風電場功率預測系統運行可靠性和預測精度提升的實踐

孫小龍，李成家，李 佳，張 拓，溫培思

(1.延長匯通風電有限公司，陜西 延安 717100; 2．國網陜西省電力公司，陜西 西安 710048)

受新能源平價上網政策逐步實施的影響，國內迎來了新一輪風力發電建設潮。由于風資源自身的特點，精準的功率預測能夠精準地指導未來某段時間的發電能力，有助于電網企業穩定電網運行。對于風電場經營企業而言，精準的功率預測系統能夠避免考核罰款，提高新能源消納能力。以西北能監局《西北區域發電廠并網運行管理實施細則》要求為例，新能源場站的功率預測相關考核有預測數據上傳率、短期功率預測、超短期功率預測及可用電量日準確率等4個方面[1]。

另一方面，隨著電力市場化改革的推進，新能源企業參與電量交易的比例愈來愈高。如圖1所示，通過與自動發電控制系統(AGC，Automatic Generating Control System)的配合，功率預測系統能夠指導風電場經營企業參與交易時的測算，避免風功率預測小于實際發電時的限電損失，或者風功率預測大于實際發電時的交易短缺產生的考核。

圖1 功率預測系統在新能源場站的功能

經過多年的探索實踐和技術創新，目前大多數預測系統能達到國內相關標準的要求。但是由于功率預測系統的軟硬件自身缺陷或新能源企業管理原因，仍不時產生預測偏差[2]。本文結合工程實踐，從硬件設備和軟件模型2個維度，討論如何提升風功率預測系統運行的可靠性和預測的準確度。

1 硬件設備的維護管理

1.1 降低測風塔選型和選址的影響

風電場氣象數據的采集和存儲，不僅是超短期預測的關鍵，也是短期功率預測中數值天氣預報數據驗證、校正的重要依據。國內目前均采用桁架式結構的測風塔氣象站進行氣象數據的采集和儲存。測風塔大多都采用鋼絲繩逐層斜拉分級加固方式，搭載了傳感器、數據采集模塊、通信模塊、電源等自動氣象監測電子元器件[3]。

測風塔微觀選址應選擇資源代表性強、海拔梯度變化微弱的區域作為測風塔的初選位置，測風塔安裝位置的海拔，應該與風力發電場的場址平均海拔相當。并且選擇風電場主風向的上風向位置，附近無高大建筑物、樹木或輸電桿塔等障礙物，與臨近的障礙物的距離宜保持在障礙物最大高度10倍以上。

測風塔的選型也要考慮測風塔安裝位置的氣候特點，例如南方易發生凍雨區域應考慮測風塔是抗凍雨加強型塔身設計，北方低溫區域如內蒙古、新疆等應采用低溫型設計。恰當的選型有助于獲取與風電場實際最接近的氣象數據，使預測模型修正更為精確。

1.2 加強數據監測系統日常管理

氣象數據實時監測系統主要包括氣象監測站、通信信道和中心站。測風塔采集的各高度層實時氣象數據，通過氣象數據實時監測系統，按照一定的通信規約通過通信通道發送至中心站。

導致氣象數據異常的常見原因有3個方面：①監測系統僅有1套光伏發電系統及備用電池供電，梅雨季節或者連續多日大霧天氣導致供電系統耗盡，系統停止運轉；②傳感器損壞或內部元器件受潮導致通信不穩定或數據傳輸丟包；③系統軟件死機等。

在實際工程實踐中，要求將數據采集狀態、氣象數據下載狀態和上報狀態納入值班員監盤范圍，數據異常時立即安排對測風塔和氣象站進行檢修。同時，將對測風塔和氣象站設備的巡檢周期縮短到每周1次，維護周期確定為每季度1次。重點時清潔各類傳感器，檢查氣壓計的通氣孔內有沒有被異物堵塞，檢查校準風向標的北方位。

1.3 關注風力發電機風速儀的檢修

風速測量儀安裝在風力發電機機艙的頂部，風速儀測量到風資源信息，通過軟件補償后參與功率曲線的擬合。風速儀常見的異常有風向標零刻度偏差較大、配套的測溫傳感器失效等。傳統的機械式風速儀在冬季很容易因結冰而停止測量，目前推廣使用超聲波測速儀。

2 功率預測模型的優化

雖然近年來風電場功率預測的技術探索較多，但是應用于商業運營的技術路線已經相對穩定，通過歷史數據的分析，進行變化規律和趨勢預測的方法已經不再作為最基礎的預測模型。大多數功率預測系統的主要預測過程是數值天氣預報NWP(Numeric Weather Prediction)在氣象模型和風力發電機功率模型中的計算得到電功率[4]，并且進行預測偏差的修正。

如圖2所示，根據實際工程應用經驗，氣象模型、功率曲線模型和偏差修正策略直接影響功率預測系統的精度。結合實際工程應用實踐，對氣象模型、功率曲線模型等這幾個關鍵環節的效果提升進行論述。

圖2 功率預測過程

2.1 氣象數據的訂正

氣象部門提供的天氣預報數據一般都是大范圍內的預測，分辨率較差，很難達到水平分辨率1 km的要求。但是氣象預報數據在模型輸入中起著極其重要的作用，因此通過對前端輸入氣象模式預報的訂正可以為每日功率預測提供及時修正，減小預報誤差。

圖3是某風電場20天的氣象預報預測偏差及氣象數據訂正后的預報誤差對比。對比該風電場的原始氣象源及訂正結果，數據顯示訂正后的結果在不同程度上對原始預報都進行了優化，訂正結果與實際數據誤差更小。

圖3 某風電場氣象預報誤差及數據訂正后誤差對比

同時要定期檢查訂正效果，或者按照訂正后效果測試新算法和新模型，對預測過程不斷進行優化，減小功率預測誤差，提高精確度。

2.2 功率預測模型的持續優化

新能源場站的超短期功率預測，目前的規則要求是每15 min預測場站未來0～4 h的功率，并將預測結果上傳至調度部門的主站，按照每15 min取1個點，上傳16個點。而新能源場站的短期預測，要預測未來4 天的數據，也是按照每15 min取1個點。物理模型在短期功率預測精度高，但該類模型的計算量較大，并不適合超短期功率預測。統計模型的優勢在于超短期功率預測，目前較為成熟的統計模型有采用極限學習機等[5]。

由于各類預測模型都有自身的優點和缺點，用單個預測模型獲得的預測結果，很難保證在任何工況下的預測結果都是合格的。因此工程實踐中必須綜合多種模型的優點建立組合預測模型[6]。但是建立組合預測模型時必須注意，使用同源的數值天氣預報NWP，即使采用不同的預測模型，其預測誤差的形態仍相似，使用非同源的數值天氣預報NWP，通過多源異構克服此類缺陷。

對于可用發電功率的預測，以西北能監局《西北區域發電廠并網運行管理實施細則》第33條為例進行說明。可用發電功率是指考慮場站內設備的故障、檢修等原因引起受阻后場站發出的功率。理論發電功率是指在當前風、光資源條件下，場站內所有的發電機組正常運行時能夠發出的功率。很顯然，在任何時刻都存在著如下邏輯，如果式(1)中的邏輯不成立，則說明預測系統運行異常。

理論功率Pc≥可用功率Pu≥實際功率Pa

(1)

可用發電功率的預測較為簡單，在實際計算過程中有多種方法，如測風塔資源外推法、機艙測速儀風速法和樣板機法。這3種方法都是先計算得到單臺風機，再將全場風機的相關結果相加。由于樣板機的代表性和全場風機的地理位置導致的資源差異，樣板機法計算的全場可用發電功率的準確度最低，測風塔資源外推法和機艙測速儀風速法的預測準確度都較高。實際上工程實踐上采用這3種預測方法的組合方式，如圖4所示，其中u、v和w分別是設定的權重值，并且是可以通過修改u、v和w，以找到最佳的預測準確度。

圖4 可用發電功率的預測過程

2.3 風力發電機自身功率曲線的優化

功率曲線指風力發電機組輸出功率和風速之間關系的對應曲線。一般分為合同約定的理論功率曲線和現場運行的實際功率曲線，理論上兩者一致。但是如果2條功率曲線不一致，風電場全場實際功率與理論輸出功率會產生偏差，進而會導致功率預測準確率降低[7]。

在實際工程實踐中，導致實際功率曲線與理論功率曲線產生偏差的常見原因有3個方面：①機組控制程序參數設定錯誤或不準確，即使在同一個風場，不同的機組的海拔高度、風速計修正以及葉片零位設定等也不同，常見的問題是同一個風場的參數都相同，沒有考慮個體間的差異；②風力發電機長時間運行后葉片因長時間和空氣高速摩擦導致的靜電吸附效應，葉片沾染大量灰塵、泥沙等，導致葉片氣動布局發生變化，引起功率曲線發生改變；③個別永磁直驅機組的永磁體退磁導致機組勵磁減退，功率曲線無法達到要求。只要采取了合適的軟件參數修正，實際功率曲線和理論功率曲線就能夠實現高度重合，消除由此引起的功率預測偏差。

2.4 篩選優質數據修正預測偏差

由于目前新能源場站普遍存在限負荷、計劃停電等場外受累發電的情況，會影響誤導模型的學習和訓練過程，必須進行數據篩選，以實現對原始實測數據的質量控制。實際工程實踐上，一般是將限電時段、風機檢修時段的數據歸類為無效數據并予以剔除。

通過剔除非正常發電規律數據等影響預測模型效果的因素，篩選出非場外受累時段的高質量實測發電數據，及時提取正常發電的特征要素，并用于提升算法模型的訓練測試。以圖5為例，圖中藍色點代表實測數據，紅色曲線為理論發電功率。右側曲線為未剔除異常數據，左側曲線為剔除異常數據后的理論功率預測曲線。對比未過濾限電數據前的預測曲線和過濾限電數據后的預測曲線，可以發現經過數據過濾后得到的預測曲線(左側曲線)更接近實際發電功率曲線。

圖5 數據篩選前后的效果對比

山地風場的地形較為復雜，而且局部氣象不統一、部分風機尾流效應大的現象普遍[8]，可以將預測偏差較大的某幾臺風機，從全場風機中篩選出來，進行單獨的預測結果校正。

3 其他因地制宜的策略

直接或間接影響風功率預測系統運行穩定性和預測精度的因素較多，例如地形地貌、溫濕度、氣壓、風力發電機組的性能和可控限負荷等，因此很難制定一套適用于全部風力發電場的功率預測策略，必須采取適合本區域的合理策略。

對季節性溫差變化較大的區域，如冬夏季溫差可達50 ℃以上的場站，由溫度帶來的空氣密度偏差會引起機組出力變化，影響可用功率等的計算。而有的場站在一定的風速區間內預測偏差較為明顯，但是該風速區間外的預測效果較好。圖6是某風電場預測偏差與風場平均風速的關系圖，該風電場在風速超過14 m/s時，容易產生較高的單點偏差從而導致預測準確率下降，應該分析產生偏差的具體原因，例如是否出現了限電情況等，進而采取有針對性的策略。與此相類似的情況，例如存在計劃性停機檢修等情況時，應采取人工置數等措施及時干預。

圖6 某風電場預測偏差與風速間的關系

4 結束語

在實際工程實踐中，由于功率預測系統的源代碼未開發，功率預測系統相當于是“黑匣子”。但是通過功率預測系統的數據分析功能，可以分析出系統運行的可靠性。以筆者所在場站為例，2020年1—10月的考核比2018年同期下降了51%。而且精準的功率預測系統能夠促進新能源的更大規模發展，對電網更加友好。