风电场风功率实时预测效果综合评价方法

严干贵,宋薇，杨茂，王东，熊昊

（东北电力大学微通电力系统研究室，吉林吉林132012）

风电联网是实现风能大规模开发利用的有效途径，是解决能源和环境问题的现实选择，受到世界各国广泛关注，多年来保持较快速度发展[1]。截至2011年底，中国风电累计并网装机容量突破4700万kW，较2010年同比增长45%。

风电机组受自然风能驱动，其输出功率取决于自然近地风力，具有波动性、随机性和间歇性。因此，风电的并网运行增加了电力系统不可控的发电功率，对电力系统维持发电功率与负荷功率供需平衡产生不利影响[2-4]，威胁电力系统的安全、稳定运行。

风电功率预测是指采用一定数学方法提前对未来一段时间内风电场发电有功功率进行分析预报。提高风电功率预测精度是改善含大规模风电电力系统安全经济性运行的重要措施之一[5-6]。风电功率实时预报是指自上报时刻起未来15 min至4 h的预测预报。

多年来，国内外学者对风电功率预测理论做了大量研究，提出了多种预测方法[7-11]。由于风电功率波动受地形、地貌、天气及风电场运行状态影响，预测算法难以准确反映风电场的输出功率波动特性，不可避免地存在预测误差[12-15]。因此，如何对所产生的误差进行有效评价，寻找能最大程度上反映风电场风电功率波动特性的预测模型，是风电功率预测中具有重要实用价值的问题。

本文以几种常用的风电功率预测方法为例，利用吉林省某风电场的实际历史输出功率数据，对未

Project Supported by National Natural Science Foundation of China:New Theoretical Framework and Its Key Technology of Spatial Load Forecasting for Urban Power System（NSFC51177009）；Project Supported by National Natural Science Foundation of China:the Research on Power Network Collaborative Modeling and Stationary Control of the Power System Including Wind Farms（60934005）;Project Supported by National Natural Science Foundation of China:the Study on Spill out Effect Inhibition of Wind Farm Group Power Control Strategy(50877009).来输出功率进行实时预测，目的在于结合风电功率的波动特性、风电场实际运行管理需求及能源局相关管理规定，提出一种对不同预测方法预测结果的统一评价指标。该指标的提出，不仅可以评价预测模型的优劣，还为不同地区风电场根据该地区风电输出功率变化的特点，选择预测模型提供了依据，从而结合实际风电并网需求对预测模型进行择优和改进，得到更好的预测效果，将预测结果充分运用到风电联网运行的生产实际中去，同时，该指标的提出也为风电场输出功率预测效果提供了工程检验依据。

1 风电功率预测模型评价方法

1.1 常用风电功率预测评价指标及存在问题

风电输出功率预测是对未来输出功率的一种估算，它与客观实际仍存在一定差距，该差距即预测误差[15]。一般地，预测系统的绝对误差Ei定义为

式中，PMi表示i时刻实际功率；PPi表示i时刻预测功率。

通常情况下，多数风电功率预测系统使用平均相对误差MRE（Mean Relative Error）作为预测效果的评价依据，具体定义如式（2）所示

工程上还采用均方根误差RMSE（Root Mean Squared Error）对系统预测误差做出定量分析，其具体定义式如式（3）所示

式中，Pcap为风电场开机容量。

其他描述误差的指标还有绝对值平均误差MAE（Mean Absolute Error），其定义如式（4）所示，均方误差MSE（Mean Squared Error）如式（5）所示。

以上误差指标均为目前应用较广泛的系统误差评价依据，多数实际工程研究应用了其中1种或2种组合评价指标，但仅在计算后数值的大小上比较判断预测系统的优良，未深入研究该指标所反映出的实际工程意义。另外，现有预测评价指标皆从误差角度出发，单一评价预测模型的优劣，并未结合风电场实际预报需求，提出相关指标指导实际运行生产中发电计划的安排和实时调度。

1.2 多指标风电功率预测模型评价方法

本文提出的多指标风电功率预测系统评价方法，从实际工程应用角度出发，结合误差评价指标与预报考核指标，分析评价不同风电预测模型的预测结果。该方法不仅涵盖了原有对系统误差的分析，而且包括了风电场所需的预报考核考核指标，满足《风电场功率预测预报管理办法》。

1.2.1 误差评价指标

1）绝对值平均误差MAE（Mean Absolute Error），MAE是对误差平均幅值的综合评价，与MRE相比，不受某一时刻风电输出功率波动的影响。MRE的计算需要将误差与对应时刻的真实值做比值以考虑系统的预测精度，该误差指标虽然已在负荷预测及风电功率预测中广泛应用，但在实际并网的风电场的风电功率预测中，其实际可参考性仍有待商榷。由于风电场在实际运行中，风电输出功率具有极强的波动性和间歇性，因而实际风电机组出力某一时刻可能接近0，导致EMRE过大，无法反应出预测结果偏离实际值的平均程度，此时用MRE来衡量风电功率预测系统精度就会失去其原有实际意义[16]。

2）均方根误差RMSE（Root Mean Squared Error），RMSE常用来衡量预测系统误差的分散度，从本质上评价了预测系统的整体性能。但一般不会单独作为误差的衡量指标。因此，在评价预测模型误差时与MAE结合考虑，作为对预测系统模型长期运行状态的“宏观”评价。

1.2.2 预报考核评价指标1）准确率。文献[7]中将准确率定义如式（6）所示

式中，r1为预测曲线准确率；Pmk为k时段的实际平均功率；Ppk为k时段的预测平均功率；N为日考虑总时段数；Pcap为风电场开机容量，但在风电场实际运行中，开机容量根据当日发电计划变化而变化，难以准确计算，本文采用额定装机容量来替代。月（年）平均风电预测计划曲线准确率（%）为日平均预测计

划曲线准确率的算术平均值。

2）合格率。文献[7]中将准确率定义如下月（年）平均风电预测计划曲线合格率（%）为日平均预测计划曲线合格率的算数平均值。

以上评价指标可分为误差评价指标和预报考核指标2大类，误差评价指标主要包含绝对值平均误差MAE和均方根误差RMSE，通过对比不同预测系统计算出的MAE和RMSE，可以判断出系统预测效果的好坏及误差产生原因。预报考核指标主要包括准确率与合格率，首先，提出此指标的目的在于判断某一预测系统是否满足实际风电场并网对预报系统预报结果的相应要求；其次，预报考核指标也有助于结合风电场实际并网需求在不同预测模型中进行筛选，即先筛选出预测结果准确率较高的预测模型，再通过对比合格率的高低找出最优预测模型。当预测准确率普遍较低时，也可以通过以上方法实现不同预测模型间的择优。与此同时，相关部门可以根据该指标对不同风电场是否满足并网要求进行调度。

综上所述，通过以上2类指标对不同预测系统预测结果的综合评价，最终实现对预测系统的择优并提出改进意见，具体流程如图1所示。

图1 风电功率预测系统评价流程图Fig.1 The flow chart of wind power prediction system evaluation

2 不同预测模型多指标分析

2.1 样本系统简介

图2为吉林某风电场2012年1月6日至2012年1月31日，共计26 d的历史输出功率数据P的观测数据，该序列采样时间分辨率满足国家能源局规定标准15 min/个，共2496个点。取2012年1月6日前15点数据作为超短期预测模型建模域，以线性回归法、建模域均值法及灰色理论法为例，分别对该风电场进行提前4 h的超短期风电功率预测。以2012年1月6日0:00时刻为起始点，预测未来16个点的输出功率结果如图3所示。

图2 吉林某风电场2012年1月6日至2012年1月31日历史输出数据Fig.2 Historical data output of Jilin from Jan.62012 to Jan.312012

图3 吉林某风电场实时预测（4 h）预测曲线Fig.3 Forecast curve of a wind farm in Jilin(4 h)

实时预报（0～4 h）要求并网风电场按规定要求每15 min滚动上报未来15 min至4 h的风电功率预测数据，进而可以根据该数据实时滚动修正日预测曲线。当第n（n≤96）次滚动上报实时预测曲线时，表明实时预测曲线已对该日日预测曲线修正n次。图4为n=48时实时预测曲线与前48次修正的日预测曲线；当n=96时，该日96组实时预测数据修正的最终日预测曲线如图5所示，为整体观察不同预测模型的实时预测效果，图6给出了2012年1月6日至2012年1月12日为期7 d共计672次修正的实时预测曲线。

2.2 风电场输出功率预测的评价

2.2.1 预测误差评价指标分析

图4 2012年1月6日,n=48时实时预测曲线与修正后的日预测曲线Fig.4 The real-time and corrected daily prediction curve at n=48 on Jan.62012

图5 2012年1月6日,n=96时滚动实时预测数据最终修正的日预测曲线Fig.5 The corrected daily prediction curves at realtime at n=96 on Jan.62012

图6 2012年1月6日～2012年1月31日滚动实时预测数据最终修正的日预测曲线Fig.6 The corrected daily prediction curves at realtime from Jan.62012 to Jan.312012

采用线性回归法、建模域均值法及灰色理论法对该风电场2012年1月6日的输出功率进行实时预测，图7和图8给出了3种方法的整日实时预测的MAE和RMSE指标变化曲线，表1为该日0:00开始每隔4 h抽取的实时预测MAE和RMSE、全天96次及26 d实时滚动预测误差指标的平均值E軍、E軍e。

图8 2012年1月6日不同方法的实时预测均方根误差Fig.8 Real-time prediction RMSE using different methods

表1 不同方法预测误差指标对比Tab.1 Error index comparison using different prediction methods

从图7、图8可以看出，同一种预测方法的MAE和RMSE指标变化趋势基本一致，明显看出基于灰色理论法的风电功率预测模型预测结果的MAE和RMSE曲线幅值波动非常大，基于建模域均值法和线性回归法的误差指标变化曲线虽形状不尽相同，但曲线波动范围大概一致。结合表1具体预测结果的误差指标可知，基于灰色理论法的预测系统在单点处预测效果不稳定，预测的误差平均幅值偏大，且误差出现点分散度大，从而影响了该方法的预测精度；基于线性回归法的预测系统误差波动范围要小于其余2种预测系统，因而该预测系统的预测精度较高。

2.2.2 预报考核指标分析

3种方法的准确率及合格率如图9、图10及表2所示。基于灰色理论法的预测系统预报考核指标波动幅度较大，不满足并网要求；建模域均值法及线性回归法预测系统相对稳定，且建模域均值法预测系统的预报合格率略高于线性回归法预测模型。结合表1和表2可以发现，虽然r22＞r23，但是EMAE＜EMAE，ERMSE2＜ERMSE2,即建模域均值法误差波动范围较大，个别“坏点”影响了整个系统的预测精度，虽合格率高，但预测效果却不及线性回归法的预测系统，若将个别“坏点”做处理，预测精度会有进一步提高；同理，若能将线性回归法的预测误差进一步修正，预测性能也会有显著提高。

图9 不同方法预测结果准确率Fig.9 The accuracy of different predicted methods

图10 不同方法预测结果合格率Fig.10 The pass rate of different predicted methods

表2 不同方法预报考核指标对比Tab.2 Forecasting evaluation indicators of different prediction methods

通过3种预测模型的评价指标对比分析可以看出，线性回归法预测模型的实时预测效果最好，精度最高，建模域均值法预测效果次之。说明本文提出的预测系统评价指标实现了对不同预测系统的综合评价及其择优，具有一定推广价值。

3 结语

本文提出了一种风电实时预测评价方法，该方法从对预测结果的误差综合分析出发，兼顾了实际风电场并网运行中对预测结果准确度及合格度的考核指标，并对相应预测方法提出了改进意见。实测数据算例表明，该评价方法有助于预测方法本身的优化改进和不同预测方法间的正确性评价。

[1]郭剑波．未来我国电网呈现三大特点[EB/OL]．(2011-5-20)[2011-7-30].http://finance.jrj.com.cn/industry/2011/05/20151810018755.shtml．

[1]谷兴凯，范高峰，王晓蓉，等．风电功率预测技术综述[J]．电网技术，2007，31（2）：335-338．GU Xing-kai，FAN Gao-feng，WANG Xiao-rong，et al．Summ-arization of wind power prediction technology[J]．PowerSystemTechnology，2007，31（2）：335-338(inChiese)．

[2]吴俊，李建设，周剑，等．风力发电并网对电网的影响[J]．南方电网技术，2010，4（5）：48-52．WU Jun，LI Jian-she，ZHOU Jian，et al．Influence of wind power generation integrating into power grids[J]．Southern Power System Technology，2010，4（5）：48-52(in Chinese)．

[3]张丽英，叶廷路，辛耀中，等．大规模风电接入电网的相关问题及措施[J]．中国电机工程学报，2010，30（25）：1-9．ZHANG Li-ying，YE Ting-lu，XIN Yao-zhong，et al．Problems and measures of power grid accommodating large scalewindpower[J]．ProceedingsoftheCSEE，2010，30（25）：1-9(in Chinese)．

[4]余洋，陈盈今，刘立卿，等．大规模风电接入电网电压稳定性影响[J]．电力科学与工程，2010，26（4）：1-4．YU Yang，CHEN Ying-jin，LIU Li-qing，et al．The study of large scale wind power on power system voltage stability[J]．Electric Power Science and Engineering，2010，26（4）：1-4(in Chinese)．

[5]王健，严干贵，宋薇．风电功率预测综述[J]．东北电力大学学报，2011，31（3）：21-22．WANG Jian，YAN Gan-gui，SONG Wei．Summarization of wind power prediction technology[J]．Journal of Northeast Dianli University，2011，31（3）：21-22(in Chinese)．

[6]屠强．风电场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．TU Qiang．Existing applications of wind power forecasting technology and relevant suggestions[J]．Power System and Clean Energy，2009，25（10）：4-9(in Chinese)．

[7]王丽捷，冬雷，廖晓钟．基于小波分析的风电场短期发电功率预测[J]．中国电机工程学报．2009，29（28）：30-33．WANG Li-jie，DONG Lei，LIAO Xiao-zhong．Short-term powerpredictionof a wind farm based on wavelet analysis[J]．Proceedings of the CSEE．2009，29（28）：30-33(in Chinese)．

[8]孟洋洋，卢继平，孙华利，等．基于相似日和人工神经网络的风电功率短期预测[J]．电网技术，2010，34（12）：164-167．MENG Yang-yang，LU Ji-ping，SUN Hua-li，et al．Shortterm wind power forecasting based on similar days and artificial neural network[J]．Power System Technology，2010，34（12）：164-167(in Chinese)．

[9]叶晨．风电功率组合预测研究[D]．北京：华北电力大学，2011．

[10]连文莉，黄成辰，吕昌霖．采用时间序列预测风电场出力[J]．电网与清洁能源，2011，27（12）：112-115．LIAN Wen-li，HUANG Cheng-chen，Lü Chang-lin．Wind power output prediction based on time series[J]．Power SystemandCleanEnergy，2011，27（12）：112-115(inChinese)．

[11]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研究[J]．电力自动化设备，2005，25（28）：32-34．DING Ming，ZHANG Li-jun，WU Yi-chun．Wind speed forecastmodelfor wind farm based on time series analysis[J]．Electric Power Automation Equipment，2005，25（28）：32-34(in Chinese)．

[12]范高峰，裴哲义，辛耀中．风电功率预测的发展现状与展望[J]．中国电力，2011，44（6）：38-41．FAN Gao-feng，PEI Zhe-yi，XIN Yao-zhong．The development status and prospect of wind power prediction[J]．Electric Power，2011，44（6）：38-41(in Chinese)．

[13]杨桂兴，常喜强，王维庆，等．对风电功率预测系统中预测精度的讨论[J]．电网与清洁能源，2011，27（1）：67-71．YANG Gui-xing，CHANG Xi-qiang，WANG Wei-qing，et al．Discussions on prediction accuracy of wind power forecasting system[J]．Power System and Clean Energy，2011，27（1）：67-71(in Chinese)．

[14]陈国栋，姚建刚，钱卫华，等．基于误差预测修正的负荷预测研究[J]．现代电力，2007，24（3）：11-15．CHEN Guo-dong，YAO Jian-gang，QIAN Wei-hua，et al．Research on load forecasting based on predicted error amendment[J]．Modern Electric Power，2007，24（3）：11-15(in Chinese)．

[15]徐曼，乔颖，鲁宗相．短期风电功率预测误差综合评价方法[J]．电力系统自动化，2011，35（12）：20-26．XU Man，QIAO Ying，LU Zong-xiang．A comprehensive error evaluation method for short-term wind power prediction[J]．Automation of Electric Power System，2011，35（12）：20-26(in Chinese)．