單機(jī)風(fēng)電功率預(yù)測(cè)根據(jù)風(fēng)機(jī)輪胎風(fēng)速的歷史數(shù)據(jù)預(yù)測(cè)風(fēng)電功率。風(fēng)速與功率的高比列關(guān)系促使電力調(diào)度系統(tǒng)對(duì)風(fēng)電功率預(yù)測(cè)精度的要求較高，再者，風(fēng)速具有間隙波動(dòng)性和隨機(jī)性，致使風(fēng)速和風(fēng)電功率序列呈現(xiàn)出很強(qiáng)的非線性。人工智能在處理非線性預(yù)測(cè)問(wèn)題上具有優(yōu)勢(shì)，對(duì)單機(jī)風(fēng)電功率預(yù)測(cè)建模有一定的價(jià)值。
為此，四川工業(yè)學(xué)院的研究人員郭茜、匡洪海、王建輝、周宇健、高閏國(guó)，在2020年第2期《電氣技術(shù)》雜志上撰文，介紹了基于人工智能的單機(jī)風(fēng)電功率預(yù)測(cè)模型的構(gòu)建過(guò)程風(fēng)電功率預(yù)測(cè)意義，闡明了模糊邏輯等人工智能方式在單機(jī)風(fēng)電功率預(yù)測(cè)中的應(yīng)用與特性，闡述了單機(jī)風(fēng)電功率預(yù)測(cè)模型存在的問(wèn)題風(fēng)電功率預(yù)測(cè)意義，提出了對(duì)提升單機(jī)風(fēng)電功率預(yù)測(cè)模型性能的一些看法。
2019年5月，國(guó)家發(fā)展變革委及國(guó)家能源局在《關(guān)于構(gòu)建完善可再生能源電力消納保障機(jī)制的通知》中指出，自2020年1月1日起將對(duì)各市級(jí)可再生能源的消納水平全面進(jìn)行檢測(cè)評(píng)價(jià)和即將考評(píng)。2018年風(fēng)電借助率達(dá)92.8%，但因?yàn)槭茏匀粭l件影響大，生物質(zhì)能顯著的波動(dòng)性促使電力系統(tǒng)的調(diào)度壓力較大，電力系統(tǒng)還不能完全適應(yīng)大規(guī)模生物質(zhì)能并網(wǎng)。2020年的風(fēng)電借助率指標(biāo)為95%。為此，調(diào)度系統(tǒng)對(duì)確切快速地預(yù)估風(fēng)電功率有著著力需求。
風(fēng)機(jī)分為離網(wǎng)型和并網(wǎng)型。后者的功率預(yù)測(cè)確切率在分布式風(fēng)力發(fā)電中要求較高，單機(jī)功率預(yù)測(cè)的性能將直接影響其投入使用時(shí)的可靠性。從集群風(fēng)電網(wǎng)的角度來(lái)看，并網(wǎng)型單機(jī)功率預(yù)測(cè)的偏差對(duì)集群功率預(yù)測(cè)的影響是成倍的。
對(duì)電場(chǎng)中的每一單機(jī)都進(jìn)行預(yù)測(cè)的成本很高，鑒于同一范圍內(nèi)風(fēng)速等氣象的相像性很高，常常由一臺(tái)或多臺(tái)馬達(dá)的功率預(yù)測(cè)估算集群風(fēng)電網(wǎng)功率。無(wú)論是離網(wǎng)型單機(jī)還是并網(wǎng)型單機(jī)，單機(jī)的風(fēng)電功率預(yù)測(cè)精度都是影響風(fēng)力發(fā)電普及率的重要誘因。因而，對(duì)單機(jī)功率預(yù)測(cè)模型及技巧的研究變得尤為重要。
目前學(xué)術(shù)界已對(duì)電場(chǎng)級(jí)和集群級(jí)功率預(yù)測(cè)系統(tǒng)中的風(fēng)電功率預(yù)測(cè)方式展開(kāi)了大量研究，美國(guó)對(duì)風(fēng)電功率預(yù)測(cè)的研究起步較國(guó)外早，尤其在工程應(yīng)用方面，美國(guó)已有相對(duì)完整的全套風(fēng)電功率預(yù)測(cè)工具。近六年的國(guó)外外學(xué)術(shù)界對(duì)功率預(yù)測(cè)模型研究中，約17%采用人工智能預(yù)測(cè)模型，組合模型占比20%左右，可見(jiàn)風(fēng)電功率人工智能預(yù)測(cè)模型是近些年來(lái)的研究熱點(diǎn)，但相比占比54%的統(tǒng)計(jì)模型來(lái)說(shuō)還相差較遠(yuǎn)；研究方向的偏好上，只有約10%是針對(duì)建模問(wèn)題的研究，大部份的研究集中在預(yù)測(cè)方式和仿真上。可見(jiàn)人工智能預(yù)測(cè)模型的研究空間仍較大。
現(xiàn)有的對(duì)風(fēng)電功率人工智能預(yù)測(cè)模型的研究多集中于電場(chǎng)級(jí)和集群級(jí)預(yù)測(cè)，不能滿足分散式風(fēng)機(jī)確切快速供能的需求。為此，有部份國(guó)外外學(xué)者對(duì)單機(jī)風(fēng)電功率預(yù)測(cè)展開(kāi)了有益的研究。
有學(xué)者綜述了風(fēng)電功率預(yù)測(cè)技術(shù)，強(qiáng)調(diào)因?yàn)闅庀蟮入S機(jī)誘因的影響致使單機(jī)風(fēng)電功率預(yù)測(cè)難度較大，且許多研究都圍繞電場(chǎng)級(jí)和集群級(jí)預(yù)測(cè)；有學(xué)者研究了單機(jī)輸出功率的波動(dòng)特點(diǎn)，表明預(yù)測(cè)精度和時(shí)間尺度成正比，在空間尺度中單機(jī)功率的波動(dòng)性比電場(chǎng)與集群要強(qiáng)；楊俊友等人提出考慮尾流響應(yīng)的單機(jī)功率數(shù)學(xué)預(yù)測(cè)方式，在預(yù)測(cè)模型的構(gòu)建中考慮了隨機(jī)誘因，改善了預(yù)測(cè)療效，并將單機(jī)功率預(yù)測(cè)引入無(wú)功控制策略中，充分借助單機(jī)預(yù)測(cè)的精確性優(yōu)勢(shì)，改善了分散式電場(chǎng)的無(wú)功調(diào)節(jié)療效；葉林等人提出借助單機(jī)有功預(yù)測(cè)實(shí)現(xiàn)有功控制及校準(zhǔn)。可見(jiàn)針對(duì)單機(jī)功率預(yù)測(cè)隨機(jī)性大的特點(diǎn)，國(guó)外更多采用或結(jié)合數(shù)學(xué)建模技術(shù)來(lái)完善單機(jī)風(fēng)電預(yù)測(cè)模型，且在有功功率和無(wú)功功率的控制上進(jìn)行了突破性的應(yīng)用探求；國(guó)內(nèi)則更傾向于采用統(tǒng)計(jì)建模技術(shù)構(gòu)建單機(jī)風(fēng)電功率預(yù)測(cè)模型。
單機(jī)風(fēng)電功率預(yù)測(cè)模型的構(gòu)建，按照預(yù)測(cè)策略的不同分為兩類，即數(shù)學(xué)建模和統(tǒng)計(jì)建模。
1）數(shù)學(xué)建模技術(shù)利用氣象學(xué)對(duì)復(fù)雜的大氣化學(xué)過(guò)程進(jìn)行剖析預(yù)測(cè)，因?yàn)轱L(fēng)速序列在時(shí)間、空間上無(wú)規(guī)律、大幅波動(dòng)的特征，無(wú)法針對(duì)不同機(jī)成立立統(tǒng)一的數(shù)學(xué)模型，對(duì)數(shù)值天氣預(yù)報(bào)（,NWP）的依賴性強(qiáng)，但具有不須要?dú)v史數(shù)據(jù)的優(yōu)點(diǎn)。2）統(tǒng)計(jì)建模技術(shù)是基于統(tǒng)計(jì)學(xué)思想，借助風(fēng)速/風(fēng)電功率時(shí)間序列等歷史值對(duì)未來(lái)值進(jìn)行回歸預(yù)測(cè)或機(jī)率預(yù)測(cè)。統(tǒng)計(jì)模型主要包括人工智能預(yù)測(cè)模型。人工智能預(yù)測(cè)模型對(duì)非線性序列的預(yù)測(cè)問(wèn)題具有優(yōu)勢(shì)，包括人工神經(jīng)網(wǎng)路（,ANN）預(yù)測(cè)模型和支持向量機(jī)（,SVM）預(yù)測(cè)模型。四川工業(yè)學(xué)院的研究人員剖析了基于ANN及SVM構(gòu)建的單機(jī)風(fēng)電功率預(yù)測(cè)模型，梳理了基于模糊邏輯法、啟發(fā)式算法（,HA）等人工智能技術(shù)的單機(jī)風(fēng)電功率預(yù)測(cè)方式，對(duì)單機(jī)風(fēng)電功率預(yù)測(cè)模型和方式進(jìn)行總結(jié)，對(duì)不同模型及技巧的好壞進(jìn)行比較，重點(diǎn)梳理了預(yù)測(cè)過(guò)程中可能形成偏差的方面，并展望了可能的研究方向。
圖1模糊推理過(guò)程
圖2ANFIS預(yù)測(cè)模型的拓?fù)浣Y(jié)構(gòu)
研究人員強(qiáng)調(diào)，單機(jī)風(fēng)電功率預(yù)測(cè)模型中，ANN預(yù)測(cè)模型的拓?fù)浣Y(jié)構(gòu)緊湊、預(yù)測(cè)精度較高、遷移性能挺好，但須要大量歷史數(shù)據(jù)，且訓(xùn)練模型的時(shí)間長(zhǎng)、不易找到全局最優(yōu)解；SVM預(yù)測(cè)模型較簡(jiǎn)單、魯棒性能好、預(yù)測(cè)精度比ANN高，而且核函數(shù)的選擇條件要求嚴(yán)格、易出現(xiàn)過(guò)擬合的問(wèn)題。
單機(jī)風(fēng)電功率預(yù)測(cè)方式中，模糊邏輯法針對(duì)風(fēng)速的不確定性和隨機(jī)性，采用ANFIS提取有效信息并預(yù)測(cè)風(fēng)電功率，填補(bǔ)了原預(yù)測(cè)模型不能確切預(yù)測(cè)功率序列中非光滑部份的缺點(diǎn)；HA對(duì)隨機(jī)信息的捕捉能力強(qiáng)，用于調(diào)節(jié)模型參數(shù)。
ANN預(yù)測(cè)模型在超短期和短期預(yù)測(cè)中的整體表現(xiàn)優(yōu)于SVM預(yù)測(cè)模型，超短期預(yù)測(cè)結(jié)果可輔助風(fēng)力發(fā)電機(jī)調(diào)節(jié)槳葉節(jié)距角，短期預(yù)測(cè)結(jié)果可輔助風(fēng)機(jī)控制決策。SVM預(yù)測(cè)模型更易于中常年風(fēng)電功率預(yù)測(cè)，假如在并網(wǎng)運(yùn)行情況下，小時(shí)級(jí)的中期預(yù)測(cè)用于對(duì)風(fēng)機(jī)及其他能源的調(diào)度判定，包括設(shè)計(jì)儲(chǔ)能設(shè)備的調(diào)度計(jì)劃，以滿足對(duì)電能質(zhì)量和功率容量的要求；在分散式分布式發(fā)電的情況下，同樣可作為對(duì)分布式能源調(diào)度的重要參照。
據(jù)悉，基于SVM的常年風(fēng)電功率預(yù)測(cè)在風(fēng)電場(chǎng)規(guī)劃、年檢修計(jì)劃和風(fēng)光互補(bǔ)等多能源組合發(fā)電的規(guī)劃中都是重要的指標(biāo)根據(jù)。
單機(jī)風(fēng)電功率預(yù)測(cè)是多能源智能電網(wǎng)中調(diào)配發(fā)電容量、儲(chǔ)能容量和年度檢修計(jì)劃的重要根據(jù)，為微電網(wǎng)的推廣奠定了重要基礎(chǔ)。除此之外，超短期單機(jī)風(fēng)電功率預(yù)測(cè)在精度足夠的情況下，預(yù)測(cè)偏差還有望作為未來(lái)預(yù)測(cè)風(fēng)機(jī)故障的方式，以加快堅(jiān)強(qiáng)電網(wǎng)建設(shè)。
目前，單機(jī)風(fēng)電功率人工智能預(yù)測(cè)模型還存在一些問(wèn)題：①預(yù)測(cè)模型對(duì)輸入數(shù)據(jù)的依賴度較高，實(shí)際工程上幾乎難以為每位風(fēng)機(jī)提供精確的微觀氣象數(shù)據(jù)，置信度低且許多模型未充分考慮風(fēng)速計(jì)與風(fēng)機(jī)輪胎之間的空間差；②預(yù)測(cè)模型的超參數(shù)及參數(shù)的設(shè)定方法主要通過(guò)經(jīng)驗(yàn)及交叉驗(yàn)證法取得，難以給出數(shù)學(xué)意義的解釋；③對(duì)模型的評(píng)價(jià)環(huán)節(jié)中，因?yàn)椴荒芡耆撾x數(shù)據(jù)討論模型性能而急需有確切統(tǒng)一的評(píng)價(jià)標(biāo)準(zhǔn)。
為此，研究人員在文中最后展望了未來(lái)單機(jī)風(fēng)電功率人工智能預(yù)測(cè)模型的研究方向。
1）提升模型輸入數(shù)據(jù)質(zhì)量。可以從3個(gè)角度優(yōu)化。
①采用幀率更高的NWP數(shù)據(jù)并結(jié)合地理信息系統(tǒng)（,GIS）進(jìn)行風(fēng)速修正，提高精確度；②在選定預(yù)測(cè)特點(diǎn)時(shí)充分考慮所處地理?xiàng)l件對(duì)風(fēng)速的影響，提高確切度；③考慮建立與數(shù)學(xué)模型、動(dòng)力模型和流體熱學(xué)模型結(jié)合的組合模型，從模型的構(gòu)建上提高預(yù)測(cè)系統(tǒng)的性能。
2）構(gòu)建專門(mén)的評(píng)價(jià)數(shù)據(jù)庫(kù)。
風(fēng)電功率模型的固有特點(diǎn)決定了不同的方式在不同的數(shù)據(jù)中得出的推論沒(méi)有直接可比性，必須對(duì)同一數(shù)據(jù)采用不同方式才可以通過(guò)偏差的量值差得到其間的差異。現(xiàn)現(xiàn)在，新型模型越來(lái)越多，但針對(duì)每一模型性能的完備評(píng)估卻較少，這對(duì)未來(lái)的實(shí)踐是極其不利的。為此，構(gòu)建專用的風(fēng)電功率數(shù)據(jù)庫(kù)用于預(yù)測(cè)系統(tǒng)性能的評(píng)估參考，并從可靠性、運(yùn)行效率、合格率和復(fù)雜性等角度全面評(píng)估模型是非常必要的。
3）構(gòu)建高性能云運(yùn)算平臺(tái)。
單機(jī)風(fēng)電功率人工智能預(yù)測(cè)模型的定時(shí)更新有助于預(yù)測(cè)系統(tǒng)跟蹤風(fēng)速的實(shí)時(shí)變化，這須要強(qiáng)悍的運(yùn)算能力支撐。據(jù)悉，在分散式發(fā)電中應(yīng)用單機(jī)功率預(yù)測(cè)系統(tǒng)，還須要有云估算的輔助，增加配置服務(wù)器的成本。人工智能領(lǐng)域中的數(shù)據(jù)挖掘、大數(shù)據(jù)處理、智能算法和模型等技術(shù)都能為單機(jī)功率預(yù)測(cè)提供支持。
以上研究成果發(fā)表在2020年第2期《電氣技術(shù)》雜志，論文標(biāo)題為“單機(jī)風(fēng)電功率人工智能預(yù)測(cè)模型綜述”，作者為郭茜、匡洪海、王建輝、周宇健、高閏國(guó)。