王鋒 楊榮 黃攀 田智捷 陳靜

摘要：由于煤炭資源匱乏和環(huán)境污染，人類逐漸開始發(fā)掘風電能的利用價值。然而風速的強不確定性導致其很難預(yù)測，鑒于此，基于自回歸模型進行風電功率建模與仿真研究。經(jīng)過NAR神經(jīng)網(wǎng)絡(luò)訓練選擇合適的自回歸階數(shù)，繼而選擇該階數(shù)及對應(yīng)隱藏節(jié)點重新訓練，最后代入數(shù)據(jù)仿真得到結(jié)果進行分析比對。通過比較預(yù)測值與實際值，總結(jié)自回歸模型的特點，得出基于該模型的海上風電機組功率預(yù)測方法在海上風電場具有實際應(yīng)用價值和意義這一結(jié)論。

關(guān)鍵詞：海上風電；神經(jīng)網(wǎng)絡(luò)；自回歸模型；功率預(yù)測

中圖分類號：TM614? ? 文獻標志碼：A? ? 文章編號：1671-0797（2023）12-0024-03

DOI：10.19514/j.cnki.cn32-1628/tm.2023.12.007

0? ? 引言

風力發(fā)電逐漸成為世界各國能源開發(fā)的重點。2021年，中國風電裝機創(chuàng)歷史新高，新增吊裝海上機組2 603臺，新增裝機容量達到1 448.2萬kW，同比增長276.7%。規(guī)?；l(fā)展、深海漂浮式大功率海上裝備、智能運維正在為海上風電發(fā)展注入強勁的動力。在“雙碳”背景下，海上風電發(fā)展?jié)摿薮?，機遇和挑戰(zhàn)并存。

為測試和比較不同風電機組功率預(yù)測方法的精度，國內(nèi)外學者開展了大量研究。文獻[1]采用模糊綜合評價法對陸上風電機組的運行狀態(tài)進行評估。文獻[2]首先采用經(jīng)驗?zāi)B(tài)分解（Empirical Mode Decomposition，

EMD）對風速序列進行分解，然后結(jié)合支持向量機（Support Vector Machine，SVM）對短期風速進行預(yù)測，但SVM的核函數(shù)以及參數(shù)的選擇對預(yù)測結(jié)果具有一定影響。文獻[3]利用距離分析法篩選出與風電出力相關(guān)性最高的氣象因素作為長短期記憶（Long Short-Term Memory，LSTM）網(wǎng)絡(luò)的輸入特征來進行超短期風電功率預(yù)測，但該模型忽略了其余氣象因素與風電出力的相關(guān)性，難以提高預(yù)測精度。文獻[4]使用卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，CNN）挖掘氣象變量的數(shù)據(jù)特征，結(jié)合門控循環(huán)單元進行功率預(yù)測，提高了氣象變量與功率預(yù)測的相關(guān)性，但該模型僅是單通道卷積層與門控循環(huán)單元的簡單拼接，未能有效保留輸入數(shù)據(jù)的時間結(jié)構(gòu)，且考慮的氣象因素較少，難以直接推廣到受多種復雜氣象因素影響的海上。

針對上述難題，本文提出了一種基于自回歸模型的海上風電功率預(yù)測方法，采用時間序列自回歸算法對風力發(fā)電進行預(yù)測，并結(jié)合實際SCADA數(shù)據(jù)對方法進行驗證。結(jié)果表明，時間序列自回歸算法能夠有效預(yù)測海上風電機組功率。

1? ? 海上風電機組功率預(yù)測

除控制和優(yōu)化風電場運行外，預(yù)測風電資源的行為可以為能源管理、能源政策制定者和電力交易商提供有價值的信息。此外，預(yù)測信息也有助于風力發(fā)電機和轉(zhuǎn)換線的運行、維修和更換。風力發(fā)電的功率預(yù)測有以下不同分類和各種方法。

1.1? ? 海上風電功率預(yù)測分類

（1）基于時間尺度的分類。

根據(jù)預(yù)測時間，風電預(yù)測通常分為超短期、短期、中期和長期預(yù)測四種。

（2）基于空間范圍的分類。

在預(yù)測空間尺度下，可以將風力預(yù)測分為三部分：單一機器預(yù)測、單一風電場預(yù)測、區(qū)域風電場預(yù)測。

（3）基于建模對象的分類。

基于建模對象劃分，風電預(yù)測分為基于風速和基于風力兩種方法。前者觀察單個風機的風速變化，預(yù)測未來風速；后者為基于風力發(fā)電機輸出功率的預(yù)測方法，直接使用統(tǒng)計模型預(yù)測風力發(fā)電機的輸出功率。

1.2? ? 海上風電功率預(yù)測方法

目前，國內(nèi)外的風電機組故障預(yù)測方法主要分為兩類：確定性風電預(yù)測、概率性風電預(yù)測。確定性風電預(yù)測方法可以預(yù)測出未來某時刻的風電功率值，而概率性風電預(yù)測方法是一種衍生方法，因為確定性風電預(yù)測可能不夠準確，它結(jié)合了預(yù)測結(jié)果與概率分布的性質(zhì)，從而可以更準確地預(yù)測。

本文主要討論確定性風電功率預(yù)測[5-6]。確定性風電功率預(yù)測方法可根據(jù)是否含有數(shù)值天氣預(yù)報（NWP）分為統(tǒng)計學方法與物理模型法，前者不涉及NWP而后者涉及。而是否涉及NWP模型取決于預(yù)測范圍，長時間范圍考慮使用NWP的模型，而短時間范圍（小于24 h）考慮時間序列方法。后一種模型對于傳統(tǒng)電廠的優(yōu)化非常有用，其中合理的預(yù)測范圍可以在3～10 h之間變化，這取決于系統(tǒng)的大小和包括的傳統(tǒng)機組類型。通常，物理模型用于大空間尺度預(yù)測，而時間序列方法更適用于某一點的預(yù)測。

2? ? 自回歸模型建立

風力發(fā)電機的整體工作狀況是以發(fā)電功率的出力為指標，它反映了風機的風速與出力之間的關(guān)系，往往用來評價風機將風能轉(zhuǎn)換為電能效率的優(yōu)劣以及風電質(zhì)量的優(yōu)劣。

2.1? ? 數(shù)據(jù)預(yù)處理

風機運行過程中，SCADA系統(tǒng)負責采集并記錄機組數(shù)據(jù)，除去故障部分外，異常數(shù)據(jù)中還有很多不符合實際運行情況的，比如風力機的啟停數(shù)據(jù)，所以實驗數(shù)據(jù)都應(yīng)進行預(yù)處理。該風電場的SCADA系統(tǒng)每隔10 min采集并記錄一次機組數(shù)據(jù)，所采集數(shù)據(jù)主要包括電機有功功率、轉(zhuǎn)子轉(zhuǎn)速、風速等參數(shù)，該單臺風機額定功率為2 000 kW。

對風電功率預(yù)測的WPF離群值采用四分位法進行檢驗和處理。四分位法的定義是：先把一組數(shù)據(jù)從小到大排序，然后平均分成4份，每份占總數(shù)的25%。Q1稱下四分位數(shù)，Q2稱中位數(shù)，Q3稱上四分位數(shù)，在所有數(shù)據(jù)中，有25%的數(shù)據(jù)值小于Q1，有25%的數(shù)據(jù)大于Q3，Q1與Q3之差稱為四分位數(shù)間距IQR，由該間距可得數(shù)據(jù)異常范圍，剔除不在內(nèi)限范圍的離群值，內(nèi)限范圍為[Q1-1.5IQR，Q3+1.5IQR]。對天氣預(yù)報的風速與風電功率均進行離群值的檢驗和處理，對≥Q3+1.5IQR的值用Q3+1.5IQR代替，≤Q1-1.5IQR的值用Q1-1.5IQR代替。

2.2? ? 自回歸模型

自回歸模型（Autoregression）是統(tǒng)計上的一種處理時間序列的方法，公式如下：

式中：c為常數(shù)項；εt被假設(shè)為平均數(shù)等于0、標準差等于σ的隨機誤差值，εt被設(shè)為對于任何的t都不變。

在許多應(yīng)用中，時序數(shù)據(jù)Xt通?？捎蓺v史數(shù)據(jù)的加權(quán)和隨機擾動的疊加來表示：

式中：aj為常系數(shù)；εt為隨機擾動（噪聲）項。

自回歸模型就是用這個公式來描述時序數(shù)據(jù)的時間序列模型。本文主要介紹基于時間序列的自回歸模型的求解，即給定自回歸模型，求解符合要求的時間序列{Xt}，并根據(jù)所求得的時間序列模型來分析。

自回歸模型用一個常系數(shù)線性差分方程對時間序列{Xt}給出了描述，對于差分方程的求解屬于數(shù)學問題，在此不多贅述。

學習時間序列的自回歸數(shù)學模型后，可歸入風電場模型中。對應(yīng)于時間序列的考量，風力發(fā)電廠對風速在固定時間段內(nèi)測量一次。本文中風速每10 min測量一次，將每次測量時間做一個記錄，測量100次之后，生成一個時間序列。以時間序列尺度為橫坐標，以風速或功率為縱坐標繪制預(yù)測圖，將預(yù)測值與實際值比較后進行具體分析。

3? ? 風電機組功率預(yù)測案例分析

以某海上風電機組為例，本文基于實際SCADA數(shù)據(jù)驗證了所提出基于自回歸模型的海上風電機組功率預(yù)測方法的有效性。

3.1? ? 模型參數(shù)設(shè)置

本文的海上風電機組功率預(yù)測模型，只需對已獲得的風電功率數(shù)據(jù)進行篩選及預(yù)處理即可代入時間序列NAR模型進行仿真。

NAR全稱為“非線性自回歸神經(jīng)網(wǎng)絡(luò)”，作為一種預(yù)測方法，NAR最重要的是先建立一個訓練集，需要尋找最佳延遲步數(shù)及隱含層節(jié)點數(shù)，隨著延遲步數(shù)的增加，系統(tǒng)的預(yù)測能力提高，隱含層節(jié)點數(shù)主要用于提高預(yù)測精度，但并非越多越好。同樣，在該訓練集中人為設(shè)置訓練集占比、測試集占比、驗證集占比、學習率、最大訓練次數(shù)、訓練要求精度等參數(shù)，如表1所示。

3.2? ? 數(shù)據(jù)處理

經(jīng)四分位法數(shù)據(jù)預(yù)處理后得篩選后的正常數(shù)據(jù)散點圖如圖1所示。該圖將大部分被判定為異常數(shù)據(jù)的值移除掉后，保留了主要部分的正確數(shù)據(jù)，總體來說效率很高，盡管還遺留著較為緊湊的一部分低功率的異常數(shù)據(jù)，但已經(jīng)能夠達到部分效果，所保留的正常數(shù)據(jù)也具有更好的分辨性和價值。

3.3? ? 功率預(yù)測建模仿真

根據(jù)海上風電機組SCADA數(shù)據(jù)，選取風電機組功率處于300～1 500 kW之間的100個數(shù)據(jù)，大部分該段風機并未達到滿發(fā)額定功率狀態(tài)，仿真得表2。

由表2可見，所取數(shù)據(jù)中的最佳自回歸階數(shù)是2，其對應(yīng)均方誤差為35 104.282 4。所以后面的模型采用二階自回歸模型并繼續(xù)仿真，得對比圖2和相對誤差圖3。

由圖2、圖3可以看出，在風速波動較小的區(qū)域，預(yù)測值非常準確，趨勢相同；但在風速波動較大的區(qū)域，預(yù)測值與實際值相差較大，趨勢不夠準確。原因很簡單，對于二階自回歸，當進入下一個時間節(jié)點時的波動較大時，即X2值較大，前一個值也會影響后續(xù)的預(yù)測值。從圖2中的數(shù)據(jù)點可以看出，在預(yù)測出現(xiàn)誤差后的兩個點內(nèi)，誤差振蕩衰減，當過了第二個值后預(yù)測值趨于回歸正常值。

4? ? 結(jié)論

本文提出了一種基于自回歸模型的短期海上風電功率預(yù)測方法，主要解決海上風電功率預(yù)測問題。采用時間序列自回歸模型和大量風速、風電功率歷史數(shù)據(jù)對短期內(nèi)的風電功率進行預(yù)測，得出實際值與預(yù)測值之間的誤差，對該方法的準確性進行評估和分析。

在研究海上風電功率建模時，NAR同時具備了非線性與自回歸的幾大特點：誤差較小，所需數(shù)據(jù)不多，能夠利用自身變量進行預(yù)測，最為關(guān)鍵的是其略去了復雜的建模過程，使用先進的人工智能代替人腦訓練。

基于自回歸模型的海上風電機組功率預(yù)測方法在環(huán)境穩(wěn)定、風速變化小的地方可以發(fā)揮良好的預(yù)測效果，具體體現(xiàn)為預(yù)測值與真實值的低誤差和優(yōu)秀準確的趨勢；但在一些環(huán)境較差的地方，如風速（風電功率）值大、風速（風電功率）變化率大的地方，具有一定的偶然性，僅使用自回歸模型未必能起到很好的預(yù)測效果，因此必須與其他方法配合使用。

[參考文獻]

[1] 李輝，胡姚剛，唐顯虎，等.并網(wǎng)風電機組在線運行狀態(tài)評估方法[J].中國電機工程學報，2010，30（33）：103-109.

[2] ZHANG C，WEI H K，ZHAO J S，et al.Short-term wind speed forecasting using empirical mode decomp-osition and feature selection[J].Renewable energy，2016，96（Part A）：727-737.

[3] 朱喬木，李弘毅，王子琪，等.基于長短期記憶網(wǎng)絡(luò)的風電場發(fā)電功率超短期預(yù)測[J].電網(wǎng)技術(shù)，2017，41（12）：3797-3802.

[4] 殷豪，歐祖宏，陳德，等.基于二次模式分解和級聯(lián)式深度學習的超短期風電功率預(yù)測[J].電網(wǎng)技術(shù)，2020，44（2）：445-453.

[5] 劉立陽，吳軍基，孟紹良.短期風電功率預(yù)測誤差分布研究[J].電力系統(tǒng)保護與控制，2013，41（12）：65-70.

[6] 楊正瓴，馮勇，熊定方，等.基于季風特性改進風電功率預(yù)測的研究展望[J].智能電網(wǎng)，2015，3（1）：1-7.

收稿日期：2023-02-15

作者簡介：王鋒（1983—），男，江蘇鹽城人，工程師，主要從事海上風電工程管理及技術(shù)研究工作。