风电场发电量预测技术研究综述

高 阳，陈华宇，欧阳群

（1.沈阳工程学院，沈阳 110136；2.中电投东北电力有限公司，沈阳 110017；3.辽宁省电力有限公司，沈阳 110006；）

风电场发电量预测技术研究综述

高 阳1，陈华宇2，欧阳群3

（1.沈阳工程学院，沈阳 110136；2.中电投东北电力有限公司，沈阳 110017；3.辽宁省电力有限公司，沈阳 110006；）

1 我国风电发展现状

日益严重的全球能源危机，使可再生能源的开发显得越来越重要。风能作为一种清洁的可再生能源，越来越受到世界各国的重视。我国并网的风电场建设从20世纪80年代至今已有20多年的历史。在发展初期，风电项目不仅规模小，装机容量更不足1万kW，而且设备主要依靠进口，建设成本高，市场竞争力弱。到2002年底，全国风电装机容量仅为45万kW，最大投运机组为600kW[1-4]。而过去7年，中国风电装机容量年平均增长速度达到了56%。截至2009年底，风电总装机近2000万kW，中国已经成为全球发展速度最快的风力发电市场，并将成为全球第三大风电国家。我国风能储量很大、分布面广，陆上10m高度风能资源技术可开发量为2.97亿kW。加上近岸海域可利用风能资源，共计约10亿kW。如果中国能够利用所有的风能资源，将能够满足几乎所有中国当前的电力需求，但这在短时期内是不可能的。不过中国有可能将2020年风电总装机目标由3000万kW调高至1亿kW。在国际效率标准下运行，能够满足5%的中国电力需求，并且使中国成为世界最大的风能发电国家。

中国国家发改委目前正在酝酿的目标计划是，要按照融入大电网、建设大基地的要求，力争用十多年的时间，在甘肃、内蒙古、河北、江苏等地形成几个上千万千瓦的风电基地。1000万kW级的风电场，相当于三峡的装机容量，堪称“风电三峡”，但却没有三峡百万移民的负担，也不会消耗水资源。

世界能源危机为风电发展提供了机遇，但由于我国风电建设起步较晚，存在很多不确定因素阻碍风电行业的发展。除了与国际风电行业的发展水平还有很大差距、国内的风电设备主要依靠进口以及对外依赖性太强以外，现在风电接入电网的问题也制约着我国风电的大规模发展。风电出力的大幅波动和不可预测性对电网造成了严重的冲击。目前来看，由于运行的风电场装机容量较小，风电场接入电网后对电网的频率和稳定的影响还不是十分大。国内风品质较差的风场在10min内从满发到不发的概率只有不到30%，根据电网安全稳定导则，电网必须满足动态N-1校验，装机不超过5万kW的风电容量在1min内切除就不会影响电网的安全稳定运行，一般在接入设计时已经考虑，同时现阶段的风电规模对频率的影响也不大。即使风电送出线路跳闸也对电网稳定运行的影响不大。当然，一些老机组会造成风电场并网点电压波动、电压超标等问题而被调度切机。而目前影响风电接入容量的主要问题是电网的调峰容量。这是限制风电装机的最重要因素，尤其是火电机组的最小技术出力，电网没有备用容量，风电场就不能接入电网。低谷调峰问题，限制风电的接入容量。电网企业只能通过增加水电和快速起停机组来解决由于风电波动性造成的“逆调峰”，这样会增加电网调度安排机组和制定发电计划的困难，加大电网调度运行的难度，同时风电“逆调峰”基本上很难控制。因此风电要更好地发展必须开发风电场发电量预测系统。德国、丹麦风电发电量高，很重要的一个因素是所有的电网公司都配备有风电发电量预测系统。有了预测系统，风电出力就基本可以预知，会大幅降低电网旋转备用容量，降低风电场的发电成本，使电网调度运行更加经济合理。

2 风电场发电量预测模型

2.1 按预测时间尺度划分

按照预测时间尺度的不同，风电场发电量预测模型可以分成超短期预测、短期预测、中期预测和长期预测[5-12]。

超短期预测一般不超过30min，主要用于对风机的控制，预防恶劣天气的出现，对桨叶造成损坏。

短期预测一般是对功率进行不超过6h的小时预测，用于电网的功率平衡和运行调度。

中期预测是基于小时数据进行2d以内的天预测，以对电网中的负荷做出合理调度。

长期预测是基于天数据进行周预测，可以在风小产能少时，对风机进行维护和检修。

2.2 按建模机理划分

根据建模机理的不同，风电场发电量预测模型可以分成物理模型、时间序列模型以及智能模型。

2.2.1 物理模型

物理模型是根据风电场周围的地形、粗糙度、障碍物等物理信息来估计轮毂高度处的风速，然后利用功率曲线得到风机的发电量，其输入参数是数字天气预报(NWP)信息。由于气象预报的每日更新频率很低，因此，该方法更适合中期风电场的发电量的预测。而且风电场周围的物理信息对预测的准确度也有很大影响。

2.2.2 时间序列模型

时间序列模型基于过去的功率或风速时间序列，通过模式识别、参数估计和模型校验等步骤建立映射关系。短期预测时，模型的输入量是若干个历史功率数据和在线实时采集的SCADA（监控和数据采集）实时数据；中期以上的预报时，输入量还应该包括数字气象预报（NWP）数据。最简单的时间序列模型是persistence模型，它假定风电功率的预测值等于其最近的一个测量值。更高级的时间序列模型包括ARMA[13]、卡尔曼滤波[14]或者这两者的结合[15]。但是在极端的天气情况下，没有一种模型可以得到较好的性能。

2.2.3 智能模型

智能模型是利用智能学习方法在输入变量和输出功率间建立非线性映射关系，包括神经网络法[16]、模糊逻辑法、支持向量机法[17]以及这些方法的混合使用[18]。通过大量数据的学习和训练来建立输入输出间的关系，在进行短期和中期的风速或功率预测时，模型的输入变量与时间序列模型的类似。

2.3 按预测范围划分

根据预测范围的不同，可以分为对单台风机的预测和对一组风机的整体预测。

对每台风机分别建立合适的预测模型，再结合可利用的风机数目以及风电场的结构变化，通过功率求和可以很容易地估计出整个风电场的产能情况。在对每台风机的建模过程中，所考虑的输入参数包括轮毂高度处的风速和当前风机的定向，相对于每台风机来说具有局部性和特定性。但是利用该方法求整个风电场的出力时，没有考虑风电场中各机组的尾流效应、地表地貌剪切效应、塔影效应等。

把一组风机看成一个集合，建立整体预测模型，可能更方便管理，并且单个机组的来流风速相对整个风电场的来流风速有不同时间的延时，这种延时相互作用，使得整体风电场的输出比单机计算求和的输出要平滑很多，可以降低预测误差[19]。这个集合可以是风电场的一组风机，也可以是整个风电场，甚至是一个较大区域内的数个风电场的集合。文献[20]通过分析机组来流风流动的特点和能量的分布，在考虑风电场各机组间多种效应的基础上，研究了由多台机组组成的风电场实际的风速功率模型，给出了整体风电场风速功率曲线。

3 风电场发电量预测技术研究现状

目前，丹麦、德国、西班牙、美国等国已经在风力发电系统中开始应用风力发电量预测作为电网调度的一个重要参考依据。在这些国家风力发电量预测已经成为大型并网风电场系统管理和控制的基本组成部分。德国ISET开发的WPMS系统（风力发电场管理系统），采用神经网络方法，其预测均方根误差(RMSE)为装机容量的7%～19%[21]，已成为商用最成熟的发电量预测系统。WPMS系统采用的是现在比较流行的运用“统计学”模型方法。即利用有效的数字气象预报数据、历史观测气象数据、实际测量气象数据同风力发电量建立一个函数关系模型，利用数据中的时间序列和空间相关信息进行预测。这些模型又可以分为典型的线性模型[22]，如自回归—滑动平均混合模型(ARMA)等，以及非线性模型，如人工神经网络模型等。

目前基于数字气象预报（NWP）作为风力发电量预测基础的风力发电量预测和管理系统都是基于对全球气象数据的观测和测量，这些信息是得自于气象专家、气象台站、气象卫星等等。通过对全球大气NWP模型的研究，得到未来的大气状态。大约有15个国家能够提供全球气象模型以及预报。气象模型对于中长期风力发电量预测是非常重要的。我国在西北地区正在建设大型测风系统，用来积累历史数据。但基于气象数据的预测方法还存在很多问题。风电场的地形、地表植被及粗糙度、周围障碍物等会影响风力发电机轮毂高度风速的数值，不同数据采集地点的气温、风向、气压等因素对预测的精度有很大的影响。同时风机的“尾流效应”也影响预测的精度。

要解决风电场接入对电网调度影响，就需要提高短期风电场发电量预测的准确度。目前，较普遍使用的风力发电量预测的方法是“学习法”[23]。随着人工智能的发展，出现了很多新的预测方法，包括混合专家经验法(ME)、最近邻搜索(NNS)、蚁群优化(PSO)、支持向量机(SVM)、神经网络法、小波分析法等。这些模型采用某种学习算法，通过大量数据的学习和训练来建立输入输出间的关系，而不能用某个数学表达式直接表示[24]。学习方法的优点可以根据风电场的位置，随时修改预测模型，其准确度比较高，但同时学习方法需要积累大量的历史数据，用于测量的成本较高。

4 风电场发电量预测技术发展方向

目前对大型风电场发电量的中/短期预测尽管取得了许多成果，但是尚存一些问题。首先，用于预测的模型过于复杂，环节较多，因此，预测准确度有待提高。其次，影响风电场发电量的诸多因素在所建风力发电模型中考虑不全面，也制约了预测准确度的提高。同时由于需要采集风电场的气象数据，而气象数据的测量点在风电场中的配置又极为有限，因此，所包含的风能信息也受到了限制[25]，采取多种预测方法的组合预测是风电场发电量预测技术发展的方向。目前，德国和丹麦进一步开发了自己的多种方法综合预测系统（MSMPS），作为一体化的气象和风力发电量预测系统。其目的是为了对局部地区气象进行预测以及概率分析。MSEPS包含75个“成员”，每个独立的预测都作为系统的成员。这些成员组成了一个完整的综合预测方法。这就是说每个预测成员通过一系列方程组成物理学或者动力学过程，称之为 “参数方法”（parameterization schemes）。这个综合的方法主要目标是为了进行非确定性的气象预测。不同的方程需要不同的解决方法，这就导致不同的结果[26]。因为所有的方程都使用不同的预测“综合成员”，这些不同成员所描述的都是相同的过程。不过它们的假设条件不同，以便使它们能够有解，事实上它们所描述的是气象预测当中变化着的物理不确定性。

基于混沌理论的神经网络进行风力发电量预测是一种新的预测方法。风力发电系统是与气象信息紧密相关的复杂动力系统。气象信息是典型的混沌时间序列，因此大型风场中的风力发电机的输出功率必然具有混沌现象，也就是说风力发电机的输出功率也是一个混沌时间序列[27]。混沌运动具有遍历性、随机性等特点,能在一定的范围内按其自身规律不重复地遍历所有状态。混沌时间序列在其内部这种确定的规律性,来自于它的非线性混沌动力学特性,它们使系统表现出某种记忆能力,这种性质不易为解析法所描述,但这种信息处理方式正好是神经网络所具备的。而混沌系统不可能作长期预测,但只要有足够好的模型和对初始条件的精确观察,它的确定性却使之在预测能力消失以前可以进行短期预测。基于混沌理论的神经网络模型广泛应用于混沌时间序列的预测。结合中尺度气象预报（MESO）模型的模型参考自适应容量预测模型，可以提高风电场发电量的预测准确度。

5 总结

分析了风电场接入对电网调度的影响和研究的重要性，介绍了国内外的风电场发电量预测技术。从中可以看出，提高风电机组的可信容量系数，降低电力系统所需的备用容量是改善风力发电的电网接入问题的重要措施。因此研制风电功率预测系统是解决制约风电大规模发展瓶颈问题的重要方法。

[1]潘迪夫，刘辉，李燕飞.基于时间序列分析和卡尔曼滤波算法的风电场风速预测优化模型[J].电网技术，2008，32（7）：82-86.

[2]喻新强.西北电力系统如何应对大规模风电开发与利用[J].电网与清洁能源，2009，25（8）：1-6.

[3]汪宁渤.甘肃酒泉千万千瓦风电基地面临的挑战及应对措施[J].电网与清洁能源，2009，25（7）：43-47.

[4]黄栋，李怀霞，张振.风电产业全球态势与政府政策[J].电网与清洁能源，2009，25（2）：46-49.

[5]Bernhard Ernst，Brett Oakleaf，Mark L Ahlstrom，et al.Predicting the Wind[J].IEEE Power&Energy Magazine，2007，（11）：79-89.

[6]屠强.风电功率预测技术的应用现状及运行建议[J].电网与清洁能源，2009，25（10）：4-9.

[7]宋伟伟，李强，袁越.双馈风电机组接入地区电网后的电压稳定分析[J].电网与清洁能源，2009，25（5）：36-40.

[8]姚金雄，李晓婷，王晖.风电场穿透功率极限计算方法研究[J].电网与清洁能源，2009，25（4）：45-48.

[9]彭怀午，杨晓峰，刘方锐.基于SVM方法的风电场短期风速预测[J].电网与清洁能源，2009，25（7）：48-52.

[10]陶玉飞，李伟宏，杨喜峰.风电场风速预测模型研究[J].电网与清洁能源，2009，25（3）：53-56.

[11]范李平，杨力森，武粉桃.风电场并网对电力系统稳定性影响[J].电网与清洁能源，2009，25（6）：58-61.

[12]范高锋，赵海翔，戴慧珠.大规模风电对电力系统的影响和应对策略[J].电网与清洁能源，2008，24（7）：44-48.

[13]Negnevitsky M,Johnson P,Santoso S.Short Term Wind Power Forecasting Using Hybrid Intelligent Systems[C]//Proc.Power Eng.Soc.General Meeting.Tampa,FL,2007.

[14]冬雷，高爽，廖晓钟，等.风力发电系统发电容量时间序列的混沌属性分析[J].太阳能学报，2007，28(11)：1290-1294.

[15]肖永山，王维庆，霍晓萍.基于神经网络的风电场风速时间序列预测研究[J].节能技术，2007，25(2)：106-108.

[16]Ahlstrom M L，Zavadil R M.The Role of Wind Forecasting in Grid Operations&Reliability[C]//Ransmission and Distri-bution Conference and Exhibition：Asia and Pacific，2005，8：1-5.

[17]2008全球可再生能源发展现状分析及前景展望.http://www.chinapower.com.cn

[18]Sideratos G,Hatziargyriou N.Using Radial Basis Neural Networks to Estimate Wind Power Production[C]//Proc.Power Eng.Soc.General Meeting,Tampa,FL,2007.

[19]胡光旺.风电场整体风速功率模型及风速预报[D].汕头：汕头大学,2007.

[20]Ulrich Fochen,Matthias Lange,Kai Monnich,et al.Shortterm Prediction of the Aggregated Power Output of Wind Farms a Statistical Analysis of the Reduction of the Prediction Error by Spatial Smoothing effects[J].Journal of Wind Engine-ering and Industrial Aerodynamics, 2002,90:231-246.

[21]Alexandre Costa,Antonio Crespo,Jorge Navarro,et al.A Review on the Young History of the Wind Power Short-term Prediction[J].Renewable and Sustainable Energy Reviews,2008（12）:1725-1744.

[22]丁明，张立军，吴义纯.基于时间序列分析的风电场风速预测模型[J].电力自动化设备，2005，25(8)：32-34.

[23]Bossanyi E A.Short-term Wind Prediction Using Kalman Filters[J].Wind Engineering，1985，9（1）：1-8.

[24]王丽婕，廖晓钟，高爽，等.并网型大型风电场风力发电功率-时间序列的混沌属性分析[J].北京理工大学学报，2007，27(12)：1077-1080.

[25]Li Shuhui，Wunsch D，O′Hair E，et al.Using Neural Networks to Estimate Wind Turbine Power Generation[C]//IEEE Power Engineering Society Winter Meeting，Columbus，USA，2001，3（28）：977-986.

[26]杜颖，卢继平，李青，等.基于最小二乘支持向量机的风电场短期风速预测[J].电网技术，2008，32（15）：62-66.

[27]Holttinen H.Handling of Wind Power Forecast Errors in the Nordic Power Market.9th International Conference on Probabilistic Methods Applied to Power Systems[C]//Stockholm，Sweden，2006.

A Summery of Studies on Wind Power Prediction Technologies

GAO Yang1,CHEN Hua-yu2,OU Yang-qun3
（1.Shenyang Institute of Engineering,Shenyang 110136,Liaoning Province,China;2.CPI Northeast Power Company Limited,Shenyang 110017,Liaoning Province,China;3.Liaoning Electric Power Company Limited,Shenyang 110006,Liaoning Province,China）

This paper firstlysummarizes the status of the wind power developmentin China,and secondly analyzes the urgentneed for solutions to address the impacts on power grids caused by the integration of the farms. Thirdly, it reviews the present study approaches and discusses the ongoingstudies and the trends on the wind power prediction technology both at home and abroad,and finally base donchaos theory,proposessomere warding methods.

wind power generation；wind power prediction；chaos theory

首先综述了风电在我国的发展现状，分析了目前风电场接入电网急需解决的问题,然后总结了现在风电场发电量预测模型的研究方法。接着分析了风电场发电量预测技术国内外的研究现状和发展趋势，最后提出了基于混沌理论的风电场发电量预测的方法。

风力发电；发电量预测；混沌理论

辽宁省教育厅资助项目(2008z165)；沈阳工程学院2009科技项目资助。

1674-3814（2010）04-0060-04

TM614

A

2010-01-30。

高 阳（1974—），男，讲师，主要研究方向为电力系统及其自动化，新能源电力系统；

陈华宇（1973—），男，高级工程师，主要研究方向为电力系统及其自动化；

欧阳群（1973—），男，高级工程师，主要研究方向为电力系统及其自动化。

（编辑 徐花荣）