基于智能組合算法風電場調度功率預報設計

朱建紅，黃 瓊，孟棒棒

(南通大學 電氣工程學院，江蘇 南通 226019)

0 引 言

風力發(fā)電機組發(fā)出功率時刻處于波動狀態(tài)，這種出力特性使得發(fā)電機組并網(wǎng)穩(wěn)定運行面臨著巨大挑戰(zhàn)[1]。為規(guī)范電網(wǎng)調度和風電場功率預測，國家能源局發(fā)布了風電功率預測系統(tǒng)功能規(guī)范[2]，對風電功率準確預報要求進行了嚴格量化。同時為保證風電場并網(wǎng)安全穩(wěn)定運行，電網(wǎng)公司頒布了《風電場接入電力系統(tǒng)技術規(guī)定》，規(guī)定了風電場輸出并網(wǎng)波動率控制要求。

作為新預測方法，組合預報成為發(fā)展趨勢[3]，其核心思想是消除大預報偏差以降低獨立預測誤差帶來的風險，將不同統(tǒng)計預測值加權平均，例如SVM預測與最小二乘法、混合遺傳算法[4,5]?，F(xiàn)有成果顯示，風電預測平均絕對誤差(MAE)可以控制在總裝機容量10%～15%以內[6]。相比德國的WPMS，采用人工智能神經網(wǎng)絡方法，預測均方根誤差(RMSE)在7%～19%。由歐盟資助開發(fā)的ANEMOS項目，預測誤差在10%左右。國內較早的預測系統(tǒng)是由電力科學研究院開發(fā)的物理混合預測模型[7]。在平抑風電場功率輸出波動方面，許多學者和科研人員也進行了深入研究[8]。控制策略主要分為加儲能和不加儲能裝置[9]。加儲能裝置平抑功率波動方法有加超級電容、新型電池、新型飛輪裝置和超導磁[10]，成本較高。不加儲能的基于算法設計功率平滑處理的方法有低通濾波器法、滑動平均法、小波包分解等。課題預報策略基于智能預測算法研究，包括應用較廣的BP神經網(wǎng)絡法，波形追蹤能力較強的小波分析函數(shù)與神經網(wǎng)絡相結合的小波神經網(wǎng)絡法和基于最小二乘法的支持向量機法(LS-SVM)。預測結果利用小波包平滑,通過誤差及平滑對比分析，確定較優(yōu)預報策略。

1 風電功率平滑及預報指標分析

1.1 預測誤差

按規(guī)定，超短期功率預測時間點間隔設定為15 min預測一次，預測程序單次運算時間應少于5 min。風電場短期預測月均方根誤差應小于20%，超短期預測第4 h預測值月均方根誤差應小于15%。誤差統(tǒng)計指標至少應包括均方根誤差、平均絕對誤差、相關性系數(shù)、最大預測誤差。求取如式(1)～式(4)。

均方根誤差(RMSE)

(1)

平均絕對誤差(MAE)

(2)

相關性系數(shù)(r)

(3)

最大預測誤差(δmax)

δmax=max(|PMi-PPi|)

(4)

1.2 波動率

風電場波動包括l min功率變化率和10 min功率變化率，具體推薦值參照表1。

表1 風電場功率波動推薦值

2 功率預報方案設計

預報功率曲線的生成采取先預測，再進行波動率分析并進行功率平滑的方法，將風電場功率平滑后的功率曲線作為最后的預報結果。

2.1 風電場功率輸出預測技術

研究與仿真數(shù)據(jù)均來自河北某一風電場，裝機容量在30 MW～150 MW之間，由于預測功率和實際功率的采樣周期為15 min，只能進行功率波動相對計算。

2.1.1 BP神經網(wǎng)絡法在風電場功率預測應用

matlab調用train函數(shù)訓練網(wǎng)絡，樣本數(shù)據(jù)共2880個，記錄該風場一個月運行情況，實際風速和實際功率作為網(wǎng)絡測試樣本，并選用前1000個數(shù)據(jù)作為訓練樣本，后面1880個點作為測試數(shù)據(jù)。圖1為0 min到15 000 min實際和預測風電場功率，擬合度較好。從15 000 min到40 000 min為滾動預測風電場功率和實際功率，誤差較大，但基本趨勢正確。

圖1 實際風電場功率和預測風電功率對比

將運算數(shù)據(jù)保存，根據(jù)式(1)～式(3)，結果如下：RMSE=0.142，RMSE<0.15，MAE=0.114，r=0.9212，均方根誤差小于15%，符合標準要求[2]。

2.1.2 小波分解法在風電場功率預測中的應用

小波神經網(wǎng)絡mallat運行結果如圖2所示。樣本數(shù)據(jù)前1000個點作為訓練樣本，任取第1000至2000個時間點風速作為輸入?yún)?shù)，將預測功率與這1000個時間點實際風電場功率進行對比。小波神經網(wǎng)絡預測結果與實際風電場功率非常相近。

圖2 小波神經網(wǎng)絡預測結果

小波神經網(wǎng)絡隱含節(jié)點的權值見表2。表中Wij為風電場功率曲線6個隱含節(jié)點權值參數(shù)，Wjk為風速曲線隱含節(jié)點權值參數(shù)。i是樣本訓練迭代次數(shù)，共計2880；j為隱含層節(jié)點個數(shù)，j=6；k為輸入節(jié)點個數(shù)，k=1。將預測后各個時間點風電功率保存下來，根據(jù)式(1)～式(3)分別進行均方根誤差RMSE、平均絕對誤差MAE和相關性系數(shù)r計算。RMSE=0.0785，RMSE<0.15，MAE=0.0554，r=0.9757,均方根誤差小于15%，預測結果完全符合要求。

2.1.3 支持向量機在風電場功率預測中應用

支持向量機在風電場功率預測方面應用就是根據(jù)回歸機功能特性，對樣本采樣點進行數(shù)據(jù)統(tǒng)計，這僅考慮風速對輸出功率的影響，以風速和風電場功率為xy軸構成二維平面樣本點進行最優(yōu)曲線擬合，從而找到風速與風電場功率的映射關系。以一個月內2880個采樣點作為測試數(shù)據(jù)，將得到的風電場功率預測曲線與當月實際風電場功率曲線對比，結果如圖3所示。實際功率曲線與預測功率曲線基本吻合，根據(jù)式(1)～式(3)誤差計算。RMSE=0.0964，RMSE<0.15，MAE=0.0661，r=0.9650。

表2 小波神經網(wǎng)絡權值參數(shù)

由于只考慮風速對風電場功率的影響而忽略其它氣象參數(shù)，也是風電場功率預測誤差主要因素。

2.1.4 預測仿真比較分析

風電場同一個月內的歷史數(shù)據(jù)進行實例分析，3種方法預測的均方根誤差、平均絕對誤差和相關性系數(shù)(即預測準確度)的計算。結果見表3。

表3 3種方法預測結果誤差對比

3種預測方案誤差對比得出以下結論：

(1)BP神經網(wǎng)絡法預測的準確度較低(即相關性系數(shù)最低)，預測的均方根誤差和平均絕對誤差都比小波神經網(wǎng)絡和支持向量機高。主要原因在于BP神經網(wǎng)絡對訓練樣本要求比較高，需要可信度及完整性高的訓練樣本。

(2)小波神經網(wǎng)絡的預測準確度0.9957，預測功率的均方根誤差和平均絕對誤差也是最低的，可見小波分析函數(shù)和神經網(wǎng)絡的結合挖掘數(shù)據(jù)之間細微關系能力較大，較強學習能力可尋找風速曲線和功率曲線中波形細節(jié)信號和輪廓信號之間映射關系，預測誤差較小。

(3)支持向量機處理多維復雜數(shù)據(jù)優(yōu)勢使其成為當前功率預測較為熱門研究之一，但因忽略其它功率輸出影響因素，僅實現(xiàn)二維最優(yōu)曲線回歸，課題測試沒有突出這一特點。實例檢驗后發(fā)現(xiàn)誤差比小波神經網(wǎng)絡稍大，準確度0.9950。

總的來說，表3可看出3種預測結果均方根誤差都小于15%，滿足國家標準。其中小波分解法和支持向量機預測結果較好。

2.2 風電場功率平滑算法設計

小波包分解對預測的風電場功率進行平滑，將頻帶進行多層次劃分，對小波分析沒有細分的高頻部分進一步分解，并根據(jù)需要分析信號特征，自適應選擇相應頻帶，使之與信號頻譜相匹配，從而提高高頻區(qū)分辨率。課題從平滑前后的功率曲線波動分析，檢驗功率曲線平滑效果，給出平滑前后功率修正分析(實際控制中結合實際功率進一步修正)。風電場功率波動量表達式如式(5)所示

ΔP=PWG(k)-Pout(k-1)

(5)

式中：PWG(k)為k時刻風電功率，Pout(k-1)為k-1時刻風電場輸出功率，則k時刻風電場功率波動率γ如式(6)所示

γ=ΔP/Cap

(6)

式中：Cap為裝機容量，通過平滑功率曲線控制波動率γ在0.2以內。

2.2.1 先BP神經網(wǎng)絡預測后小波包平抑

(1)波動分析

BP神經網(wǎng)絡的預測功率曲線未平滑前的波動率如圖4所示。

圖4 BP功率預測曲線各點波動率

圖中波動率γ大于0.2的點共有94個，占樣本總和3.26%；波動率γ大于0.1的點共有352個，占樣本總和12.22%。功率平滑進行小波包分解平滑后的功率曲線與未平滑對比如圖5所示。平滑后功率曲線波動率γ大于0.2的點共29個，占樣本總數(shù)1.01%；波動率γ大于0.1的點共有73個，占樣本總數(shù)的2.53%。

圖5 平滑前后的功率曲線對比

(2)功率修正量

平滑前后功率修正量計算作為電網(wǎng)調度決策參考。數(shù)據(jù)統(tǒng)計分析按修正量區(qū)間劃分。如表4所示，功率修正量在5 KW以內的采樣點占樣本總容量73.5%，在區(qū)間[5 KW,10 KW]內的修正功率占20%，大多數(shù)功率修正值比較小，但超過10 KW只占總體容量6.5%，修正難度較大。由此可見，BP神經網(wǎng)絡預測后平滑難度較大，效果總體尚可。

2.2.2 先小波分解預測后小波包波動平抑

(1)波動分析

圖6中，數(shù)據(jù)統(tǒng)計波動率γ大于0.2的點共有12個，占樣本總和1.20%；波動率大于0.1的點共有50個，占樣本總和5%。

表4 BP神經網(wǎng)絡算法功率修正區(qū)間分布

圖6 小波功率曲線波動率

平滑前后功率曲線平滑對比如圖7所示。虛線代表平滑前功率曲線，粗實線代表平滑后功率曲線。平滑后的曲線經數(shù)據(jù)統(tǒng)計，波動率γ大于0.2的點共有7個，占樣本總數(shù)的0.7%；波動率γ大于0.1的點共有23個，占樣本總數(shù)的2.3%。

圖7 平滑前后的小波神經網(wǎng)絡預測曲線

(2)功率修正量

預測功率曲線平滑前后數(shù)據(jù)統(tǒng)計分析修正量區(qū)間劃分見表5。

表5 小波神經網(wǎng)絡功率修正區(qū)間分布

由表5可知，修正功率在5 KW以內的采樣點占樣本總容量89%，在區(qū)間[5 KW,10 KW]內的修正功率占10%，絕大多數(shù)功率修正值比較小，符合風電場實際作業(yè)需求，總體平滑效果較好。

2.2.3 先支持向量機預測后小波包波動平抑

(1)波動分析

支持向量機預測功率曲線波動率如圖8所示。經數(shù)據(jù)統(tǒng)計波動率γ大于0.2的點共有17個，占樣本總和0.61%；波動率γ大于0.1的點共有110個，占樣本總和3.95%。

圖8 SVM預測風電場功率曲線波動率

平滑前后風電功率曲線如圖9所示。平滑后功率曲線經數(shù)據(jù)統(tǒng)計波動率γ大于0.2的點共有6個，占樣本總數(shù)的0.22%；波動率γ大于0.1的點共有24個，占樣本總數(shù)0.86%。

圖9 平滑前后風電場對比曲線

(2)功率修正量

平滑前后所需修正的功率數(shù)據(jù)統(tǒng)計按修正量區(qū)間劃分見表6。

由表6可知，修正功率在5 KW內的采樣點占樣本總容量85%，區(qū)間[5 KW,10 KW]內的修正功率占14%，絕大多數(shù)功率修正值比較小，便于風電場實行，修正之后的功率曲線波動率也大幅下降，總體上平滑效果良好。

表6 支持向量機功率平滑修正量區(qū)間

3 總體仿真結果比較分析

3種先功率預測后波動平抑見表7。

表7 3種方法預測誤差及小波包平滑波動率

分析可以看出，小波神經網(wǎng)絡的預測兼平滑總體效果比其它兩者好。但運行也發(fā)現(xiàn)小波神經網(wǎng)絡計算速度是3種方法中最慢的，因小波分解函數(shù)將風速和功率都分解成6個部分，平均計算一次需要耗時1.125 s(國家標準內)，運行時占用內存也是最高的，計算的工作量近似于BP和SVM的6倍。

4 結束語

風電場功率輸出波動率太大不利于電網(wǎng)穩(wěn)定運行，影響整體電網(wǎng)的電能質量，預報不準不利于電網(wǎng)調度計劃的制定與執(zhí)行。并網(wǎng)功率平滑且預報準確是風電場功率預報的追求目標?，F(xiàn)有文獻的研究成果大多針對其中之一展開，本文在綜合考慮兩者基礎上針對風力發(fā)電中的功率預測和風電場功率平滑問題，分別采用BP神經網(wǎng)絡、小波分解神經網(wǎng)絡和支持向量機進行風電場功率預測，并以河北某電廠一個月內的數(shù)據(jù)作為實例檢驗分析。選用小波包分解方法對前3種方法預測的功率曲線進行平滑。給出曲線的波動率和平滑前后的功率修正量，得出先小波神經網(wǎng)絡法后小波包分解平滑兼準確預報的較優(yōu)方案。

風電場預測結果客觀上高度依賴氣象預報的準確度，所以預測誤差相對較大。功率平滑技術要求電網(wǎng)具備較高調節(jié)能力，盡量避免棄風限電事件發(fā)生。隨著儲能技術的發(fā)展，就地平抑風電功率波動問題也將緩解電網(wǎng)這方面的調節(jié)壓力。