dvdf
原文發表在《電力工程技術》2018年第37卷第5期，歡迎品讀！
本文引文信息
陶玉波,陳昊,秦曉輝,等.短期風電功率預測概念和模型與方式[J].電力工程技術,2018,37(5):7-13.
fúYubo,ChenHao,QING,etal.Aoftheshort-termwindpower,modeland[J].Power,2018,37(5):7-13.
短期風電功率預測概念和模型與技巧
陶玉波,陳昊,秦曉輝,等
國網廣東節電力有限公司等
1.序言
現今能源危機、環境污染及氣候變化等問題愈發顯現，各國政府越來越關注以風力發電為代表的新能源發電技術的發展。怎么立足長遠，籌謀確保能源供應的可持續發展之道，占據未來科技創新和經濟發展的制高點，已成為世界各國重點考慮的戰略問題。
電力系統的調控目的是保證發電量和負荷量的動態平衡，通過火電、水電等出力穩定機組的組合、經濟調度和一次調頻等調控策略，使發電量追蹤可確切預測的負荷量，維持電網功率的動態平衡。隨著電力系統腦炎電規模的降低，風電具有的空間尺度分散性與時間尺度強隨機波動性，使風馬達組發電量的可控性增加，影響了電力系統中發電量追蹤負荷量的能力，給電力系統運行的安全性、穩定性和經濟性帶來了新的挑戰。目前解決該矛盾的重要手段之一是及時確切地預測未來一段時間的風電出力，確切的預測結果可減少成本，提升風電并網的可靠性。
2.風電預測基本概念
2.1預測的時間范疇
風電功率預測可以根據預測的不同時間尺度進行分類。根據預測時間尺度可以分為４類：超短期預測、短期預測、中期預測和常年預測。
超短期預測是時間間隔以不小于15min為單位，提早預測未來0～4h的風電功率變化。
短期預測是時間間隔以分鐘或則小時為單位，提早預測未來1～3ｄ(1～72ｈ)的風電功率。
中期預測是時間間隔以天為單位，提早預測數周或則數月的風電功率。
常年預測是時間間隔以月為單位，提早預測整年或則數年的風電功率。
2.2預測的空間范疇
風電功率的空間相關性不僅受對風速影響較大的氣壓、溫度等自然條件環境的影響外，還受風電場所處的地形、地表粗糙度等地形條件的影響，也會遭到風電場內風馬達組的布置和尾流效應的影響。
隨著風電場規模減小，風電場內風馬達組之寬度離以及數目降低，不同位置風資源的波動性互相抵消，為此風電場總出力的波動性減小。對風電場群進行風功率預測，為了獲得高精度的預測結果，需要考慮風電功率的空間相關性。
3.風電功率預測法
3.1確定性風電功率預測方式
確定性預測是指運用某種預測模型根據當前時刻的各類檢測值，估算未來某時刻風電功率預測具體值。根據預測模型的不同，可以分為３類：數學預測法、統計學習預測法和混和集成預測法。
3.1.1
數學預測法
數學預測法本質上是數值天氣預報(，NWP)，基于制訂風電場高精度的數值天氣預報的數學模型，主要根據大氣層空氣運動的情況提煉出風速的影響誘因，換算至風力發電機輪胎處的等效風速，借助功率曲線得到風機的輸出功率。
3.1.2
統計學習預測法
統計學習預測法本質上是通過歷史風電功率、歷史風速、風向、氣壓、溫度等數據與風電場的風電功率或則風速構建一定的關系來進行推算，要求預測對象演變速率較為平緩，其建模方式簡單有效，被廣泛應用于超短期和短期預測。風電功率序列是典型的非線性時間過程，風電場中多臺風機因為尾流效應等影響的存在，風電功率序列間還包含著一定的空間信息，通過深入挖掘數據序列中時間和空間的信息有助于提升預測精度。常見的統計學習預測方式有時間序列剖析法、人工神經網路法(，ANN)、支持向量機法(，SVM)、卡爾曼檢波法、考慮時空相關性法等方式。
3.1.3
集成預測法
集成預測法是目前風電功率研究的熱點方式之一，通常分為多模型組合和多算法混和。多模型組合因為它結合各個單一模型的有用信息，所以預測精度有一定的提升，其主要目的是對各類單一模型取長避短，借助每種模型的優點組合上去趕超單一模型的預測精度。多算法混和是針對風電功率的數據特性，針對算法本身的優勢，將多種算法進行混和，便于在一次預測過程使用，提升預測精度。
3.2機率性風電功率預測方式
風電功率預測的最大挑戰是存在預測偏差。電力系統高效安全穩定運行須要電網功率時刻與負荷平衡，風電功率預測的不確定性給這一目標的實現帶來了困難，為了更有效保證電力系統運行，須要預測模型能在一定程度上描述預測結果的不確定性。
機率預測方式是確定性預測方式的拓展超短期風電功率預測，風電功率的數據序列可以看作是隨機過程，可以在隨機優化的框架下進行研究，使用機率密度函數和機率分布函數來描述風電功率的不確定性。
機率性預測方式繁復多樣，按照建模時是否適用確定性預測結果，可以分為風電功率機率預測和確定性風電功率預測偏差機率預測。后者直接在建模時依照實測數據得到風電功率機率分布；前者按照確定性預測偏差為研究對象，得出偏差的機率分布，迭代回確定性預測結果中，得到機率預測區間。
4.風電功率預測熱點問題
4.1風電爬坡風波預測
風電爬坡風波是指風電功率在較短的時間尺度內發生較大變化，嚴重影響電力系統安全穩定運行。通常使用爬坡方向、爬坡時間、爬坡率、爬坡幅度和起始時間這５個量來描述風電爬坡風波。進行爬坡風波預測，可以提早從風馬達組本體和電網控制角度來調節爬坡風波，增加害處。爬坡事件預測有直接預測和間接預測兩種方式：
(1)直接預測法是從風電場歷史數據中選購出爬坡數據，使用機器學習模型進行學習，直接預測爬坡風波。
(2)間接預測法是先進行風功率預測，再依照爬坡風波的定義進行辨識。目前間接預測法為爬坡風波預測的熱點內容。常用的預測方式有基于統計學習模型、基于NWP的數學模型和混和集成預測方式。
4.2基于大數據的深度學習預測
深度學習具有強悍的搜索估算能力，為提升風電功率預測的確切性降低了一種可行的方式。目前深度學習已在電力系統的靜、動態安全評估、故障確診、負荷預測、線損估算、經濟調度控制策略等方面舉辦應用。
與傳統頻域人工神經網路相比，深度學習使用多個蘊涵層，前一層可使用無監督學習算法獲得數據特點，輸入到下一個蘊涵層，因而通過多個蘊涵層逐漸具象出數據特點。所以深度學習算法有強悍的處理非線性問題和特點提取的能力，適宜處理具有非線性和非平穩特點的風電功率時間序列。
4.3預測評價
投入商業運行的風電場須要接受國家能源部門的監管，滿足電網的調度要求，對風電場運行是否滿足調度并網要求進行賞罰。對常規風功率點預測的評價標準主要有平均絕對偏差(error，MAE)、均方偏差(meanerror，MSE)、均方根偏差(rootmeanerror，RMSE)、標準差(error，SDE)等。MAE表示預測偏差的實際情況；MSE和RMSE表示偏差的分散程度；SDE表示偏差分布的標準差恐怕。
機率性風功率預測的評價標準主要從機率性預測結果的可靠性和預測區間應盡量窄兩方面深究。即要求風功率落在預測區間的機率應盡可能接近置信度，且不確定性盡量集中，若預測區間過大，將對決策沒有任何意義。
5.推論
文中從風電功率的特性出發，對風電功率預測進行了分類歸納，對不同預測方式的發展水平進行了梳理和總結，對風電功率預測的研究熱點進行了闡述，得出以下推論：
(1)風功率預測的主要目標是盡可能快速確切的提供預測值，降低棄風，優化調度計劃和機組組合，使風馬達組盡可能多的并網。
(2)統計學習預測方式在超短期、短期預測風功率預測領域廣泛使用，但在個別復雜地形、范圍較狂風電場的預測中，與數學預測方式結合使用，預測療效會更優。
(3)機率性風電功率預測是未來風電預測的重點研究方向，該方式能對風電功率預測不可防止的預測偏差提供較為詳盡的描述，為電力系統運行控制提供愈發全面的風電功率信息支撐。
(4)風電功率爬坡風波預測能減少發生爬坡風波時對電力系統的影響，在對風電功率進行預測的同時，也要對爬坡風波進行辨識。目前爬坡預測研究處于起步階段，是須要關注的重要研究方向。
(5)大數據技術和深度學習的發展對提升風電在不同時間尺度和空間的預測精度有積極作用。
(6)提升預測精度仍然是風電預測領域追求的目標。隨著預測模型的逐步建立和新模型的提出，預測精度逐漸增強，RMSE從30％以上降到10％以下，但精度增強的程度逐漸式微，生物質能本身具有的強隨機性、強波動性和間歇性是實現這一目標的主要困難，也是未來一段時間研究的重點。
主要作者及團隊介紹
陶玉波：博士，工程師，從事新能源發電與輸電、智能運檢工作；
陳昊：博士，研究員級中級工程師，從事電力系統保護與控制、能源預測工作；
秦曉輝：博士超短期風電功率預測，院長級中級工程師，從事電力系統控制及新技術應用工作。
