提高風電場風速預測能力的軟測量方法

趙萬劍，楊亞蘭，張 超，吳 鈺

（1.上海市電力公司 松江供電公司，上海 201600；2.上海電力學院 電力與自動化工程學院，上海 200090）

0 引言

開發(fā)和利用風能的主要形式是風力發(fā)電，隨著風電容量占電力系統(tǒng)比重的日益增加，風速短期預測的準確性，直接影響風電的出力乃至電網(wǎng)的安全穩(wěn)定性［1，2］。

有關(guān)風速短期預測的問題，歐盟國家、美國等風電產(chǎn)業(yè)發(fā)展較早，大多開發(fā)了專門的風電功率預報系統(tǒng)，預測時長可達72h，相應(yīng)的預測成本也比較高。我國的風力發(fā)電還處于初級階段，預測的時間長度一般集中在30min～24h時間段，預測誤差為25%～40%［3］。

分析風速預測的誤差源，主要牽涉到風電場所處的地形、海拔、風機自身的特性等物理因素，還有實現(xiàn)對未來風速進行預測的軟測量技術(shù)。前者由規(guī)劃初期的物理環(huán)境決定，不易改變，而后者則可通過不同的軟測量方法進行改進。因此，對已建風電場主要從提高軟測量技術(shù)方面進行預測能力的提高。

本文分別從風電場短期風速預測的算法及其改進，空間連續(xù)性的改善以及時間連續(xù)性的增強三方面進行研究。

1 改進算法

風速預測在很大程度上受預測方法的影響。長期以來，專業(yè)學者進行了大量研究，到目前為止風速預測方法主要有物理模型法和時間序列模型法。

物理模型法基于大量的氣象、地表等因素，計算成本高，不適用于風速的短期預測。時間序列法基于統(tǒng)計學習理論，包括傳統(tǒng)的持續(xù)預測法、卡爾曼濾波法、隨機時間序列法、空間相關(guān)性法以及人工神經(jīng)網(wǎng)絡(luò)法，這些方法易于建模，并能夠及時預測［4－6］。

支持向量機（SVM）對處理小樣本、非線性以及高維數(shù)特點的序列有比較好的適應(yīng)性，尤其是在波動性較大的風速預測過程中有著廣泛的應(yīng)用。

1.1 支持向量機原理

訓練樣本集表達式為：

式中：xi∈Rn為輸入向量；yi∈R為對應(yīng)的輸出；l為樣本數(shù)量。

SVM采用式（1）來估計函數(shù)：

式中：φ（x）為從輸入控件到高維特征空間的非線性映射；ω為權(quán)向量；b為閾值。

由最小化風險泛函得到目標函數(shù)［7］：

上述問題是個典型的二次規(guī)劃問題，用Lagrange乘子法求解即可得結(jié)果。

SVM體系結(jié)構(gòu)如圖1所示。

圖1 SVM體系結(jié)構(gòu)

1.2 預測實例

對華東地區(qū)某風場進行調(diào)研，取70m高空的實測風速數(shù)據(jù)進行試驗。試驗數(shù)據(jù)為平均每10min采集并存儲1次，選取34號風機2012年1月9日到19日的1 448個數(shù)據(jù)，即1 440組輸入作為模型的訓練樣本，對未來4h的24個風速數(shù)據(jù)進行預測，以均方根誤差（rmse）和平均絕對誤差（mape）為預測的性能指標，如式（3）和式（4）所示。

式中：n為樣本總量；Xi為第i個點的實際風速為第i個點的預測風速。

此處，得ermse＝12.33%，emape＝10.41%。

1.3 多分辨率分析—支持向量機預測

風速受時間的影響，傍晚風速相對較大，白天風速相對較小，從這一點上來看，風速是有規(guī)律性的。因此，運用多分辨率分析理論（MRA），對風速信號在不同頻率進行分解，提取規(guī)律信號，再對各分支信號進行SVM預測，并對信號重構(gòu)，采用34號風機2012年1月9日到19日的1 448個數(shù)據(jù)，在輸入輸出、預測模型的參數(shù)等條件都不變的情況下進行預測，兩種模型的評價指標結(jié)果匯總?cè)绫?所示。

表1 SVM和MRA－SVM模型評價指標

由表1可見，對模型進行改進后，預測性能有了提升。預測算法的選擇，很大程度上決定著預測的準確性，也即決定著預測誤差的大小。因此，改進預測算法是提高風能預測能力的一條有效的途徑。

2 提高空間連續(xù)性

風速的大小由每秒的傳輸距離（m）或每小時的傳輸距離（km）來描述，由此可知，風從A點吹到B點需要一定時間。已知A、B兩點的距離L，測得A點的風速Va，由t＝L／Va可以知道未來時間段t后B點的風速。

實際上風能在傳遞時，周圍障礙物大多會吸收部分風能，使得能量在傳遞過程中不斷衰減，不能保證100%的傳遞。因此，在解決實際問題時，還要進行傳遞因子的修正。

2.1 預測原理

對于短期風速預測，為了減小數(shù)據(jù)的存儲容量，降低數(shù)據(jù)運算的復雜度，風速的時間采集均以分鐘為單位進行存儲（存儲時間為5min或10min），而在風場規(guī)劃階段，為使風機能夠最大限度地吸收風能，同時又不浪費空間地理資源，每相鄰兩臺風機之間的距離不會超過1km（通常為500～700m）。

風速的傳輸速度一般不會超過60m／s。因此，從傳遞時間來考慮，由于傳輸時間間隔較大，風機之間的距離較小，在現(xiàn)有的條件下，此處選取當?shù)氐娜諝庀笮畔閰⒖迹A測出未來的日風速，繼而在氣象信息測點與風場風速測點之間，建立相應(yīng)的傳輸關(guān)系模型，進行短期風速的修正預測，模型框圖如圖2所示。

圖2 空間傳遞修正模型

2.2 預測實例

采集華東地區(qū)某風場3個月的歷史氣象數(shù)據(jù)，對風速進行預測，預測的基本方法仍為支持向量機。預測結(jié)果如表2所示。

表2 SVM與氣象修正模型的性能指標

由表2可知，采用修正后的風速預測值與單純的SVM方法預測值進行比較，評價指標有了一定的提高，但幅度不是很大。主要原因是原始數(shù)據(jù)不準確性。對于日風速預測，由于氣象站的測量數(shù)據(jù)本身采集時間間隔大，24h測量一次，風速的量綱為km／h，而風場風速的量綱為m／s，為了預測風場風機的風速，必須要將二者歸一化，在此過程會產(chǎn)生很大的誤差。

此外，采集的溫度、氣壓、濕度、露點、風速等氣象數(shù)據(jù)，均為當日的平均值，而在實際中，該平均值的計算被認為是最大值與最小值的平均值。因此，每天氣象信息的實際時間分布無法呈現(xiàn)，最大值與最小值所占的比例也無法表現(xiàn)，極端情況下，如1天中風速最大值與最小值相差很大，而最大值出現(xiàn)的時間分布很小，其余時間的氣象數(shù)據(jù)分布在最小值附近，那么這將很大程度上影響1天的平均值。

3 提高時間連續(xù)性

目前，對風速的短期預測研究，大多集中于對未來30min至72h的預測，而時間采集間隔通常為10min或5min，大多基于歷史數(shù)據(jù)的靜態(tài)預測。

為了提高預測的精度，從時間概念進行改進，提高數(shù)據(jù)采集的頻率，縮短預測的周期，提高時間連續(xù)性，同時結(jié)合風速在空間的傳遞性，建立級聯(lián)風機，進行風速的超短期預測。

3.1 尾流效應(yīng)

尾流效應(yīng)是指風場上風位的風機在捕獲風能后，將使下風位風機吸收的風能下降，從而導致機組發(fā)電功率的降低。如圖3所示，尾流效應(yīng)受機組間距的影響，間距越大，由尾流效應(yīng)引起的能量損失越小。但是，由于地理環(huán)境有限，機組間距只能控制在一定的范圍內(nèi)，在盛行風的順風向上取較大的間距，而在側(cè)風向上取較小的間距，以降低尾流效應(yīng)引起的損失。實際情況下，風速和風向是不斷變化的［8，9］，所調(diào)研的華東地區(qū)的一所大型風電場地處灘涂濕地，其風機的排布間距為500～700m，盡管如此，風場的尾流損失仍高達10%～15%。

圖3 間距對尾流效應(yīng)的影響

在大型風場中，風機是多排多列布置的，各機組之間都會有不同程度的尾流影響，而且相互耦合。由圖3可知，尾流是動態(tài)傳播的。因此，考慮建立機組之間的級聯(lián)關(guān)系，對風速進行預測。由于風機之間的間距一般為幾百米，對于相鄰的兩臺機組，只有對超短期風速進行預測，級聯(lián)才有意義。

3.2 預測原理

對于含有2臺風機的風電場，分別記為1號風機和2號風機，前后間距為500m。設(shè)1號風機在t時刻的風速為v1（t），2號風機在t時刻的風速為v2（t）。計算風從1號機吹到2號機的時間Δt為：

理論上，在Δt之后，2號風機的瞬時風速值v2（t＋Δt）＝v1（t），然而對于實際風場，由于尾流效應(yīng)，風速會有一定的衰減。計算衰減率wg為：

在風機運行時，參數(shù)是實時變化的。被測量的采集周期越短，預測精度會越高。因此，通過提高測量設(shè)備的性能及存儲元件的容量，在盡可能縮短采集周期，使得數(shù)據(jù)更接近于實時性要求，就能實現(xiàn)對風速的動態(tài)預測。

對于一系列的動態(tài)數(shù)據(jù)序列，設(shè)計算機所采集的1號風機瞬時風速序列為v1（ti），2號風機瞬時風速序列為v2（ti），式中i＝1，2，…，n，…，n＋m，依據(jù)式（5）求得Δti，即為兩臺風機之間的風能傳遞時間差。將1號風機和2號風機作為級聯(lián)系統(tǒng)，建立其關(guān)系，對2號風機的風速及風向角進行預測，級聯(lián)預測系統(tǒng)框圖如圖4所示。

圖4 級聯(lián)預測系統(tǒng)框圖

圖4中，對于歷史風速序列v1（ti）及v2（ti），在求得風速傳遞時間差后，實際的2號風機風速輸入為v2（ti＋Δti）。在求兩臺風機的衰減率wg（i）時，由于輸入的風速及風向角信號均為正數(shù)，因此通過比例環(huán)節(jié)來實現(xiàn)對v2（ti＋Δti）的取反，進而進行減法運算，求出衰減率序列wg（i）。其中比例系數(shù)K＝－1，而求wg（i）的函數(shù)f如式（6）所示。

3.3 預測實例

采集華東地區(qū)某一風場的實測數(shù)據(jù)，采集數(shù)據(jù)間隔為4.5s，分別記錄多臺風機的風速及風向的大小。對于超短期風速預測，此處選取67組風速及風向的數(shù)據(jù)進行預測，依據(jù)圖4所示模型，在輸入向量維數(shù)為5時，預測未來5組數(shù)據(jù)、即22.5s的風速。

對上述數(shù)據(jù)，選取相同的輸入向量個數(shù)，相同的訓練參數(shù)，比較單臺風機采用支持向量機方法預測的超短期風速及級聯(lián)風機的支持向量機風速預測，所得評價指標數(shù)據(jù)如表3所示。

表3 單機預測與級聯(lián)預測的評價指標

由表3可以看出，在提高風速的采樣頻率以及對風機進行級聯(lián)后，預測精度較單機預測效果有所提升。

4 結(jié)語

風的隨機波動性使得風能發(fā)電預測困難，在風電大量并網(wǎng)時，會對電網(wǎng)的安全性及穩(wěn)定性造成威脅，因此，針對提高風能預測能力，從軟測量技術(shù)著手，以近年來興起的支持向量機為基本方法，提出了改進算法小波分析—支持向量機，以氣象數(shù)據(jù)為參考，增強了空間連續(xù)性；以風機級聯(lián)以及縮短采樣周期為手段，增強了時間連續(xù)性。通過現(xiàn)場數(shù)據(jù)進行仿真驗證，說明上述方法可以提高風電場風速的預測能力。

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

［2］戴浪，黃守道，黃科元等.風電場風速的神經(jīng)網(wǎng)絡(luò)組合預測模型［J］.電力系統(tǒng)及其自動化學報，2011，23（4）：27－31.

［3］羅文，王莉娜.風場短期風速預測研究［J］.電工技術(shù)學報，2011，26（7）：68－74.

［4］李元誠，方廷健，于爾鏗.短期負荷預測的支持向量機方法研究［J］.中國電機工程學報，2003，23（6）：55－59.

［5］師洪濤，楊靜玲，王金梅等.基于小波－BP神經(jīng)網(wǎng)絡(luò)的短期風電功率預測方法［J］.電力系統(tǒng)自動化，2011，35（16）：44－48.

［6］黃文杰，傅礫，肖盛.采用改進模糊層次分析法的風速預測模型［J］.電網(wǎng)技術(shù)，2010，34（7）：164－168.

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

［8］Mrs.Patil SangitaB.，Prof.Mrs.Surekha.R.Deshmukh.Support Vector Machine for Wind Speed Prediction ［J］.2001，IEEE：1－8.

［9］Deliang Zeng，Yu Liu，Jizhen Liu etc.Short－term Wind Speed Forecasting Based on Wavelet Tree Decomposition and Support Vector Machine Regression ［J］.Advances in Automation and Robotics，2011，vol 2：373－379.