一種跟蹤風光互補發電系統計劃出力的變時間尺度短期功率預測方法

李明偉，青 松

(國網四川省電力公司，四川 成都 610041)

0 引言

由于風和光的間歇性和隨機性特點，使得大規模的風光系統接入對電網的安全、穩定以及電能質量帶來嚴峻挑戰。因此風光互補發電系統接入大電網穩定運行需要實現3種控制目標:功率平滑輸出、跟蹤計劃出力、跟蹤實時負荷出力［1］。下面的研究是為了發電系統更好地跟蹤計劃出力，增強其可調度性，提高風能和太陽能資源的利用率。

加入風力和光伏發電功率預測信息，有利于風光系統制定合理的能量分配策略，實現系統的計劃輸出。目前，功率預測在風電場和光伏電站中已經獲得了應用［2］，可分別采用統計方法或物理方法建立相應的模型進行預測。文獻［3-5］提出在風光系統控制策略中加入功率輸出預測信息，將預測得出的功率曲線作為決策基礎使系統最大程度達到預定控制目標。由于風光互補發電系統現場每一條饋線上的機組數量不等，每臺風機和光伏組件的控制周期也不一定相同，再加上現場數據采集的周期不定，現有的這些物理或統計方法［6-10］需針對不同的周期重復建模。由于上述模型復雜度較高、重新建?；ㄙM時間長，因此不適用于分配周期隨時可變的風光互補系統。

針對上述問題，提出了一種時間尺度可變的可靈活適應風光互補發電系統分配周期變化的風光功率預測方法。該方法結合歷史數據與物理模型，實現了功率預測分辨率可變，應用于能量管理模型進行預測控制，改善了風光互補發電系統跟蹤計劃出力的能力。歷史數據與物理模型相結合的預測方法與單獨采用物理模型的預測方法相比，系統跟蹤計劃出力的平均相對誤差減小了4%。

1 變時間尺度的短期功率預測

1.1 功率預測的基本原理

歷史數據與物理模型相結合的變時間尺度功率預測方法，由結合歷史數據的變時間尺度天氣預測模塊、風場風機和光伏組件物理模型構成。

其中，對于風力發電機組的功率預測，輸入為天氣預報點未來24小時整點時刻的預報風速風向數據，將此數據輸入風場風機物理模型得到每臺風機測風儀處未來24小時整點時刻的預測風速;變時間尺度的天氣預測模塊結合風機若干日歷史風速數據對未來24小時整點時刻的預測風速插補處理，得到每臺風機未來24小時所需預測分辨率的風速信息;最后通過風機風速功率曲線得到所需分辨率的未來24小時風機預測功率。

對于光伏組件的功率預測，輸入為天氣預報點未來24小時整點時刻的預報光照強度和溫度數據，此數據即為光伏電站未來24小時整點時刻的預測光照強度和溫度;變時間尺度的天氣預測模塊結合光伏電站的若干日歷史數據對預報數據插補處理，得到光伏電站未來24小時所需預測分辨率的光照強度和溫度;最后通過光伏組件物理模型得到所需分辨率的未來24小時光伏預測功率。

風場短期功率預測的物理方法，需要對風電場所在地進行物理建模，包括風場的地形、地表植被及粗糙度、周圍障礙物等;還要對風場的風機排列、風機本身的輪轂高度、功率曲線等進行建模［11］。圖1表示不同粗糙度及風機排列對風廓線的影響，假定上游來的空氣經過2次粗糙度變化后到達風力發電機組的位置，風力發電機組的風廓線由v1(z)、v2(z)、v3(z)三條曲線組成，v1(z)對應的粗糙度和摩擦速度分別是z01和v*1;v2(z)對應的粗糙度和摩擦速度分別是和z02和v*2;v3(z)對應的粗糙度和摩擦速度分別是z03和v*3;風機排列對風廓線的影響通過尾流效應模型計算得出，這里采用Rahman模型。

圖1 不同粗糙度及風機排列對風廓線的影響示意圖

Rahman模型不僅考慮了風力發電機組風輪半徑和機組間距，同時還考慮了風場的地形地貌、粗糙度、大氣擾動密度等因素對尾流效應的影響。Rahman模型根據有限個風力發電機組構成風電場的尾流效應圖，通過迭代可以計算輪轂高度處產生的損失，得到機組的迎風面風速［12］。風電場的尾流效應如圖2所示。

圖2 風電場尾流效應

圖2中，L表示相鄰兩排風力發電機組之間的間距;dvh表示風力發電機組輪轂高度處的尾流損失;Ha表示測風高度;va表示測風速;Hh表示風力發電機組輪轂高度;vh表示輪轂高度處的風速;Hb表示受擾大氣邊界層高度;vb表示受擾大氣邊界層風速;通常情況下Hb、Hh和vb、vh分別滿足如式(1)所示關系。

基于Rahman模型的尾流計算是一個類推的過程，經過類推可根據第一排的風力發電機組輸入風速求得下風向上各排風力發電機組輪轂高度的風速。

風場短期功率預測方法的輸入為數值天氣預報，目前國內提供的數值天氣預報分辨率多數都為1 h。歷史數據與物理模型結合的風力發電機組功率預測流程如圖3所示，這里使用變時間尺度的天氣預測模塊對風機機艙處的風速數據進行插值處理，處理后得到的分辨率更高的風速數據經過風力發電機組輸出特性曲線得到預期分辨率的風力發電機組功率預測結果。

圖3 風力發電機組功率預測模型結構

針對光伏組件的功率預測，由于光伏電池的數學模型等效方程如式(2)所示［8］，通過一定的方程變換，可得到模型參數(光生電流、反向飽和電流、串聯內阻、并聯內阻)表示的光伏電池的輸出電流和電壓的顯示方程。如果知道預測時刻光伏組件表面光照強度和溫度，再計算出當時情況下的模型參數值，就可得到預測時刻光伏電池的輸出電流和電壓的最大值，從而可得光伏組件的最大功率輸出值。而實際工作環境下的光伏組件模型參數值可由標準測試條件下電池的I-V曲線提取相關信息，再通過表達式求解得到。至此，則可建立光伏組件的物理模型，光伏組件的輸出功率可通過此物理模型根據組件表面的光照強度和溫度進行計算。

其中，I表示光伏電池輸出電流;Iph表示光生電流;I0表示反向飽和電流;q表示電子電荷常數;n表示二極管影響因子;k表示波爾茲曼常數(k=1.38×10-23J/K);T表示光伏電池工作溫度;Rs表示串聯內阻;Rsh表示并聯內阻;V表示光伏電池輸出電壓。

數值天氣預報信息提供光伏組件工作環境下的溫度和光照強度。歷史數據與物理模型結合的光伏組件功率預測流程如圖4所示，同樣使用變時間尺度的天氣預測模塊對天氣預報分辨率下的溫度和光照強度數據進行插值處理，得到的分辨率更高的數據經過建立的光伏組件物理模型得到預期分辨率的光伏組件功率預測結果。

圖4 光伏組件功率預測模型結構

1.2 結合歷史數據的變時間尺度預測

功率預測模塊根據系統對控制周期的要求對數值天氣預報數據進行插值。插值的原理是，由于天氣信息在同一地點變化趨勢的規律性，不同日期的天氣變化趨勢具有相似性，針對變化趨勢可求得歷史天氣信息與預測日天氣信息的相似度，從而選取具有相同變化趨勢的歷史數據對預測日進行趨勢映射實現插值。

結合歷史數據的變時間尺度天氣預測模塊提出的基于相似度對天氣預報數據進行插補處理的方法，包括預測分辨率獲取、歷史數據提取、歷史與預測數據相似度計算、歸一化處理、數據插補。

首先根據風光互補發電系統得到所需預測數據的分辨率，通過歷史數據提取模塊提取當前預測時刻之前若干天在該分辨率下的歷史數據，則相似度計算模塊可計算出提取的若干天歷史整點時刻數據與天氣預報數據變化趨勢的相似度，歸一化處理模塊根據相似度與歷史變化趨勢數據，計算得出未來24小時在預測分辨率下的天氣數據變化趨勢權值，依據此權值算出預測數據變化趨勢量，最終計算出未來24小時在所需預測分辨率下的天氣信息。該方法的具體實現過程如下。

預測輸入數值天氣預報數據經物理模型處理得到風機測風儀處風速或光伏組件處的溫度和光照強度。

按所需預測分辨率的時間間隔從歷史天氣數據(風速、溫度、光照強度)中提取相應時間點上的數據，作為預測所需歷史數據源。所用的數據如圖5所示，當前時間整點時刻為t，預測分辨率為T分鐘，天氣預報數據為未來24小時整點時刻數據，提取了t時刻之前若干天間隔為T的歷史數據。其中，歷史天氣數據的風速是風力發電機組測風儀位置的實測歷史風速數據，溫度和光照強度是光伏電站位置的實測歷史溫度和光照強度數據。

圖5 變時間尺度的天氣預測模塊數據圖

對所提取的歷史上若干日整點時刻天氣數據的變化趨勢與未來天氣數據相應時間點上數據變化趨勢作相似度計算。此處的未來天氣數據是當前時刻之后經物理模型處理所得的天氣信息。

記未來天氣數據個數為n，n=24;兩相鄰時間點上數據變化量為特征向量，uk為未來天氣數據的第k個特征向量，ujk為歷史第j天的第k個特征向量，則歷史第j天與未來天氣數據的相似度rj可由公式(3)計算。

對相似度計算結果進行比較，從中取出相似度較大(rj≥rjmax×80%，rjmax為相似度計算結果里的最大值)的m天的歷史數據;然后對相似度作歸一化處理，由式(4)所示方程求得各歷史數據的權值。

其中，r'j表示相似度歸一化處理后第j日歷史天氣信息變化趨勢的權值。

下一周期的天氣預測值為當前預測時刻的實際值與歷史上各日對應此時刻數據變化趨勢量的加權平均之和。記v0為當前時刻的天氣信息值，vk表示第k個時間間隔所對應的天氣信息值，則第k+1個時間間隔所對應的天氣信息的預測值v(k+1)可由公式(5)計算。

其中，數組vk即為未來24小時時間間隔為T的天氣預測值。

經過以上處理得到了滿足預測分辨率的天氣信息，再經由余下的物理模型可得未來24小時滿足預測分辨率的功率預測值。

至此，根據時間間隔較長的數值天氣預報信息，結合歷史數據經物理模型處理最終可得不同預測分辨率的功率預測結果，為風光互補發電系統能量控制提供了有力的數據支持，對保障風光互補發電系統輸出功率穩定有著重要意義。

2 算例分析

采用Matlab編寫功率預測各模塊算法，根據風力發電機組、光伏組件出力特性，并加入地形和天氣變化等影響因素，建立預測仿真模型，并將預測結果應用到能量管理模型進行預測控制。

利用某風光互補發電站的歷史數據進行仿真實驗，采用其中的8臺單機容量為1.5 MW的雙饋風力發電機組、6套單機容量為1 MW的光伏發電機組和1套容量為2 MW的儲能部件，總容量為20 MW。

圖6為發電組件基于不同模型功率預測結果，圖中分辨率為1 h的曲線是基于物理模型功率預測結果圖，將物理模型與歷史數據相結合，得到了時間間隔為15 min的功率預測結果曲線。單臺風機功率預測平均相對誤差為20.49%，均方根相對誤差為31.85%，單臺光伏逆變器功率預測平均相對誤差為5.91%，均方根相對誤差為18.6%，預測結果很大程度上依靠天氣預報的預測精度。由此可以看出將物理模型與歷史數據相結合，可以彌補獨立基于物理模型的功率預測分辨率受模型輸入數值天氣預報分辨率限制的缺陷。

圖6 發電組件基于不同模型功率預測結果圖

將功率預測結果應用到風光互補發電系統有功功率控制中，其結果如圖7所示。

圖7 發電組件基于不同模型功率預測的控制結果圖

結果表明，在符合系統發電能力的條件下發電系統的輸出功率很好地跟蹤了計劃出力值。當周期為15 min時系統功率輸出跟蹤能力更強、穩定性更高，歷史數據與物理模型相結合的預測方法與僅采用物理模型的預測方法相比，系統跟蹤計劃出力的平均相對誤差減小了4%。分析可知，跟隨系統控制周期預測的功率預測精度越高，系統能量分配精度則越高，各發電組件的功率設定值能更切合其自身的實際發電能力，從而使發電系統的控制具有更小的跟蹤誤差。

3 總結

針對風光互補發電系統的能量分配時變周期要求提出了一種將歷史數據與物理模型相結合的功率短期預測方法，此方法滿足風光互補發電系統對功率預測時空分辨率的要求，可實現逐點與整體預測，同時隨著系統控制周期的不斷變化，滿足預測周期的時間尺度可變。將預測結果應用到能量管理中，結果表明，歷史數據與物理模型相結合的方法比僅采用物理模型的方法減小了4%的系統跟蹤誤差。

所提出的方法僅需要少量歷史數據，能為整個風光互補發電系統的能量分配策略提供較為準確的功率參考值，該方法建立的模型魯棒性強、計算時間短、不需要定期訓練、工程實用性強。

［1］李金鑫，張建成，周陽.風光儲聯合發電系統能量管理策略研究［J］.華東電力，2011，39(12):2026-2029.

［2］G.Capizzi，F.Bonanno，C.Napoli.A Wavelet Based Prediction of Wind and Solar Energy for Long-term Simulation of Integrated Generation Systems［C］.SPEEDAM 2010-International Symposium on Power Electronics，Electrical Drives，Automation and Motion，2010:586-592.

［3］劉波，郭家寶，袁志強，等.風光儲聯合發電系統調度策略研究［J］.華東電力，2010，38(12):1897-1899.

［4］張征，王曉蓉.新能源接入綜合系統研究與實現［J］.供用電，2011，28(1):15-18.

［5］王宏，李兵.分布式風光互補電源的能量管理策略［J］. 電力電子技術，2010，44(6):58-60.

［6］施佳鋒，馮雙磊，丁茂生，等.寧夏電網風光一體功率預測系統［J］.寧夏電力，2011，(1):1-4.

［7］馮雙磊，王偉勝，劉純，等.風電場功率預測物理方法研究［J］.中國電機工程學報，2010，30(2):1-6.

［8］翟載騰.任意條件下光伏陣列的輸出性能預測［D］.安徽:中國科學技術大學，2008.

［9］Sancho Salcedo-Sanz，Emilio G.Ortiz-Garc'a.Short Term Wind Speed Prediction Based on Evolutionary Support Vector Regression Algorithms［J］.Expert Systems With Applications，2010(1):4052-4057.

［10］Gong Li，Jing Shi，Junyi Zhou.Bayesian Adaptive Combination of Short-term Wind Speed Forecasts From Neural Network Models［J］.Renewable Energy，2011:352-359.

［11］Matthias Lange.On the Uncertainty of Wind Power Predictions-Analysis of the Forecast Accuracy and Statistical Distribution of Errors［J］.Journal of Solar Energy Engineering，2005:177-184.

［12］Rahman Saifur，Chowdhury B.H.Effects of clusters on the electric power form［J］wind farm.IEEE Tran on Apparatus and System，1984，103(8):2158-2164.