张 堃
（大唐山西新能源有限公司 030032）
摘要：本文针对国外投运的风功率预测系统软件作了综合对照表，简要叙述了国内的风功率预测技术发展现状。针对常规的风功率预测精度低的问题，总结了改进方法。
关键词：风电场；功率预测技术
随着风力发电技术日臻成熟，风电单机容量和并网型风电场规模不断扩大，风电占电力系统发电总量的比例也逐年增加。风电场穿透功率不断加大，给电力系统带来的一系列问题日益突出，严重威胁电力系统安全、稳定、经济、可靠运行。对风电功率进行及时准确的预测，可以显著增强电力系统的安全性、稳定性、经济性和可控性。
一、国内外风功率预测的研究现状
经过近二十多年的发展，风功率预测系统已风靡全球并得到了广泛的应用，如德国、丹麦、西班牙等风电大国均有预测技术成熟的风功率预测系统。国外风功率预测软件综合对照表如表1所示。
目前，丹麦、西班牙等风电大国的风场出力预测已达到世界领先水平，如西班牙目前已经能够达到提前48h、平均误差不超过20%，提前24h、平均误差不超过10%。
我国风功率预测技术起步较晚，但经过多年来的技术攻关与革新，我国的风功率预测技术已逐渐走向成熟，并且能够完善地解决实际问题。文献［1］提出了一种基于最小二乘法支持向量机的风功率短期预测模型，其仿真结果表明，与常规预测方法相比，预测精度更高。文献［2］提出了一种基于CFD流场，针对复杂地形的风功率预测模型，解决了复杂地形预测精度低的问题。
二、风功率预测技术的方法
风功率预测技术就是指利用空气动力学、热力学等基本原理即数值天气预报（NWP），以历史天气试验为经验，采用数值计算的方法做出风场输出功率的一门科学。
图1风功率预测方法分类中，超短期预测（＜4h）主要采用统计、物理混合方法，一般用于风电控制、电能质量评估及风机机械部分的设计等；短期预测（＜72h）主要以NWP为主，一般用于电力系统的功率平衡和经济调度、日前发电计划制定、电力市场交易、暂态稳定评估等；中长期（＞1周）主要用于系统的检修安排、发电量的预测等。
直接方法是基于风速的预测方法，间接方法是基于功率的预测方法，其功率预测数学模型均由P=CPAρv3/2确定（其中，P为风机输出功率，单位kW；CP为风轮的功率系数；ρ为空气密度，单位kg/m3；A为风轮扫掠面积，单位m2；v为风速，单位m/s）。
物理方法以NWP数据（主要是风速）作为输入参数，考虑风电场的地形、地表粗糙程度，风机特性曲线和风机控制策略等技术指标作为建模对象，比较适合风功率中长期预测。
统计方法实质是在系统的输入端（即NWP）和风功率输出端之间建立一种映射函数，不考虑风速，直接利用NWP数据对风场输出功率进行预测。常用的统计方法分类如图2所示。其中，最典型的时间序列法是自回归-滑动平均（ARMA）法，自回归、滑动平均均是自回归-滑动平均法的特例。时间序列法的特点是需要大量随机、平稳的数据，需要采用计算机程序来辨识模型。其所用数据单一，预测周期短，对误差的估计不够合理，在短期预测中多用于优化控制。
学习方法不使用解析方程来描述系统输入和输出之间的关系，而是采用人工智能的方式来描述，学习方法建立的模型大多数为非线性模型。常用的学习方法分类如图3所示。最典型的学习方法是神经网络法。该方法具有强大的非线性映射能力、自适应能力、自学习能力、良好的容错性和泛化能力；广泛应用于信号处理、智能检测、汽车工程等领域。
综合物理方法、统计方法和学习方法作出综合性能表格，如表2所示。
针对预测范围，整个风电场功率预测一般采用如下两种方法：①加和方法，即对整个区域所有的风电场功率进行单独预测，然后对各个风电场输出功率求和得到整个区域风电功率；②扩展算法，即筛选几个风电场作为预测样本，根据预测结果，采用扩展算法得到整个区域的风电功率。
从近几年的国家相关风功率预测技术研究来看，更侧重于风功率组合预测方法，即将各预测方法的优点结合起来，使得预测精度更高。文献［3］基于风功率特性，提出一种基于集合经验模态分解和小波神经网络的新型风功率组合预测模型。文献［4］提出一种基于模糊信息粒化和最小二乘支持向量机的风电功率平均值预测和风电功率波动范围预测的联合预测模型建模方法。
三、预测模型精度误差分析
具体误差分析有以下几点：
3.1风速的波动性给预测模型输出结果的准确度带来了误差。由于风资源的随机性，使错误数据不易辨别剔除，更增大了预测结果的误差。
3.2预测数学模型精度低。目前国内的风功率预测系统使用的预测数学模型比较单一，不能更好地反映在实际地址、地貌、湿度、压力等客观环境因素下的预测结果。虽然有些组合预测方法使得预测精度大大提高，但在国内组合预测技术并不成熟。
3.3由于风电消纳能力的局限性，风机的开起停机都会对实际输出功率产生影响。
3.4预测模型输入数据的单一化。一般只是将风速、风向作为输入变量，并未考虑其周围环境因素、物理因素等影响，势必会带来一定的预测误差。
3.5测风塔采集系统不够完善。目前国内风场采集系统采集的历史数据较少，而且没有经过人为修正，因此误差较大。此外，每个风电场配置的测风塔数量有限，不能准确、全面地反映出每个风机实际的运行情况，产生了误差。
合理误差分析对评判预测方法的优劣性有重要价值。目前常采用的评价指标有绝对值平均误差和均方根误差，通常采用一种方法进行纵向的对比分析，缺乏多角度、多个指标的综合分析。可以对风功率预测误差进行综合评价，以改进预测精度，指导预测结果的合理应用。
四、风功率预测技术的改进方法
随着风机装机容量的快速增长，为了满足电网调度侧需求，提高风场风功率预测的精度成为重中之重。近几年来，国内外学者们针对功率预测精度低的问题提出了以下几种改进方法。
4.1将多个NWP模型优化组合，预报相应的NWP信息。该方法可以有效地缩小恶劣或极端天气下的预测误差值，大大提高预测精度。
4.2加快NWP的更新频率，改善风功率预测数学模型的数据输入；同时，还可以利用现代物联网技术和计算机控制技术，提高NWP模型的分辨率，以提高输出功率的准确度。
4.3利用小波分析、混沌理论、模糊神经网络等各种智能方法联合建立并改善预测模型，选取合适的线性或非线性方式对多种预测方法的预测结果进行组合优化，使预测误差进一步减小。特别利用人工神经网络进行非线性组合预测，不仅最优组合了多种单一模型所包含的信息，而且同时考虑了不同模型各自的优点，提高了预测的精度和模型的可靠性。
4.4在对功率进行短期预测时，实时更新NWP数据，在很大程度上会提高功率预测的性能。
结语
综上所述，我国的风功率预测方法多种多样，预测技术已逐渐走向成熟。我国的风电场情况较复杂，可以根据本文中风功率预测技术的改进方法，因地制宜地开展我国风电场功率预测的各项工作，不仅可以大大提高风功率预测的精度，还可以为电网合理调度提供了保障和依据。
参考文献：
[1]刘代刚，周峥，杨楠，等．基于最小二乘支持向量机的风功率短期预测［J］．陕西电力．2014（10）．
[2]王一妹．基于CFD流场预计算的复杂地形风电场功率预测方法研究［D］．天津：华北电力大学，2014．
[3]王贺，胡志坚，陈珍，等．基于集合经验模态分解和小波神经网络的短期风功率组合预测［J］．电工技术学报，2013（9）．
[4]王恺，关少卿，汪令祥，等．基于模糊信息粒化和最小二乘支持向量机的风电功率联合预测建模［J］．电力系统保护与控制，2015．
作者简介：
张 堃 1988年1月 男 华北电力大学本科工学学士 单位：大唐山西新能源有限公司。
论文作者:张堃
论文发表刊物:《电力设备》第02期供稿
论文发表时间:2015/9/22
标签：功率论文; 方法论文; 误差论文; 模型论文; 精度论文; 组合论文; 技术论文; 《电力设备》第02期供稿论文;