基于智能組合算法風電場調度功率預報設計

朱建紅，黃 瓊，孟棒棒

(南通大學 電氣工程學院，江蘇 南通 226019)

0 引 言

風力發電機組發出功率時刻處于波動狀態，這種出力特性使得發電機組并網穩定運行面臨著巨大挑戰[1]。為規范電網調度和風電場功率預測，國家能源局發布了風電功率預測系統功能規范[2]，對風電功率準確預報要求進行了嚴格量化。同時為保證風電場并網安全穩定運行，電網公司頒布了《風電場接入電力系統技術規定》，規定了風電場輸出并網波動率控制要求。

作為新預測方法，組合預報成為發展趨勢[3]，其核心思想是消除大預報偏差以降低獨立預測誤差帶來的風險，將不同統計預測值加權平均，例如SVM預測與最小二乘法、混合遺傳算法[4,5]?，F有成果顯示，風電預測平均絕對誤差(MAE)可以控制在總裝機容量10%～15%以內[6]。相比德國的WPMS，采用人工智能神經網絡方法，預測均方根誤差(RMSE)在7%～19%。由歐盟資助開發的ANEMOS項目，預測誤差在10%左右。國內較早的預測系統是由電力科學研究院開發的物理混合預測模型[7]。在平抑風電場功率輸出波動方面，許多學者和科研人員也進行了深入研究[8]。控制策略主要分為加儲能和不加儲能裝置[9]。加儲能裝置平抑功率波動方法有加超級電容、新型電池、新型飛輪裝置和超導磁[10]，成本較高。不加儲能的基于算法設計功率平滑處理的方法有低通濾波器法、滑動平均法、小波包分解等。課題預報策略基于智能預測算法研究，包括應用較廣的BP神經網絡法，波形追蹤能力較強的小波分析函數與神經網絡相結合的小波神經網絡法和基于最小二乘法的支持向量機法(LS-SVM)。預測結果利用小波包平滑,通過誤差及平滑對比分析，確定較優預報策略。

1 風電功率平滑及預報指標分析

1.1 預測誤差

按規定，超短期功率預測時間點間隔設定為15 min預測一次，預測程序單次運算時間應少于5 min。風電場短期預測月均方根誤差應小于20%，超短期預測第4 h預測值月均方根誤差應小于15%。誤差統計指標至少應包括均方根誤差、平均絕對誤差、相關性系數、最大預測誤差。求取如式(1)～式(4)。

均方根誤差(RMSE)

(1)

平均絕對誤差(MAE)

(2)

相關性系數(r)

(3)

最大預測誤差(δmax)

δmax=max(|PMi-PPi|)

(4)

1.2 波動率

風電場波動包括l min功率變化率和10 min功率變化率，具體推薦值參照表1。

表1 風電場功率波動推薦值

2 功率預報方案設計

預報功率曲線的生成采取先預測，再進行波動率分析并進行功率平滑的方法，將風電場功率平滑后的功率曲線作為最后的預報結果。

2.1 風電場功率輸出預測技術

研究與仿真數據均來自河北某一風電場，裝機容量在30 MW～150 MW之間，由于預測功率和實際功率的采樣周期為15 min，只能進行功率波動相對計算。

2.1.1 BP神經網絡法在風電場功率預測應用

matlab調用train函數訓練網絡，樣本數據共2880個，記錄該風場一個月運行情況，實際風速和實際功率作為網絡測試樣本，并選用前1000個數據作為訓練樣本，后面1880個點作為測試數據。圖1為0 min到15 000 min實際和預測風電場功率，擬合度較好。從15 000 min到40 000 min為滾動預測風電場功率和實際功率，誤差較大，但基本趨勢正確。

圖1 實際風電場功率和預測風電功率對比

將運算數據保存，根據式(1)～式(3)，結果如下：RMSE=0.142，RMSE<0.15，MAE=0.114，r=0.9212，均方根誤差小于15%，符合標準要求[2]。

2.1.2 小波分解法在風電場功率預測中的應用

小波神經網絡mallat運行結果如圖2所示。樣本數據前1000個點作為訓練樣本，任取第1000至2000個時間點風速作為輸入參數，將預測功率與這1000個時間點實際風電場功率進行對比。小波神經網絡預測結果與實際風電場功率非常相近。

圖2 小波神經網絡預測結果

小波神經網絡隱含節點的權值見表2。表中Wij為風電場功率曲線6個隱含節點權值參數，Wjk為風速曲線隱含節點權值參數。i是樣本訓練迭代次數，共計2880；j為隱含層節點個數，j=6；k為輸入節點個數，k=1。將預測后各個時間點風電功率保存下來，根據式(1)～式(3)分別進行均方根誤差RMSE、平均絕對誤差MAE和相關性系數r計算。RMSE=0.0785，RMSE<0.15，MAE=0.0554，r=0.9757,均方根誤差小于15%，預測結果完全符合要求。

2.1.3 支持向量機在風電場功率預測中應用

支持向量機在風電場功率預測方面應用就是根據回歸機功能特性，對樣本采樣點進行數據統計，這僅考慮風速對輸出功率的影響，以風速和風電場功率為xy軸構成二維平面樣本點進行最優曲線擬合，從而找到風速與風電場功率的映射關系。以一個月內2880個采樣點作為測試數據，將得到的風電場功率預測曲線與當月實際風電場功率曲線對比，結果如圖3所示。實際功率曲線與預測功率曲線基本吻合，根據式(1)～式(3)誤差計算。RMSE=0.0964，RMSE<0.15，MAE=0.0661，r=0.9650。

表2 小波神經網絡權值參數

由于只考慮風速對風電場功率的影響而忽略其它氣象參數，也是風電場功率預測誤差主要因素。

2.1.4 預測仿真比較分析

風電場同一個月內的歷史數據進行實例分析，3種方法預測的均方根誤差、平均絕對誤差和相關性系數(即預測準確度)的計算。結果見表3。

表3 3種方法預測結果誤差對比

3種預測方案誤差對比得出以下結論：

(1)BP神經網絡法預測的準確度較低(即相關性系數最低)，預測的均方根誤差和平均絕對誤差都比小波神經網絡和支持向量機高。主要原因在于BP神經網絡對訓練樣本要求比較高，需要可信度及完整性高的訓練樣本。

(2)小波神經網絡的預測準確度0.9957，預測功率的均方根誤差和平均絕對誤差也是最低的，可見小波分析函數和神經網絡的結合挖掘數據之間細微關系能力較大，較強學習能力可尋找風速曲線和功率曲線中波形細節信號和輪廓信號之間映射關系，預測誤差較小。

(3)支持向量機處理多維復雜數據優勢使其成為當前功率預測較為熱門研究之一，但因忽略其它功率輸出影響因素，僅實現二維最優曲線回歸，課題測試沒有突出這一特點。實例檢驗后發現誤差比小波神經網絡稍大，準確度0.9950。

總的來說，表3可看出3種預測結果均方根誤差都小于15%，滿足國家標準。其中小波分解法和支持向量機預測結果較好。

2.2 風電場功率平滑算法設計

小波包分解對預測的風電場功率進行平滑，將頻帶進行多層次劃分，對小波分析沒有細分的高頻部分進一步分解，并根據需要分析信號特征，自適應選擇相應頻帶，使之與信號頻譜相匹配，從而提高高頻區分辨率。課題從平滑前后的功率曲線波動分析，檢驗功率曲線平滑效果，給出平滑前后功率修正分析(實際控制中結合實際功率進一步修正)。風電場功率波動量表達式如式(5)所示

ΔP=PWG(k)-Pout(k-1)

(5)

式中：PWG(k)為k時刻風電功率，Pout(k-1)為k-1時刻風電場輸出功率，則k時刻風電場功率波動率γ如式(6)所示

γ=ΔP/Cap

(6)

式中：Cap為裝機容量，通過平滑功率曲線控制波動率γ在0.2以內。

2.2.1 先BP神經網絡預測后小波包平抑

(1)波動分析

BP神經網絡的預測功率曲線未平滑前的波動率如圖4所示。

圖4 BP功率預測曲線各點波動率

圖中波動率γ大于0.2的點共有94個，占樣本總和3.26%；波動率γ大于0.1的點共有352個，占樣本總和12.22%。功率平滑進行小波包分解平滑后的功率曲線與未平滑對比如圖5所示。平滑后功率曲線波動率γ大于0.2的點共29個，占樣本總數1.01%；波動率γ大于0.1的點共有73個，占樣本總數的2.53%。

圖5 平滑前后的功率曲線對比

(2)功率修正量

平滑前后功率修正量計算作為電網調度決策參考。數據統計分析按修正量區間劃分。如表4所示，功率修正量在5 KW以內的采樣點占樣本總容量73.5%，在區間[5 KW,10 KW]內的修正功率占20%，大多數功率修正值比較小，但超過10 KW只占總體容量6.5%，修正難度較大。由此可見，BP神經網絡預測后平滑難度較大，效果總體尚可。

2.2.2 先小波分解預測后小波包波動平抑

(1)波動分析

圖6中，數據統計波動率γ大于0.2的點共有12個，占樣本總和1.20%；波動率大于0.1的點共有50個，占樣本總和5%。

表4 BP神經網絡算法功率修正區間分布

圖6 小波功率曲線波動率

平滑前后功率曲線平滑對比如圖7所示。虛線代表平滑前功率曲線，粗實線代表平滑后功率曲線。平滑后的曲線經數據統計，波動率γ大于0.2的點共有7個，占樣本總數的0.7%；波動率γ大于0.1的點共有23個，占樣本總數的2.3%。

圖7 平滑前后的小波神經網絡預測曲線

(2)功率修正量

預測功率曲線平滑前后數據統計分析修正量區間劃分見表5。

表5 小波神經網絡功率修正區間分布

由表5可知，修正功率在5 KW以內的采樣點占樣本總容量89%，在區間[5 KW,10 KW]內的修正功率占10%，絕大多數功率修正值比較小，符合風電場實際作業需求，總體平滑效果較好。

2.2.3 先支持向量機預測后小波包波動平抑

(1)波動分析

支持向量機預測功率曲線波動率如圖8所示。經數據統計波動率γ大于0.2的點共有17個，占樣本總和0.61%；波動率γ大于0.1的點共有110個，占樣本總和3.95%。

圖8 SVM預測風電場功率曲線波動率

平滑前后風電功率曲線如圖9所示。平滑后功率曲線經數據統計波動率γ大于0.2的點共有6個，占樣本總數的0.22%；波動率γ大于0.1的點共有24個，占樣本總數0.86%。

圖9 平滑前后風電場對比曲線

(2)功率修正量

平滑前后所需修正的功率數據統計按修正量區間劃分見表6。

由表6可知，修正功率在5 KW內的采樣點占樣本總容量85%，區間[5 KW,10 KW]內的修正功率占14%，絕大多數功率修正值比較小，便于風電場實行，修正之后的功率曲線波動率也大幅下降，總體上平滑效果良好。

表6 支持向量機功率平滑修正量區間

3 總體仿真結果比較分析

3種先功率預測后波動平抑見表7。

表7 3種方法預測誤差及小波包平滑波動率

分析可以看出，小波神經網絡的預測兼平滑總體效果比其它兩者好。但運行也發現小波神經網絡計算速度是3種方法中最慢的，因小波分解函數將風速和功率都分解成6個部分，平均計算一次需要耗時1.125 s(國家標準內)，運行時占用內存也是最高的，計算的工作量近似于BP和SVM的6倍。

4 結束語

風電場功率輸出波動率太大不利于電網穩定運行，影響整體電網的電能質量，預報不準不利于電網調度計劃的制定與執行。并網功率平滑且預報準確是風電場功率預報的追求目標?，F有文獻的研究成果大多針對其中之一展開，本文在綜合考慮兩者基礎上針對風力發電中的功率預測和風電場功率平滑問題，分別采用BP神經網絡、小波分解神經網絡和支持向量機進行風電場功率預測，并以河北某電廠一個月內的數據作為實例檢驗分析。選用小波包分解方法對前3種方法預測的功率曲線進行平滑。給出曲線的波動率和平滑前后的功率修正量，得出先小波神經網絡法后小波包分解平滑兼準確預報的較優方案。

風電場預測結果客觀上高度依賴氣象預報的準確度，所以預測誤差相對較大。功率平滑技術要求電網具備較高調節能力，盡量避免棄風限電事件發生。隨著儲能技術的發展，就地平抑風電功率波動問題也將緩解電網這方面的調節壓力。