風電功率預測技術綜述與改進建議

張文秀，武新芳，陸豪乾

（1.南京理工大學能源與動力工程學院，南京 210094；2.上海電力學院能源與機械工程學院，上海 200090；3.國電南瑞科技股份有限公司深圳分公司，深圳 518054）

隨著環境的污染和傳統資源的枯竭，可再生能源受到越來越多的關注。作為一種無污染的可再生能源，風力發電在全球范圍內得到了快速發展。截止2013年底，全世界風電累計裝機容量達到31 813萬kW，同比增長12.5%［1］。然而與常規能源相比，風力發電具有間歇性、波動性和隨機性。當風電容量較小時，對電力系統的影響并不明顯，但大規模的風電接入電力系統后，給電網的安全穩定運行和電能質量帶來了巨大挑戰。

預測風電功率并開展研究，可以使電力調度提前掌握風電場的出力變化，及時調整運行策略，提高電網運行的安全性和經濟性。倘若能對風電功率進行預測，就可以根據輸出功率制定合理的檢修計劃，提高風電場容量系數，降低發電成本，為風電場參與發電競價奠定基礎［2］。

1 風電功率預測方法

預測風電功率有多種方法，目前沒有統一的分類標準。在文獻［3，4］對不同分類標準進行不同劃分的基礎上，通過進一步細化分析和總結，給出風電功率預測方法分類，如圖1所示。圖1中NWP為數值氣象預報，NWP預測方法具有一定的代表性。

1.1 基于歷史數據的風電功率預測

基于歷史數據的風電功率預測方法就是在風速、風向等若干個歷史數據與風電輸出功率之間建立一種映射關系，根據歷史數據進行預測。由于受到精度限制，預測時間一般為6～8h。主要有持續預測法、空間相關法、卡爾曼濾波法、自回歸滑動平均法、隨機時間序列法等。

圖1 風電功率預測方法分類

持續預測法最簡單，在短期內模型性能好，但誤差較大，通常作為基準比較法來評價其他方法的精度；卡爾曼濾波法很難獲得噪聲的統計特性；隨機時間序列法建模時只需知道少量的信息，如風電場的單一風速或時間序列，但對于低階模型，預測精度不夠高，而高階模型的參數估計則難度較大。在實際使用中采用單一的某種方法效果并不理想，由此產生了一些將幾種預測方法進行一定的加權平均處理得到最終結果的組合預測方法［5］，其局限是模型中不可能包含所有因素，很難確定各種參數之間的精確關系，所以其預測的精度受到一定的限制。

近年來，基于歷史數據的風電功率預測，在研究方面取得可喜成果，發展較快。支持向量機（SVM）技術具有全局優化、訓練時間短和泛化能力強等特點。戚雙斌從物理和統計方法對SVM預測方法做了分析，支持向量機在風電功率預測中的較大應用空間，并做了實驗［6］。Wen J提出將SVM與小波變換結合起來預測風電功率，利用小波變換找出原始信號，采用SVM提高預測精度，結果表明這種方法比單一的SVM方法更有效［7］。陳道君等人在量子粒子群優化（QPSO）算法中加入自適應早熟判定準則、混合擾動算子和動態擴張—收縮系數，提出了自適應擾動量子粒子群優化算法（ADQPSO）。研究表明該算法全局尋優能力強，有效提高了模型的預測精度［8］。Bhaskar K把前饋神經網絡用于風速和輸出功率之間的非線性映射，然后將預測的風速轉化為功率預測，該方法的有效性是與新的基準模型對比的，結果顯示該模型方法要優于基準模型［9］。陳穎采用基于多層前饋人工神經網絡的預測法，對超短期的風電場輸出功率進行預測，同時在實際運行數據的基礎上，對風電場的尾流效應所帶來的預測誤差進行分析和修正，用以減少尾流效應對預測結果的影響，提高了預測精度［10］。

針對單一的神經網絡方法泛化能力差、網絡收斂速度慢等不足，張明理等人提出基于主成分前向反饋神經網絡的預測方法，采用K—S方法和主成分分析法提取樣本及其有效信息，構建神經網絡模型進行輸出功率預測。結果表明，對神經網絡模型主成分分析后，能消除輸入因子的相關性并簡化網絡結構，使網絡加速收斂。采用小波變換、粒子群優化、神經網絡和模糊推理多種算法結合的方法對風電功率進行預測，由于預測時只考慮歷史風電功率數據，結果效果一般。如果加入其他影響風電功率的數據可能會更好［11］。Shi J提出了采用“希伯特—黃”和人工神經網絡綜合的模型進行風電功率預測，充分利用“希伯特—黃”變換在處理非線性和非平穩信號上的優勢［12］。

1.2 基于數值天氣預報的預測

數值天氣預報（NWP）是指根據大氣實況，在一定的初值和邊值條件下，通過計算機求解表示天氣變化過程的流體力學和熱力學方程組，預測未來天氣狀況的定量和客觀的方法［13］。輸入數據為風速、風向、氣溫、氣壓等SCADA數據以及等高線、障礙物、粗糙度等參數。借助NWP方法，風電功率預測時間為24～72h。很多國家都開發了NWP系統，如德國的Lokal Model模型，美國的T170L42，英國的統一模式UM，以及我國的T213L31等。Nielsen H A等人證實了如果把幾個NWP模型組合到一起可以降低預測誤差［14］。Louka等人指出卡爾曼濾波可以消除NWP模型中風速預測的系統誤差［15］。

基于NWP預測方法的原理框圖如圖2所示。該方法比較成熟，模型非常復雜，建立在大量實測數據上，需要利用大型計算機模擬大氣運動的演變過程進行計算，應用存在局限性。

圖2 基于NWP的預測方法

馮雙磊等人研究了適合電網調度的NWP法，求解了風電場粗糙度變化與地形變化對流場的擾動，并考慮了尾流效應，由于這種方法不需要歷史數據的支持，適用新建風電場的預測［16］。Nielsen T S在ANEMOS系統中加入了卡爾曼濾波法，對NWP數據進行處理，與沒有進行卡爾曼濾波處理之前相比，預測絕對值平均誤差降低了20%［17］。文獻［18］基于NWP的支持向量機風電功率預測方法，利用NWP來提高風電功率預測的準確性，通過優化選取NWP的網格點、物理層面及其之上的物理量對預測模型進行簡化，提高預測程序的運行速度。

2 預測模型

2.1 物理模型

物理模型的輸入量是一些物理或氣象信息，比如NWP得到的天氣數據，風電機組的技術參數及風電場周圍地理信息。其目的是找到風電機組輪轂高度處的風速最優估計值，然后用模型輸出統計模塊減小存在的誤差，最后根據風電場的功率曲線計算得到風電場的輸出功率。針對功率輸出特性，計算流體力學方法（CFD）是一種很好的方法，可以得出當地的物理地形條件［19］。物理模型的實質是提高NWP模型的分辨率，使之能夠精確地預測某一處的天氣，即建立風電場的NWP模型。國內外風電場預測系統大多基于物理模型，在預測過程中結合相應的樣本分析和學習方法以優化NWP數據，提高預測的準確性?；谖锢砟Ｐ偷娘L電功率預測框圖如圖3所示。

圖3 基于物理模型的預測框圖

物理模型預測方法不受測量數據的限制，適用于復雜地形，需要豐富的氣象信息和充分了解物理特性，預測精度受所建模型的精細度影響較大。

2.2 統計模型

統計模型中氣象過程不需要明確的體現出來，歷史統計數據和天氣的關系是確定的，它們用來預測未來的功率輸出。不同于物理模型，統計模型在輸入變量和輸出功率之間只涉及一步轉化。統計模型在NWP數據和風電場實測數據與風電場的輸出功率之間建立線性的或非線性的映射關系，這個關系可以用函數的形式表示出來，建立這種映射關系的方法有黑盒子技術、灰盒子技術等［20］。統計模型預測方法能自發地適應風電場位置，系統誤差小，缺點是需要長期測量數據和額外的訓練。另外，如果在訓練階段出現極端天氣狀況，會加大預測難度，倘若不做針對性的修正，將會導致很大的預測誤差。

2.3 組合模型

組合預測模型是風電場功率預報的發展方向之一［21］，分為基于物理方法和統計方法的組合；基于不同統計模型的組合；基于短期和中期模型的組合。目的是發揮各個模型的優勢，獲得全局最優的預報性能。目前，大型風電功率預報系統主要采用基于物理方法和統計方法的組合預測模型。由于沒有固定的模型選擇框架，不同模型的選擇會影響組合預測結果。

Costa等人在UPMPREDICTION項目中將短期預測的統計和物理模型進行了集成，成為面向電力市場和電力系統管理一體化的在線工具［22］。Bustamante等人研究了每小時風速預報，考慮了自回歸模型和神經網絡兩種方法，在極短的時間尺度采用物理和統計來降尺度，分析主成分，并依據線性回歸在觀測數據中找到類似的模式［23］。

3 預測誤差的評價分析

對風電功率預測誤差進行綜合評價，是提高預測精度、指導預測結果合理應用的前提。根據評價指標，可以從各方面了解預測系統的運行狀況，獲取有價值的信息，對不同預測方法的優劣性進行評價，從而提高預測精度，更好地把預測結果應用到風電場功率預測中。

常用的誤差評價指標有絕對誤差均值（ME）、絕對值平均誤差（MAE）、均方根誤差（RMSE）、平均相對誤差（MRE）等。這些誤差評價采取均值類指標，不能全面反映預測系統的真實情況，徐曼等人提出了一種綜合評價方法，包含縱向誤差、橫向誤差、相關因子與極端誤差等在內，在內蒙古某風電場運行數據的基礎上，對不同預測方法、預測系統的不同誤差環節進行評價，結果證明該評價指標具有一定的指導價值［24］。Zhang Z S建立了一個通用分布模型來預測所有預測時間尺度的誤差，這種經濟性分布可以通過一些分析術語簡化風速導致的不確定性，結果表明在反映預測誤差上，這種分布要比傳統的分布更準確［25］。Bessa R則在訓練映射時采取熵的概念，把它作為評價預測誤差指標，有助于全面獲取誤差所包含的信息，據此來優化預測系統［26］。

目前，對預測誤差修正的研究開展相對較少，楊紅英提出了基于線性回歸的風電功率預測誤差修正方法，并運用算例對所提方法驗證，結果表明該方法能提高預測精度，降低預測誤差［27］。

4 預測系統研究現狀

國外對風電功率預測研究起步較早，預測方法基本成熟，如歐美一些風電技術發展比較成熟的國家，已經研發出數個風電場輸出功率短期預報系統。

1900年，Landberg開發了風電功率預測系統［28］，采用類似歐洲風圖集的推理方法進行預測。丹麥Ris國家可再生能源實驗室獨立研發的Prediktor，利用NWP高精度有限區域模型，得到風電場地面風速，再利用WAsP程序進一步分析，考慮了障礙物和粗糙度的影響和變化等。丹麥技術大學開發的WPPT預測系統［29］，采用自回歸統計方法，將自適應回歸最小平方根法與指數遺忘算法相結合預測短期風電功率?，F在Prediktor和WPPT已經被整合成Zephry系統，它集合了前兩者的功能，能進行短期和中期預測。

美國AWS Truewind公司開發的eWind［30］，主要包括高精度三維大氣物理模型、風電場輸出模型和預測分發系統，使用自適應統計方法來消除誤差。與此類似還有英國Garrad Hassan公司開發的GH Forecaster。德國ISET開發的WPMS［31］，采用人工神經網絡方法，訓練NWP數據和風電功率的歷史測量數據，其預測均方根誤差（RMSE）為裝機容量的7%～19%，已成為商用最成熟的預測系統，目前應用于德國四大電網公司。

較為成熟的產品還有法國Ecole des Mines de Paris公司開發的AWPPS，德國太陽能研究所研發的AWPT等［32］。這些預測系統的預測框架較為類似，大多是基于氣象部門提供的數值天氣預報數據，系統誤差在10%～15%，主要原因在于NWP的誤差和模型的系統誤差。

近年來，開發更高級的預測模型，研發適用于復雜地形、極端天氣條件以及海上風電場的預測技術已成為研究的重點，具有代表性的是歐盟的ANEMOS項目。該項目有7個國家參與，目的是開發一種短期發電量預測的工具并將其應用于陸上和海上風電場。它基于物理和統計兩種模型，使用多個NWP模式，可以把預測精度提高至10%。

目前，我國風電功率預測系統尚處于初步探索和發展階段，主要的預測系統有中國電力科學研究院研制的WPFS Ver1.0預測系統、清華大學研制的風功率綜合預測系統及國網電力科學研究院／南京南瑞集團的NSF3100風電功率預測系統。其中，WPFS Ver1.0通過物理方法和學習方法進行功率預測，于2008年12月投入試運行，預測誤差低于20%；清華大學研發的風功率綜合預測系統達到了一定水準，是首個由氣象服務部門提供永久性NWP服務的風功率預報系統；NSF3100風電功率預測系統，目前在華北電網公司、東北電網公司等單位進入業務化運行，并在內蒙、江蘇、浙江、甘肅等省的風電場投入運行。NSF3100風電功率預測系統軟件平臺模塊圖如圖4所示。

圖4 NSF3100風電功率預測系統軟件平臺模塊圖

5 存在問題及改進建議

與常規的火電類負荷預測相比，風電功率預測有著獨特的隨機性、波動性和突變性。國內風電功率預測還處于初始階段，預測精度不夠等諸多問題需要解決。

5.1 存在問題

1）當前的預測方法中，涉及數據預處理部分很少，然而原始數據的質量好壞，直接影響到風電功率的預測精度，因此有必要對數據預處理進行規范。

2）海上風電場功率預測是個巨大挑戰，由于海上環境平坦、障礙物少導致風速的變化要比陸上更敏感，專門應用于海上風電場的預測方法目前很少。

3）對數據條件不完備的風電場，難以建立準確的單個風電場的功率預測模型，進而影響區域內所有風電場的功率預測精度。

4）當前關于預測精度的研究較少，成功預測誤差的統計方法太少，難以判斷給出的預測分布是否能反映真實狀況，有必要研究和制定出合理的評價標準。

5）風電功率預測誤差的概率分布研究中，針對預測誤差概率分布隨預測時長變化所呈現規律的相關研究較少，需要進一步研究。

6）當前全面評價風電功率預測誤差的研究很少，缺乏長期大量的數據分析，常用的誤差評價指標不能充分反映預測誤差的各方面特點，難以用來研究風電功率預測系統的誤差產生機理。

5.2 改進建議

1）深化風電功率預測技術的研究，提高天氣預報準確度及NWP模型分辨率，或者研發專門用于風電功率預測的NWP系統。

2）由于風電場出力存在波動范圍，對預測結果進行不確定性分析，可以降低預測誤差。

3）加強標準體系建設，制定風電功率預測系統建設和運行管理辦法；制定相關國家標準和行業標準，對預測系統功能、運行管理等方面進行規范。

4）加大區域風電場群功率預測研究，提高預測精度，為電網安全調度提供便捷。

5）關注預測結果的風險評估，規避預測風險，提高預測全面性。

6）開展跨行業、跨學科合作，開展風電企業和氣象行業以及與相關單位深度合作，進行技術研發，破解技術難題，共同推進風電功率預測系統的發展。

［1］Global Wind Energy Council.Global wind report annual market update 2013［R］.Global Wind Energy Council，2014.

［2］Pinson P，Kariniotakis G N.Wind power forecasting using fuzzy neural networks enhanced with on－line prediction risk assessment［J］.Power Tech Conference Proceedings 2003 IEEE Bologna，2003（2）：8.

［3］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（13）：118－121.

［4］劉永前，韓爽，胡永生.風電場出力短期預報研究綜述［J］.現代電力，2007，24（90）：6－11.

［5］牛東曉，曹樹華，趙磊，等.電力負荷預測技術及其應用［M］.北京：中國電力出版社，1998.

［6］戚雙斌，王維慶，張新燕.基于支持向量機的風速與風功率預測方法研究［J］.華東電力，2009，37（9）：1600－1603.

［7］Wen J，Wang X，Zheng Y，et al.Short－term wind power forecasting based on lifting wavelet transform and SVM［C］，Power Engineering and Automation Conference（PEAM），2012IEEE.IEEE，2012：1－4.

［8］陳道君，龔慶武，金朝意，等.基于自適應擾動量子粒子群算法參數優化的支持向量回歸機短期風電功率預測［J］.電網技術，2013，37（4）：974－980.

［9］Bhaskar K，Singh S N.AWNN－assisted wind power forecasting using feed－forward neural network［J］.Sustainable Energy，IEEE Transactions on，2012，3（2）：306－315.

［10］陳穎，周海，王文鵬，等.風電場輸出功率超短期預測結果分析與改進［J］.電力系統自動化，2011，35（15）：30－33.

［11］張明理，楊曉亮，滕云，等.基于主成分分析與前向反饋傳播神經網絡的風電場輸出功率預測［J］.電網技術，2011，35（3）：183－187.

［12］Shi J，Lee W J，Liu Y，et al.Short term wind power forecasting using Hilbert－Huang Transform and artificial neural network［C］，Electric Utility Deregulation and Restructuring and Power Technologies（DRPT），2011 4th International Conference on.IEEE，2011：162－167.

［13］Catal?o J P S，Pousinho H M I，Mendes V M F.Hybrid wavelet－PSO－ANFIS approach for short－term wind power forecasting in Portugal［J］.Sustainable Energy，IEEE Transactions on，2011，2（1）：50－59.

［14］Nielsen H A，Nielsen T S，Madsen H，et al.Optimal combination of wind power forecasts［J］.Wind Energy，2007，10（5）：471－482.

［15］Louka P，Galanis G，Siebert N，et al.Improvements in wind speed forecasts for wind power prediction purposes using Kalman filtering［J］.Journal of Wind Engineering and Industrial Aerodynamics，2008，96（12）：2348－2362.

［16］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）：1－5.

［17］Nielsen T S，Madsen H.Short－term wind power forecasting using advanced stastical methods［C］.European Wind Energy Conference＆Exhibition，2006.

［18］王建成，楊蘋，楊曦.基于數值天氣預報的風電功率預測建模研究［J］.可再生能源，2013，31（2）：34－38.

［19］Magnusson M and Wern L，Wind energy predictions using CFD and HIRLAM forecast.Proceedings of the European wind energy conference EWEC 2001，Copenhagen，Denmark，2001.

［20］韓爽.風電場功率短期預測方法研究［D］.北京：華北電力大學，2008.

［21］Lange M，Focken U.New developments in wind energy forecasting［C］.Power and Energy Society General Meeting－Conversion and Delivery of Electrical Energy in the 21st Century，2008IEEE.IEEE，2008：1－8.

［22］Gallardo C，Gaertner M，Tejeda C，et al.The Casandra project：results of a new wind power operational forecasting system in Spain［C］.Proceedings of EuroPean Wind Energy Conferenee，Madrid，2003.

［23］Bustamante E，Cofino A，Navarro J，et al.Wind speed downsealing combining mesoscale and neural autoregressive models［C］.Proceedings of EuroPean Wind Energy Conferenee，London，2004.

［24］徐曼，喬穎，魯宗相.短期風電功率預測誤差綜合評價方法［J］.電力系統自動化，2011，35（12）：20－26.

［25］Zhang Z S，Sun Y Z，Gao D W，et al.A Versatile Probability Distribution Model for Wind Power Forecast Errors and Its Application in Economic Dispatch［J］.2013.

［26］Bessa R，Miranda V，Gama J.Wind power forecasting with entropy－based criteria algorithms［C］，Probabilistic Methods Applied to Power Systems，2008.PMAPS＇08.Proceedings of the 10th International Conference on.IEEE，2008：1－7.

［27］楊紅英，馮雙磊，王勃，等.基于線性回歸的風電功率預測誤差修正方法［J］.電力系統及其自動化學報，2013，25（4）：14－17.

［28］Troen I，Petersen E L.European wind atlas［M］.Roskidle：Risoe National Laboratory，1989.

［29］Nielsen T S，Madsen H.WPPT－a tool for wind power prediction［C］.EWEA Special Topic Conference，Kassel，2000.

［30］Bailey B，Brower MC，Zack J.Short－term Wind Forecasting［C］.European Wind Energy Conference，Nice France，1999.

［31］Lange B，Rohrig K，Ernst B，et al.Wind power prediction in Germany–Recent advances and future challenges［C］，Proceedings of the European Wind Energy Conference.2006.

［32］SánchezI O，Ravelo J，Usaola C，et al.Sipreólico－a wind powerprediction system based on flexible combination of dynamic models.application to the spanish power system［C］.First IEA Joint Action Symposium on Wind Forecasting Techniques，Norrkoping，Sweden，2002.