風(fēng)電場風(fēng)電功率預(yù)測研究綜述

周 硯，談英蓮，劉 彪，王 凱

（新疆風(fēng)電工程設(shè)計咨詢有限責(zé)任公司，新疆烏魯木齊830063）

1 引言

大力發(fā)展風(fēng)電能源技術(shù)在改善能源結(jié)構(gòu)、減少溫室氣體排放等方面具有非常積極的作用，與常規(guī)電源相比，風(fēng)電場的輸出功率受人為因素干預(yù)較小，幾乎完全由自然條件決定。隨機變化的風(fēng)速、風(fēng)向?qū)е嘛L(fēng)電場輸出功率具有波動性、間歇性、隨機性的特點，大量風(fēng)電場集中并網(wǎng)會對電網(wǎng)的安全、穩(wěn)定、經(jīng)濟運行帶來影響，成為了限制電網(wǎng)接納風(fēng)電的主要障礙之一。

對風(fēng)電場的輸出功率進行預(yù)測被認為是提高電網(wǎng)調(diào)峰能力、增強電網(wǎng)接納風(fēng)電發(fā)電的能力、改善電力系統(tǒng)運行安全性與經(jīng)濟性的最有效、最經(jīng)濟的手段之一。通過預(yù)測，風(fēng)電將從未知變?yōu)榛疽阎{(diào)度運行人員可根據(jù)預(yù)測的波動情況，合理安排應(yīng)對措施，提高電網(wǎng)的安全性和可靠性；而將功率預(yù)測與負荷預(yù)測相結(jié)合，還有利于調(diào)度運行人員調(diào)整和優(yōu)化常規(guī)電源的發(fā)電計劃，改善電網(wǎng)調(diào)峰能力，增加風(fēng)電的并網(wǎng)容量；根據(jù)風(fēng)電功率預(yù)測結(jié)果，只需增加對應(yīng)預(yù)測誤差的旋轉(zhuǎn)備用容量，可以顯著降低額外增加的旋轉(zhuǎn)備用容量，對改善電力系統(tǒng)運行經(jīng)濟性，減少溫室氣體排放具有非常重要的意義，風(fēng)電功率預(yù)測還可以增強風(fēng)電在電力市場中的競爭力，提高上網(wǎng)電價。對發(fā)電企業(yè)來說，風(fēng)電功率預(yù)測有助于發(fā)電企業(yè)合理安排檢修計劃、減少棄風(fēng)，提高企業(yè)的盈利能力［1]。

2 風(fēng)電場風(fēng)電功率預(yù)測研究的方法

風(fēng)電場風(fēng)電功率的預(yù)測可按多種方法分類，如圖1所示。

本文主要從輸入數(shù)據(jù)分類的角度展開對風(fēng)電場風(fēng)電功率預(yù)測的研究和論述。

2.1 時間序列法

時間序列分析法是實際工程中常用的預(yù)報方法［2]，對平穩(wěn)時間序列所采用的時序模型主要包括自回歸模型（Auto Regressive，AR）、滑動平均模型（moving average，MA）和自回歸滑動平均模型（Auto Regressive Moving Average，ARMA）。對非平穩(wěn)時間序列，則需要進行平穩(wěn)化處理后再建立模型，常用的方法是差分處理，然后再建立ARMA模型，即差分自回歸滑動平均模型（Auto Regressive IntegratedMoving Average，ARIMA）。

圖1 風(fēng)電功率預(yù)測方法

采用ARMA模型進行預(yù)測時（ARMA模型是隨機時間序列分析模型的普遍形式，AR模型和MA模型是它的特殊情況），由時間序列建立的ARMA（p，q）模型如下：

式中：xt（t＝1，2，3，…）為時間序列；at為零均值、方差為的正態(tài)白噪聲過程；φi（i＝1，2，…，p）和θj（j＝1，2，…，q）分別為模型的待估計自回歸參數(shù)和滑動平均參數(shù)；B為后移差分算子。

建立上述時序模型的過程包括模型識別、參數(shù)估計和模型檢驗。模型識別就是判定待求的預(yù)測模型是 AR、MA或 ARMA，并確定模型階數(shù)（確定p和q）。參數(shù)估計，就是在模型識別之后，根據(jù)適當?shù)姆椒ㄓ嬎隳Ｐ椭械奈粗獏?shù)（確定φi、θj和）。模型識別和參數(shù)估計是應(yīng)用時間序列建模時很重要且復(fù)雜的過程，它們都是根據(jù)有限序列式去推斷原始序列式的性質(zhì)來完成的，這種推斷不可能完全準確。然而這兩個過程的適當與否直接影響到模型參數(shù)的計算精度，進一步地影響到預(yù)測的好壞，因此對所確定的隨機模型是否合適還需要進行檢驗。

在我國近期的研究中，文獻［3]運用聚類方法對歷史風(fēng)速數(shù)據(jù)進行處理，實現(xiàn)了歷史數(shù)據(jù)的自動分類，運用時間序列方法，建立風(fēng)速預(yù)測模型；文獻［4－5]針對數(shù)值天氣預(yù)報模型輸出的氣象參數(shù)存在系統(tǒng)誤差而導(dǎo)致風(fēng)電場功率預(yù)測精度受到制約的問題，使用卡爾曼濾波算法對數(shù)值天氣預(yù)報輸出的風(fēng)速數(shù)據(jù)進行動態(tài)修正，并結(jié)合其他氣象數(shù)據(jù)形成新的用于風(fēng)電功率預(yù)測的修正氣象數(shù)據(jù)集合；文獻［6]根據(jù)風(fēng)速變化的特點，選擇了適于描述波動變化特性時間序列的GARCH方法；文獻［7]基于電力系統(tǒng)領(lǐng)域?qū)Ψ宥鹊亩x，理論推導(dǎo)并證明SV超峰度定理的衍生形式，建立適應(yīng)風(fēng)速預(yù)測的SV風(fēng)速模型，模擬風(fēng)速數(shù)據(jù)的整體峰度。

時間序列分析建模最大的優(yōu)點在于不必深究信號序列的產(chǎn)生背景，序列本身所具有的時序性和自相關(guān)性已經(jīng)為建模提供了足夠的信息，只需要有限的樣本序列，就可以建立起相當高精度的預(yù)測模型，但其存在低階模型預(yù)測精度低、高階模型參數(shù)估計難度大的不足。

2.2 采用數(shù)值天氣預(yù)報數(shù)據(jù)

數(shù)值天氣預(yù)報（Numerical Weather Prediction，NWP）根據(jù)大氣實際情況，在一定的初值和邊值條件下，通過大型計算機作數(shù)值計算，求解描寫天氣演變過程的流體力學(xué)和熱力學(xué)方程組，預(yù)測未來一定時段的大氣運動狀態(tài)和天氣現(xiàn)象的方法［8]。

2.2.1 物理方法

物理方法是一種基于風(fēng)速的預(yù)測方法，考慮到風(fēng)電功率與氣象條件的相關(guān)性，先根據(jù)數(shù)值天氣預(yù)報的預(yù)測結(jié)果得到風(fēng)電機組輪轂高度的氣壓、風(fēng)速、溫度、風(fēng)向等信息，基于預(yù)測結(jié)果利用風(fēng)功率曲線獲得風(fēng)電功率的預(yù)測值［9－10]。圖2所示為物理方法預(yù)測流程圖。

圖2 物理方法預(yù)測流程圖

目前我國采用的物理預(yù)測方法有基于灰色理論對風(fēng)電場風(fēng)力發(fā)電容量預(yù)測［11－12]；以預(yù)測功率為基礎(chǔ)，考慮預(yù)測誤差分布影響，利用機會約束規(guī)劃方法建立基于預(yù)測功率可信度水平的分級模型［13]；基于預(yù)測誤差分布特性統(tǒng)計分析的非參數(shù)置信區(qū)間估計方法，對各功率分區(qū)內(nèi)的預(yù)測誤差概率密度函數(shù)進行建模，并在確定性預(yù)測基礎(chǔ)上求取概率性風(fēng)電功率預(yù)測值［14]；采用非線性神經(jīng)網(wǎng)絡(luò)實現(xiàn)對實際功率曲線的逼近，根據(jù)風(fēng)速預(yù)測值和實際功率擬合曲線計算功率預(yù)測值［15]。

物理方法不需要風(fēng)電場的歷史數(shù)據(jù)，風(fēng)電場投產(chǎn)就可以進行預(yù)測，但需要風(fēng)電場詳細的物理信息對風(fēng)電場所在地進行物理建模和準確的NWP數(shù)據(jù)，要求對大氣的物理特性及風(fēng)電場特性有準確的數(shù)學(xué)描述。

2.2.2 統(tǒng)計方法

統(tǒng)計方法是一種基于功率的預(yù)測方法，不考慮風(fēng)速的變化過程，根據(jù)歷史功率序列建立模型并利用實時數(shù)據(jù)對發(fā)電量進行短期預(yù)測，或根據(jù)歷史數(shù)據(jù)找出天氣和輸出功率間的關(guān)系，并利用實時數(shù)據(jù)和NWP信息對發(fā)電量進行預(yù)測。需要風(fēng)電場至少一年的歷史數(shù)值氣象數(shù)據(jù)，歷史運行數(shù)據(jù)，實時數(shù)值氣象數(shù)據(jù)，并采用合適的數(shù)學(xué)算法建立模型，得出預(yù)測風(fēng)電功率。

目前我國采用的統(tǒng)計方法有使用統(tǒng)計方法修正風(fēng)電場尾流效應(yīng)對預(yù)測結(jié)果的影響，從而改進多層前饋神經(jīng)網(wǎng)絡(luò)模型的預(yù)測精度［16]；根據(jù)數(shù)值氣象預(yù)報的風(fēng)速和風(fēng)向數(shù)據(jù)，采用粒子群優(yōu)化的前向神經(jīng)網(wǎng)絡(luò)模型進行短期風(fēng)電功率預(yù)測［17]。

統(tǒng)計方法使用數(shù)據(jù)單一，對突變信息出理不好，需要大量歷史數(shù)據(jù)，但不需要求解物理方程，計算速度快。

2.2.3 綜合方法

由于預(yù)測方法各有優(yōu)勢，多種預(yù)測方法組合使用成為趨勢。例如：基于經(jīng)驗?zāi)B(tài)分解和支持向量機的短期風(fēng)電功率組合預(yù)測模型［18]；最小二乘支持向量機和卡爾曼濾波技術(shù)對風(fēng)電總量和風(fēng)電分配因子的自適應(yīng)動態(tài)預(yù)測算法［19]；基于相似性樣本的多層前饋（BP）神經(jīng)網(wǎng)絡(luò)風(fēng)速預(yù)測方法，利用風(fēng)速季節(jié)性周期變化的特點提高風(fēng)速預(yù)測的準確性，結(jié)合時間序列分析與灰色預(yù)測方法研究了應(yīng)用組合預(yù)測方法進行風(fēng)電場風(fēng)速預(yù)測，并在風(fēng)速預(yù)測的基礎(chǔ)上討論了風(fēng)電機功率預(yù)測［20]；利用BP神經(jīng)網(wǎng)絡(luò)、徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)和支持向量機進行風(fēng)電功率預(yù)測［21]；小波變換和神經(jīng)網(wǎng)絡(luò)理論相結(jié)合的綜合預(yù)測方法，將歷史風(fēng)電功率序列和歷史風(fēng)速序列分別進行小波單尺度分解，得到對應(yīng)的概貌功率、細節(jié)功率和概貌風(fēng)速、細節(jié)風(fēng)速；然后用概貌功率和概貌風(fēng)速序列訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)，預(yù)測未來的概貌功率［22]；首先采用K－S方法對樣本進行選?。蝗缓笥弥鞒煞址治龇ㄌ崛颖居行畔?，求解出主成分，構(gòu)建神經(jīng)網(wǎng)絡(luò)模型進行輸出功率預(yù)測［23]。

3 總結(jié)

我國風(fēng)電功率預(yù)測技術(shù)的研究還不夠成熟，雖然國家電網(wǎng)要求風(fēng)電場都要配置風(fēng)電功率預(yù)測裝置，多個實驗?zāi)Ｐ鸵堰\用于現(xiàn)場，但還存在很多問題，如數(shù)值天氣預(yù)報模式還未建立，風(fēng)電場基礎(chǔ)資料不健全，歷史數(shù)據(jù)不完備，風(fēng)電場沒有建立實時測風(fēng)系統(tǒng)等。

根據(jù)國家電網(wǎng)公司發(fā)布的《風(fēng)電功率預(yù)測功能規(guī)范》要求，短期風(fēng)電功率預(yù)測應(yīng)能預(yù)測次日零時起3天的風(fēng)電輸出功率，時間分辨率為15min；超短期風(fēng)電功率預(yù)測應(yīng)能預(yù)測未來0－4h的風(fēng)電輸出功率，時間分辨率不小于15min。提出了短期預(yù)測月均方根誤差應(yīng)小于20%，超短期預(yù)測月均方根誤差小于15%的誤差評估指標。目前運行的風(fēng)電功率預(yù)測裝置雖然能達到該標準，但隨著風(fēng)電上網(wǎng)電量不斷增大，預(yù)測尺度、精度必將提高；風(fēng)電場所處地形越來越復(fù)雜，天氣情況更是變化莫測，環(huán)境因素必將成為以后預(yù)測的障礙。

4 結(jié)束語

隨著風(fēng)電行業(yè)的不斷發(fā)展，風(fēng)電功率預(yù)測精度的提高是保障風(fēng)電進一步走向成熟的必要條件，今后應(yīng)盡快建立高精度的數(shù)值天氣預(yù)報數(shù)據(jù)，不斷深化技術(shù)研究，提高預(yù)測精度，促進風(fēng)電和諧發(fā)展。

［1] 國家電網(wǎng)公司標準.Q／GDW 588－2011風(fēng)電功率預(yù)測功能規(guī)范［S] .

［2] 楊叔子，吳 雅，王治藩.時間序列分析的工程應(yīng)用［M] .武漢：華中科技大學(xué)出版社，2003.

［3] 方江曉，周 暉，黃 梅.基于統(tǒng)計聚類分析的短期風(fēng)電功率預(yù)測［J] .電力系統(tǒng)保護與控制，2011，39（11）；67－73.

［4] 時慶華，高 山，陳 昊.2種風(fēng)電功率預(yù)測模型的比較［J] .能源技術(shù)經(jīng)濟，2011，14（6）：31－35.

［5] 趙 攀，戴義平，夏俊榮，盛迎新.卡爾曼濾波修正的風(fēng)電場短期功率預(yù)測模型［J] .西安交通大學(xué)學(xué)報，2011，45（5）；47－51.

［6] 周 暉，方江曉，黃 梅.風(fēng)電功率GARCH預(yù)測模型的應(yīng)用研究［J] .電力系統(tǒng)保護與控制，2011，39（5）；108－114.

［7] 陳 昊，張建忠，王玉榮.基于SV模型的風(fēng)速時間序列峰度分析［J] .中國電力，2011，44（1）：90－93.

［8] 周 毅，侯志明，劉宇迪.數(shù)值天氣預(yù)報基礎(chǔ)［M] .北京：氣象出版社，2003.

［9] 馮雙磊，王偉勝，劉 純；戴慧珠.基于物理原理的風(fēng)電場短期風(fēng)速預(yù)測研究 ［J] .太陽能學(xué)報，2011，32（5）：611－616.

［10] 馮雙磊，王偉勝，劉 純，戴慧珠.風(fēng)電場功率預(yù)測物理方法研究［J] .中國電機工程學(xué)報，2010，30（2）；1－5.

［11] 孟祥星，田成微，冬 雷.灰色理論用于風(fēng)力發(fā)電容量中長期預(yù)測的研究［J] .電力系統(tǒng)保護與控制，2011，（21）：81－85.

［12] 李俊芳，張步涵，謝光龍.基于灰色模型的風(fēng)速－風(fēng)電功率預(yù)測研究［J] .電力系統(tǒng)保護與控制，2010，38（19）；152－159.

［13] 王成福，梁 軍，張 利.基于機會約束規(guī)劃的風(fēng)電預(yù)測功率分級處理［J] .電力系統(tǒng)自動化，2011，（17）：14－19.

［14] 周松林，茆美琴，蘇建徽.風(fēng)電功率短期預(yù)測及非參數(shù)區(qū)間估計［J] .中國電機工程學(xué)報，2011，（25）：10－16.

［15] 茆美琴，周松林，蘇建徽.基于脊波神經(jīng)網(wǎng)絡(luò)的短期風(fēng)電功率預(yù)測［J] .電力系統(tǒng)自動化，2011，（7）：70－74.

［16] 陳 穎，周 海，王文鵬.風(fēng)電場輸出功率超短期預(yù)測結(jié)果分析與改進［J] .電力系統(tǒng)自動化，2011，（15）：30－33.

［17] 楊志凌，劉永前.應(yīng)用粒子群優(yōu)化算法的短期風(fēng)電功率預(yù)測［J] .電網(wǎng)技術(shù)，2011，（5）：159－164.

［18] 葉 林，劉 鵬.基于經(jīng)驗?zāi)B(tài)分解和支持向量機的短期風(fēng)電功率組合預(yù)測模型［J] .中國電機工程學(xué)報，2011，（31）：102－108.

［19] 李 智，韓學(xué)山，韓 力.地區(qū)電網(wǎng)風(fēng)電場功率超短期預(yù)測方法［J] .電力系統(tǒng)自動化，2010，34（7）；90－94.

［20] 張國強，張伯明.基于組合預(yù)測的風(fēng)電場風(fēng)速及風(fēng)電機功率預(yù)測［J] .電力系統(tǒng)自動化，2009，33（18）；92－95.

［21] 劉純，范高鋒，王偉勝，戴慧珠.風(fēng)電場輸出功率的組合預(yù)測模型［J] .電網(wǎng)技術(shù)，2009，（13）：74－79.

［22] 王世謙，蘇娟，杜松懷.基于小波變換和神經(jīng)網(wǎng)絡(luò)的短期風(fēng)電功率預(yù)測方法［J] .農(nóng)業(yè)工程學(xué)報，2010，26（2）；125－129.

［23] 張明理，楊曉亮，滕云.基于主成分分析與前向反饋傳播神經(jīng)網(wǎng)絡(luò)的風(fēng)電場輸出功率預(yù)測［J] .電網(wǎng)技術(shù)，2011（3）；183－187.