng)速和風(fēng)電功率映射關(guān)系容易發(fā)生一定的畸變[4-5]。功率預(yù)測(cè)偏差不可避免,對(duì)風(fēng)電場(chǎng)和電力調(diào)度部門均產(chǎn)生不同程度的影響。一方面,風(fēng)電場(chǎng)需要向電力調(diào)度部門提前上報(bào)次日發(fā)電計(jì)劃,當(dāng)上報(bào)電量偏差較大時(shí),風(fēng)電場(chǎng)需承擔(dān)電網(wǎng)考核的費(fèi)用、備用采購(gòu)費(fèi)用以及上報(bào)電量過(guò)低產(chǎn)生的主動(dòng)棄風(fēng)損失,提高了風(fēng)電場(chǎng)上報(bào)電量的決策難度[6]。另一方面,為應(yīng)對(duì)風(fēng)電大波動(dòng)情況下風(fēng)電并網(wǎng)后機(jī)組出力與負(fù)荷需求的不平衡性,電力調(diào)度部門需要預(yù)留大量的旋轉(zhuǎn)備用容量,維持電力與用戶兩端的供需平衡[7],保障電網(wǎng)調(diào)峰和調(diào)頻的及時(shí)度,進(jìn)一步壓縮了風(fēng)電消納空間。

因此,針對(duì)當(dāng)前短期風(fēng)電功率預(yù)測(cè)模型多維度不同類型的功率預(yù)測(cè)偏差,本文結(jié)合近年風(fēng)電功率短期預(yù)測(cè)研究、開(kāi)發(fā)和應(yīng)用情況,對(duì)現(xiàn)有風(fēng)電功率預(yù)測(cè)修正技術(shù)進(jìn)行了綜述。首先,根據(jù)預(yù)測(cè)原理及數(shù)據(jù)來(lái)源的差異性,總結(jié)短期風(fēng)電功率預(yù)測(cè)技術(shù)分類,分析不同預(yù)測(cè)模型存在的優(yōu)缺點(diǎn),探討短期風(fēng)電功率確定性預(yù)測(cè)面臨的難點(diǎn)問(wèn)題及未來(lái)的發(fā)展趨勢(shì)。然后,從模型輸入和預(yù)測(cè)后處理兩個(gè)角度出發(fā),分析功率預(yù)測(cè)誤差產(chǎn)生的主要原因。最后,總結(jié)NWP風(fēng)速橫縱向誤差修正以及風(fēng)電功率誤差修正的方法,為后續(xù)短期風(fēng)電功率預(yù)測(cè)修正技術(shù)的發(fā)展提供參考。

1 風(fēng)電功率預(yù)測(cè)方法

1.1 物理預(yù)測(cè)模型

物理預(yù)測(cè)模型是基于NWP(Numerical Weather Prediction,NWP)預(yù)測(cè)的方法,通過(guò)利用NWP氣象數(shù)據(jù),結(jié)合風(fēng)電場(chǎng)地表形態(tài)等信息,將NWP數(shù)據(jù)轉(zhuǎn)化為風(fēng)機(jī)輪轂高度處的風(fēng)資源信息,并依據(jù)風(fēng)電機(jī)組的運(yùn)行狀態(tài)參數(shù),獲取最終的風(fēng)電功率預(yù)測(cè)結(jié)果[8-9]。其優(yōu)點(diǎn)是不需要大量的歷史運(yùn)行數(shù)據(jù),對(duì)風(fēng)電場(chǎng)技術(shù)條件要求不高。然而,NWP數(shù)據(jù)更新頻率和分辨率較低,復(fù)雜地形區(qū)域通常無(wú)法提供可靠的地面風(fēng)速預(yù)測(cè),影響物理預(yù)測(cè)模型的功率預(yù)測(cè)精度[10-11]。因此,目前物理預(yù)測(cè)方法的主要研究方向是如何進(jìn)一步優(yōu)化不同區(qū)域風(fēng)電場(chǎng)差異化地形條件下NWP數(shù)據(jù)精度水平,滿足風(fēng)電場(chǎng)定制化預(yù)報(bào)技術(shù)需求。

1.2 統(tǒng)計(jì)學(xué)習(xí)模型

統(tǒng)計(jì)學(xué)習(xí)方法通過(guò)構(gòu)建時(shí)間序列模型來(lái)學(xué)習(xí)風(fēng)電場(chǎng)歷史數(shù)據(jù)所表現(xiàn)的特征規(guī)律,并提取風(fēng)電功率序列中的時(shí)變關(guān)系,然后輸入NWP氣象數(shù)據(jù)、風(fēng)電功率數(shù)據(jù)得到相應(yīng)時(shí)刻下的風(fēng)電功率預(yù)測(cè)值[12-13]。表1是統(tǒng)計(jì)學(xué)習(xí)常見(jiàn)方法對(duì)比,主要包括自回歸移動(dòng)平法(Auto-regressive and Moving Average,ARMA)、人工神經(jīng)網(wǎng)絡(luò)法(Artificial Neuro Network,ANN)、支持向量機(jī)SVM、深度學(xué)習(xí)等算法[14-16]。20世紀(jì)80年代有學(xué)者采用ARMA算法構(gòu)建時(shí)間序列模型進(jìn)行風(fēng)電功率預(yù)測(cè)。文獻(xiàn)[17]建立四種基于ARMA的預(yù)測(cè)模型分別對(duì)風(fēng)速和風(fēng)向的橫縱向分量預(yù)測(cè),提高了預(yù)測(cè)性能。ANN具有非線性映射、分布并行出力和泛化能力等特性。文獻(xiàn)[18]根據(jù)風(fēng)電功率的影響因素,建立基于ANN算法的風(fēng)電功率預(yù)測(cè)模型。SVM是一種常見(jiàn)的回歸預(yù)測(cè)算法,其基本思想是通過(guò)尋找一個(gè)最優(yōu)的超平面(或多個(gè)超平面)來(lái)對(duì)數(shù)據(jù)進(jìn)行預(yù)測(cè)。SVM能夠解決訓(xùn)練結(jié)果局部極小值問(wèn)題,但參數(shù)選擇依賴經(jīng)驗(yàn)判斷。因此,文獻(xiàn)[19]提出改進(jìn)最優(yōu)覓食算法,獲取SVM的最優(yōu)參數(shù),提高風(fēng)電功率預(yù)測(cè)準(zhǔn)確性。隨著大數(shù)據(jù)技術(shù)的持續(xù)發(fā)展,功率預(yù)測(cè)方法逐步由機(jī)器學(xué)習(xí)算法轉(zhuǎn)向深度學(xué)習(xí)算法發(fā)展。文獻(xiàn)[20]通過(guò)分析相鄰風(fēng)電場(chǎng)原始數(shù)據(jù)時(shí)序特征,應(yīng)用CNN提取歷史信息特征。文獻(xiàn)[21]提出了基于LSTM-Attention網(wǎng)絡(luò)的短期風(fēng)電功率預(yù)測(cè)方法,利用LSTM網(wǎng)絡(luò)提取NWP數(shù)據(jù)特征信息,引入注意力機(jī)制分析輸入與輸出的相關(guān)性,進(jìn)一步改善了模型的預(yù)測(cè)性能。

統(tǒng)計(jì)學(xué)習(xí)方法不同于物理建模的復(fù)雜性,模型的構(gòu)建過(guò)程相對(duì)簡(jiǎn)單。但是傳統(tǒng)的統(tǒng)計(jì)學(xué)習(xí)算法存在參數(shù)優(yōu)化求解的困難性,現(xiàn)有研究通常將粒子群算法、蟻群算法等參數(shù)尋優(yōu)方法融合到風(fēng)電功率預(yù)測(cè)模型構(gòu)建中[22]。文獻(xiàn)[23]基于混沌映射、粒子群等算法混合優(yōu)化SVM模型參數(shù),提高SVM功率預(yù)測(cè)模型的預(yù)測(cè)能力。文獻(xiàn)[24]采用進(jìn)化粒子群算法對(duì)模型超參數(shù)進(jìn)行優(yōu)化調(diào)整,提出基于聚類分析和混合自適應(yīng)進(jìn)化算法的風(fēng)電功率智能預(yù)測(cè)方法。文獻(xiàn)[25]提出基于果蠅優(yōu)化廣義神經(jīng)網(wǎng)絡(luò)的風(fēng)電功率短期預(yù)測(cè)模型,模型具有更高的預(yù)測(cè)精度和更好的收斂性。

統(tǒng)計(jì)學(xué)習(xí)模型需要規(guī)?；臄?shù)據(jù)進(jìn)行訓(xùn)練,在樣本數(shù)量充足的情況下,其預(yù)測(cè)精度是可接受的。然而,以高溫、強(qiáng)風(fēng)為代表的極端氣候的小概率天氣事件,不同于常規(guī)天氣狀況下風(fēng)電預(yù)測(cè)模型的影響機(jī)理,樣本稀缺,其數(shù)據(jù)具有強(qiáng)非線性特點(diǎn)。面對(duì)極端天氣條件下風(fēng)電出力的瞬時(shí)多變性以及低可預(yù)測(cè)性,統(tǒng)計(jì)學(xué)習(xí)模型訓(xùn)練難度加大,無(wú)法建立相應(yīng)場(chǎng)景下相應(yīng)的映射關(guān)系,預(yù)測(cè)性能不佳。為了更好地應(yīng)對(duì)上述難題,遷移學(xué)習(xí)[26]、小樣本場(chǎng)景生成[27]、強(qiáng)化學(xué)習(xí)[28]等技術(shù)已成為目前風(fēng)電出力預(yù)測(cè)研究熱點(diǎn)。文獻(xiàn)[29]考慮部分風(fēng)電場(chǎng)運(yùn)行數(shù)據(jù)缺乏的問(wèn)題,提出基于多層級(jí)深度遷移學(xué)習(xí)的風(fēng)電短期功率預(yù)測(cè)技術(shù)。文獻(xiàn)[30]提出基于相依關(guān)系的功率預(yù)測(cè)場(chǎng)景建模方法。文獻(xiàn)[31]利用聚類算法構(gòu)建帶簇原始數(shù)據(jù)集,提出基于魯棒多標(biāo)簽生成對(duì)抗的風(fēng)電出力區(qū)間預(yù)測(cè)。同時(shí)隨著大數(shù)據(jù)挖掘技術(shù)發(fā)展,充分利用風(fēng)能資源的時(shí)空相關(guān)性,考慮 風(fēng)電功率波動(dòng)的潛在序慣特征,也能夠進(jìn)一步提高風(fēng)電功率預(yù)測(cè)模型的決策能力。

表1 統(tǒng)計(jì)學(xué)習(xí)常見(jiàn)方法對(duì)比Tab.1 Comparison of common methods of statistical learning

1.3 組合預(yù)測(cè)模型

短期風(fēng)電功率受多因素影響,單一預(yù)測(cè)模型具有一定的局限性,尤其在極端天氣場(chǎng)景下,可能會(huì)產(chǎn)生較大的預(yù)測(cè)偏差[32]。組合模型綜合考慮了不同模型在不同應(yīng)用場(chǎng)景下的優(yōu)勢(shì),將多種單一預(yù)測(cè)組合模型最優(yōu)化組合,可取得更好的預(yù)測(cè)效果[33-34]。

加權(quán)組合預(yù)測(cè)利用不同預(yù)測(cè)模型單獨(dú)預(yù)測(cè),通過(guò)賦予相應(yīng)的權(quán)重系數(shù),加權(quán)組合得到最終預(yù)測(cè)結(jié)果,流程圖如圖1所示。根據(jù)各子模型權(quán)重系數(shù)是否保持一致性,可分為定權(quán)系數(shù)組合模型和變權(quán)系數(shù)組合模型[35]。定權(quán)系數(shù)組合模型以預(yù)測(cè)誤差百分比、平方和等指標(biāo)最小化作為前提條件,通過(guò)實(shí)現(xiàn)目標(biāo)函數(shù)極小化得到各模型的權(quán)重系數(shù);變權(quán)系數(shù)組合模型是一種時(shí)變權(quán)重的組合方法,權(quán)重系數(shù)隨時(shí)間變化不斷更新。目前常用的方法有最小二乘法、熵值法、貝葉斯方法及最小方差法等[36-37]。

融合組合預(yù)測(cè)方法是指在預(yù)測(cè)不同環(huán)節(jié)采用不同的方法,將模型的輸入和輸出的變量,與模型自身進(jìn)行優(yōu)化融合[38],流程圖如圖2所示。在模型的輸入環(huán)節(jié),可以采用小波變換、經(jīng)驗(yàn)?zāi)B(tài)分解等模態(tài)分解方法將風(fēng)速或功率等非平穩(wěn)信號(hào)序列分解為多個(gè)子序列,對(duì)每個(gè)子序列進(jìn)行預(yù)測(cè),然后重新組合作為最終的預(yù)測(cè)結(jié)果[39]。針對(duì)模型自身,可采用遺傳算法、魚(yú)群算法、螢火蟲(chóng)算法等參數(shù)選擇的方法優(yōu)化模型參數(shù),提高模型的自主學(xué)習(xí)能力和泛化性。在模型輸出環(huán)節(jié),分析預(yù)測(cè)誤差產(chǎn)生機(jī)理,構(gòu)建誤差修正模型,將誤差預(yù)測(cè)值與初始功率預(yù)測(cè)值相疊加,得到最終的預(yù)測(cè)結(jié)果。文獻(xiàn)[40]提出一種結(jié)合了集成經(jīng)驗(yàn)?zāi)B(tài)分解和改進(jìn)最小二乘支持向量機(jī)算法的組合模型用于風(fēng)電功率短期預(yù)測(cè),該方法首先利用EEMD將功率序列分解成若干個(gè)子序列,以減輕不同趨勢(shì)信息間的相互影響。然后,對(duì)不同的子序列分別建立預(yù)測(cè)模型,并疊加各個(gè)子序列的預(yù)測(cè)結(jié)果,得到最終的預(yù)測(cè)結(jié)果。文獻(xiàn)[41]提出基于VMD-WPE和SSA-ELM的短期風(fēng)電功率組合預(yù)測(cè)模型,使用VMD技術(shù)將原始風(fēng)電功率序列分解為多個(gè)模態(tài)分量,從而減少了序列的非平穩(wěn)性對(duì)預(yù)測(cè)性能的影響。近年來(lái),隨著國(guó)內(nèi)外學(xué)者對(duì)短期功率預(yù)測(cè)技術(shù)的不斷深入研究,采用風(fēng)電功率預(yù)測(cè)誤差修正來(lái)提升預(yù)測(cè)模型精度的方法成為當(dāng)前研究熱點(diǎn)。

圖1 風(fēng)電功率融合組合預(yù)測(cè)模型Fig.1 Wind power fusion combination prediction model

圖2 風(fēng)電功率加權(quán)組合預(yù)測(cè)模型Fig.2 Wind power weighted combination prediction model

2 風(fēng)電功率預(yù)測(cè)誤差修正

2.1 風(fēng)電功率預(yù)測(cè)誤差產(chǎn)生原因分析

通過(guò)分析風(fēng)電功率預(yù)測(cè)技術(shù)的應(yīng)用情況可以發(fā)現(xiàn),物理模型預(yù)測(cè)功率誤差主要是由于NWP預(yù)報(bào)的高不確定性產(chǎn)生。統(tǒng)計(jì)學(xué)習(xí)模型功率預(yù)測(cè)誤差來(lái)源范圍則更加寬泛,NWP數(shù)據(jù)偏差、模型構(gòu)建的不合理性以及基礎(chǔ)數(shù)據(jù)異常等因素,都會(huì)對(duì)預(yù)測(cè)精度產(chǎn)生消極的影響。組合模型預(yù)測(cè)誤差則是各單一預(yù)測(cè)模型預(yù)測(cè)誤差的綜合決定。

NWP數(shù)據(jù)應(yīng)用質(zhì)量對(duì)風(fēng)電功率預(yù)測(cè)準(zhǔn)確性有較大影響。其中,NWP風(fēng)速是風(fēng)電功率預(yù)測(cè)模型的關(guān)鍵輸入。風(fēng)速受復(fù)雜地理環(huán)境因素影響,具有分鐘級(jí)的快速波動(dòng)變化特征。目前NWP模型輸出氣象變量的時(shí)間分辨率為1 h量級(jí)。因此,NWP風(fēng)速等氣象變量在目標(biāo)風(fēng)電場(chǎng)精細(xì)化推算時(shí)會(huì)引入較大的預(yù)測(cè)偏差。在功率預(yù)測(cè)模型構(gòu)建方面,不同的功率預(yù)測(cè)模型構(gòu)建都存在自身的局限性,如:模型算法選擇不適用、參數(shù)設(shè)定不當(dāng)?shù)?都會(huì)導(dǎo)致預(yù)測(cè)模型不完善,產(chǎn)生功率預(yù)測(cè)誤差。在基礎(chǔ)數(shù)據(jù)應(yīng)用方面,風(fēng)電功率預(yù)測(cè)需要利用包括風(fēng)電場(chǎng)歷史實(shí)測(cè)數(shù)據(jù)、運(yùn)行狀態(tài)數(shù)據(jù)及風(fēng)電場(chǎng)基礎(chǔ)信息數(shù)據(jù)等在內(nèi)海量多源異構(gòu)數(shù)據(jù),在數(shù)據(jù)采集過(guò)程中,如果發(fā)生設(shè)備故障、通信異常等意外情況,不可避免地存在異常數(shù)據(jù),也對(duì)風(fēng)電功率預(yù)測(cè)造成不利影響。

為解決上述制約短期功率預(yù)測(cè)精度進(jìn)一步提升的難點(diǎn)問(wèn)題,近年來(lái),許多學(xué)者從不同角度切入功率預(yù)測(cè)誤差修正研究,本文從模型輸入和輸出端兩方面進(jìn)行綜述。在模型輸入端,現(xiàn)有研究主要通過(guò)降低NWP風(fēng)速預(yù)測(cè)偏差實(shí)現(xiàn)風(fēng)電功率誤差修正;在模型輸出端,主要考慮風(fēng)電功率波動(dòng)性、幅值水平等因素,建立預(yù)測(cè)誤差后處理模型,最終實(shí)現(xiàn)初始功率預(yù)測(cè)結(jié)果優(yōu)化。

2.2 NWP風(fēng)速橫縱向預(yù)測(cè)誤差修正

NWP模式對(duì)大尺度天氣過(guò)程氣象參數(shù)能夠?qū)崿F(xiàn)較好預(yù)測(cè),然而風(fēng)電場(chǎng)需要更精細(xì)化的NWP氣象參數(shù)作為功率預(yù)測(cè)模型輸入。NWP模式受初值設(shè)定的參數(shù)化誤差、降時(shí)間尺度的誤差以及風(fēng)電場(chǎng)局部空間復(fù)雜性等因素影響,導(dǎo)致NWP風(fēng)速產(chǎn)生橫向誤差和縱向誤差。橫向誤差為NWP風(fēng)速序列和實(shí)際風(fēng)速序列間的時(shí)間錯(cuò)位,縱向誤差為兩者間的幅值偏差。如圖3所示。

目前,NWP風(fēng)速修正方法主要基于NWP縱向誤差的先驗(yàn)統(tǒng)計(jì)規(guī)律,建立同一時(shí)刻下NWP風(fēng)速與實(shí)際風(fēng)速之間點(diǎn)對(duì)點(diǎn)的映射關(guān)系。文獻(xiàn)[23]使用統(tǒng)計(jì)方法挖掘NWP風(fēng)速縱向誤差幅值大小和天氣條件之間的趨勢(shì)特征。文獻(xiàn)[24]通過(guò)提取NWP風(fēng)速縱向誤差的標(biāo)準(zhǔn)差作為權(quán)重,得到NWP風(fēng)速權(quán)重時(shí)間序列,建立基于門控神經(jīng)網(wǎng)絡(luò)的短期風(fēng)電NWP風(fēng)速誤差修正模型。文獻(xiàn)[25]考慮NWP風(fēng)速序列傳遞關(guān)系,基于5種常用算法模型修正NWP風(fēng)速誤差,可以有效改善不同時(shí)間尺度上風(fēng)電功率預(yù)測(cè)精度。針對(duì)風(fēng)資源的隨機(jī)波動(dòng)性引起的相位滯后性問(wèn)題,文獻(xiàn)[26]建立基于時(shí)間序列相關(guān)性檢驗(yàn)和殘差通道注意力網(wǎng)絡(luò)的 NWP風(fēng)速誤差修正模型,降低了NWP風(fēng)速的橫縱向誤差。當(dāng)僅使用單個(gè)風(fēng)電場(chǎng)數(shù)據(jù)時(shí),可能會(huì)忽視相鄰風(fēng)電場(chǎng)存相鄰風(fēng)電場(chǎng)區(qū)域的風(fēng)速空間相關(guān)性。文獻(xiàn)[27]考慮多位置NWP風(fēng)速間的時(shí)空耦合特性,提出計(jì)及區(qū)域風(fēng)光資源時(shí)空相關(guān)性的多點(diǎn)NWP風(fēng)速集中式修正方法。

圖3 NWP風(fēng)速橫縱向誤差Fig.3 The lateral and longitudinal error of NWP wind speed

2.3 風(fēng)電功率預(yù)測(cè)誤差修正

2.3.1 基于風(fēng)電功率波動(dòng)理論的預(yù)測(cè)誤差修正

風(fēng)電功率具有強(qiáng)波動(dòng)性,不同風(fēng)電功率波動(dòng)水平與預(yù)測(cè)誤差存在一定的關(guān)聯(lián)性和規(guī)律性。圖4是風(fēng)電功率曲線典型波動(dòng)的劃分過(guò)程,根據(jù)風(fēng)電功率的極值參數(shù)和相應(yīng)的持續(xù)時(shí)間,將風(fēng)電功率曲線劃分為大波動(dòng)、中波動(dòng)、小波動(dòng)以及低出力波動(dòng)過(guò)程。

每一個(gè)波動(dòng)過(guò)程由其相對(duì)應(yīng)的局部極小值增長(zhǎng)到極大值,再衰減到該波動(dòng)過(guò)程的局部極小值,計(jì)算過(guò)程如公式(1)

(1)

(2)

公式中:η為閾值系數(shù),一般取0.5左右。

圖4 風(fēng)電功率波動(dòng)過(guò)程劃分Fig.4 Wind power fluctuation process division

根據(jù)《風(fēng)電功率預(yù)測(cè)系統(tǒng)功能規(guī)范》,評(píng)價(jià)風(fēng)電功率預(yù)測(cè)誤差性能指標(biāo)主要包括均方根誤差(RMSE)和合格率σ。依照上述指標(biāo)對(duì)中國(guó)風(fēng)電場(chǎng)短期功率預(yù)測(cè)的誤差情況進(jìn)行統(tǒng)計(jì),比較上述典型波動(dòng)過(guò)程誤差表現(xiàn),分析如下。低出力波動(dòng)過(guò)程和小波動(dòng)過(guò)程RMSE在10%左右,合格率σ能夠達(dá)到95%左右,預(yù)測(cè)誤差較小。隨著風(fēng)電功率序列波動(dòng)狀態(tài)加大,預(yù)測(cè)誤差也相應(yīng)變大。其中,大波動(dòng)過(guò)程下極端偏差情況的出現(xiàn)概率加大,RMSE顯著增加,合格率σ主要集中到83%左右。因此,可以從風(fēng)電功率波動(dòng)角度出發(fā),分析在特定波動(dòng)水平下預(yù)測(cè)誤差的趨勢(shì)變化特點(diǎn),針對(duì)性分類構(gòu)建預(yù)測(cè)功率誤差修正模型。

文獻(xiàn)[28]通過(guò)聚類算法劃分多類別風(fēng)電功率波動(dòng)過(guò)程,構(gòu)建相應(yīng)波動(dòng)過(guò)程下風(fēng)電功率預(yù)測(cè)誤差修正模型,以綜合氣象指標(biāo)作為模型的輸入,將預(yù)測(cè)誤差修正值與基礎(chǔ)功率預(yù)測(cè)疊加,進(jìn)一步提升模型功率預(yù)測(cè)精度。文獻(xiàn)[29]利用變尺度時(shí)間窗口算法提取不同風(fēng)電功率波動(dòng)的多重分形特征值,提出基于頻譜分析的風(fēng)電場(chǎng)預(yù)測(cè)功率的修正方法。風(fēng)電功率爬坡事件是小概率大波動(dòng)過(guò)程,表現(xiàn)為功率曲線大幅度的驟升、驟降特點(diǎn),在爬坡段風(fēng)電功率預(yù)測(cè)一般存在較大誤差。針對(duì)爬坡事件風(fēng)電功率預(yù)測(cè)誤差修正,文獻(xiàn)[30]通過(guò)篩選相似氣象背景下爬坡事件,實(shí)現(xiàn)相似爬坡功率預(yù)測(cè)誤差修正。文獻(xiàn)[31]基于PRAA算法獲取歷史爬坡事件特征量,進(jìn)而形成預(yù)測(cè)誤差向量矩陣,基于動(dòng)態(tài)時(shí)間規(guī)整建立多氣象指標(biāo)與預(yù)測(cè)誤差映射關(guān)系,實(shí)現(xiàn)爬坡事件功率預(yù)測(cè)修正。

2.3.2 基于風(fēng)電功率幅值特性的預(yù)測(cè)誤差修正

風(fēng)速是影響風(fēng)電出力的主要因素,風(fēng)電功率幅值與風(fēng)速大小大體呈現(xiàn)同趨勢(shì)變化,即風(fēng)機(jī)未處于滿發(fā)狀態(tài)時(shí),風(fēng)速越大,風(fēng)電功率水平也越大。當(dāng)風(fēng)電機(jī)組實(shí)際風(fēng)速處于切入風(fēng)速和切出風(fēng)速區(qū)間范圍內(nèi)時(shí),風(fēng)速-功率轉(zhuǎn)換近似為3次方正比關(guān)系。由于比例放大作用,較小的風(fēng)速偏差會(huì)造成較大的功率預(yù)測(cè)誤差。而當(dāng)實(shí)際風(fēng)速小于切入風(fēng)速或者大于切出風(fēng)速時(shí),風(fēng)速偏差對(duì)功率預(yù)測(cè)誤差的影響不大。因此,短期風(fēng)電功率預(yù)測(cè)誤差具有顯著的功率水平特性,預(yù)測(cè)誤差修正技術(shù)研究可以利用該特性。

文獻(xiàn)[32]基于風(fēng)速幅值水平,將數(shù)據(jù)集劃分為低風(fēng)速、中風(fēng)速和高風(fēng)速3類風(fēng)電功率預(yù)測(cè)誤差類別,針對(duì)每類誤差類別建立基于改進(jìn)隨機(jī)森林的功率預(yù)測(cè)誤差修正模型。文獻(xiàn)[33]分析風(fēng)電功率幅值與預(yù)測(cè)誤差的相關(guān)性,基于多元線性回歸方法建立風(fēng)電功率預(yù)測(cè)誤差的估計(jì)模型。文獻(xiàn)[34]研究短期風(fēng)電功率預(yù)測(cè)誤差在不同預(yù)測(cè)模式下的相關(guān)性,改進(jìn)誤差預(yù)測(cè)模型輸入變量的選擇策略。文獻(xiàn)[35]根據(jù)風(fēng)電功率預(yù)測(cè)誤差分布存在尖峰輕尾的特點(diǎn),提出基于分層補(bǔ)償?shù)碾p重誤差修正方案。文獻(xiàn)[36]基于核密度估計(jì)方法分析功率預(yù)測(cè)誤差的概率分布規(guī)律,計(jì)算出誤差序列的置信區(qū)間,進(jìn)而對(duì)初始預(yù)測(cè)結(jié)果修正。風(fēng)電功率幅值水平與預(yù)測(cè)誤差大小存在緊密的聯(lián)系,可以利用不同功率水平下誤差分布規(guī)律特性,開(kāi)展多場(chǎng)景分時(shí)段優(yōu)化,進(jìn)一步提升風(fēng)電功率預(yù)測(cè)結(jié)果的可應(yīng)用性。

3 結(jié)論與展望

隨著風(fēng)電機(jī)組并網(wǎng)規(guī)模的持續(xù)增長(zhǎng),高精度風(fēng)電功率預(yù)測(cè)是保障電力系統(tǒng)安全穩(wěn)定運(yùn)行的重要技術(shù)。本文綜述了短期風(fēng)電功率方法的應(yīng)用以及相對(duì)應(yīng)的優(yōu)缺點(diǎn),闡述了風(fēng)電功率預(yù)測(cè)的主要誤差來(lái)源,總結(jié)了模型輸入端的NWP風(fēng)速修正方法和模型輸出端的風(fēng)電功率預(yù)測(cè)誤差修正方法。在此基礎(chǔ)上,本文對(duì)短期風(fēng)電功率預(yù)測(cè)誤差修正技術(shù)發(fā)展提出一些建議。

1)風(fēng)電功率預(yù)測(cè)誤差成因復(fù)雜,有必要充分認(rèn)識(shí)風(fēng)電功率預(yù)測(cè)各環(huán)節(jié)誤差特性,采用相應(yīng)的修正方法提升模型預(yù)測(cè)精度。在NWP風(fēng)速誤差修正方面,針對(duì)NWP模式在多時(shí)空尺度下誤差特性各異,可以分析多個(gè)氣象站站點(diǎn)或者目標(biāo)風(fēng)電場(chǎng)相鄰風(fēng)電場(chǎng)的空間相關(guān)性,研究定制參數(shù)化預(yù)報(bào)技術(shù),優(yōu)選多種預(yù)測(cè)算法建立計(jì)及多位置NWP氣象信息的組合修正模型,用以提高NWP風(fēng)速預(yù)測(cè)精度。

2)在風(fēng)電功率預(yù)測(cè)誤差后處理方面,風(fēng)電場(chǎng)所處地區(qū)的氣象規(guī)律、地理?xiàng)l件各不相同,可以根據(jù)目標(biāo)風(fēng)電場(chǎng)特點(diǎn),針對(duì)性篩選目標(biāo)風(fēng)電場(chǎng)的預(yù)測(cè)誤差的潛在規(guī)律性特征,將深度學(xué)習(xí)等先進(jìn)數(shù)據(jù)挖掘手段與強(qiáng)化學(xué)習(xí)技術(shù)相結(jié)合應(yīng)用于風(fēng)電功率預(yù)測(cè)后處理,提高模型的自主學(xué)習(xí)能力,是未來(lái)短期風(fēng)電功率預(yù)測(cè)修正技術(shù)的重要研究方向。