风电功率预测误差分析及预测误差评价方法

2013-08-08孟岩峰胡书举邓雅许洪华

电力建设 2013年7期

孟岩峰，胡书举，邓雅，许洪华

（1.中国科学院电工研究所，北京市 100190；2.中国科学院风能利用重点实验室，北京市 100190）

0 引言

近年来风电等可再生能源取得了快速发展，风电总装机容量在电网中所占比例不断升高，在风能资源丰富的“三北地区”，风电在电网中所占的比重很高，部分地区的风电装机容量甚至超过了当地的负荷水平［1］。不同于常规火力发电机组，风电、光伏等可再生能源由于受风速、风向、光照强度等因素的影响，其输出功率具有随机性、波动性及间歇性的特点，而不可调度的可再生能源大规模并网，将对电力系统的安全、稳定、经济运行带来不利影响。可再生能源装机容量在电网中所占的比例超过一定值时，将对电力系统的安全稳定运行带来严重影响，甚至影响常规发电方式，造成电网电压和频率的大幅度波动［2］，从而有必要开展功率预测研究，提高风电、光伏等可再生能源的可调度性。

风电场短期功率预测，有助于电力调度部门根据风电功率预测数据及时调整发电计划，降低风电对电网的不利影响，提高系统运行的安全性和稳定性，同时减少系统备用容量，提高系统运行的经济性，有助于提高风电等可再生能源在电网中的装机容量，促进可再生能源快速发展［3－4］。

风电功率预测的不确定性增加了预测难度，同时预测精度也会随不同条件下、不同预测方法而改变。已有风功率预测方法主要分为2类：（1）基于数值天气预测的物理预测方法，该方法计算过程复杂、数据量庞大，主要用于新建风电场的功率预测；（2）统计方法，如持续预测法［5］，神经网络法［6］、卡尔曼滤波法［7］、小波分析法［8］、自回归滑动平均算法及支持向量机法［9－10］等。风电功率预测误差评价是风电功率预测中的一项重要研究内容，本文从风电功率预测误差分析入手，论述功率预测误差评价指标，并对某风电场实测数据算例进行分析，在误差评价基础上进行预测模型修正，给出模型修正流程图。

1 风电功率预测误差分析

风电功率预测方法根据预测的物理量来分类，可以分为2类：（1）对风速的预测，然后根据风电机组或风电场的功率曲线得到风电场功率输出；（2）直接预测风电场的输出功率。这2 种方法各有其优缺点，实际功率预测系统中往往是二者相结合使用。

1.1 风速及风电功率特性

无论预测物理量是风速或者是功率，其预测数据主要依据来源于数值天气预报及风电场实测数据，由于受气候、地理条件等诸多因素的影响，风速的变化非常复杂，并没有明显的规律可循，具有很强的不确定性，这导致风速预测建模的难度加大，预测误差较大；同时，测风塔风速换算到风电机组风速及由预测风速得到预测风电输出功率均会产生较大误差。因此，功率预测比风速预测相对更为困难，其预测结果的不确定性也更为明显。目前基于物理方法预测的风功率预测系统常采用式（1）进行风速换算

式中：α 为风切变指数，α＝lg（v2／v1）／lg（H2／H1）；v1、v2、V0、VZ为高度在H1、H2、H0、HZ时对应的风速，速度单位为m／s，高度单位为m。式（1）在实际应用中存在下述问题：

（1）风切变指数的计算，测风塔离风电机组一般有几百m 的距离，测风塔处和风电机组处的风切变指数可能存在差异，这将会引入较大误差。

（2）计算过程需要至少3个测风计的测量值，无法避免和降低由测风计带来的误差，同时存在因风速计质量损坏或者自然条件而无法测量风速等的潜在风险。

针对这一问题，有学者通过引入不同高度风速差值变量［11］，根据风速随高度分布的特性对式（1）进行了修正，得到

式中：ux为摩擦速度；k为卡门系数，一般取0.4。

由式（2）可知，线性计算减小了因幂指数计算带来的计算误差，同时摩擦速度ux为湍流切应力与空气密度比值的平方根，在近地面不随高度变化，可以视为常数，H0、HZ没有计算误差。此外，因该方法最少需要1个风速仪的测量值，大大降低了对仪器的依赖性，可靠性得到增强。

1.2 风电功率预测模型算法

持续预测法是用于预测的相对简单的方法，该方法认为风速、功率预测值等于最近几个风速、功率历史值的滑动平均值。该模型的预测误适用于超短期预测，优点在于运行效率高且误差相对较小，但对于其他尺度预测则误差较大。反向传播（back propagation，BP）神经网络算法已成为风速预测的一种常用算法，该算法以经验风险最小化为原则，追求样本趋于无穷时的最优解。然而，由于国内大多数风电场运营时间并不长，历史风速及其相关历史数据并不充足，因此，采用神经网络预测算法建模属于有限样本问题。神经网络建模技术所强调的训练误差最小化的做法，易引起模型对样本数据的过拟合，从而导致模型的泛化能力较差。支持向量机算法以结构风险最小为原则，提高了模型的泛化能力，特别适合有限样本问题，在风电功率预测领域已被广泛应用，但其模型参数的选择较为困难，往往得不到最佳参数。由于每种预测模型都存在固有的缺点，在不同条件下，预测误差不同。图1所示为某风电场实测数据超短期风速预测波形。

图1 超短期风速预测波形Fig.1 Ultra－short term wind speed prediction waveform

用平均绝对误差和均方根误差来评价预测精度，经计算得到2种预测方法的误差，如表1所示。

表1 误差对比表Tab.1 Error comparison

从表1可看出，BP神经网络较持续预测法平均绝对误差提高5.86%，均方根误差提高了10.77%，由于样本数据量较大，采用BP神经网络预测算法较持续预测法误差相对较小，但并不明显。可见，由于每种预测模型都存在固有的缺点，在不同条件下，预测误差将会不同，实际应用中一般采用组合预测方法，根据不同条件确定权系数尽可能的减小预测误差。

1.3 预测模型输入变量的选择

对任何一种预测模型，选择不同的预测模型输入变量对预测精度有较大影响。对于一般统计方法预测模型而言，风电功率预测输入变量主要有历史功率、风速、风向、温度、湿度、气压等，这些输入量之间有部分是存在相关关系的。输入量过少会造成信息缺失，不能充分反映风电功率的变化规律，选择过多又导致信息冗余，模型泛化性能下降，运算效率降低。因此，选择不同的输入量也会对最终的风功率预测精度产生影响，致使其预测误差不同。

从以上分析可见，风速本身的随机性和间歇性、预测模型的不稳定性以及预测输入变量的选择都会对预测结果产生很大的影响，因此，需要对风功率预测结果采用合理的误差评价指标进行评价分析，并根据分析结果对预测模型进行逐步修正，最终使预测误差满足要求。

2 预测误差评价指标及预测模型修正

2.1 预测误差评价指标

由于风电场输出功率的随机性，风电功率预测难免与风电实际出力间存在误差，风电预测技术不同，预测误差的大小随之不同，目前尚不存在公认的预测效果较好的风电功率预测技术。风功率预测误差指标的选取与风功率预测准确度密切相关，常用且有效的风功率预测中预测误差评价指标有绝对误差、平均误差、平均相对误差、均方根误差等。

宁德城关方言新派发音单字音的鼻音韵尾只有[ŋ]尾，没有[m、n]尾，但在存古性较强的少数地名词语或常用词语中仍残留有连读上字保留[m、n]鼻音韵尾的现象，这是宁德城关早期方言存在[m、n、ŋ]三套鼻辅音韵尾的见证，连读上字韵尾直接同化下字声母，使得连读下字的读音不符合城关方言一般的声母类化规律，举例如下：

（1）绝对误差。绝对误差表征某一时间风电功率预测数据与风电场实际出力数据之间的差值，绝对误差公式为

式中：Pt为t时刻风电场实际出力数据；Pt′为t时刻风电场出力预测数据。

（2）平均误差。平均误差用于表征预测误差的偏离程度，可以用来衡量预测结果是否无偏，反映预测系统与实际出力数据的偏离程度。当所采用的预测方法易造成正负偏差同时较大时，由于采用该指标，正负抵消，此时该指标不能很好反映误差大小，因此有必要结合其他指标进行分析。平均误差的定义为式中：Pe为风电场额定装机容量；N 为样本数量。

（3）平均相对误差。平均相对误差可弥补正负预测误差大的问题，通过将绝对误差与实测值进行对比，该指标可作为预测误差评价效果的指标，其定义为

（4）平均绝对误差。平均绝对误差的定义如下式所示，该指标是对预测误差平均幅值的评价。

以东北某一风电场8月份的实际出力数据为对象，采用持续预测算法进行分析。某典型日的实际出力与功率预测值如图2（a）所示，从图2（a）可以看出，持续预测算法具有一定的延迟性。该月的日均方根误差值如图2（b）所示，由2（b）可知，该月中有3天的均方根误差不满足全天预测结果的均方根误差小于20%的标准要求，数据合格率为90.3%。采用持续预测算法进行功率预测，均方根误差的大小与预测日功率曲线的波动情况有关，预测日实时功率的波动越大，均方根误差值越大；预测日实时功率的波动越小，均方根误差值越小，经分析该月预测日的最小均方根误差为0.5%。

2.2 预测模型修正

由于风电输出功率随机性和间歇性的特点，风电功率预测必然会存在误差，由前述第一节的分析可知，多种因素对最终的预测误差存在影响，预测误差的存在即反映了这种影响，因此通过误差评价体系逐步修正预测模型将有利于提高风功率预测系统的预测精度。根据评价指标，可以从各方面了解预测系统的运行情况，深入挖掘有价值的信息，对不同预测方法、预测系统进行对比评价，不断对预测模型进行修正改进从而提高预测精度和改进预测模型算法效率，以更好地利用预测结果服务生产实际。风功率预测模型修正流程图如图3所示。