短期風電出力預測方法研究

王康，亓孝宇

（1.山東正晨科技股份有限公司，山東濟南，250101；2.山東諾安諾泰信息系統有限公司，山東濟南，250101）

0 引言

風電作為一種典型的清潔能源，其在電網中的滲透率逐步提升，對電網的運行方式的影響也逐漸增大[1]。風力發電的原動力來自風能，因此其本質中具有功率輸出的隨機性和波動性，這兩種特性給電網的調度和經濟運行帶來一定挑戰，也給傳統運行方式下的電力系統功角穩定、頻率穩定、電壓穩定帶來一定程度的負面效應[2-4]。

風電出力預測可以給系統機組組合、機組出力、備用容量選擇提供前瞻性的指導，提高系統運行的穩定性和經濟性。風電出力預測可以降低風電本身的隨機性限制，從一定的時間尺度上增大其可控性，為其無功投入、槳角控制等提供信息[3]。此外，風電出力預測可以給設備的運維提供信息，指導合理安排設備的檢修計劃，提升設備的健康程度和延長設備壽命[5]。

當前針對風電出力的預測研究較多，根據時間尺度可分為；超短期預測、短期預測中、長期預測[6]。短期風電出力預測以小時為時間尺度，多應用于調度優化。短期風電出力預測根據預測原理分為物理方法和統計方法，物理方法基于數值天氣預報中的氣壓、氣溫、風向等信息，采用微氣象學理論或流體力學計算方法開展，需要數據量大，計算過程較為復雜，且針對不同環境的風電場，其物理描述區別較大，推廣性不好[7]；統計方法基于大量的歷史數據，采用算法挖掘歷史數據信息，對未來的出力進行預測，該類算法需要的數據量較大，且由于風速自身特性和模型參數的不確定性，預測誤差的控制仍需進一步優化[8-9]。

1 模型建立

■1.1 模型的基本結構

建立基于Bootstrap方法和KELM的風電功率區間預測模型，模型的結構如圖1所示。首先采集風電出力訓練數據集D，然后利用Bootstrap方法采樣得到K個子訓練集，訓練K個KELM模型，計算其均值及方差，根據各數據點殘差值構造訓練集，訓練一個KELM對噪聲方差進行估計，最后根據預測均值、模型估計方差和噪聲估計方差計算預測區間。

圖1 基于Bootstrap方法和KELM的風電功率區間預測模型結構

本文實際獲取了內蒙某風電場的實際運行數據，并綜合考慮模型的復雜程度，選取對風電出力影響較大風速、風向作為KELM的輸入數據。其中，風向以標準的地圖坐標（上北下南）為坐標系，單位長度的余弦值和正弦值表示，因此，輸入數據包含了風速、風向余弦值、風向正弦值三個維度，輸出數據為實際風電出力。

■1.2 模型預測步驟

模型的預測步驟如下：

STEP1 選取風電場SCADA數據，歸一化至[0,1]區間，并劃分訓練集和預測集；

STEP2 對原始訓練集進行K次有放回的采樣，得到K個子訓練樣本集；

STEP3 采用原始訓練集數據，運用PSO算法對K+1個KELM模型的核參數γ和懲罰系數C進行優化；

STEP4 使用子訓練樣本訓練K個KELM模型，計算K個KELM模型在訓練集上的預測均值和方差；

STEP5計算得到噪聲方差預測模型的訓練數據，并訓練得到第K+1個KELM模型；

STEP6 對預測集進行預測，將K個KELM模型的預測平均值作為點預測結果；根據式計算在(1-α)% 置信水平上的頂層油溫預測區間，對預測結果進行反歸一化處理。

2 算例分析

■2.1 數據預處理

為驗證本文所提出模型的有效性，獲取內蒙某風電場在2016年6-9月間SCADA風電功率數據和風電場風速、風向記錄數據，數據時間尺度為15分鐘/組。經數據預處理后，識別、剔除明顯錯誤數據并采用二階插值法修復缺失數據。共得到8518組數據，選取前8338組數據作為訓練集，后180組作為預測集。對初始訓練集進行K=30次有放回的隨機采樣，共得到K=30個子訓練集，部分數據如表1所示。

表1 部分風電場數據

對樣本數據按式（1）進行歸一化處理：

其中smin和smax分別為各變量的極小值和極大值。

■2.2 模型評價指標分析

風電出力預測區間的評價指標可以從可靠性和清晰度兩個方面來衡量。可靠性表征預測區間覆蓋真實值的能力，本文以預測區間覆蓋率(PI coverage probability, PICP)來衡量。清晰度表征預測區間的質量，本文以平均預測區間平均寬度(Mean PI Width, MPIW)來衡量。PICP和MPIW如式（2）所示：

其中Ui和Li分別表示預測區間上限值和下限值。Ntest為測試樣本個數；ci為布爾量，若預測區間覆蓋目標值，則ci=1，反之ci=0。

在風電出力預測當中，PCIP必須大于或接近置信水平，即必須保證預測區間足夠大的覆蓋率，才能保證預測的有效性。在保證預測區間有效性的前提下，越小的MPIW代表預測區間寬度越窄，預測結果的清晰度越高。

■2.3 模型參數優化

首先設置PSO算法參數，加速因子c1=c2=2, w=0.65，種群數量為30，最高迭代tmax=200次。在KELM算法參數優化過程中，PSO算法快速、可靠收斂，最終求得K個KELM模型的參數優化結果為 [γbest, Cbest]=[1.45, 0.69]，第K+1個噪聲方差KELM模型的參數優化結果為[γbest,Cbest]=[1.29, 0.71]。K個KELM模型的參數優化過程中，適應度函數收斂曲線如圖2所示。

由圖2可以看出，當迭代次數大于60次時，適應度函數不再改變，PSO算法求得全局最優解。

圖2 PSO算法尋優過程適應度收斂曲線

■2.4 模型預測結果分析

短期風電預測對于風電入網安全性至關重要，因此預測結果的可信度十分重要。本文分別預測了95%置信度、90%置信度和80%置信度下的預測集區間上下限值，并與實際風電功率進行對比，預測結果分別如圖3、圖4、圖5所示。

圖3 95%置信水平下風電功率預測區間

圖4 90%置信水平下風電功率預測區間

圖5 80%置信水平下風電功率預測區間

由圖3可以看出，在95%置信水平下本文所提模型的預測區間可以完全覆蓋風電功率實際值，由圖4和圖5可以看出，在80%-90%置信水平下，本文所提模型均可以較好的覆蓋風電功率實際值，只有極少數實際功率點落在了預測區間以外。置信水平越高，預測區間寬度越大，預測區間覆蓋率越高，但是預測區間平均寬度越大，預測區間的清晰度降低。不同置信水平下，預測指標對比如表2所示。

表2 不同置信水平下區間預測指標

由表2可以看出，95%置信水平下的預測區間覆蓋率為100%，80%-90%置信水平下，預測區間覆蓋率均大于置信水平，能夠為調度決策者提供有效信息。調度決策者可以根據實際需求，選擇不同置信水平下的預測區間。

3 結論

本文所提區間預測模型在80%-95%置信水平上可以給出風電功率預測區間，且預測區間具備較好的清晰度。本文所提區間預測模型可以提供給調度決策者預測功率的保守值和樂觀值，相比于點預測模型，可以提供更為豐富的參考信息。PSO算法能夠快速可靠實現KELM模型參數尋優。