摘要：短期功率預(yù)報(bào)是保障可再生能源電站穩(wěn)定運(yùn)行的重要舉措。針對(duì)多能互補(bǔ)系統(tǒng)功率預(yù)報(bào)難以考慮不同能源間時(shí)空相關(guān)性和預(yù)報(bào)誤差互補(bǔ)特性的問(wèn)題，提出了物理與數(shù)據(jù)雙驅(qū)動(dòng)水風(fēng)光短期功率聯(lián)合預(yù)報(bào)模型。采用WRF-新安江模型驅(qū)動(dòng)氣象水文要素預(yù)報(bào)，通過(guò)互信息方法識(shí)別功率預(yù)報(bào)的關(guān)鍵因子?；陂L(zhǎng)短期記憶網(wǎng)絡(luò)構(gòu)建功率聯(lián)合預(yù)報(bào)模型，并將該方法應(yīng)用于雅礱江流域官地水風(fēng)光互補(bǔ)系統(tǒng)。結(jié)果表明：① 相較于獨(dú)立預(yù)報(bào)模型，物理與數(shù)據(jù)雙驅(qū)動(dòng)的短期聯(lián)合預(yù)報(bào)模型總功率預(yù)報(bào)平均絕對(duì)誤差和均方根誤差分別降低了9.62%和8.31%；② 由于預(yù)報(bào)誤差存在互補(bǔ)特性，系統(tǒng)總功率預(yù)報(bào)誤差小于各電站功率預(yù)報(bào)誤差之和；③ 相對(duì)于單獨(dú)預(yù)報(bào)模型，水風(fēng)光預(yù)報(bào)誤差互補(bǔ)率提高了10.96%。所提方法可為水風(fēng)光系統(tǒng)協(xié)同運(yùn)行提供技術(shù)支撐。

關(guān) 鍵 詞：水風(fēng)光系統(tǒng)；功率預(yù)報(bào)；聯(lián)合預(yù)報(bào)；預(yù)報(bào)誤差互補(bǔ)；官地水電站；雅礱江流域

中圖法分類(lèi)號(hào)：TV213

文獻(xiàn)標(biāo)志碼：ADOI：10.16232/j.cnki.1001-4179.2024.10.008

0 引 言

風(fēng)電和光電等可再生能源具有波動(dòng)性、間歇性和隨機(jī)性等特征^［1］?；陔娏ο到y(tǒng)安全性與穩(wěn)定性的要求，電網(wǎng)只能選擇性接收部分風(fēng)電和光電，導(dǎo)致棄風(fēng)、棄光現(xiàn)象十分突出^［2-4］。水風(fēng)光系統(tǒng)通過(guò)對(duì)風(fēng)電、光電和水電打捆輸送的方式使系統(tǒng)總功率變幅維持在可接受范圍內(nèi)，可以提高可再生能源電網(wǎng)消納水平^［5-7］。實(shí)現(xiàn)水風(fēng)光系統(tǒng)協(xié)同高效運(yùn)行，精準(zhǔn)的功率預(yù)報(bào)是重要前提條件^［8-9］。

對(duì)于水風(fēng)光電站功率預(yù)報(bào)問(wèn)題，采用的方法主要包括統(tǒng)計(jì)模型、物理模型和組合模型^［10-11］。統(tǒng)計(jì)方法基于歷史實(shí)測(cè)氣象、水文和功率數(shù)據(jù)，通過(guò)曲線擬合、參數(shù)估計(jì)等方法構(gòu)建輸出變量和預(yù)報(bào)因子之間的映射關(guān)系，進(jìn)行功率預(yù)報(bào)^［12］。常用的統(tǒng)計(jì)模型包括時(shí)間序列模型、回歸分析模型、聚類(lèi)分析模型、機(jī)器學(xué)習(xí)模型、神經(jīng)網(wǎng)絡(luò)模型和深度學(xué)習(xí)模型等^［13-15］。物理模型考慮氣象或水文過(guò)程對(duì)發(fā)電功率相關(guān)的物理量進(jìn)行預(yù)報(bào)，比如風(fēng)速、風(fēng)向、太陽(yáng)輻射、溫度、降水、蒸發(fā)和徑流等，然后通過(guò)風(fēng)光電站功率曲線或水電機(jī)組動(dòng)力特性曲線轉(zhuǎn)換為電站發(fā)電功率^［16］。組合模型通過(guò)不同模型間的耦合進(jìn)行功率預(yù)報(bào)，可以充分利用不同模型的有效信息和優(yōu)勢(shì)^［17］。與單一模型相比，組合模型可以有效減小較大預(yù)報(bào)誤差的出現(xiàn)頻率，通常具有更高的精度^［18］。

對(duì)可再生能源集群進(jìn)行總功率預(yù)報(bào)時(shí)，影響其發(fā)電功率的氣象或水文要素的波動(dòng)性存在差異，不同電站的發(fā)電功率不可能存在相同的波動(dòng)。在單個(gè)電站的功率波動(dòng)轉(zhuǎn)移到區(qū)域總功率波動(dòng)的過(guò)程中，由于平滑效應(yīng)其相對(duì)波動(dòng)幅度變小，即區(qū)域總功率波動(dòng)幅度小于區(qū)域內(nèi)各個(gè)電站功率波動(dòng)幅度的疊加，有時(shí)甚至小于單個(gè)電站發(fā)電功率的波動(dòng)幅度^［19］。此外，不同電站氣象、水文要素或者功率的預(yù)報(bào)誤差也存在互補(bǔ)特性，因此，區(qū)域電站總功率預(yù)報(bào)誤差小于區(qū)域內(nèi)各個(gè)電站功率預(yù)報(bào)誤差的疊加^［20］。

然而，當(dāng)前電站集群總功率預(yù)報(bào)研究多針對(duì)單一類(lèi)型電站。對(duì)于水風(fēng)光互補(bǔ)系統(tǒng)，一方面，其功率預(yù)報(bào)受到更多氣象、水文要素的影響，相關(guān)的氣象、水文要素間存在復(fù)雜的時(shí)空相關(guān)性，增加了功率預(yù)報(bào)難度；另一方面，資源間具有互補(bǔ)特性，不同電站功率波動(dòng)的平滑效應(yīng)相較于單能電站集群表現(xiàn)更為明顯，合理利用預(yù)報(bào)誤差互補(bǔ)特性有利于提升系統(tǒng)總功率預(yù)報(bào)精度。

鑒于以上分析，本文考慮水風(fēng)光間時(shí)空相關(guān)性和互補(bǔ)性特征，構(gòu)建了水風(fēng)光短期功率聯(lián)合預(yù)報(bào)模型，以提高水風(fēng)光系統(tǒng)功率預(yù)報(bào)精度。

1 研究方法

本文考慮水風(fēng)光間時(shí)空相關(guān)性特征，構(gòu)建了水風(fēng)光短期功率聯(lián)合預(yù)報(bào)模型，模型分為氣象水文要素聯(lián)合預(yù)報(bào)、聯(lián)合預(yù)報(bào)因子辨識(shí)和功率聯(lián)合預(yù)報(bào)3個(gè)部分，如圖1所示，步驟如下：

（1）采用WRF模型預(yù)報(bào)氣象要素，包括風(fēng)速、太陽(yáng)輻射和降水，以WRF模型預(yù)報(bào)降水為輸入，采用新安江模型預(yù)報(bào)入庫(kù)流量，構(gòu)建綜合評(píng)價(jià)指標(biāo)對(duì)風(fēng)速、太陽(yáng)輻射和入庫(kù)流量預(yù)報(bào)精度進(jìn)行評(píng)估。

（2）采用最大互信息系數(shù)方法辨識(shí)聯(lián)合預(yù)報(bào)因子。

（3）采用長(zhǎng)短期記憶（LSTM）網(wǎng)絡(luò)構(gòu)建功率聯(lián)合預(yù)報(bào)模型，設(shè)置不同方案進(jìn)行功率聯(lián)合預(yù)報(bào)。

1.1 氣象水文要素聯(lián)合預(yù)報(bào)

采用WRF模型和新安江模型聯(lián)合預(yù)報(bào)氣象水文要素，步驟如下：

（1）以GFS系統(tǒng)預(yù)報(bào)氣象數(shù)據(jù)集為輸入，采用WRF模型預(yù)報(bào)區(qū)域氣象要素，提取風(fēng)電場(chǎng)、光伏電站和水電站所在位置格點(diǎn)的風(fēng)速、太陽(yáng)輻射和降水?dāng)?shù)據(jù)，并提取水庫(kù)匯流流域內(nèi)其他位置格點(diǎn)的降水?dāng)?shù)據(jù)。

（2）采用ArcHydroTools提取水庫(kù)匯流流域的特征參數(shù)，計(jì)算WRF模型預(yù)報(bào)降水的流域平均值作為三水源新安江模型的輸入，考慮上游水庫(kù)出庫(kù)流量預(yù)報(bào)水庫(kù)入庫(kù)流量。

（3）綜合評(píng)價(jià)風(fēng)速、太陽(yáng)輻射和水庫(kù)入庫(kù)流量的預(yù)報(bào)精度，計(jì)算公式如下：

平均絕對(duì)誤差為

E=∑Mi=1∑Mj=1∑Mk=1c-?MMM（1）

式中：M為水風(fēng)光電站數(shù)量；M為氣象水文要素?cái)?shù)量；M為采樣點(diǎn)總數(shù)；c和?分別為歸一化的氣象水文要素實(shí)際值和預(yù)報(bào)值。

均方根誤差為

E=∑Mi=1∑Mj=1∑Mk=1（c-?）²MMM（2）

1.2 聯(lián)合預(yù)報(bào)因子辨識(shí)

水風(fēng)光功率與氣象水文要素間存在復(fù)雜相關(guān)關(guān)系，本文采用最大互信息系數(shù)辨識(shí)系統(tǒng)功率預(yù)報(bào)的關(guān)鍵驅(qū)動(dòng)因子。最大互信息系數(shù)具有較好的魯棒性且計(jì)算復(fù)雜度較低，可以有效反映變量間的線性和非線性相關(guān)關(guān)系。計(jì)算步驟如下：

（1）對(duì)功率和氣象（或水文）要素構(gòu)成的散點(diǎn)圖進(jìn)行網(wǎng)格劃分，計(jì)算每個(gè)網(wǎng)格下的互信息值：

I（x，N）=∑x∑Np（x，N）lgp（x，N）p（x）p（N）s.t. r×c<B（3）

式中：p（x，N）為氣象水文要素x和功率N的聯(lián)合概率密度函數(shù)，為當(dāng)前網(wǎng)格中數(shù)據(jù)點(diǎn)數(shù)與總數(shù)據(jù)點(diǎn)數(shù)的比值；p（x）和p（N）為兩變量的邊緣密度函數(shù)；r和c為網(wǎng)格劃分行列數(shù)；B為網(wǎng)格劃分參數(shù)，設(shè)置為數(shù)據(jù)總量的0.6次方。

（2）對(duì)最大互信息進(jìn)行歸一化處理：

MIC（x，N）=I（x，N）lg（min（r，c））（4）

式中：m、n分別為網(wǎng)格當(dāng)前行數(shù)和列數(shù)。

（3）選取不同網(wǎng)格劃分方案并重復(fù)步驟（1）和步驟（2），最大互信息系數(shù)為所有方案中歸一化互信息值中的最大值：

MIC（x，N）=maxmn<B MIC（x，N） （5）

最大互信息系數(shù)取值范圍為［0，1］，其值越接近于1，說(shuō)明兩變量間線性或非線性相關(guān)性越強(qiáng)；反之，其值越接近于0，線性或非線性相關(guān)性越弱。

1.3 功率聯(lián)合預(yù)報(bào)

LSTM網(wǎng)絡(luò)作為一種深度學(xué)習(xí)模型，包括輸入門(mén)、遺忘門(mén)和輸出門(mén)，并通過(guò)這些門(mén)更新和刪除信息到存儲(chǔ)單元，可以有效處理長(zhǎng)期依賴性問(wèn)題，具有較好抗噪性?；贚STM網(wǎng)格建立系統(tǒng)功率與預(yù)報(bào)因子間的映射關(guān)系，設(shè)置水風(fēng)光互補(bǔ)系統(tǒng)功率聯(lián)合預(yù)報(bào)方案，具體描述如下：

（1）多輸入-多輸出聯(lián)合預(yù)報(bào)模型。以與水風(fēng)光功率時(shí)空相關(guān)性密切的預(yù)報(bào)因子集合為輸入，以水風(fēng)光功率集合為輸出，訓(xùn)練LSTM網(wǎng)絡(luò)，建立聯(lián)合預(yù)報(bào)模型。

（N^WP， N^PV， N^HP）=f（c， …， c）N^TP=N^WP+N^PV+N^HP（6）

式中：N^TP、N^WP、N^PV和N^HP分別為系統(tǒng)總功率、風(fēng)電功率、光電功率和水電功率；s為輸入變量時(shí)間維度；t為當(dāng)前時(shí)段；L為預(yù)見(jiàn)期長(zhǎng)度；f（）為擬合函數(shù)。

（2）多輸入-單輸出聯(lián)合預(yù)報(bào)模型。分別以與水風(fēng)光功率時(shí)空相關(guān)性密切的預(yù)報(bào)因子集合為輸入，以水風(fēng)光功率為輸出，訓(xùn)練LSTM網(wǎng)絡(luò)，建立聯(lián)合預(yù)報(bào)模型。

N^WP=f（c，…， c）

N^PV=f（c， …， c）

N^HP=f（c，…， c）

N^TP=N^WP+N^PV+N^HP（7）

（3）獨(dú)立預(yù)報(bào)模型。分別以入庫(kù)流量、風(fēng)速和太陽(yáng)輻射為輸入，以水風(fēng)光功率為輸出，訓(xùn)練LSTM網(wǎng)絡(luò)，建立獨(dú)立預(yù)報(bào)模型，作為對(duì)比方案。

N^WP=f（ws， …， ws）

N^PV=f（sr，…， sr）

N^HP=f（I，…， I）

N^TP=N^WP+N^PV+N^HP（8）

式中：ws，sr和I分別為風(fēng)速、太陽(yáng)輻射和水庫(kù)入庫(kù)流量。

1.4 評(píng)價(jià)指標(biāo)

選取平均絕對(duì)誤差和均方根誤差評(píng)估模型功率預(yù)報(bào)精度，并提出互補(bǔ)性指標(biāo)評(píng)估不同電站功率預(yù)報(bào)誤差的互補(bǔ)性：

CRFE=1-∑Mi=1∑Mj=1（N^-N）∑Mi=1∑Mj=1（N^-N）（9）

式中：CRFE為預(yù)報(bào)誤差互補(bǔ)率；N和N^分別為功率實(shí)際值和預(yù)報(bào)值。

預(yù)報(bào)誤差互補(bǔ)性即不同電站功率預(yù)報(bào)正、負(fù)誤差的抵消程度，當(dāng)不同電站功率預(yù)報(bào)正、負(fù)誤差之和越接近于0時(shí)，系統(tǒng)總功率預(yù)報(bào)精度越高。預(yù)報(bào)誤差互補(bǔ)率表征不同電站預(yù)報(bào)誤差的互補(bǔ)程度，取值范圍為［0，1］，其值越接近于1，說(shuō)明不同電站間功率預(yù)報(bào)誤差互補(bǔ)性越強(qiáng)；反之，其值越接近于0，說(shuō)明不同電站間功率預(yù)報(bào)誤差互補(bǔ)性越弱。

2 研究流域和數(shù)據(jù)

2.1 研究流域

本文研究對(duì)象為官地水風(fēng)光互補(bǔ)系統(tǒng)，該工程位于四川省境內(nèi)，所屬流域?yàn)檠诺a江流域。雅礱江位于金沙江左岸，是金沙江最大的一級(jí)支流。雅礱江干流全長(zhǎng)約1 571 km，流域面積約13.6萬(wàn)km²，流域內(nèi)水能、風(fēng)能和太陽(yáng)能資源豐富，境內(nèi)規(guī)劃建設(shè)雅礱江流域水風(fēng)光互補(bǔ)清潔能源基地。

官地水風(fēng)光互補(bǔ)系統(tǒng)主要包括官地水電站及周?chē)L(fēng)、光電站。官地水庫(kù)位于雅礱江干流下游，調(diào)節(jié)庫(kù)容0.284億m³，具有日調(diào)節(jié)能力。官地水電站于2014年完建，安裝4臺(tái)水電機(jī)組，單機(jī)容量均為600 MW，總裝機(jī)容量2 400 MW。規(guī)劃建設(shè)的風(fēng)電場(chǎng)和光伏電站主要分布在官地水電站周?chē)牡虏望}源等縣，裝機(jī)容量分別為2 411 MW和920 MW。

2.2 研究數(shù)據(jù)

本文使用的數(shù)據(jù)時(shí)間跨度為2015年9月至2017年8月，主要包括：

（1）采用NRG風(fēng)速儀采集的測(cè)風(fēng)塔（102.06°E，27.39°N）70 m高度處風(fēng)速數(shù)據(jù)，時(shí)間分辨率為10 min。

（2）PVGIS網(wǎng)站光伏數(shù)據(jù)，時(shí)間分辨率為1 h。

（3）官地水電站功率序列，時(shí)間分辨率為1 h。

（4）官地水庫(kù)入庫(kù)流量序列和上游水庫(kù)出庫(kù)流量序列，時(shí)間分辨率為1 h。

（5）0.5°網(wǎng)格潛在蒸散發(fā)數(shù)據(jù)，時(shí)間分辨率為1 d，通過(guò)線性插值降尺度為1 h時(shí)間分辨率數(shù)據(jù)。

（6）全球預(yù)報(bào)系統(tǒng)模型（GFS）0.25°網(wǎng)格氣象數(shù)據(jù)集，時(shí)間分辨率為3 h。

（7）雅礱江流域GDEM-V2版本30 m精度的DEM數(shù)據(jù)。

2.3 模型參數(shù)

模型率定期和檢驗(yàn)期均設(shè)置為1 a，即劃分2015年9月至2016年8月為率定期，2016年9月至2017年8月為檢驗(yàn)期，預(yù)見(jiàn)期長(zhǎng)度設(shè)置為24 h。WRF模型網(wǎng)格嵌套模擬的水平分辨率分別為10 km和3.33 km，時(shí)間分辨率為10 min。WRF模型模擬的初始場(chǎng)條件和邊界條件為GFS系統(tǒng)的0.25°網(wǎng)格氣象數(shù)據(jù)集，地形數(shù)據(jù)采用靜態(tài)地理數(shù)據(jù)，WRF模型模擬采用蘭勃特投影，垂直層數(shù)設(shè)置為32層。不同氣象要素預(yù)報(bào)時(shí)WRF模型物理參數(shù)化方案的詳細(xì)信息如表1所列。

3 研究結(jié)果

3.1 氣象-水文要素聯(lián)合預(yù)報(bào)結(jié)果

WRF-新安江模型風(fēng)速、太陽(yáng)輻射和入庫(kù)流量預(yù)報(bào)結(jié)果（以2017年5月1日至15日為例）如圖2所示。由圖2可知：

（1）通過(guò)WRF-新安江模型聯(lián)合預(yù)報(bào)所得的風(fēng)速、太陽(yáng)輻射和入庫(kù)流量可以基本反映氣象、水文要素的變化趨勢(shì)和變化范圍，但是在極值的預(yù)報(bào)方面存在一定誤差，其中風(fēng)速預(yù)報(bào)相對(duì)誤差最大，入庫(kù)流量預(yù)報(bào)相對(duì)誤差次之，太陽(yáng)輻射預(yù)報(bào)相對(duì)誤差最小。

（2）預(yù)報(bào)風(fēng)速序列與實(shí)際風(fēng)速相比存在較小時(shí)滯現(xiàn)象，太陽(yáng)輻射預(yù)報(bào)和入庫(kù)流量預(yù)報(bào)在峰值與谷值出現(xiàn)時(shí)間上與實(shí)際序列較為吻合。

（3）入庫(kù)流量預(yù)報(bào)存在峰值預(yù)報(bào)偏小、谷值預(yù)報(bào)偏大現(xiàn)象，主要原因?yàn)楣俚厮畮?kù)入庫(kù)流量過(guò)程受上游水庫(kù)出庫(kù)流量影響較大，入庫(kù)流量日內(nèi)變幅較大，水文模型難以準(zhǔn)確模擬，同時(shí)入庫(kù)流量序列由水庫(kù)運(yùn)行過(guò)程反演得到，本身存在一定誤差。

風(fēng)速、太陽(yáng)輻射和入庫(kù)流量等氣象、水文要素在不同的季節(jié)表現(xiàn)出不同的變化特征。WRF-新安江模型在不同月份的風(fēng)速、太陽(yáng)輻射和入庫(kù)流量預(yù)報(bào)誤差如圖3所示。由圖3可知，風(fēng)速、太陽(yáng)輻射和入庫(kù)流量在不同月份的預(yù)報(bào)精度有所不同。風(fēng)速預(yù)報(bào)在冬季表現(xiàn)較差，主要原因?yàn)槎撅L(fēng)速較大，波動(dòng)范圍高于其他季節(jié)，增加了WRF模型預(yù)報(bào)難度，尤其是峰值、谷值預(yù)報(bào)更加困難。太陽(yáng)輻射預(yù)報(bào)精度與風(fēng)速預(yù)報(bào)相反，冬季預(yù)報(bào)精度較高，夏季預(yù)報(bào)誤差較大，太陽(yáng)輻射在夏季高于冬季，風(fēng)光資源存在互補(bǔ)特性。入庫(kù)流量預(yù)報(bào)誤差表現(xiàn)為汛期較大，非汛期較小，入庫(kù)流量受到上游水庫(kù)出庫(kù)流量和區(qū)間降水雙重影響，表現(xiàn)為夏秋大，冬春小，白天大，晚上小的特征，與太陽(yáng)輻射強(qiáng)度變化規(guī)律表現(xiàn)較為一致。

3.2 功率聯(lián)合預(yù)報(bào)方案

為考慮水風(fēng)光間時(shí)空相關(guān)性特征，選取影響水風(fēng)光互補(bǔ)系統(tǒng)功率的氣象水文要素，包括風(fēng)電場(chǎng)風(fēng)速、太陽(yáng)輻射和降水，光伏電站風(fēng)速、太陽(yáng)輻射和降水，以及水庫(kù)入庫(kù)流量等。水風(fēng)光互補(bǔ)系統(tǒng)功率與氣象水文要素間的最大互信息系數(shù)如圖4所示。由圖4可知：

（1）風(fēng)電功率與降水相關(guān)性較弱，與其他氣象水文要素的最大互信息系數(shù)在0.47～0.58之間，相關(guān)性較強(qiáng)；光電功率與風(fēng)光電站的太陽(yáng)輻射相關(guān)性最強(qiáng)，與水庫(kù)入庫(kù)流量的相關(guān)性較強(qiáng)；水電功率與水庫(kù)入庫(kù)流量的相關(guān)性最強(qiáng)，與風(fēng)速和太陽(yáng)輻射的相關(guān)性較強(qiáng)，最大互信息系數(shù)在0.50～0.57之間；系統(tǒng)總功率與風(fēng)速、太陽(yáng)輻射和入庫(kù)流量相關(guān)性較強(qiáng)。

（2）對(duì)比水風(fēng)光互補(bǔ)系統(tǒng)功率與氣象水文要素間最大互信息系數(shù)可知，降水與各個(gè)電站發(fā)電功率的相關(guān)性均較弱，水庫(kù)入庫(kù)流量與各個(gè)電站發(fā)電功率的相關(guān)性均較強(qiáng)。主要原因?yàn)榻邓c風(fēng)速、太陽(yáng)輻射和入庫(kù)流量間雖然存在時(shí)空相關(guān)性，但并不是系統(tǒng)功率的直接影響因素，因此與系統(tǒng)功率的相關(guān)性較小。水庫(kù)入庫(kù)流量為流域內(nèi)氣象-水文過(guò)程的綜合結(jié)果，可綜合反映流域內(nèi)氣象-水文狀態(tài)，而水風(fēng)光互補(bǔ)系統(tǒng)功率受到流域氣象-水文過(guò)程的影響，因此與系統(tǒng)功率表現(xiàn)為統(tǒng)計(jì)上的相關(guān)關(guān)系。

選取指標(biāo)值超過(guò)0.5的氣象水文要素作為水風(fēng)光互補(bǔ)系統(tǒng)功率聯(lián)合預(yù)報(bào)因子，結(jié)果如表2所列。

3.3 系統(tǒng)功率聯(lián)合預(yù)報(bào)結(jié)果

基于表2所列聯(lián)合預(yù)報(bào)因子選擇及預(yù)報(bào)方案對(duì)水風(fēng)光互補(bǔ)系統(tǒng)功率進(jìn)行預(yù)報(bào)，并使用平均絕對(duì)誤差和均方根誤差對(duì)預(yù)報(bào)結(jié)果進(jìn)行評(píng)估，結(jié)果如表3和圖5所示。

（1）不同預(yù)報(bào)方案的預(yù)報(bào)性能存在差異，整體上方案1預(yù)報(bào)精度優(yōu)于方案2，方案3預(yù)報(bào)精度最差。方案1中風(fēng)電、光電、水電和系統(tǒng)總功率預(yù)報(bào)平均絕對(duì)誤差分別為206.0，31.6，204.0 MW和277.0 MW，相比獨(dú)立預(yù)報(bào)方案分別降低了9.93%，18.05%，9.80%和9.62%；均方根誤差分別為0.099，0.058，0.092和0.057，相比獨(dú)立預(yù)報(bào)方案分別降低了10.36%，19.19%，9.04%和8.31%，在所有預(yù)報(bào)方案中誤差最小。結(jié)果表明：聯(lián)合預(yù)報(bào)方案可以考慮風(fēng)速、太陽(yáng)輻射和入庫(kù)流量間時(shí)空相關(guān)性特征，有效提高水風(fēng)光功率預(yù)報(bào)精度，其中，多輸入-多輸出聯(lián)合預(yù)報(bào)方案以水風(fēng)光功率集合形式作為模型輸出，可以進(jìn)一步考慮水風(fēng)光功率間的相關(guān)關(guān)系，減小預(yù)報(bào)誤差。

（2）水風(fēng)光互補(bǔ)系統(tǒng)中不同電站的功率預(yù)報(bào)精度不同，具體表現(xiàn)為風(fēng)電功率預(yù)報(bào)誤差與水電功率預(yù)報(bào)誤差相當(dāng)，光電功率預(yù)報(bào)誤差最小。風(fēng)速及風(fēng)電功率的波動(dòng)性和隨機(jī)性較強(qiáng)，同時(shí)風(fēng)電功率和氣象水文要素間為復(fù)雜的非線性相關(guān)關(guān)系，線性相關(guān)關(guān)系較弱，增加了預(yù)報(bào)難度。光電功率和太陽(yáng)輻射間線性相關(guān)關(guān)系較強(qiáng)，波動(dòng)性和隨機(jī)性與風(fēng)電功率相比較弱，預(yù)報(bào)精度較高。水電功率受到調(diào)度決策影響，日內(nèi)變化較大，且峰谷差異明顯，水電功率預(yù)報(bào)結(jié)果在量級(jí)上與實(shí)際功率較為一致，但難以準(zhǔn)確預(yù)報(bào)水電功率的峰值和谷值。

（3）對(duì)比系統(tǒng)總功率與單一電站功率預(yù)報(bào)結(jié)果可知，系統(tǒng)總功率預(yù)報(bào)平均絕對(duì)誤差高于單一電站功率預(yù)報(bào)誤差，但低于三者誤差的疊加，誤差分布較為分散；系統(tǒng)總功率預(yù)報(bào)均方根誤差低于單一電站功率預(yù)報(bào)均方根誤差，且誤差分布較為集中。

基于不同的預(yù)報(bào)方案，水風(fēng)光系統(tǒng)功率預(yù)報(bào)誤差互補(bǔ)率如圖6所示。由預(yù)報(bào)誤差互補(bǔ)率結(jié)果可知：

（1）水風(fēng)光系統(tǒng)中，不同電站功率預(yù)報(bào)誤差間存在互補(bǔ)關(guān)系，不同電站功率預(yù)報(bào)正、負(fù)誤差相互抵消提高了總功率預(yù)報(bào)精度。其中，水風(fēng)光3種電站聯(lián)合預(yù)報(bào)時(shí)預(yù)報(bào)誤差互補(bǔ)率最大，方案1、方案2和方案3的預(yù)報(bào)誤差互補(bǔ)率分別為0.382，0.374和0.344，水風(fēng)、風(fēng)光和水光兩種電站聯(lián)合預(yù)報(bào)時(shí)預(yù)報(bào)誤差互補(bǔ)率依次減小。

（2）對(duì)比不同方案預(yù)報(bào)誤差互補(bǔ)率結(jié)果可知，方案1預(yù)報(bào)誤差互補(bǔ)率最大，方案3預(yù)報(bào)誤差互補(bǔ)率最小，表明多輸入-多輸出聯(lián)合預(yù)報(bào)方案可以提高預(yù)報(bào)誤差互補(bǔ)率，從而提高水風(fēng)光系統(tǒng)總功率預(yù)報(bào)精度。相比于獨(dú)立預(yù)報(bào)方案，水風(fēng)光系統(tǒng)功率預(yù)報(bào)誤差互補(bǔ)率提高了10.96%。

（3）水風(fēng)光系統(tǒng)功率預(yù)報(bào)誤差互補(bǔ)率存在季節(jié)性差異。對(duì)于同一預(yù)報(bào)方案，不同月份的預(yù)報(bào)誤差互補(bǔ)率不同，不同電站類(lèi)型組合的預(yù)報(bào)誤差互補(bǔ)率也存在差異；對(duì)于同一種電站類(lèi)型組合情景，方案1在多數(shù)月份的預(yù)報(bào)誤差互補(bǔ)率最大。

4 結(jié) 論

為了提高水風(fēng)光系統(tǒng)功率預(yù)報(bào)精度，本文基于官地水風(fēng)光系統(tǒng)，開(kāi)展了考慮時(shí)空相關(guān)性特征的水風(fēng)光互補(bǔ)系統(tǒng)短期功率聯(lián)合預(yù)報(bào)研究。研究結(jié)論如下：

（1）使用聯(lián)合預(yù)報(bào)因子預(yù)報(bào)水風(fēng)光互補(bǔ)系統(tǒng)功率可以有效提高功率預(yù)報(bào)精度，其中多輸入-多輸出聯(lián)合預(yù)報(bào)方案預(yù)報(bào)精度最高。

（2）集成WRF-新安江模型物理驅(qū)動(dòng)和長(zhǎng)短期記憶網(wǎng)絡(luò)數(shù)據(jù)驅(qū)動(dòng)的聯(lián)合預(yù)報(bào)模型可以有效提高水風(fēng)光系統(tǒng)總功率預(yù)報(bào)精度。相比獨(dú)立預(yù)報(bào)方案，總功率預(yù)報(bào)平均絕對(duì)誤差和均方根誤差分別降低了9.62%和8.31%。

（3）水風(fēng)光功率間的互補(bǔ)特性和預(yù)報(bào)誤差互補(bǔ)特性使總功率預(yù)報(bào)誤差遠(yuǎn)低于三者誤差的疊加，構(gòu)建的聯(lián)合預(yù)報(bào)模型可提高水風(fēng)光系統(tǒng)預(yù)報(bào)誤差互補(bǔ)率，相比獨(dú)立預(yù)報(bào)方案提高10.96%。

參考文獻(xiàn)：

［1］ 肖軍，朱正，魯曉軍，等.提高水風(fēng)光可再生能源配網(wǎng)消納的分布式串聯(lián)補(bǔ)償研究［J］.水利水電快報(bào)，2023，44（3）：89-95.

［2］ ZHANG Y，ZHAO Y，SHEN X，et al.A comprehensive wind speed prediction system based on Monte Carlo and artificial intelligence algorithms［J］.Applied Energy，2022，305：117815.

［3］ 沈筱，方國(guó)華，譚喬鳳，等.風(fēng)光水發(fā)電系統(tǒng)聯(lián)合調(diào)度規(guī)則提?。跩］.水力發(fā)電，2020，46（5）：114-117，126.

［4］ NOTTON G，MISTRUSHI D，STOYANOV L，et al.Operation of a photovoltaic-wind plant with a hydro pumping-storage for electricity peak-shaving in an island context［J］.Solar Energy，2017，157：20-34.

［5］ 張振東，羅斌，覃暉，等.風(fēng)光水互補(bǔ)系統(tǒng)時(shí)間序列變量概率預(yù)報(bào)框架［J］.水利學(xué)報(bào)，2022，53（8）：949-963.

［6］ 謝俊，鮑正風(fēng)，曹輝，等.金沙江下游水風(fēng)光儲(chǔ)聯(lián)合調(diào)度技術(shù)研究與展望［J］.人民長(zhǎng)江，2022，53（11）：193-202.

［7］ 馬曉偉，郭懌，李研，等.計(jì)及短期運(yùn)行特征的水風(fēng)光互補(bǔ)中長(zhǎng)期調(diào)度［J］.人民長(zhǎng)江，2024，55（6）：9-15，84.

［8］ LENG H，LI X，ZHU J，et al.A new wind power prediction method based on ridgelet transforms，hybrid feature selection and closed-loop forecasting［J］.Advanced Engineering Informatics，2018，36：20-30.

［9］ SOUBDHAN T，NDONG J，OULD-BABA H，et al.A robust forecasting framework based on the Kalman filtering approach with a twofold parameter tuning procedure：application to solar and photovoltaic prediction［J］.Solar Energy，2016，131：246-259.

［10］LU P，YE L，ZHAO Y，et al.Review of meta-heuristic algorithms for wind power prediction：methodologies，applications and challenges［J］.Applied Energy，2021，301：117446.

［11］戚曉俠.基于深度學(xué)習(xí)的光伏/風(fēng)電功率預(yù)測(cè)研究［D］.哈爾濱：哈爾濱工程大學(xué)，2022.

［12］PENG H，LIU F，YANG X.A hybrid strategy of short term wind power prediction［J］.Renewable Energy，2013，50：590-595.

［13］梁允，許沛華，孫芊，等.基于滾動(dòng)的BP神經(jīng)網(wǎng)絡(luò)的光伏發(fā)電功率預(yù)報(bào)［J］.水電能源科學(xué)，2017，35（9）：212-214.

［14］李育強(qiáng)，晁勤，索南加樂(lè).基于線性回歸算法光伏電站短期功率預(yù)報(bào)模型研究［J］.可再生能源，2013，31（1）：25-28.

［15］孫川永，陶樹(shù)旺，彭友兵，等.基于神經(jīng)元網(wǎng)絡(luò)方法的風(fēng)電場(chǎng)風(fēng)電功率預(yù)報(bào)研究［J］.電網(wǎng)與清潔能源，2011，27（12）：90-94.

［16］李建紅，陳國(guó)平，葛鵬江，等.基于相似日理論的光伏發(fā)電系統(tǒng)輸出功率預(yù)測(cè)［J］.華東電力，2012，40（1）：153-157.

［17］劉麗珺，梁友嘉.集成CFD與Kalman濾波的微尺度風(fēng)電場(chǎng)風(fēng)功率預(yù)報(bào)方法［J］.高原氣象，2018，37（4）：1061-1073.

［18］王俊，程海云，郭生練，等.智慧流域水文預(yù)報(bào)技術(shù)研究進(jìn)展與開(kāi)發(fā)前景［J］.人民長(zhǎng)江，2023，54（8）：1-8，59.

［19］劉燕華，劉沖，李偉花，等.基于出力模式匹配的風(fēng)電集群點(diǎn)多時(shí)間尺度功率預(yù)測(cè)［J］.中國(guó)電機(jī)工程學(xué)報(bào)，2014，34（25）：4350-4358.

［20］雷鴻萱，劉攀，馬黎，等.水風(fēng)光多能互補(bǔ)系統(tǒng)中長(zhǎng)期功率聯(lián)合預(yù)報(bào)［J］.水力發(fā)電學(xué)報(bào)，2023，42（9）：22-33.

（編輯：郭甜甜）

Joint forecast for short-term power of hydro-wind-photovoltaic systemXU Weifeng¹，XU Changjiang¹，LIU Pan²，ZHAO-YANG Kunying³

（1.Bureau of Hydrology，Changjiang Water Resources Commission，Wuhan 430010，China； 2.State Key Laboratory of Water Resources Engineering and Management，Wuhan University，Wuhan 430072，China； 3.School of Mathematics and Statistics，Beijing Institute of Technology，Beijing 102401，China）

Abstract： Short-term power forecast is an important way to guide operation of renewable energy stations.A joint short-term power forecast model for hydro-wind-photovoltaic system is proposed for problem of hardly considering the spatial-temporal correlation of different energies and the complementary characteristics of forecast errors in power forecast of hybrid energy system.The WRF-Xin'anjiang coupling model is used to drive joint meteorological and hydrological elements forecast.The joint forecast factors are identified by the mutual information method.The joint power forecast schemes are constructed based on long short-term memory network.The complementary rate of forecast errors is proposed to evaluate the power forecast accuracy.Guandi hydro-wind-photovoltaic complementary system in Yalong River basin is considered as a case study.Results indicate that compared to independent forecast model，the joint forecast model driven by physics and data reduced the average absolute error and root mean square error of total power forecast by 9.62% and 8.31%，respectively.The total system power forecast error is lower than the summation of forecast errors for each power station due to the complementary characteristics of forecast errors.Compared with the independent forecast model，the complementary rate of forecast errors increases by 10.96%.The proposed method can provide technical support for the coordination of hydro-wind-photovoltaic system.

Key words： hydro-wind-photovoltaic system；power forecast；joint forecast；complementary of forecast errors；Guandi Hydropower Station；Yalong River Basin