风力发电功率预测的技术进展与展望

华北电力大学 韩韫洲

随着能源危机日趋严峻，保障能源供应已是重要问题。风能是一清洁能源，有低成本、可再生优点。但风电本身的不确定性会影响其并网后电网的安全稳定。特别是当风电穿透率较高时，更要电网有大量调峰备用容量。我国风电场多集中式和大容量的风电场，风电不稳定性对于电网影响明显，因此目前存在许多弃风行为。若能准确预测风电功率，便可解决问题。

风力发电功率的准确预测靠科学的预测理论方法和合理的预测模型，国内外学者进行了系列广泛的理论探索并提出许多预测方法。按不同建模机理，风力发电功率预测模型可分物理模型、统计模型、空间相关性模型及人工智能模型等。当前世界范围内已研发出一些成熟的风电预测系统，如丹麦的Zephry 系统、德国的WPMS 以及我国电力科学研究院研发的WPFS 等。

风电功率预测技术是指对未来一段时间风电场能输出的功率大小进行预测以安排调度计划，得到精准预测结果后可制定合理的调度、检修计划，从而提高风能利用率。准确的预测结果有利于解决风电输出功率控制、经济调度及风电竞价交易等问题，从而提高上网电价。对发电企业，风电功率的精准预测有助于企业检修、减少弃风，提高经济效益。

1 风力发电功率预测的方法

风力发电功率预测从时间尺度可划分为超短期、短期、中期和中长期预测；从模型对象可分为基于风速和基于功率；从模型原理看有物理方法、统计方法及学习方法；从对象范围看有单台风机、整个风电场和较弱区域。超短期预测用于控制风电机组，短期预测用于电网安排调度，中期预测用于大型检修，长期预测用于风电场选址评估。从模型对象来看，基于风速的预测首先预测出风速，再据功率曲线计算风电功率。基于功率的预测是直接对风电功率进行预测。

持续型预测。这种方法直接假设在“t+Δt”时间内的风速与在“t”时间内的风速相同。它对于超短期或短期的风电功率预测比大多数物理和统计方法更准确，在工业领域中也常用这种方法进行超短期预测，这种方法也成为了衡量其他预测方法是否有效的基准之一。

物理方法。风电功率预测的物理方法主要指基于数字天气预报(NWP)的预测方法。目前这种方法已较成熟，适用于较长时间风电功率预测。该方法将天气数据代入NWP 的预测数学模型，计算分析出风电场位置的现场状况。天气条件越稳定，基于NWP 的预测方法结果就越准确[1]。由于模型复杂性，该方法要用超级计算机来运行，应用有局限性，短期预测有效性不如持续型预测，因此基于NWP 的预测方法通常不应用于超短期风电功率预测。

统计方法。是据历史统计数据找出天气状况与发电功率间的关系后，据实测数据和数值天气预测数据对场未来发电功率进行预测。统计预测方法的代表是时间序列法，其是将各个时间点的风电场气象数据输入SCADA 系统中进行计算分析。自回归滑动平均（ARMR）是时间序列法中常用模型。ARMR 模型可描述线性动态过程，但仅限于零均值的平稳随机序列。而风速和风电功率的时间序列都有非平稳随机序列的特点，故建立风电功率预测的ARMR 模型时要对数据进行非平稳化处理。

学习方法。主指人工智能算法。用经典的数学统计方法可较快、简易地预测风电功率。但电力系统及风速都处于复杂的非线性动态过程，因此采用经典的数学统计方法必影响精度。人工智能算法可更准确地拟合非线性关系，提高预测精确度，从而弥补传统方法单纯依靠数学求解带来的不足。BP（Back-propagation）神经网络是最常用的神经网络。这种神经网络中每个神经元有三个——输入、判断和输出。每一层神经元内部无关联，相邻层的神经元点间互相连接。每条神经线可赋予不同的权重，权重分配的合理性将直接影响模型输出结果的准确性[2]。

混合方法。近年来提出了利用个体预测方法优势的各种组合预测方法，且其预测性能常优于个体。组合预测方法可分为四类：基于权重的组合方法据各预测精度为各方法分配权重系数，后合并加权的预测。Shi 等[3]提出一基于灰色关联分析和风速分布特征的基于加权的组合模型；实施数据预处理技术，将原始的非线性风速或风能时间序列分解为更平稳和规则的分量。liang 等[4]提出一基于Hilbert-Huang 变换和Hurst 分析的风电规模划分方法；训练过程中采用参数选择和优化技术来优化预测模型参数的组合方法。Chitsaz H 等[5]提出一以多维Morlet 小波为隐藏神经元函数；基于数据后处理技术的组合方法，减少从主要预测方法产生的对于残差的负面影响。考虑到风力的波动性，Liu HP 等[6]提出了自回归条件异方差模型（ARCH）。

2 风电功率预测现存问题

风电功率预测方法缺点。风力发电机功率取决于风电场风速，风速与功率是三次方的关系，即风速预测中任何误差都会给风能预测带来巨大误差。对风电场这种关系更复杂。电场中不同风机用多个风向和速度以达风电场最佳功率输出。因此风速预测中小误差会在风能预测中产生更大误差。物理预测缺点有由于边界条件复杂导致更新缓慢不能预测短期功率、分辨率不高、误差大。统计方法对于数据有一定要求，也有一定误差且模型要求高。目前世界总体对风力发电功率的预测总体值是偏小的。现在可预测的风力发电功率集中在陆上及近岸，但陆上偏远及崎岖地区并不能很好地预测。在远海及深海大部分地区都不能预测风力发电功率，主要是技术不行：一是不能建造风电场以获得准确数据；二是预测技术不能适应；目前的技术不能很好的适应天气变化、地理分布规律。

对风电功率预测系统的评价。风力发电功率随风速变化有一定波动性，风电功率预测有一系列不可避免误差，对电力系统稳定运行有影响。通过评价指标可直观了解预测系统运行情况，提高风电功率预测系统精确度。现行的风电功率预测系统评价指标有：绝对误差(et)v。et=|pt −p′t|；平均相对误差(MRE)。MRE=∑t=1net/(npt)；平均绝对误差(MAE)。MAE=∑t1=net/(npN)；均方根误差(RMSE)。

风电功率存在的偏差。现有数据偏差多呈现单向连续偏差且功率偏差大的数据比例较小，数据偏差相对值多居10～30%。为减少偏差制定了功率偏差考核细则，其中准确率有4个指标：月风电场功率预测准确率（权重60%)；上报功率预测合格率（权重20%)；月传送率（权重10%)；完备率r4（权重10%)。

3 研究中的预测方法及风力发电功率预测展望

通过本文的研究，希望从中获得风力发电功率预测的新想法：一是单机风电功率人工智能预测模型，阐述模糊逻辑等人工智能方法如何应用于单机风电功率预测及特点[7]；二是基于二次模式分解和级联式深度学习的超短期风电功率预测，提出一基于EEMD-WPD 二次模式分解和级联式CNNGRU 深度学习的风电功率预测模型[8]；三是基于降噪时序深度学习网络的风电功率短期预测方法，提出使用SSALSTM 预测模型，可分析并处理低维度风能历史数据[9]。

风力发电是目前世界上增长最快的可再生能源发电方式。我国是能源需求大国，随着各大型风电场建立风电装机容量也逐年上升。较传统能源发电方式风力发电会因为风的不稳定性对电力系统稳定运行产生威胁，大规模风电并网也给电网带来冲击。为减少大规模风电并网对电力系统运行带来的危害，风电场功率预测技术的研究及风电预测系统的开发就显得尤为重要。智能算法、深度神经网络在风力发电功率预测中有巨大潜力，应因地制宜的设计模型和方法进行功率预测。