探究風電場降低風功率預測系統電網考核電量

中電建新能源集團股份有限公司西南分公司 潘 帥

風電場降低風功率預測系統電網考核電量，主要是通過記錄分析氣象預報信息、測風塔實時測量信息、風功率輸出結果信息，實現對風功率水平的合理預測，以便從信息整合中找到應用風功率預測系統降低電網考核電量的具體方法。一般情況下，此系統中經由風電預測軟件、監控硬件設施聯合操作下，即可獲得實時數據，從而對4h 以后、168h 內風功率結果進行預測分析，達到降低考核電量目的，尤其是預測后可及時減少風電場非必要性考核電量，幫助風電企業節約考核成本，由此表明此系統的合理開發與應用有顯著意義。

1 風電場降低風功率電網考核電量的特性

1.1 運行風功率曲線特性

風電場降低風功率電網考核電量預測系統在研發設計前，需要明晰考核電量特性，依據表1、圖1所示的風電機組風速和有功功率曲線圖，能發現在1013.3hPa 標準大氣壓、1225kg/m3空氣密度、15℃條件下，考慮風力湍流特性時，將呈現風功率遲緩上漲而后持平的狀態，經過仿真設計分析法確定風功率的降低，能利用控制風電機組槳距角形式促使風功率盡快到達持平拐點[1]。而在不考慮風力特性時，即可形成靜態變化狀態，在風速變大時，其風功率增長波動明顯較小。

圖1 1.5MW 風電機組風功率靜態變化曲線

表1 1.5MW 風電機組風功率動態變化結果

要想降低電網考核電量，可從風功率預測層面把握降低途徑。同時，依據IEC61400-12標準，要求在記錄數據時，以15min 為數據采集周期，以風功率、風速為主要考核指標，并按照0.5m/s 的變化幅度為區間值，而且還需加強風電場風電機組運行現場周邊地形、機組出力等條件干擾狀況，繼而增加風功率等數據采集準確度，滿足風功率預測系統使用中降低考核電量要求。

1.2 風電項目風功率計算

針對風電項目風功率曲線考核值進行科學計算時，還要參照下列公式匯總高度測風儀風速實測結果，以便通過降低考核電量減少風電項目投資方經濟損失。即：，其中：K 代表考核值，Q實測、Q推算分別表示實測年風電場發電量和保證推算年發電量。一般兩項指標分別以對應的風頻分布值×8760×功率曲線值予以計算。前者是指測風塔輪轂高度測風儀實測值，后者為風電場監控設施記錄結果[2]。

在分析風電項目未達到考核標準，并在違反合同規定承擔賠償職責時，可借助下列公式計算具體金額：H=（Q當年推算-Q當年實測）×h，其中：Q當年推算、Q當年實測、h 分別代表當年風電場保證推算與實測推算年發電量、上網電價。當研發預測系統時，針對風功率考核電量的有效降低，應滿足上述特性標準，以便實現系統的合理運行，順利為相關人員找到降低考核電量的實踐方法。

2 風電場降低風功率預測系統電網考核電量要點

2.1 明晰電網考核電量指標

電網考核電量的數據采集周期為15min，因此在風電場風功率預測系統降低電網考核電量設計環節，需要掌握清晰的考核指標。為降低考核電量，在預測風功率期間可先行確定區域控制偏差值變化范圍（ACE），且符合下述要求：、，其中：、代表15min 內k 省份風電場ACE 平均值與控制帶寬；ε15、Bk、BE為k 省份全年風功率平均偏差均方根值控制目標、k 省份電網頻率響應系數及互聯網電網頻率響應系數。計算后往往滿足功率偏差考核閾值高于功率偏差均值，此時表示無需考核電網電量。若前一個數值偏小，此時要想降低考核電量，往往需要按照相關調節標準摸索頻率變化規律。

若通過系統預測風功率判斷考核電量降低方向，還需要圍繞省份在電網考核時間內出現波動的具體原因，即跨區考核中可將考核周期縮短為1min，此時可達到降低考核電量的目的，考核周期內ACE 絕對值平均結果低于考核帶寬，表示滿足既定考核標準，反之視為不合格，須加強考核量降低管理，有望減少風電項目投資損失?？刂瓶己穗娏繒r，具體以考核帶寬等指標為主，參照學者劉志成[3]等人給出的應用協調控制考核方法后得出表2結果。

表2 預測系統運行前后電網考核電量數量變化情況

筆者所在單位曾對特變電功達坂城風電場運用預測系統用于測量電量，該風電場所在位置海拔1132m，以西南盛行風向為主，電塔高度70m，屬于戈壁灘地形。面對多個風電場，在其同步運行期間受氣候環境影響，為保證風電場保持良好的運行狀態，專門根據南北氣流特征將風力發電機安裝面積控制在1000km 之上，而且由于當地少見破壞性風速事件，且需要連年開啟發電，因而筆者根據該工程中250億kWh 風能蘊藏量以及75億kWh 電能需求度，使用預測系統監測電能，致使裝機容量達到2500MW 標準。為進一步促使該工程保持穩供電性能，專門引進預測系統對風電能源使用動態以及發電量進行動態監測，就此在預測系統輔助下實現高效發電。從筆者參與的預測系統實際應用案例中驗證此系統具備推廣價值。

2.2 建立風功率預測模型

對風功率進行預測需要通過建設風功率預測模型的方式，以便提升風功率預測的精準性。在建設模型的過程中，需要對離線模型進行辨識，將風速數據作為離線參考數據，借由風力發電機的電功率，作為模型的建設指標，以便能夠得到模型建立的數據樣本。待至得到數據樣本后，按照間隔e 對樣本數量進行擴展，以便得到含有（t-d）～（d）的數據間段的試驗數據樣本。同時，在此基礎上，要選擇合適建立風功率預測模型的數據樣本（a）、測試樣本（r）以及檢驗樣本（p）：

之后，采用MAT 攜帶的局部編碼程序對其數據進行編制，在利用MAT 進行仿真建模的過程中，借助減法聚類手段找到對應數據組，并根據聚類中心的個數來確定預測模型的建設規則數和輸入變量的隸屬度函數數目，以此來確定函數位置。并且，在進行計算的過程中采用梯度下降法和最小二乘法，首先將輸入變量的時間間段d 設置為1，其后續變量取值1～7。在設定完減法聚類參數以后，將輸入變量置于13個模糊子集中，利用公式計算出90條模糊規則，從而形成網絡結構，建成基本的風功率預測模型：。其預測模型建立方法還包括以下細節。

參數訓練。在數據樣本（a）、測試樣本（r）以及檢驗樣本（p）中提取出2000個訓練數據，將其置于基礎模型中進行參數訓練和校驗。等到經過100次試驗后，可發現模型輸出的誤差與校驗誤差并未發生變化，由此樣本可以得出初級的風功率預測模型。在后續參數訓練中，通過不斷調整算法參數進行訓練，而當訓練誤差與校驗誤差之間的差距最小時，就可以得出最優的風功率預測模型。而后將訓練數據置于最優預測模型條件下，得出預測風功率與實際風功率之間的曲線，記錄實際風功率與預測風功率之間的誤差。

結果分析。通過對二者誤差的分析可以知曉，在參數訓練結束后，模型預測的風功率基本與實際功率重合。從誤差的角度來看，二者的實際誤差處于±5MW 的范圍內。通過計算可以得出MEA 值為0.72%，繼而能夠說明將訓練數據，作為預測模型的輸入變量所得出的預測風功率，與實際風功率之間的誤差小于風功率預測功能所規定的0.2，證明該模型具有較高的精準度。

模型測試。確定最佳風功率預測模型后，保持模型中的參數不變，選取訓練樣本中后2000位數據點作為測試模型的數據樣本，通過該測試結果判斷模型在新的樣本數據下，其誤差值能夠保持與上個樣本數據同樣的精確度，以此來測試預測模型對于新數據的適應性。通過對測試結果的分析，在輸入新數據樣本后，所得誤差值仍舊處于規定的范圍要求內。

2.3 完善預測系統考核功能

以風電場風功率預測系統降低電網考核電量時，需對系統考核功能進行有效完善，此系統多需要依靠網絡交換機、反向隔離裝置、天氣預報服務器、氣象中心等設施構建硬件架構，并聯合防火墻技術、外網服務技術預測風功率變化特征。而在軟件架構設計中，多以監控監測、風電預測、統計分析等軟件功能模塊為主，尤其在風電預測階段，包含發電量預測、風功率預測以及數據修訂展示功能。在系統研發設計階段，多以CDT451-91國際標準、IEC60870國際標準界定預測數據共享權限，并要求該系統設有日志功能以及網絡安全加密功能，以便增強系統運行可靠性。

其中，采集的數據應涵蓋監控數據（風功率、有功功率等）、機組運行數據（1min 時間分辨率下風速、風功率等），而數據管理功能下也要利用平均加權算法進行數據求和、平均值分析處理，便于提高數據采集效率。統計預測數據時，建立的預測模型還需要及時處理測風塔、風功率等不合理數據，借此預測考核電量標準范圍，促使在數據集中管理條件下，快速通過負荷率、發電量等計算方法評估風電場運行動態。在完善系統功能時，還應當對風電場風功率短期指標、超短期指標（預測時效＞4h）進行合理統計，以準確率、合格率、最大偏差、最大偏差發生時間指標為主。例如，筆者在相關調查中，風電場中風功率預測準確率從85.4%逐漸降至76.04%，此時須加強數據校對，最終提高風電項目投資效率，規避投資失利風險。

風功率預測系統運行時為降低考核電量，還需設置繪圖功能，以風向玫瑰圖、風速輪廓圖等氣象曲線圖展示風速變化規律，并且規定該系統需要24h 全天候記錄，其上報數據點應為96個，一旦缺少上報數據，需立即考核電量。而在低于30MW 風電場裝機容量下，10min 有功功率變化最大值為10MW（1min 為3MW）。若在30MW 以上裝機容量條件下，該指標應為10%裝機容量（1min）、1/3（10min），經過預測風功率變化指標確定考核電量降低方法，是目前研發預測系統重要目的。

2.4 在線智能檢測考核量

關于電網考核電量常在風速降低、風速＞切出條件下風速風功率變化時達到免考標準，同時滿足電網電量考核量＜1%上網電量的標準。因此，要想降低考核量，需通過運行風功率預測系統對現有考核量結果進行在線智能檢測，從中了解當前考核量與免考標準的差距，隨即找到降低考核量方法，比如降低風速、控制有機功率等。在應用預測系統期間，還可將風電場風速測量點獲取的數據輸入預測模型中，根據風速時間序列累加風功率，從而增加預測準確度。

為降低電網考核電量，應充分實現預測系統高精度設計。如可以借鑒筆者所在單位往年“風鳥”預測系統開發經驗，在以在線智能檢測功能復核實時數據時，該系統選用模型算法以定制化服務進行功率偏差考核，并且還依靠日內出力曲線、最優日前處理曲線針對現貨交易風電項目進行高收益評估，便于電能市場化交易期間強化投資價值。