dvdf
原文发表在《电力工程技术》2018年第37卷第5期，欢迎品读！
本文引文信息
陶玉波,陈昊,秦晓辉,等.短期风电功率预测概念和模型与方式[J].电力工程技术,2018,37(5):7-13.
fúYubo,ChenHao,QING,etal.Aoftheshort-termwindpower,modeland[J].Power,2018,37(5):7-13.
短期风电功率预测概念和模型与技巧
陶玉波,陈昊,秦晓辉,等
国网广东节电力有限公司等
1.序言
现今能源危机、环境污染及气候变化等问题愈发显现，各国政府越来越关注以风力发电为代表的新能源发电技术的发展。怎么立足长远，筹谋确保能源供应的可持续发展之道，占据未来科技创新和经济发展的制高点，已成为世界各国重点考虑的战略问题。
电力系统的调控目的是保证发电量和负荷量的动态平衡，通过火电、水电等出力稳定机组的组合、经济调度和一次调频等调控策略，使发电量追踪可确切预测的负荷量，维持电网功率的动态平衡。随着电力系统脑炎电规模的降低，风电具有的空间尺度分散性与时间尺度强随机波动性，使风马达组发电量的可控性增加，影响了电力系统中发电量追踪负荷量的能力，给电力系统运行的安全性、稳定性和经济性带来了新的挑战。目前解决该矛盾的重要手段之一是及时确切地预测未来一段时间的风电出力，确切的预测结果可减少成本，提升风电并网的可靠性。
2.风电预测基本概念
2.1预测的时间范畴
风电功率预测可以根据预测的不同时间尺度进行分类。根据预测时间尺度可以分为４类：超短期预测、短期预测、中期预测和常年预测。
超短期预测是时间间隔以不小于15min为单位，提早预测未来0～4h的风电功率变化。
短期预测是时间间隔以分钟或则小时为单位，提早预测未来1～3ｄ(1～72ｈ)的风电功率。
中期预测是时间间隔以天为单位，提早预测数周或则数月的风电功率。
常年预测是时间间隔以月为单位，提早预测整年或则数年的风电功率。
2.2预测的空间范畴
风电功率的空间相关性不仅受对风速影响较大的气压、温度等自然条件环境的影响外，还受风电场所处的地形、地表粗糙度等地形条件的影响，也会遭到风电场内风马达组的布置和尾流效应的影响。
随着风电场规模减小，风电场内风马达组之宽度离以及数目降低，不同位置风资源的波动性互相抵消，为此风电场总出力的波动性减小。对风电场群进行风功率预测，为了获得高精度的预测结果，需要考虑风电功率的空间相关性。
3.风电功率预测法
3.1确定性风电功率预测方式
确定性预测是指运用某种预测模型根据当前时刻的各类检测值，估算未来某时刻风电功率预测具体值。根据预测模型的不同，可以分为３类：数学预测法、统计学习预测法和混和集成预测法。
3.1.1
数学预测法
数学预测法本质上是数值天气预报(，NWP)，基于制订风电场高精度的数值天气预报的数学模型，主要根据大气层空气运动的情况提炼出风速的影响诱因，换算至风力发电机轮胎处的等效风速，借助功率曲线得到风机的输出功率。
3.1.2
统计学习预测法
统计学习预测法本质上是通过历史风电功率、历史风速、风向、气压、温度等数据与风电场的风电功率或则风速构建一定的关系来进行推算，要求预测对象演变速率较为平缓，其建模方式简单有效，被广泛应用于超短期和短期预测。风电功率序列是典型的非线性时间过程，风电场中多台风机因为尾流效应等影响的存在，风电功率序列间还包含着一定的空间信息，通过深入挖掘数据序列中时间和空间的信息有助于提升预测精度。常见的统计学习预测方式有时间序列剖析法、人工神经网路法(，ANN)、支持向量机法(，SVM)、卡尔曼检波法、考虑时空相关性法等方式。
3.1.3
集成预测法
集成预测法是目前风电功率研究的热点方式之一，通常分为多模型组合和多算法混和。多模型组合因为它结合各个单一模型的有用信息，所以预测精度有一定的提升，其主要目的是对各类单一模型取长避短，借助每种模型的优点组合上去赶超单一模型的预测精度。多算法混和是针对风电功率的数据特性，针对算法本身的优势，将多种算法进行混和，便于在一次预测过程使用，提升预测精度。
3.2机率性风电功率预测方式
风电功率预测的最大挑战是存在预测偏差。电力系统高效安全稳定运行须要电网功率时刻与负荷平衡，风电功率预测的不确定性给这一目标的实现带来了困难，为了更有效保证电力系统运行，须要预测模型能在一定程度上描述预测结果的不确定性。
机率预测方式是确定性预测方式的拓展超短期风电功率预测，风电功率的数据序列可以看作是随机过程，可以在随机优化的框架下进行研究，使用机率密度函数和机率分布函数来描述风电功率的不确定性。
机率性预测方式繁复多样，按照建模时是否适用确定性预测结果，可以分为风电功率机率预测和确定性风电功率预测偏差机率预测。后者直接在建模时依照实测数据得到风电功率机率分布；前者按照确定性预测偏差为研究对象，得出偏差的机率分布，迭代回确定性预测结果中，得到机率预测区间。
4.风电功率预测热点问题
4.1风电爬坡风波预测
风电爬坡风波是指风电功率在较短的时间尺度内发生较大变化，严重影响电力系统安全稳定运行。通常使用爬坡方向、爬坡时间、爬坡率、爬坡幅度和起始时间这５个量来描述风电爬坡风波。进行爬坡风波预测，可以提早从风马达组本体和电网控制角度来调节爬坡风波，增加害处。爬坡事件预测有直接预测和间接预测两种方式：
(1)直接预测法是从风电场历史数据中选购出爬坡数据，使用机器学习模型进行学习，直接预测爬坡风波。
(2)间接预测法是先进行风功率预测，再依照爬坡风波的定义进行辨识。目前间接预测法为爬坡风波预测的热点内容。常用的预测方式有基于统计学习模型、基于NWP的数学模型和混和集成预测方式。
4.2基于大数据的深度学习预测
深度学习具有强悍的搜索估算能力，为提升风电功率预测的确切性降低了一种可行的方式。目前深度学习已在电力系统的静、动态安全评估、故障确诊、负荷预测、线损估算、经济调度控制策略等方面举办应用。
与传统频域人工神经网路相比，深度学习使用多个蕴涵层，前一层可使用无监督学习算法获得数据特点，输入到下一个蕴涵层，因而通过多个蕴涵层逐渐具象出数据特点。所以深度学习算法有强悍的处理非线性问题和特点提取的能力，适宜处理具有非线性和非平稳特点的风电功率时间序列。
4.3预测评价
投入商业运行的风电场须要接受国家能源部门的监管，满足电网的调度要求，对风电场运行是否满足调度并网要求进行赏罚。对常规风功率点预测的评价标准主要有平均绝对偏差(error，MAE)、均方偏差(meanerror，MSE)、均方根偏差(rootmeanerror，RMSE)、标准差(error，SDE)等。MAE表示预测偏差的实际情况；MSE和RMSE表示偏差的分散程度；SDE表示偏差分布的标准差恐怕。
机率性风功率预测的评价标准主要从机率性预测结果的可靠性和预测区间应尽量窄两方面深究。即要求风功率落在预测区间的机率应尽可能接近置信度，且不确定性尽量集中，若预测区间过大，将对决策没有任何意义。
5.推论
文中从风电功率的特性出发，对风电功率预测进行了分类归纳，对不同预测方式的发展水平进行了梳理和总结，对风电功率预测的研究热点进行了阐述，得出以下推论：
(1)风功率预测的主要目标是尽可能快速确切的提供预测值，降低弃风，优化调度计划和机组组合，使风马达组尽可能多的并网。
(2)统计学习预测方式在超短期、短期预测风功率预测领域广泛使用，但在个别复杂地形、范围较狂风电场的预测中，与数学预测方式结合使用，预测疗效会更优。
(3)机率性风电功率预测是未来风电预测的重点研究方向，该方式能对风电功率预测不可防止的预测偏差提供较为详尽的描述，为电力系统运行控制提供愈发全面的风电功率信息支撑。
(4)风电功率爬坡风波预测能减少发生爬坡风波时对电力系统的影响，在对风电功率进行预测的同时，也要对爬坡风波进行辨识。目前爬坡预测研究处于起步阶段，是须要关注的重要研究方向。
(5)大数据技术和深度学习的发展对提升风电在不同时间尺度和空间的预测精度有积极作用。
(6)提升预测精度仍然是风电预测领域追求的目标。随着预测模型的逐步建立和新模型的提出，预测精度逐渐增强，RMSE从30％以上降到10％以下，但精度增强的程度逐渐式微，生物质能本身具有的强随机性、强波动性和间歇性是实现这一目标的主要困难，也是未来一段时间研究的重点。
主要作者及团队介绍
陶玉波：博士，工程师，从事新能源发电与输电、智能运检工作；
陈昊：博士，研究员级中级工程师，从事电力系统保护与控制、能源预测工作；
秦晓辉：博士超短期风电功率预测，院长级中级工程师，从事电力系统控制及新技术应用工作。
