風電功率預測模型的優(yōu)選準則和融合策略

易善軍, 張洋, 張文軍, 何晶

(1.國網(wǎng)內(nèi)蒙古東部電力有限公司, 內(nèi)蒙古, 呼和浩特 010020; 2.國網(wǎng)南京南瑞集團公司(國網(wǎng)電力科學研究院), 江蘇, 南京 211106;3.國電南瑞科技股份有限公司, 江蘇, 南京 211106)

0 引言

隨著我國工業(yè)化進程不斷加速,消耗更多的自然能源,造成污染并出現(xiàn)了能源危機。目前世界各國開始發(fā)展新能源,尋找綠色清潔的能源,減少碳排放量[1]。風能因分布廣泛并且無污染受到各國重視,大力發(fā)展風力發(fā)電,風電在電力系統(tǒng)中占據(jù)越來越重要的作用。由于風力作為自然能源,風能隨機分布且強度不一致,風電輸出功率不穩(wěn)定,給供電網(wǎng)絡的穩(wěn)定運行帶來影響[2]。

針對上述存在的問題,文獻[3]綜合風電場的地形條件和機組特性,利用物理方法進行建模,通過數(shù)值氣象預報(NWP)采集到的風速風向數(shù)據(jù)預測風機的輸出功率。這種方法計算方式簡單,需要依靠精確的NWP數(shù)據(jù),否則預測精度將會有所降低。文獻[4]建立了神經(jīng)網(wǎng)絡模型,以風電機組的歷史運行數(shù)據(jù)作為輸入,通過算法建立輸入與輸出的非線性關系,對模型進行訓練后輸出風電功率,且不需要考慮數(shù)據(jù)時間上的相關性。但確定神經(jīng)網(wǎng)絡模型的結構較為困難,模型訓練速度較慢。

本研究分析影響風電功率預測的主要因素,建立預測模型并分析模型數(shù)據(jù)特性,根據(jù)風電場實際情況和影響因素變化規(guī)律,基于相似度模糊推理得到優(yōu)選預測模型,并加入IOWA算子融合預測模型,保證了預測模型的準確性和實時性。

1 風電功率融合預測模型及數(shù)據(jù)特性分析

由于風電機組輸出功率的非線性變化,使用單個模型在復雜的條件下保持較高的預測精度具有一定困難。為了應對不同情況下的預測功率需求,應用多個模型對多種預測模型進行優(yōu)選,建立融合的預測模型[3]。按照不同的類型可對預測方法進行分類,本研究的創(chuàng)新點如下。

(1)基于相似度的模糊推理確定模糊規(guī)則的前件、后件和模糊規(guī)則。根據(jù)激活的模糊規(guī)則從模型庫中得到優(yōu)選模型,并加入IOWA算子。將單一模型的預測精度作為誘導值得到融合預測模型,在各時刻上與預測精度緊密相關。

(2)提出風電場集群的無功電壓協(xié)調(diào)控制方法,根據(jù)風電功率融合預測模型的預測信息,對風電場集群無功電壓控制,維持風電接入?yún)^(qū)域靜態(tài)電壓穩(wěn)定。并在并網(wǎng)節(jié)點加入靜止同步補償器,防止有功擾動造成電壓突變。

風電功率預測方法分類如圖1所示。

圖1 風電功率預測方法分類

其中,統(tǒng)計方法根據(jù)采集到風電場數(shù)據(jù)建立映射關系,使用的數(shù)據(jù)包括NWP數(shù)據(jù)、風速風向數(shù)據(jù)、風電機組歷史運行參數(shù)和實際測量功率,能夠適用風電場實際位置,這種方法進行預測誤差相對較小[4]。

同時,功率預測精度也與數(shù)據(jù)特性有關。風電機組利用風能推動風機葉片轉動,帶動發(fā)電機運行轉換為電能輸入到電力網(wǎng)絡中[5]。輸出功率的大小與風速、風電機組的轉子直徑等因素有關,風電機組的風輪從風能中吸收的功率可表示為

(1)

其中,P表示風電機組的輸出功率,Cp表示風機的功率系數(shù),A表示風輪掃掠面積,ρ表示空氣密度,v表示風速[6]。風力發(fā)電機組的風速-功率特性曲線如圖2所示。

圖2 風電發(fā)電機組的風速-功率特性曲線

風速-風電功率輸出的函數(shù)關系可表示為

(2)

其中,vci表示風機的切入風速,風速到達vci時風機才能產(chǎn)生有功功率,一般情況下vci的值為0.5～5 m/s。vr表示風機的額定風速,vco表示切出風速[7]。

由圖2可知,輸出功率變化可分為三個過程:當風速小于vci時,輸出功率為0;當風速剛超出vci時,輸出功率隨風速變化不大,增長速度較慢;當風速大于vci小于vco時,輸出功率增長速度較快,出現(xiàn)較小的風速波動時,輸出功率的變化幅度較大。超過額定風速后,輸出功率保持不變[8]。

2 基于相似度模糊推理和IOWA算子的預測模型

本研究根據(jù)相似度模糊推理建立風電功率模型的優(yōu)選規(guī)則,可分為三個步驟。

(1)確定模糊規(guī)則前件

通過分析NWP數(shù)據(jù),不同區(qū)域、不同地理位置的風電場的風速、溫度不同,所輸出的功率也不一致。且不同時間下,同一個風電場的風速、風向和溫度也不同,每個月呈現(xiàn)出新的變化規(guī)律。根據(jù)前件權重的大小判斷對后件的重要程度,規(guī)則前件的權重可表示為

(3)

其中,i表示月份,j表示影響輸出功率的因素,g表示因素個數(shù),Rij表示相關性。

(2)確定模糊規(guī)則后件

本研究提出優(yōu)選準則為根據(jù)所在區(qū)域風電場的預測要求和實際情況設定閾值,選取預測準確率超過設定閾值的模型。使用多個評價指標評價模型的預測效果,最后得出綜合評價值,選出預測誤差最小的模型[9-10]。風電場風電預測準確率可表示為

(4)

其中,PMK表示風電機組在K時刻實際輸出功率,PPK表示預測模型預測輸出功率,N表示總時段數(shù),Cap表示開機容量。預測模型的預測合格率可表示為

(5)

其中,Bk表示每天的預測合格率為

預測模型的準確率r1和合格率r2的值在0～1之間,r1越大表示準確率越高,預測效果也好,相對應合格率也就越高。當r2的值超過設定值時可以滿足預測需求。

(3)確定模糊規(guī)則

確定出前件和后件后,還需確定規(guī)則啟動的閾值。為防止閾值過大導致規(guī)則不容易啟用,過小造成啟動的規(guī)則數(shù)量過多,本研究設定每條模糊規(guī)則的閾值為0.5。確定規(guī)則前件歷史數(shù)據(jù)的權重,并從模型庫中選擇最優(yōu)模型。

根據(jù)樣本數(shù)據(jù),計算風電場最新月份數(shù)據(jù)和樣本數(shù)據(jù)的相似度,從而得到新數(shù)據(jù)和規(guī)則的綜合相似度。如果綜合相似度超過設定閾值,表示該條規(guī)則被啟用。如果多條規(guī)則同時啟用,規(guī)則的并集為優(yōu)選預測模型;如果啟用規(guī)則的數(shù)量為一個時,表示這條規(guī)則對應即為優(yōu)選預測模型。

本研究采用IOWA算子融合單一模型,風電機組在t時刻輸出功率序列為{yt},使用第i種預測模型得到的預測值為{yit},m1個單一模型在融合模型中的權重為(w1,w2,…,wm1)T,第i種模型在t時刻時的預測精度為

(6)

將ait作為預測值yit的誘導值,構成了二維數(shù)組[(a1t,y1t),(a2t,y2t),…,(ait,yit)],將預測精度按照大小進行排序,IOWA算子融合預測值可表示為

(7)

其中,a-i(it)表示融合預測模型在t時刻的預測精度,IOWA算子融合預測模型在各個時間點上預測精度與預測模型聯(lián)系緊密。以預測誤差平方和為準則,預測最優(yōu)化模型和表示為

(8)

基于IOWA算子的風電功率融合模型預測流程如圖3所示。

圖3 基于IOWA算子的風電功率融合模型預測流程圖

優(yōu)選模型對歷史數(shù)據(jù)進行訓練并得出預測功率,對輸出功率進行預測,可用每種單一模型最近時刻的平均預測精度代替后一時刻作為誘導值,按照誘導值的大小對預測值進行排序,然后再計算融合預測模型的預測功率。

3 風電場無功電壓協(xié)調(diào)控制方法

各風電場風速變化不一致,使用的控制方法也不一樣,風電場集群無功電壓協(xié)調(diào)控制方法的整體框架如圖4所示。

風電功率出現(xiàn)隨機波動是造成無功電壓問題的重要原因,應用風電功率預測模型到無功電壓協(xié)調(diào)控制中,引入功率波動因子λ,用來表示接入?yún)^(qū)域的靜態(tài)電壓穩(wěn)定度。功率向上或向下波動都會導致電壓失穩(wěn),接入?yún)^(qū)域的靜態(tài)電壓約束可表示為

(9)

其中,PU、PD表示向上、向下波動狀態(tài)的有功出力臨界值,PN表示正常狀態(tài)下的風電有功出力,PCAP表示接入容量,λu、λd表示向下和向下的波動因子。為防止有功擾動造成輸變電網(wǎng)絡電壓突然增加或減小,控制方法根據(jù)各t+1時刻的預測功率信息,將t～t+1時間內(nèi)可能出現(xiàn)的功率波動作為t時刻的約束條件,保證風電集群的靜態(tài)電壓穩(wěn)定度處于正常范圍。DSTATACOM的配電網(wǎng)結構如圖5所示。

圖5 DSTATACOM配電網(wǎng)結構

DSTATACOM輸出端的電壓隨輸出電流成一定比例變化,無功功率根據(jù)系統(tǒng)電壓采用斜率控制。靜止同步補償器斜率的存在能夠通過很小的電壓調(diào)節(jié)額定無功功率的大幅度減小,防止出現(xiàn)電壓波動的情況。

4 應用測試

為了驗證本研究風電功率預測模型的性能,分別使用文獻[3]預測模型、文獻[4]預測模型和本研究融合預測模型進行實驗,比較3種預測模型的預測精度和預測誤差。訓練樣本為風電場歷史數(shù)據(jù)中的風速、風向、溫度和風電功率數(shù)據(jù),訓練樣本為650組,檢驗樣本為70組,訓練樣本中歷史風速數(shù)據(jù)如圖6所示。

圖6 歷史風速訓練樣本

設定預測模型預測時間為1 h,使用3種預測模型得到的預測功率如圖7所示。

圖7 預測功率結果

根據(jù)圖7中預測功率的大小與實際功率進行比較得到預測模型的誤差評價指標如表1所示。

表1 預測模型的誤差評價指標

本研究預測模型的準確率r1的值為99.17%,合格率r2的值為97.58%。經(jīng)過模型優(yōu)選和融合后得到的預測效果比其他未經(jīng)過優(yōu)選的預測模型預測效果好,說明本研究模型優(yōu)選和融合提高了預測精度。其中,平均百分比誤差指標反映了模型的總體平均性能,MAPE為3.22%。標準誤差表示預測模型的離散程度,本研究標準誤差為5.426%,越小說明預測誤差與平均值之間的差異越小。

文獻[3]預測模型的準確率r1為95.24%,平均百分比誤差達到6.58%,相當于本研究MAPE值的兩倍,反映出文獻[3]預測模型的整體平均性能比本研究預測模型較差,平均誤差指標(MAE)為15.12,表示預測誤差的平均幅值較大。文獻[4]預測模型的均方根誤差指標(RMSE)為24.365%,遠高于本研究,說明預測功率和實際功率之間偏差的分散程度較大,得到預測樣本風電功率的值偏大或偏小,預測精度不高。標準誤差高達12.341%,比本研究預測模型高出6.915,說明文獻[4]預測誤差離散程度較大。

5 總結

本研究分析影響風電功率預測的主要因素,采用相似度模糊推理的方法建立模糊規(guī)則,選擇優(yōu)選預測模型。以風速、風向、溫度為輸入變量序列,輸出風電功率的值。加入IOWA算子,融合預測模型提高預測精度。并提出風電場集群無功電壓協(xié)調(diào)控制方法,根據(jù)得到的預測功率,控制風電集群的電壓水平和穩(wěn)定性。本研究提出優(yōu)選方法缺乏長期、大量的歷史數(shù)據(jù)訓練,還需增加數(shù)據(jù)樣本建立更加全面的模糊規(guī)則,擴展本研究方法的適用性。