基于一体化实时信息平台的风电功率预测系统

詹庆才，聂晓波，张道农，赵禹，郑继涛

（1.北京四方继保自动化股份有限公司，北京 100085；2.北京交通大学电气工程学院，北京 100044；3.华北电力设计院工程有限公司，北京 100120；4.北京市供用电建设承发包公司，北京 100062）

随着能源危机和环境问题的日益突显，世界可再生能源已进入了大发展阶段。风能以其独有的特点和优势，已成为能源发展的重要领域。截至2013年底，我国累计建成约705座风电场，总装机达到3966.82万kW。

随着风电大力发展，风电场建设规模的扩大，在分析风电场接入电力系统时，需要考虑风电场输出功率波动范围大的特点。风能具有间歇性和随机波动性，风速的变化直接导致风电场的有功功率和无功功率的变化，输出功率具有很强的波动性，很不稳定。当风电穿越运行时会产生严重的影响，同时，也会影响电能质量和经济调度以及电力竞价。因此，积极开展风电功率预测研究的工作，提高预测的准确性，对电网调度、提高风电的接入能力以及减少系统运行成本等方面具有现实意义。

风电功率预测是指以风电场的历史功率、历史风速、地形地貌、数值天气预报、风电机组运行状态等数据建立风电场输出功率的预测模型，以风速、功率或数值天气预报数据作为模型的输入，结合风电场机组的设备状态及运行工况，得到风电场未来的输出功率[1]。

现有的风电功率预测系统主要存在以下几个问题：

1）一般只采集风电场上网功率数据，缺乏与风电场信息系统的连接，不具备实时更新限电、检修等风力机运行信息的能力；

2）预测结果数据一般只能上送调度，与风电场有功控制系统缺乏数据接口，无法进行信息共享，大大限制了风电功率预测系统的应用范围；

3）一般只利用单一测风塔的风速数据订正数值气象预报，缺乏综合多来源气象数据的订正能力，对风资源的实时分析能力不足；

4）一般只能简单计及地形和风力机排布的影响，缺乏复杂条件下风电场局地气象分析能力，不适用于复杂地形条件下的风电场风电功率预测;

5）预测模型对风电功率的波动性考虑不足，预测准确率低，实用性差。

针对上述问题，本文研究和开发了基于一体化实时信息平台的风电功率预测系统。

1 风电功率预测方法

国外在发展短期风电功率预报技术方面已有10余年的历史，已有多套预测软件包应用于发电计划和电力市场交易，如丹麦Risoe国家实验室的Prediktor和丹麦科学技术大学的Zephyr和WPPT、美国eWind、德国WPMS和Previento、西班牙LocalPre-RegioPred等。早期的风电预报系统采用单一的物理模型法或统计法，预测输入来自NWP（Numerical Weather Prediction）数据。随着风电场通信设施的完善，NWP气象服务的成熟，现在的预报系统兼用多家NWP数据与实测数据未输入，并采用综合法进行预测。

根据所采用的数学模型不同，风电功率预测法可分为持续预测法、ARMA模型[2-4]、卡尔曼滤波法和智能方法等。持续预测方法[5]是最简单的预测模型，通常认为最近一点的风速为下一点的风速预测值[6]，其预测误差较大，预测结果不稳定。ARMA模型、向量自回归模型[7]、卡尔曼滤波算法[8-9]、时间序列法和卡尔曼滤波算法结合后的算法[10]为改进算法。另外，还有人工神经网络方法[6，11-12]等智能方法。文献[13-16]分别对运用广义回归神经网络、OLSSFLA-RBF神经网络、AdaBoost与BP相结合的神经网络和Elman神经网络进行了风电功率预测的研究。文献[17]对持续法、AR、ARIMA、线性神经网络、BP神经网络、LM神经网络、RBF神经网络、ELM神经网络、ANFIS神经网络、NLN神经网络等多种方法在风速预测中的应用进行了比较，结果表明，神经网络方法优于线性方法，但以上文献所提神经网络方法没有对处于复杂地形的风电场功率预测问题进行相关研究。文献[18-19]提出了通过混沌预测方法和组合预测模型提高预测精度的方法。文献[20]介绍了提出一种基于Markov链理论的预测算法，对风电功率预测性能进行了分析。文献[21]介绍了在吉林电网调度中心投入运行的风功率预测系统。文献[22]介绍了在内蒙古电网投入运行的区域风电功率预测系统，重点介绍了基于MM5模式的中尺度数值预报方法，并指出风电功率预测的误差主要来自数字天气预报数据NWP。文献[23]探讨了甘肃酒泉风电基地风电预测预报系统的实现方案。

2 WRF中尺度数值预报

本文采用了新一代中小尺度模式WRF开展复杂地形条件下的风电场风速模拟。WRF模式是由美国研究、业务及大学的科学家共同参与开发研究的新一代中尺度预报模式和同化系统。WRF模式为完全可压缩、非静力模式，水平方向采用Arakawa C交错网格，垂直方向采用地形跟随质量坐标。模式采用高阶数值计算方法，包括二阶和三阶的Runge-Kutta时间积分方案，二阶至六阶的对流方案。

本文应用WRF模式，主要对内陆山地风电场近地层风速进行模拟，并运用高精细边界层模式进行山地条件下风电场风速动力降尺度模拟，为风电场风电功率预测提供基础。限于篇幅，对高精细数值模式的建模方法和过程不予赘述。

3 风电功率预测原理

3.1 分位数回归

分位数回归采用加权残差绝对值之和的方法估计参数，其优点体现在以下几方面:

1）对模型中的随机扰动项不需做任何分布的假定，这样整个回归模型就具有很强的稳健性；

2）分位数回归本身没有使用一个连接函数来描述因变量的均值和方差的相互关系，因此分位数回归有着比较好的弹性性质；

3）分位数回归由于是对所有分位数进行回归，因此对于数据中出现的异常点具有耐抗性；

4）不同于普通的最小二乘回归，分位数回归对于因变量具有单调变换性；

5）分位数回归估计出来的参数具有在大样本理论下的渐进优良性。

3.2 分位数回归神经网络

风速及风电场功率的预测是一个涉及因素繁多、十分复杂的非线性过程，并且具有高度的不确定性，因而单一的线性预测模型不足以挖掘风电功率数据中的所有信息。而神经网络模型具有自学习、自组织和自适应性，可以充分逼近任意复杂的非线性关系，对于非线性复杂系统的建模、预测，神经网络更实用、更经济。因此，选择神经网络方法来对风电场的风电功率进行非线性预测研究，将会在很大程度上简化建模工作，提高预测精度。

分位数回归神经网络结合了分位数回归和神经网络的特点，采用神经网络结构实现分位数回归的参数辨识过程，是实现复杂地形下强波动性风电功率短期预测的有效手段。

如图1所示，在分位数回归神经网络中，隐节点采用Sigmoid型函数，输出节点采用线性函数，误差的表达式变为：

图1 分位数回归神经网络示意图Fig.1 Sketch of quartile regression neural network

式中，τ为分位数；P为概率函数。

由于概率函数不是处处可微，对概率函数进行近似处理。设：

则：

处理后概率函数处处可微，就可以使用梯度下降方法训练神经网络参数。

4 风电功率预测系统结构与功能

4.1 风电功率预测系统硬件平台

风电功率预测系统采用分布式结构，由数值天气预报系统和风电功率预测系统组成。系统硬件平台结构及与其他应用系统网络的连接情况如图2所示。

图2 风电功率预测系统硬件平台Fig.2 Hardware platform of the wind power forecasting system

4.2 系统软件架构

如图3所示，系统的软件主要分为5个部分：风速预测模块、实时数据采集模块、不良数据辨识模块、风功率预测模块、人机界面HMI模块。

图3 风电功率预测系统软件逻辑视图Fig.3 Software logical view of the w ind power forecasting system

4.3 系统间数据流接口

与风电功率预测相关的各应用系统间的数据传输流如图4所示。系统可与风电场侧风力机监控系统、升压站监控系统、测风塔直接通信采集数据。其中，要采集的主要数据类型如下。

1）数值天气预报数据：时间分辨率为15 min，包括至少3个不同层高的风速、风向、气温、气压、湿度等参数。

图4 系统间数据流传输流Fig.4 Data flow of the w ind power forecasting system

2）测风塔实时测风数据：测风塔位置在风电场5 km范围内且不受风电场尾流影响，宜在风电场主导风向的上风向。至少包括了10 m、70 m及以上高程的风速、风向、气温、气压、湿度信息。

3）风电场实时功率SCADA数据。

4）风力机实时运行数据:包括风力机当前的运行状态、风速、风向、偏航状态、实时功率等。

5 应用软件

5.1 数值天气预报客户端程序

NWP文件服务器上安装了最新版V3.1.1的WRF模式软件的。该软件可显示和处理基本气象观测数据、图形图像产品、数值预报格点资料，为绘制天气图和制作预报产品进行交互操作，并具有常用的资料处理工具[24]。

通过调用该天气预报客户端软件，调度员可以在图形化界面上在线查看电网各风电场所在区域实时风速、风向、气压、降水、温度等数值预报结果。

5.2 风电功率预测应用软件

风电功率预测系统应用软件包括功率预测功能模块和人机界面功能模块。功率预测功能模块位于风电功率预测数据库与应用服务器，是系统的核心模块，人机界面功能模块运行于风电功率预测工作站，是预测系统人机界面接口。功率预测模块由人机界面功能模块定时调用启动运行。

风电预测软件可对单个风电场整场功率进行短期和超短期预测，也可对日前发电曲线和日前发电量进行预测。

人机界面管理系统为调度员、预报员、系统维护人员等提供了内容丰富、操作灵活方便的人机接口。通过人机界面系统，调度员可查看到日前预报结果、超短期预报结果，还可查看各风力机当前的运行状态和预测结果。

预报员看利用基础数据服务查询历史数据、NWP数据，通过建模向导界面选择算法，训练模型，设置默认预测方案；也可以查看已有的预测结果，并对其进行误差分析，生成报表。

系统维护人员可以查看预测系统子模块是否正常运行、运行日志和升级系统等。

6 功率预测结果及误差分析

利用本文的系统对冀北电网投运的风电场A、风电场B共2个风电场进行了单个风电场在线短期和超短期风电功率预测，2个风电场风力机台数分别为100台和120台，装机容量分别为121.5 MW和220 MW。风电场功率输出模型误差约为2.2%，系统预测相对均方根误差约为18%，两个风电场的预测与实际结果对比情况分别如图5和图6所示。研究结果表明：风电场功率误差主要来自SCADA实时数据和NWP数据，来自SCADA实时数据的精度误差和NWP数据的误差会严重影响预测系统的预报精度，是整个风电预测系统最大的2个误差环节。

图5 风电场A的72 h短期功率预测与实际结果Fig.5 72 h short-term power prediction and the actual result in W ind Farm A

7 结论

本文设计的风电功率预测系统具备以下特点：

1）与风电场信息系统进行连接，具备实时更新限电、检修等风力机运行信息的能力；

图6 风电场B的72 h短期功率预测与实际结果Fig.6 72 h short-term power prediction and the actual result in W ind Farm B

2）预测结果数据除了上送调度中心，还与风电场有功控制系统有数据接口，可以进行信息共享，大大扩展了风电功率预测系统的应用范围；

3）除了利用单一测风塔的风速数据订正数值气象预报，还有效综合多来源气象数据的订正能力，对风资源的实时分析能力较强；

4）除了能简单计及地形和风力机排布的影响，还具备对复杂条件下风电场局地气象分析能力，适用于复杂地形条件下的风电场风电功率预测；

5）预测模型充分考虑了风电功率的波动性，预测准确率较高，实用性较好。

另外，考虑到预测所需要的SCADA实时数据经常会存在异常和不完备的情况以及单一采用WRF模式的NWP数据误差的问题，本文认为后续可以考虑引入风电场的PMU动态数据作为补充或替代数据源进行相关的对比预测研究以及考虑对WRF模式和MM5模式进行综合分析的模式。

[1] 黄雅莉，贺志峰.国外风电消纳的主要经验及借鉴[J].陕西电力，2013，41（10）：19-24.HUANG Yali，HE Zhifeng.Main experience of wind power consumption at abroad and its reference for China[J].Shaanxi Electric Power，2013，41（10）：19-24（in Chinese）.

[2] ANDREW B.Simulation of short-term wind speed forecast errors using a muti-varivate ARMA （1，1） time-series model[D].Stockholm，Sweden:Royal Institute of Technology，2005：76-80.

[3] 杨媛媛，杨京燕，马昌建，等.计及过负荷风险的风电并网电力系统动态经济调度[J].陕西电力，2012，40（10）：7-11，25.YANG Yuanyuan，YANG Jingyan，MA Changjian，et al.Dynamic economic dispatch in wind power integrated system considering risk of overload[J].Shaanxi Electric Power，2012，40（10）：7-11，25（in Chinese）.

[4] 栗然，王飞.直驱型风电系统低电压穿越技术仿真分析[J].陕西电力，2011，39（11）：35-38.LI Ran，WANG Fei.Simulation analysis on low voltage ride-through technologies for direct drive wind power system[J].Shaanxi Electric Power，2011，39（11）：35-38（in Chinese）.

[5] BARBARA G B，RICHARD W K，ALLAN H M.Time series models to simulate and forecast wind speed and wind power[J].Journal of Climate and Applied Meteorology，1984（23）:1184-1195.

[6] LEXIADIS M A，DOKOPOLOS P，SAHSAMANOGLOU H，et al.Short term forecasting of wind speed and related electrical power[J].Solar Energy，1998，63（1）:61-68.

[7] 李跃华，梁志瑞，张国飞，等.双馈风电系统参数协调控制策略研究[J].陕西电力，2013，41（6）：14-19.LI Yuehua，LIANG Zhirui，ZHANG Guofei，et al.Study on parameter coordination control policy of doubly-fed wind power system[J].Shaanxi Electric Power，2013，41（6）：14-19（in Chinese）.

[8] BOSSANYI E A.Short-term wind prediction using Kalman filters[J].Wind Engineering，1985，9（1）:1-8.

[9] 邵庆华，邵昱，赵波，等.风速扰动情况下的风电并网电压稳定性研究[J].陕西电力，2013，41（3）：15-17，SHAO Qinghua，SHAO Yu，ZHAO Bo，et al.Study on voltage stability of regional power grid-connected wind farms under wind disturbance[J].Shaanxi Electric Power，2013，41（6）：15-17（in Chinese）.

[10] 车木佳，冯毅.太阳能最大功率跟踪装置的设计[J].节能技术，2011，29（6）：552-559.CHE Mujia.FENG Yi.Design of a new type of solar MPPT system[J].Energy Conservation Technology，2011，29（6）：552-559（in Chinese）.

[11] 赵吴鹏，王彪.传动链模型对风机低电压穿越能力的影响[J].节能技术，2012，30（4）：335-352.ZHAO Wupeng，WANG Biao.Drive-train model for wind turbine lvrt capability influence[J].Energy Conservation Technology，2012，30（2）:335-352（in Chinese）.

[12] KARINIOTAKIS G N，STAVRAKAKIS G S，NOGARET E F.Wind power forecasting using advanced neural networks models[J].IEEE Trans on Energy Conversion，1996，11（4）:762-767.

[13] 熊图.运用广义回归神经网络预测风电场功率[J].电网与清洁能源，2014，30（1）:109-113.XIONG Tu.Wind power forecasting using generalized regression neural network[J].Power System and Clean Energy，2014，30（1）:109-113（in Chinese）.

[14] 彭健，王斐，洪翠，等.基于OLS-SFLA-RBF神经网络的风电出力预测[J].电网与清洁能源，2013，29（9）:62-67.PENG Jian，WANG Fei，HONG Cui，et al.Wind power forecasting based on OLS-SFLA-RBF neural network[J].Power System and Clean Energy，2013，2（9）:62-67（in Chinese）.

[15] 柳玉，郭虎全.基于AdaBoost与BP神经网络的风速预测研究[J].电网与清洁能源，2012，28（2）:80-83.LIU Yu，GUO Huquan.Wind speed prediction based on AdaBoost and BP neural networks[J].Power System and Clean Energy，2012，28（2）:80-83（in Chinese）.

[16] 张靠社，杨剑.基于Elman神经网络的短期风电功率预测[J].电网与清洁能源，2012，28（12）:87-91.ZHANG Kaoshe，YANG Jian.Short-term wind power forecasting based on the elman neural network[J].Power System and Clean Energy，2012，28（12）:87-91 （in Chinese）.

[17] SFETSOS A.A comparison of various forecasting techniques applied to mean hourly wind speed time series[J].Renewable Energy，2000（21）:23-35.

[18] 罗海洋，刘天琪，李兴源，等.风电场短期风速的混沌预测方法[J].电网技术，2009，33（9）:67-71.LUO Haiyang，LIU Tianqi，LI Xingyuan，et al.Chaotic forecasting method of short-term wind speed in wind farms[J].Power System Technology，2009，33（9）:67-71（in Chinese）.

[19] 魏阳，李凌云，马明娟，等.基于模糊综合评价法的聚光型太阳能光热发电风险评价研究[J].陕西电力，2012，40（3）：1-5.WEI Yang，LI Lingyun，MA Mingjuan，et al.Study on risk assessment of concentrating solar power based on fuzzy comprehensive evaluation method[J].Shaanxi Electric Power，2012，40（3）：1-5（in Chinese）.

[20] 周封，金丽斯，王丙全，等.基于高阶Markov链模型的风电功率预测性能分析[J].电力系统保护与控制，2012，40（6）:6-11.ZHOU Feng，JIN Lisi，WANG Bingquan，et al.Analysis of the wind power forecasting performance based on highorder Markov chain models[J].Power System Protection and Control.，2012，40（6）:6-11（in Chinese）.

[21] 范高锋，王伟胜，刘纯.基于人工神经网络的风电功率短期预测系统[J].电网技术，2008，32（22）:82-86.FAN Gaofeng，WANG Weisheng，LIU Chun.Artificial neural network based wind power short term prediction system[J].Power System Technology，2008，32（22）:82-86（in Chinese）.

[22] 陈虎，孟克其劳，马建光.基于MATLAB的风力发电机组建模和仿真研究[J].节能技术，2012，30（1）：24-28.CHEN Hu，MENG Keqilao，MA Jianguang.The modeling and simulation study of wind turbine based on MATLAB[J].Energy Conservation Technology，2012，30（1）：24-28（in Chinese）.

[23] 马彦宏，汪宁渤，刘福潮，等.甘肃酒泉风电基地风电预测预报系统[J].电力系统自动化，2009，33（16）:88-99.MA Yanhong，WANG Ningbo，LIU Fuchao，et al.A wind power forecast system for jiuquan wind power base in Gansu province[J].Automation of Electric Power Systems，2009，33（16）:88-99（in Chinese）.

[24] 周鹏，常兰，李鹏，等.WRF模式在南京数值天气预报中的应用[J].气象科学，2011，31（5）:598-603.ZHOU Peng，CHANG Lan，LI Peng，et al.The application of WRF model in the weather forecast of Nanjing[J].Journal of the Meteorological Sciences，2011，31（5）:598-603（in Chinese）.