风电场短期功率预测水平提升举措措施研究与实例分析

柳玉，白恺，崔正湃，孙荣富，吴宇辉，宋鹏，吕游

（1.华北电力科学研究院有限责任公司，北京　100045；2.国家电网公司风光储联合发电运行技术实验室，北京　100045；3.国网冀北电力有限公司，北京　100053；4.新能源电力系统国家重点实验室（华北电力大学），北京　102206）

风电场短期功率预测水平提升举措措施研究与实例分析

柳玉1，2，白恺1，2，崔正湃3，孙荣富3，吴宇辉1，宋鹏1，吕游4

（1.华北电力科学研究院有限责任公司，北京100045；2.国家电网公司风光储联合发电运行技术实验室，北京100045；3.国网冀北电力有限公司，北京100053；4.新能源电力系统国家重点实验室（华北电力大学），北京102206）

风力发电作为一种随机性、波动性、反调节性的新能源电源形式，随着其电网渗透率逐年攀升，给电网安全调度运行带来了安全隐患，尤其电网峰谷时段的调峰工作受到了安全性和经济性的双重压力。以提升风电场功率预测准确率、降低电网安全运行风险为出发点，综合分析了影响短期功率预测水平的技术因素和非技术管理因素，提出了预测水平提升的关键举措措施，并以实际工作案例为样本，验证了预测水平提升关键举措措施的有效性和实用性。

风电功率预测；测风塔数据；集合预报；模型修正

近年来我国风力发电装机增长迅速，尤其是风能资源汇集区域的电网，装机近千万千瓦风电的新能源汇集区域，随机性和波动性的新能源出力给电力系统安全稳定运行带来了巨大的挑战。随着电网渗透率逐年提高，风电参与调峰调频的需求日益增加，如何提升风电场现场的短期功率预测水平，减少大规模风力发电对电力系统安全调度运行的影响，是目前亟需解决的热点问题。

各方学者在功率预测理论方面开展了大量的研究工作，主要集中在物理模型和统计模型两方面。物理模型主要成果有Troen和Landberg开发的丹麦RLS国家实验室的物理预测模型Prediktor［1］，冯双磊等利用解析原理分析的风电场局地效应与风电机组尾流影响［2］，统计模型主要成果有持续性模型［3］，时序分析法和卡尔曼滤波模型［4］，基于人工神经网络和空间相关性的模型［5-8］，前向神经网络和自回归移动平均（ARMA）模型［9］。

在功率预测技术应用方面，文献［10］分析了国内外风电功率预测技术的应用现状，并提出了我国风电功率预测技术和执行方式的建设性意见。文献［11］提出了一种基于预测误差评价和预报考核等指标的风电场实时预测效果评估方法。但在实际预测工作开展中，往往风电场实际运行人员并不清楚预测水平不足的症结，因此如何在现场有效提升风电场功率预测运行和管理水平，仍值得开展进一步的研究工作。

本文针对现场广泛存在的风电预报准确率较低的问题，以提升风电场功率预测准确率、降低电网安全运行风险为出发点，综合分析汇总了制约预测水平提升的瓶颈，并给出了应对相关问题的技术解决方案，提出了预测水平提升的关键举措措施，并以实际工作案例为样本，验证了预测水平提升举措关键措施的有效性和实用性，为风电管理运行人员提供了提升短期功率预测水平的技术途径和实例经验。

1　风电功率预测相关标准综述

风电功率预测是风电场安全并网运行的重要技术之一，国内相关标准对风电场功率预测相关工作的内容和进行了明确的规定，见表1。

表1　风电功率预测功能要求汇总表Tab.1　Summary table of the function requirements for wind power prediction

国家标准GB/T 19963-2011《风电场接入电力系统技术规定》［12］规定了风电功率预测的最基本要求：风电场应配置风电功率预测系统，系统具有0～72 h短期风电功率预测以及15 min～4 h超短期风电功率预测功能。

国家能源局发布了国能新能［2011］177号文《风电场功率预测预报管理暂行办法》，其中规定了风电场的预测预报要求、预测管理要求、运行管理要求和工作监督考核要求。其中预测水平指标要求“风电场功率预测系统提供的日预测曲线最大误差不超过25%；实时预测误差不超过15%；全天预测结果的均方根误差应小于20%”。

能源行业标准NB/T31046-2013《风电功率预测系统功能规范》［13］和国网企标Q/GDW588-2011《风电功率预测功能规范》［14］对风电功率预测工作提出了更具体的要求，其中包括预测建模数据准备的要求、数据采集与处理的要求、预测功能的要求、统计分析的要求、界面和安全防护的要求、数据输出要求以及性能指标要求等内容。

作为风电场功率预测系统的重要组成部分，风能资源测量，国家标准GB/T18709-2002《风电场风能资源测量方法》［15］规定了风电场进行风能资源测量的方法，包括测量位置、测量参数、测量仪器及其安装、测量数据采集等内容。

2　风电场功率预测运行现状

2.1风电汇集地区功率预测水平

目前风电场短期功率预测系统的现场架构较为类似，多在本地架设预测服务器，通过反向隔离装置与互联网连接从而接收数值天气预报数据，通过局域网接收风机监控系统数据。但在实际运行中，不同风电场的预测水平和预测效果差异较大，以某风电汇集区域为例，如图1所示，2014年30座风电场的日前功率预测的年均准确率为81.88%，预测准确率最高的为86.02%，预测准确率最低的为74.70%。另外，风电预测准确率存在着季节性的变化规律，如图2所示，2014年大风月的预测准确率普遍偏低，8月、9月小风月份整个区域的平均预测准确率都在85%以上。

2.2风电场功率预测系统运行现状

2.2.1测风塔管理运行水平差异大

高质量的风电场风能资源测量数据是风电功率预测的重要环节，也是风电场宝贵的运行数据。以某风电汇集区域为例，安装测风塔和相关传感器的风电场比例为100%，测风塔本地数据完全缺失的风电场比例为23.3%，数据坏点过多的风电场比例为10.0%，数据部分缺失的风电场比例为6.7%，通讯系统故障的比例为3.3%，数据相关性较差的比例为16.1%，测风塔数据质量优良的风电场比例仅为40.6%。同时测风塔多为风电场拟开发和建设时期留下的，部分测风塔的位置已不具备代表性。

图1　某区域30座风电场2014年均预测准确率Fig.1　The annually average prediction accuracy of 30 wind farms in a certain area in 2014

图2　某区域30座风电场逐月平均预测准确率Fig.2　The monthly average prediction accuracy of 30 wind farms in a certain area in 2014

图3　某区域风电场测风塔运行情况统计Fig.3　Statistics of the wind power prediction masts in a certain area

2.2.2预测模型和数值天气预报

预测模型和数值天气预报是风电功率预测的核心内容。存在的问题主要包括，数值天气预报对气象事件的捕捉能力差，采用通用预测模型，未对风电场进行订制化建模，未定期分析误差并更新预测模型。

2.2.3风电场现场管理问题

风电场现场运行管理问题多集中在对预测工作不够重视和对预测技术不够了解两部分内容。具体问题包括实际运行数据回传不到位，部分风电场服务厂商常年拿不到风电场实际的运行数据，导致整个预测过程一直未开环状态；缺少场站侧功率预测工作的规章制度，缺乏相关人员培训。

3　风电场短期功率预测提升关键举措措施研究

3.1技术层面举措措施

3.1.1保证测风塔数据质量

实时测风数据是风电场最重要的参数之一。测风数据能够有效反映风电场所处位置的实时风资源状况，是建立风能-出力映射关系的重要参考，缺乏测风数据的情况容易导致无法确切地量化、解释出力变化。

首先，测风塔前期选址是影响预测结果的重要因素，其测量位置应具有代表性，能代表风电场风能资源特性，且不受周围风电机组和障碍物影响；测量位置宜选在风电场主导风向的上风向，距离风电机组1～7 km；测量位置的数量应满足风电功率预测系统的要求，对于地形比较平坦的大型风电场（容量小于100 MW，范围小于20 km2），应至少安装1个测风塔，对地形比较复杂的风电场，应适当增加测风塔的数量。

其次，测风塔后期维护工作同样重要，在风电场实际运行过程中，这方面的工作反而容易被忽略。风电场所处环境恶劣，风速风向仪故障时有发生，及时的传感器及通讯系统故障检修和风速风向仪定期检验标定工作能够有效提升测风塔设备的可靠性。

最后，测风塔的数据采集、通讯、存储功能故障也是影响数据质量的关键要素。风电场环境恶劣，尤其应保证低温环境下测风塔供电设备的可靠性。另一个容易被忽视的环节是数据采集的时标问题，现场测风塔的数据存储系统多以Windows或Linux环境为主，并不具备实时对时功能，如果长期不进行对时操作，可能会出现数十分钟甚至数百分钟的偏差。

3.1.2建立更加准确的订制化预测模型

预测系统内部的模型误差是预测误差的一个重要来源。风电场的运行状态不是一成不变的，在不同季节气候、不同风密度或不同测风塔位置的条件下，风电场可能会体现出不同的出力特性。图4为某风电场实际功率与实际风速的映射关系统计图，某一个风速对应的并不是一个功率值，而是若干功率值的区间。

图4　实际功率与实际风速的映射关系Fig.4　The actual mapping between the power and the actual wind speed

如何细化功率外推模型，如何拟合正确的风功率曲线，如何动态修正模型参数，以及如何考虑不同风资源下的风电场多模型问题以及模型切换问题，这些都是减少模型误差的技术手段，因此需要风电预报系统的厂家开展相应的订制化服务，针对具体风电场进行有针对性的预测分析，才可能达到较好的效果。

3.1.3多源数值天气预报分析，提升数值天气预报质量

数值天气预报（简称NWP）的误差包括系统性误差、非系统性误差，前者来自模式本身，后者来源于驱动模式运行的初始信息，两者都有技术进步空间。另外，虽然增加NWP的空间分辨力可以从细节刻画风电机组所在地点的风资源，但行业内通常认为，当空间分辨率低于3 km×3 km后，继续细分网格很可能反而降低NWP预报准确度。

实际数值天气预报的优化工作中，采用集合预报分析是较为常见的方法。集合预报的具体实现方法有多种，其中，一种方法是可以采用多参数化方案来实现结合预报。影响数值天气预报（NWP）设置方案的要素主要有3个：物理过程搭配、嵌套方案和σ层参数。其中：由于辐射、边界层、积云参数化、陆面等多种物理过程共同参与，搭配方案极多，可能出现组合爆炸的问题；嵌套方案受物理不确定影响，对不同地域而言，最佳的嵌套方案往往各不相同；σ层参数是受人为经验因素影响极大，并无标准可循；建议预测服务厂家协调气象部门筛选一个可行的小规模方案组合，在此基础上开展模式敏感性实验研究，从而获得优选的模式设置方案。另一种方法是通过购买多家数值天气预报产品，通过预测结果与实际测风结果的回归分析，来确定多源数值天气预报的权重分配，实现最终的集合预报。

3.1.4人工经验修正

无论是传统的电网负荷预测还是气象预报，好的预报结果都离不开优秀预报员的贡献，对于风电场短期功率预测，适当的人为修正预测结果是合理和必要的。在次日的功率预测结果上报前，建议应根据风电场实际运行情况初步结果进行修正。

一方面，将风功率预报工作与计划检修工作联动，根据拟开工检修工作涉及的机组数量，在功率预测系统中通过人工录入方式合理订正开机容量、开机时间、以及预测出力，避免因未考虑计划检修工作而导致的预测误差。

另一方面，应考虑冻雨、覆冰、大风等极端气候可能引起风电机组或变电设备及输电线路故障的停运容量，如果已有输变电设备等故障造成的风电机组陪停，在预测期间内无法恢复正常运行的，也应该通过人工输入的方式，对预测结果进行经验修正。

3.2非技术管理层面举措措施

3.2.1气象观测系统和功率预测系统定期检修

对于新并网风电场或者有预测水平提升需求的风电场，在选择长期的功率预测服务厂商之前，建议选择几家功率预测服务厂家同时提供预测服务，在同一个考核时间周期内，对比分析几个厂商提供预测服务水平的优劣，评估各预测厂商提供的预测结果的准确性和稳定性，为选择长期服务厂商提供参考。

目前市面上可提供预测服务厂商的数量众多，市场服务价格比较透明，通过已开展预测优化工作以及面对厂商一对一调研，多数有实力的预测服务厂商也有意愿参与此类对比工作。

3.2.2建立功率预测工作规章制度

在现场建立完善的功率预测工作制度是功率预测系统平稳运行的保障。一是加强人员培训，每值应指定专人负责风功率预测系统运行管理工作，熟悉相关操作；二是建立更加完善和规范的巡检制度，应将功率预测系统、风电场监控系统纳入进每日的设备巡检中，并由值班员在规定时间向调控中心报送风功率预测结果及发电计划，确保上报率100%；三是每天需对昨日功率预测误差进行统计分析，发现误差较大时及时进行排查，必要时要求风功率预测厂家协助解决，确保功率预测系统保持正常运行状态。

3.2.3减少风机非计划停运现象

由于设备可靠性和运行管理等原因，部分风电场风机非计划停运现象突出，非计划停机直接影响风电场的最大开机容量，同时风功率预测系统无法根据新的开机容量更改之前的预报结果，直接导致预测结果变差。统计表明，风机非停率较高的风电场的风功率预测准确率普遍偏低，而且预测误差大多表现为预测出力大于实际出力。因此风电场应加强对主要设备的维护和对备品备件的管理，减少风机非计划停机，也是提升风功率预测精度的重要措施。

4　实例分析

在风电汇集区域对试点风电场开展功率预测专项提升工作，首先从所有并网风电场中挑选7座典型风电场，典型风电场均来自于不同地域和不同预测厂家，并隶属不同发电集团公司，然后综合考虑本文提出的多方面影响功率预测水平的因素，针对各家风电场的同质化和个性化问题，采用第三部分提出的关键举措措施，开展风电场自查消缺工作和关键预测技术优化工作。

功率预测水平提升举措措施试点实验始于2014年11月，通过实践本文提出的功率预测提升关键举措措施，7座风电场2015年上半年逐月的功率预测准确率如图5所示，七座风电场仍存在差异，上半年平均功率预测准确率分别为87.22%、83.56%、83.20%、81.44%、80.78%、76.98%、70.53%，风电场A预测准确率已经达到较高水平，风电场F和风电场G预测准确率较低，低于80%。

7座试点风电场的预测水平较前一年同期预测结果整体明显有所提升，但提升速度存在差异。除风电场G预测准确率下降1个百分点外，其余6座风电场均有所进步。风电场A和风电场B提升最多，约为6个百分点；风电场C、风电场D、风电场E也有明显提升，约为4个百分点；风电场F预测水平基本未变化；风电场G预测水平有所下降。通过深入调研发现，风电场F和G缺乏对相关工作的重视，并未重点开展相关优化工作；风电场A、B和C一方面利用本文提出的优化思路对站内的管理问题进行全面自查，完成了相关问题的整改，建立了站内预测工作管理制度，另一方面与预测厂家合作，从基础数据质量、数值天气预报、预测模型几个技术层面因素进行了优化，从而实现了预测水平的大幅提升。

图5　2015年上半年7家风电场功率预测月均准确率Fig.5　The monthly average prediction accuracy of 7 wind farms in the first half of the year 2015

图6　2015年上半年与2014年同期的预测准确率对比Fig.6　Comparison of the prediction accuracy of the first half of 2015 and the same period in 2014

通过逐日准确率统计，各风电场的预测稳定性存在差异。对试点风电场2015年上半年181天的预测准确率进行统计，计算出各电场各月预测准确率达到80%的天数和比例，如表2所示，可以看出风电场A的预测稳定性最高，多数日期的准确率均高于80%（二月份春节限电时期预测难度较大）。

表2　试点风电场各月功率预测准确度在80%以上的天数比例Tab.2　Number of days when the monthly power prediction accuracy is above 80%in the pilot wind farm　%

5　结论

风力发电作为一种随机性、波动性、反调节性的新能源电源形式，随着其电网渗透率逐年攀升，给电网安全调度运行带来了安全隐患，尤其电网峰谷时段的调峰工作受到了安全性和经济性的双重压力。本文以提升风电场功率预测准确率、降低电网安全运行风险为出发点，综合分析了影响短期功率预测水平的因素，提出了预测水平提升的若干关键举措措施。由于功率预测是一项涉及多学科多环节的工作，因此风电场的科学有序管理、多源数值天气预报的分析优化、预测模型的定期修正三项主要方面对预测水平提升均起关键作用，缺一不可。

最后本文以实际工作案例为样本，用实践关键提升举措措施后的预测结果对比2014年同期预测水平，绝大多数风电场的预测水平有了大幅的提升，从而验证了预测水平提升关键举措措施的有效性和实用性。

［1］TROEN L，LANDBERG L.Short term prediction of local wind conditions［C］//Proceedings of European Community Wind Energy Conference，Madrid，Spain，1990：76-78.

［2］冯双磊，王伟胜，刘纯，等.风电场功率预测物理方法研究［J］.中国电机工程学报，2010，30（2）：1-6.FENG Shuanglei，WANG Weisheng，LIU Chun，et al.Study on the physical approach to wind power prediction［J］.Proceedings of the CSEE，2010，30（2）：1-6（in Chinese）.

［3］WEGLEY H，FORMICA W.Test applications of a semiobjective approach to wind forecasting for wind energy applications［R］.PNL-4403，Pacific Northwest Laboratory，1983.

［4］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.PAN Difu，LIU Hui，LI Yanfei.A wind speed forecasting optimization model for wind farms based on time series analysis and kalman filter algorithm［J］.Power System Technology，2008，32（7）：82-86（in Chinese）.

［5］MEHMET B，BESIR S，ABDULKADIR Y.Application of artificial neural networks for the wind speed prediction of target station using reference stations data［J］.Renewable Energy，2007，32（14）：2350-2360.

［6］张宜阳，严欢.基于分段分层相似日搜索和自适应脊波神经网络的风电功率多步预测［J］.电网与清洁能源，2015，31（4）：124-131.ZHANG Yiyang，YAN Huan.Multi-step wind power forecasting based on subsection and layer searching for similar day and adaptive ridgelet neural network［J］.Power System and Clean Energy，2015，31（4）：124-131（in Chinese）.

［7］刘瑞叶，黄磊.基于动态神经网络的风电场输出功率预测［J］.电力系统自动化，2012，36（11）：19-22，37.LIU Ruiye，HUANG Lei.Wind power forecasting based on dynamic neural networks［J］.Automation of Electric Power Systems［J］.2012，36（11）：19-22，37（in Chinese）.

［8］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）：80-83，89.LIU Yu，GUO Huquan.Wind speed prediction based on adaboost and BP neural networks［J］.Power System and Clean Energy，2012，28（2）：80-83，89（in Chinese）.

［9］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）：112-117.LIAN Wenli，HUANG Chengchen，LÜ Changlin.Wind power output prediction based on time series［J］.Power System and Clean Energy，2011，27（12）：112-117（in Chinese）.

［10］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.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）.

［11］严干贵，宋薇，杨茂.风电场风功率实时预测效果综合评价方法［J］.电网与清洁能源，2012，28（5）：1-6.YAN Gangui，SONG Wei，YANG Mao.A comprehensive evalution method of the real-time prediction effects of wind power［J］.Power System and Clean Energy，2012，28（5）：1-6（in Chinese）.

［12］GB/T 19963风电场接入电力系统技术规定［S］.北京：中国标准出版社，2012.

［13］NB/T31046风电功率预测系统功能规范［S］.北京：中国电力出版社，2014.

［14］Q/GDW588风电功率预测功能规范［S］.北京：中国电力出版社，2011.

［15］GB/T18709风电场风能资源测量方法［S］.北京：中国电力出版社，2002.

Study and Case Analysis of Optimization Measures of Short-Term Wind Power Forecast

LIU Yu1，2，BAI Kai1，2，CUI Zhengpai3，SUN Rongfu3，WU Yuhui1，SONG Peng1，LÜ You4
（1.North China Electric Power Research Institute Co.，Ltd.，Beijing 100045，China；2.State Grid Wind-Photovoltaic-Energy Storage Hybrid Power Generation Technology Laboratory，Beijing 100045，China；3.State Grid Jibei Electric Power Company，Beijing 100053，China；4.State Key Laboratory of Alternate Electrical Power System with Renewable Energy Sources，North China Electric Power University，Beijing 102206，China）

Wind power is a form of new energy characteristic of random fluctuation and anti-regulation and its growing penetration in the power grid imposes growing impacts on the security dispatching of the power grid，especially in the peak and valley hours.Starting from improving the prediction accuracy and reducing the risks for the power grid operation，this paper comprehensively analyzes the technical factors and non-technical factors that affect the short-term power prediction，and proposes key measures to raise the prediction level.The actual work cases for the sample verify that the key measures proposed are effective and practical.

wind power prediction；mast data；ensemble forecasting；model updating

1674-3814（2015）12-0077-06

TK89

A

2015-05-03。

柳玉（1985—），男，工学博士，主要研究方向为新能源功率预测技术、新能源电站运行优化控制。

（编辑黄晶）

2015年国家电网公司科技项目“基于集群划分的新能源功率预测技术研究和示范”。国家重点基础研究发展规划基金（“973项目”）（2012CB215203）。

Project Fund：2015 SGCC Science and Technology Project；National Key Basic Science Research Development Fund（973 Program）（2012CB215203）.