提高风电场风速预测能力的软测量方法

赵万剑，杨亚兰，张 超，吴 钰

（1.上海市电力公司 松江供电公司，上海 201600；2.上海电力学院 电力与自动化工程学院，上海 200090）

0 引言

开发和利用风能的主要形式是风力发电，随着风电容量占电力系统比重的日益增加，风速短期预测的准确性，直接影响风电的出力乃至电网的安全稳定性［1，2］。

有关风速短期预测的问题，欧盟国家、美国等风电产业发展较早，大多开发了专门的风电功率预报系统，预测时长可达72h，相应的预测成本也比较高。我国的风力发电还处于初级阶段，预测的时间长度一般集中在30min～24h时间段，预测误差为25%～40%［3］。

分析风速预测的误差源，主要牵涉到风电场所处的地形、海拔、风机自身的特性等物理因素，还有实现对未来风速进行预测的软测量技术。前者由规划初期的物理环境决定，不易改变，而后者则可通过不同的软测量方法进行改进。因此，对已建风电场主要从提高软测量技术方面进行预测能力的提高。

本文分别从风电场短期风速预测的算法及其改进，空间连续性的改善以及时间连续性的增强三方面进行研究。

1 改进算法

风速预测在很大程度上受预测方法的影响。长期以来，专业学者进行了大量研究，到目前为止风速预测方法主要有物理模型法和时间序列模型法。

物理模型法基于大量的气象、地表等因素，计算成本高，不适用于风速的短期预测。时间序列法基于统计学习理论，包括传统的持续预测法、卡尔曼滤波法、随机时间序列法、空间相关性法以及人工神经网络法，这些方法易于建模，并能够及时预测［4－6］。

支持向量机（SVM）对处理小样本、非线性以及高维数特点的序列有比较好的适应性，尤其是在波动性较大的风速预测过程中有着广泛的应用。

1.1 支持向量机原理

训练样本集表达式为：

式中：xi∈Rn为输入向量；yi∈R为对应的输出；l为样本数量。

SVM采用式（1）来估计函数：

式中：φ（x）为从输入控件到高维特征空间的非线性映射；ω为权向量；b为阈值。

由最小化风险泛函得到目标函数［7］：

上述问题是个典型的二次规划问题，用Lagrange乘子法求解即可得结果。

SVM体系结构如图1所示。

图1 SVM体系结构

1.2 预测实例

对华东地区某风场进行调研，取70m高空的实测风速数据进行试验。试验数据为平均每10min采集并存储1次，选取34号风机2012年1月9日到19日的1 448个数据，即1 440组输入作为模型的训练样本，对未来4h的24个风速数据进行预测，以均方根误差（rmse）和平均绝对误差（mape）为预测的性能指标，如式（3）和式（4）所示。

式中：n为样本总量；Xi为第i个点的实际风速为第i个点的预测风速。

此处，得ermse＝12.33%，emape＝10.41%。

1.3 多分辨率分析—支持向量机预测

风速受时间的影响，傍晚风速相对较大，白天风速相对较小，从这一点上来看，风速是有规律性的。因此，运用多分辨率分析理论（MRA），对风速信号在不同频率进行分解，提取规律信号，再对各分支信号进行SVM预测，并对信号重构，采用34号风机2012年1月9日到19日的1 448个数据，在输入输出、预测模型的参数等条件都不变的情况下进行预测，两种模型的评价指标结果汇总如表1所示。

表1 SVM和MRA－SVM模型评价指标

由表1可见，对模型进行改进后，预测性能有了提升。预测算法的选择，很大程度上决定着预测的准确性，也即决定着预测误差的大小。因此，改进预测算法是提高风能预测能力的一条有效的途径。

2 提高空间连续性

风速的大小由每秒的传输距离（m）或每小时的传输距离（km）来描述，由此可知，风从A点吹到B点需要一定时间。已知A、B两点的距离L，测得A点的风速Va，由t＝L／Va可以知道未来时间段t后B点的风速。

实际上风能在传递时，周围障碍物大多会吸收部分风能，使得能量在传递过程中不断衰减，不能保证100%的传递。因此，在解决实际问题时，还要进行传递因子的修正。

2.1 预测原理

对于短期风速预测，为了减小数据的存储容量，降低数据运算的复杂度，风速的时间采集均以分钟为单位进行存储（存储时间为5min或10min），而在风场规划阶段，为使风机能够最大限度地吸收风能，同时又不浪费空间地理资源，每相邻两台风机之间的距离不会超过1km（通常为500～700m）。

风速的传输速度一般不会超过60m／s。因此，从传递时间来考虑，由于传输时间间隔较大，风机之间的距离较小，在现有的条件下，此处选取当地的日气象信息为参考，预测出未来的日风速，继而在气象信息测点与风场风速测点之间，建立相应的传输关系模型，进行短期风速的修正预测，模型框图如图2所示。

图2 空间传递修正模型

2.2 预测实例

采集华东地区某风场3个月的历史气象数据，对风速进行预测，预测的基本方法仍为支持向量机。预测结果如表2所示。

表2 SVM与气象修正模型的性能指标

由表2可知，采用修正后的风速预测值与单纯的SVM方法预测值进行比较，评价指标有了一定的提高，但幅度不是很大。主要原因是原始数据不准确性。对于日风速预测，由于气象站的测量数据本身采集时间间隔大，24h测量一次，风速的量纲为km／h，而风场风速的量纲为m／s，为了预测风场风机的风速，必须要将二者归一化，在此过程会产生很大的误差。

此外，采集的温度、气压、湿度、露点、风速等气象数据，均为当日的平均值，而在实际中，该平均值的计算被认为是最大值与最小值的平均值。因此，每天气象信息的实际时间分布无法呈现，最大值与最小值所占的比例也无法表现，极端情况下，如1天中风速最大值与最小值相差很大，而最大值出现的时间分布很小，其余时间的气象数据分布在最小值附近，那么这将很大程度上影响1天的平均值。

3 提高时间连续性

目前，对风速的短期预测研究，大多集中于对未来30min至72h的预测，而时间采集间隔通常为10min或5min，大多基于历史数据的静态预测。

为了提高预测的精度，从时间概念进行改进，提高数据采集的频率，缩短预测的周期，提高时间连续性，同时结合风速在空间的传递性，建立级联风机，进行风速的超短期预测。

3.1 尾流效应

尾流效应是指风场上风位的风机在捕获风能后，将使下风位风机吸收的风能下降，从而导致机组发电功率的降低。如图3所示，尾流效应受机组间距的影响，间距越大，由尾流效应引起的能量损失越小。但是，由于地理环境有限，机组间距只能控制在一定的范围内，在盛行风的顺风向上取较大的间距，而在侧风向上取较小的间距，以降低尾流效应引起的损失。实际情况下，风速和风向是不断变化的［8，9］，所调研的华东地区的一所大型风电场地处滩涂湿地，其风机的排布间距为500～700m，尽管如此，风场的尾流损失仍高达10%～15%。

图3 间距对尾流效应的影响

在大型风场中，风机是多排多列布置的，各机组之间都会有不同程度的尾流影响，而且相互耦合。由图3可知，尾流是动态传播的。因此，考虑建立机组之间的级联关系，对风速进行预测。由于风机之间的间距一般为几百米，对于相邻的两台机组，只有对超短期风速进行预测，级联才有意义。

3.2 预测原理

对于含有2台风机的风电场，分别记为1号风机和2号风机，前后间距为500m。设1号风机在t时刻的风速为v1（t），2号风机在t时刻的风速为v2（t）。计算风从1号机吹到2号机的时间Δt为：

理论上，在Δt之后，2号风机的瞬时风速值v2（t＋Δt）＝v1（t），然而对于实际风场，由于尾流效应，风速会有一定的衰减。计算衰减率wg为：

在风机运行时，参数是实时变化的。被测量的采集周期越短，预测精度会越高。因此，通过提高测量设备的性能及存储元件的容量，在尽可能缩短采集周期，使得数据更接近于实时性要求，就能实现对风速的动态预测。

对于一系列的动态数据序列，设计算机所采集的1号风机瞬时风速序列为v1（ti），2号风机瞬时风速序列为v2（ti），式中i＝1，2，…，n，…，n＋m，依据式（5）求得Δti，即为两台风机之间的风能传递时间差。将1号风机和2号风机作为级联系统，建立其关系，对2号风机的风速及风向角进行预测，级联预测系统框图如图4所示。

图4 级联预测系统框图

图4中，对于历史风速序列v1（ti）及v2（ti），在求得风速传递时间差后，实际的2号风机风速输入为v2（ti＋Δti）。在求两台风机的衰减率wg（i）时，由于输入的风速及风向角信号均为正数，因此通过比例环节来实现对v2（ti＋Δti）的取反，进而进行减法运算，求出衰减率序列wg（i）。其中比例系数K＝－1，而求wg（i）的函数f如式（6）所示。

3.3 预测实例

采集华东地区某一风场的实测数据，采集数据间隔为4.5s，分别记录多台风机的风速及风向的大小。对于超短期风速预测，此处选取67组风速及风向的数据进行预测，依据图4所示模型，在输入向量维数为5时，预测未来5组数据、即22.5s的风速。

对上述数据，选取相同的输入向量个数，相同的训练参数，比较单台风机采用支持向量机方法预测的超短期风速及级联风机的支持向量机风速预测，所得评价指标数据如表3所示。

表3 单机预测与级联预测的评价指标

由表3可以看出，在提高风速的采样频率以及对风机进行级联后，预测精度较单机预测效果有所提升。

4 结语

风的随机波动性使得风能发电预测困难，在风电大量并网时，会对电网的安全性及稳定性造成威胁，因此，针对提高风能预测能力，从软测量技术着手，以近年来兴起的支持向量机为基本方法，提出了改进算法小波分析—支持向量机，以气象数据为参考，增强了空间连续性；以风机级联以及缩短采样周期为手段，增强了时间连续性。通过现场数据进行仿真验证，说明上述方法可以提高风电场风速的预测能力。

［1］杨秀媛，肖洋，陈树勇.风电场风速和发电功率预测研究［J］，中国电机工程学报，2005，25（11）：1－5.

［2］戴浪，黄守道，黄科元等.风电场风速的神经网络组合预测模型［J］.电力系统及其自动化学报，2011，23（4）：27－31.

［3］罗文，王莉娜.风场短期风速预测研究［J］.电工技术学报，2011，26（7）：68－74.

［4］李元诚，方廷健，于尔铿.短期负荷预测的支持向量机方法研究［J］.中国电机工程学报，2003，23（6）：55－59.

［5］师洪涛，杨静玲，王金梅等.基于小波－BP神经网络的短期风电功率预测方法［J］.电力系统自动化，2011，35（16）：44－48.

［6］黄文杰，傅砾，肖盛.采用改进模糊层次分析法的风速预测模型［J］.电网技术，2010，34（7）：164－168.

［7］吴国旸，肖洋，翁莎莎.风电场短期风速预测探讨［J］.吉林电力，2005，6：21－24.

［8］Mrs.Patil SangitaB.，Prof.Mrs.Surekha.R.Deshmukh.Support Vector Machine for Wind Speed Prediction ［J］.2001，IEEE：1－8.

［9］Deliang Zeng，Yu Liu，Jizhen Liu etc.Short－term Wind Speed Forecasting Based on Wavelet Tree Decomposition and Support Vector Machine Regression ［J］.Advances in Automation and Robotics，2011，vol 2：373－379.