風電功率預測準確性分析

蘇 贊 王維慶 王健波 常喜強 張新燕

（1.新疆大學電氣工程學院，烏魯木齊 830047；2.新疆伊犁電力公司，新疆 伊犁 835000；3.新疆電力公司，烏魯木齊 830002）

隨著能源危機和環境問題的日益突顯，世界可再生能源已進入了大發展階段。風能以其獨有的特點和優勢，已成為能源發展的重要領域。截至2010年底，我國累計建成 421座風電場，總裝機達到3966.82萬kW。2011年全國內計劃新增風電場284座，風電并網總容量達2175.03萬kW，并已規劃在內蒙古、甘肅、新疆和河北等風能資源豐富地區，建設若干千萬千瓦級風電基地，電量配套送出工程也在建設日程之內，加大對風能資源利用。

隨著風電大力發展，風電場建設規模的擴大，在分析風電場接入電力系統時，需要考慮風電場輸出功率波動范圍大的特點。風能具有間歇性和隨機波動性，風速的變化直接導致風電場的有功功率和無功功率的變化，輸出功率很不穩定。當風電穿透全運行時會產生嚴重的影響，同時也會影響電能質量和經濟調度以及電力競價。因此，積極開展風電功率預測研究工作，提高預測的準確性，對電網調度、提高風電的接入能力以及減少系統運行成本等方面具有現實意義。

圖1 “十一五”期間風電并網容量及增速

風電功率預測是指以風電場的歷史功率、歷史風速、地形地貌、數值天氣預報、風電機組運行狀態等數據建立風電場輸出功率的預測模型，以風速、功率或數值天氣預報數據作為模型的輸入，結合風電場機組的設備狀態及運行工況，得到風電場未來的輸出功率。風電功率預測實際包括兩個方面：①風電場建設前期的出力預測，也就是風能資源評估和風電場選址工作；②風電場建設完成，投運發電之后的風電功率預測。本文從這兩個方面考慮，對風速和風電出力預測的分類和方法進行了探討，然后簡要綜述了國內外對風功率預測技術的研究現狀，最后針對我國現階段風電功率預測產生誤差的原因進行了闡述，并提出了幾點建議。

1 風速和風功率預測的分類和方法

1.1 風速預測方法

風電場功率預測的準確度是由多個因素所決定的，其中風速預測的精度是個關鍵的條件，風速預測對風電功率預測起到決定性的作用，對風電場和電力系統的運行有著重要意義。因此，可以將風電預測分為基于風速的預測和不基于風速的預測。

基于風速的風功率預測對風電場做短期風速預測，再由風功率曲線得到風力發電功率的預測值，這是進行風力發電功率預測的有效途徑之一[2]。在預測時，考慮溫度、氣壓、地形、海拔、緯度等多種因素的影響，采用預測方法主要有持續預測法、卡爾曼濾波法、人工神經網絡法和模糊邏輯法等。風速預測按周期可分為短期、中期和長期。短期風速預測一般是未來1h平均風速的預測值，有時會更短，因為預測周期越短，被測地點風速變化越，預測精度會越高。中長期風速預測則指對更長周期的平均風速進行預測。

1.2 風電功率預測分類

風電功率預測的分類方式有很多，大體總結有以下分類方式（如圖2所示）：①按照預測的物理量可分為預測風速輸出功率和直接預測輸出功率；②按照數學模型可分為持續預測、時間序列模型預測、卡爾曼濾波法和神經網絡的智能方法預測；③按照輸入數據可分為不采用數值天氣預報法和采用數值天氣預報法；④按時間尺寸可分為超短期預測、短期預測和中長期預測。其中按時間尺寸分類普遍被大家認可，應用最為廣泛。

超短期風電功率預測時間為0～4h、15m in滾動預測，時間分辨率為 15m in，主要用于實時調度，解決電網調頻問題。

短期風電功率預測時間為0～72h，時間分辨率為 15min，主要用于合理安排常規機組發電計劃，解決電網調峰問題。

圖2 風電功率預測分類

中長期風電功率預測時間為數周或者數月，這一時間內的風功率波動與風電場或電網的檢修維護計劃有關[3]。

1.3 風電功率預測方法

風功率預測方法可以分為兩種方法：一種方法是根據數值天氣預報的數據，用物理方法計算風電場的輸出功率；另一種方法是根據數值天氣預報與風電場功率輸出的關系、在線實測的數據進行預測的統計方法。綜合方法則是指物理方法和統計方法都采用的方法。

物理方法是應用大氣邊界層動力學與邊界層氣象的理論將數值天氣預報（Numerical Weather Prediction /NWP）數據精細化為風電場實際地形、地貌條件下的風電機組輪轂高度的風速、風向，考慮尾流影響后（如圖3所示），再將預測風速應用于風電機組的功率曲線，由此得出風電機組的預測功率，最后，對所有風電機組的預測功率求和，得到整個風電場的預測功率。 其目的就是能夠較為準確地估算出輪轂高度處的氣象信息，從而為風功率預測作基礎。

圖3 尾流效應對風速產生的影響

物理方法特點有如下幾個方面：

1）不需要風電場歷史功率數據的支持，適用于新建風電場。

2）可以對每一個大氣過程進行詳細的分析，并根據分析結果優化預測模型。

3）對由錯誤的初始信息所引起的系統誤差非常敏感。

4）計算過程復雜、技術門檻較高。

統計方法是基于“學習算法”（如神經網絡方法、支持向量機、模糊邏輯方法等），通過一種或多種算法建立數值天氣預報（NWP）數據、歷史數據和實時數據與測得的風電場歷史輸出功率數據之間的聯系，再根據輸入輸出關系，對風電場輸出功率進行預測。

統計方法特點：

1）在數據完備的情況下，理論上可以使預測誤差達到最小值；

2）定期進行模型再訓練，預測精度可持續提高；

3）需要大量歷史數據的支持，不適用于新建風電場，對歷史數據變化規律的一致性有很高的要求；

4）統計法的建模過程帶有“黑箱”性。

2 國內外對風速風功率預測研究現狀

丹麥、德國等一些西方國家對風能開發利用較早，風力發電技術成熟度較高。在 20世紀 70－80年代，一些西方國家就針對風電場微觀選址進行了深入探討，組織了風能資源的觀測試驗及評估方法研究，相繼開發了如 WAsP、Meso-Map、windFarmer以及Sitewind等風能資源評估軟件或系統。風能資源分布范圍廣、能量密度相對較低且具有一定的不穩定性，準確的資源評估是進行風能資源開發利用的關鍵環節，而進行資源評估的前提是必須掌握風能資源的形成機理與分布特征[4]。

文獻[5]應用 WAsP軟件對土耳其恰納卡萊和愛琴海地區風能資源進行了分析；文獻[6]基于工程實測數據用WAsP8.3分析和評估了相關風能要素；文獻[7]在RIX方法的基礎上，對WAsP應用于復雜地形風電場發電量預測的誤差進行了研究，并結合工程實踐提出了一種發電量誤差評估方法，進行了驗證。

我國風能資源豐富區主要分布在“三北地區”即東北、西北和華北，以及沿海岸線陸上離海岸線距離 3～5km的范圍內。實際證明，我國風電場多建于遠離負荷較重的地區，接入電網的末端，網架薄弱，屬于大規模集中上網，除了需要進一步考慮低溫、沙塵暴等極端天氣條件外，電網條件還往往成為制約其風能資源開發利用的限制條件，因此，在風能評估和風電場選址方面不同于一些西方國家。目前，我國還沒有成熟風能資源評估和風電場選址軟件或系統，因此，適合我國風能精細評估和風電場微觀選址成為了建設風電場前期的重要工作。

近年來，國內外學者在預測方法上進行了深入探討，提出許多改進辦法。其中，對短期預報研究的較多，文獻[8-10]提出了幾種基于智能算法的風電場風速預測的方法和模型。文獻[11]建立了考慮風電場氣象因子影響的 BP神經網絡風速預測的新模型，并驗證了該方法的有效性、實用性和可靠性。文獻[12-13]針對風功率預測的分類進行了探討，對國內外風功率預測的現狀做了簡要的闡述。文獻[14]針對我國風電開發遇到的風電接入困難、電網調度困難等問題，對國內外解決此類問題的風電功率預測技術進行了闡述，并提出了我國風電功率預測宜采用風電企業和電網共同實施的運行模型。

3 風功率預測存在的問題

盡管風力發電發展迅猛，但據調查，目前我國許多風電場投產后實際的年平均發電量遠低于預期測量值，大約為預測值的60%～80%左右，導致該結果的一個重要原因就是風能資源的測量和評估存在問題，對我國典型地區風資源規律的缺少認識，對我國風電場的建設缺乏理論依據。比如，風機運行壽命一般為25年，在運行發電期間，有許多折舊因數和自然環境約束，導致風電場理論發電量與實際發電量相差較大。因此，在引進新的風電項目之前，必須在考慮具體的外部環境因素基礎上來建設風電場，這樣才能是風能最大化利用。

研究風能精細評估和風場微觀選址技術研究，確立我國在大型風場數值仿真領域的國際領先地位。一般可研報告計算的發電量偏大。設計單位在計算風電場發電量時，主要有以下原因致使計算的發電量偏大[5]。

1）在進行風資源分析及發電量計算時，設計單位多采用丹麥WAsP軟件進行計算分析。但由于我國國土面積大，地形條件十分復雜，國外的數值模式，尤其是歐洲的小尺度數值模式，其中的湍流閉合參數基本都是本地的近地湍流觀測試驗結果確定的，與我國地形地表狀況相差甚遠。因此其計算結果與實際相差較大，且在絕大多數情況下，結果偏大。國內多數風電場實際發電量均比可研報告小，就充分證明了這一點。

2）在無法滿足規范要求的情況下，由于風資源觀測系列太短，所以設計單位機械地利用臨近氣象站的長期觀測數據進行數據訂正。由于氣象站因城市化，氣候變暖等影響，造成近期氣象站觀測數據較長期偏小，致使訂正后的數據較風電場實際數據偏大。另一方面規范要求的氣象站距風電場要近，地形要相似，多數情況下根本不能滿足。

3）安裝的測風儀的位置不適合，多數安裝在山頭或地形較高處，代表性差。

4）大多數風電場地形復雜，安裝的測風儀數量太少，不能全面反映風電場風資源。

在風電場建設完成，并網投運之后，對風電場區域的風力進行準確的短期預測，則將為風電場功率的預測提供有效數據支持，對電網穩定運行和安全調度具有重要作用。但無論是進行基于風速的風功率預測還是直接采用物理方法或統計方法對風電出力預測，常常會出現下列問題。

1）數據量偏少

風電功率預測要求的數據量很大，比如風電場歷史數據，NWP數據和SCADA實時數據等，但在進行風功率預測時，這些數據往往會有異常、不完備的情況，若用統計方法進行預測時，則會因數據量不夠而影響預測精度和可靠。

2）自動化通信設備

自動化通信設備在電力系統中起到“毛細血管”的作用。由于自動化通信故障引發數據采集、傳輸、轉換等一系列環節出錯，導致數據失真或缺失，影響數據準確性，給功率預測帶來不利影響。

3）限制風電出力

在大規模風電場接入電網之后，風電出力的不確定性和不完全可控性，風速變化過于頻繁，會給電網調度和方式安排帶來極大困難，只有棄風，限制風電出力來維持電網安全穩定運行。一方面增加風電場投資回收期，另一方面將導致清潔的風能資源嚴重浪費。

4 改善風功率預測解決方案

1）提高風電場宏觀和微觀選址精度

風電場選址是否合理直接影響著風電場建成后的發電量。在宏觀選址過程中，要詳細考察風能資源、并網條件，交通、地形地貌和其他氣候環境等因素，并確保有效側風時間大于1年。同時要考慮湍流強度，一旦湍流強度超過0.25，建設風電場就要特別慎重。在微觀選址上，要考慮地形、尾流效應和塔影效應等對風速的影響。借助于預測精度較高的軟件，比如WAsP和windFarmer軟件，并且要考慮多種折舊和自然干擾，確保全面、精確的風電場選址工作。還需要針對風能資源形成、分布、變化機理以及評估技術原理的研究。

2）提高天氣預報準確性

目前，在進行短期風功率預測時，無論采用物理方法，還是統計方法都會用到 NWP數據，因此提高天氣預報的準確性能夠改善預測的精度。把多個數字天氣預報（NWP）模型組合起來，對氣象信息進行預報，該方法可以克服惡劣天氣下出現的預測偏差，顯著提高預測精度。

3）加強風電數據管理和完善

風電數據量很大，風功率預測是基于大量數據資料開展的。合理數據管理，可以節約風功率預測時間，進而給調度工作帶來方便。所以，可以建立風電數據庫，并開發基于風電的數據挖掘系統，數據精細化管理。

4）物理法和統計法相結合

物理法不需要風電場歷史功率數據的支持，適用于新建風電場；但需要大量且準確的NWP數據，風電的物理信息對預測的準確度也有很大影響。統計方法需要大量歷史數據的支持，對歷史數據變化規律的一致性有很高的要求，但準確性較高，同時建議采用自學習能力的模型。因此，在實際預測中，建議物理方法和統計方法結合。

5）自動化通信設備方面

完善通信通道，增加設備巡視次數，定期維護設備，確保提供連續、可靠的監測風電數據。

6）改進風功率預測系統

近幾年，我國已開發出風功率預測系統，風電場向電網公司提供了較為準確的發電功率曲線，這使得電網調度可以有效利用風能資源，提高風力發電上網小時數。但與一些西方國家相比，我國預測系統還未完善，預測精度還有較大差距，因此，需要針對我國風能資源具體的情況，改進風功率預測系統，提高預測準確性。

除以上幾點改進措施外，還需要按風電額定出力能力配置輸配工程；綜合考慮外界因數對風電功率預測產生的影響；完善預報評價體系等。

5 結論

我國風電發展前景良好，風電利用必然成為建設資源節約型和環境友好型社會的重要舉措。準確的風電功率預測可以提高風能資源利用小時數和利用效率，也能夠提高電力系統運行的穩定性、改善電能質量，同時也可增強風電在電力市場中的競爭力。

[1]楊秀媛,肖洋,陳樹勇.風電場風速和發電功率預測研究[J]. 中國電機工程學報,2005,6, 25(11):1-5.

[2]吳國旸,肖洋,翁莎莎.風電場短期風速預測探討[J]. 吉林電力,2005,12(6):21-24.

[3]王明偉.風電場短期風速預測研究[D]. 蘭州理工大學,2009.6.

[4]李建林.風電功率預測技術[J].The World of Inverters.28-29.

[5]Y.Oner*, S.Ozcira*, N.Bekiroglu*.Prediction Wind Energy Potential Using by Wind Data Analysis in Bababurnu-Turkey .IEEE.2009:232-235.

[6]韓春福,南明君.基于WAsP的風電場風能資源評估的應用及分析[J].能源工程,2009(4):26-30/36.

[7]馮雙磊,劉純,王偉勝,等.地形復雜的風電場資源評估誤差分析方法[J].可再生能源,2009,27(3):98-102.

[8]李文良,衛志農,孫國強，等.基于改進空間相關法和徑向基神經網絡的風電場短期風速分時預測模型[J].電力自動化設備,2009,29(6):89-92.

[9]肖永山,王維慶,霍曉萍.基于神經網絡的風電場風速時間序列預測研究[J].節能技術,2007,25(2):106-108/175.

[10]潘迪夫,劉輝,李燕飛.基于時間序列分析和卡爾曼濾波算法的風電場風速預測優化模型[J].電網技術,2008,32( 7):82-87.

[11]傅蓉,王維慶,何桂雄.基于氣象因子的BP神經網絡風電場風速預測[J].可再生能源,2009,27(5):86-90.

[12]谷興凱,范高鋒,王曉蓉,等.風電功率預測技術綜述[J].電網技術,2007,31(S2):335-339.

[13]王麗婕,廖曉鐘,高陽,等.風電場發電功率的建模和預測研究綜述[J].電力系統保護與控制,2009,37(14):118-122.

[14]屠強.風電功率預測技術的應用現狀及運行建議[J].電網與清潔能源,2009,25(10):4-9.