计及断面约束的风电场群功率预测算法研究

郁云

摘要：对区域风电场群功率进行准确预测是目前一个热点问题。现有的区域风电功率预测方法以网省级电网的总体风电为研究对象，因而无法描述电网中具有特定网络断面约束的风电场群的出力特性。在对网络潮流断面进行划分的基础上，提出一种基于网络断面划分的区域风电功率预测方法的算法模型。通过算例分析证明了该方法的有效性和实用性。研究结论表明，可以实现多空间尺度的区域风电功率预测，对于提高区域风电预测的精度，可以为优化调度决策提供了重要支持。

关键词：电力潮流断面；断面约束；区域风电预测；调度决策；预测精度

中图分类号：TM614 文献标识码：A 文章编号：1009-3044（2015）21-0200-02

Research on Power Forecasting of Wind Farm Groups Algorithm Considering Interface Restraints

YU Yun

（Information Service Department， Nanjing College of Information Technology， Nanjing 210046， China）

Abstract： Accurate regional wind power forecasting guarantees the security and economics of the power system integrated with large scale of wind power， which become a hotspot. Aiming at the gross wind power output of the whole regional grid area， existing regional wind power forecasting methods fails to characterize the locally gross output power of the wind farm group forming a power flow interface with specified flow restraints. In this paper， the power flow restraints oriented regional wind power forecasting algorithm based on the analysis of the concept and data of interface restraints was presented. The case study proved the feasibility and effectiveness of our method. The conclusion indicates that the algorithm presented in this paper implements a multiple temporal and spatial scale regional win power forecasting technology， which can obviously improve the accuracy of regional wind power forecasting， relieve the pressure for the grid side and improve the utilization rate of wind power.

Key words： power flow interface； interface restraints； regional wind power forecasting； dispatching decision-making； prediction accuracy

随着我国各大风电基地建设，并网型风电总体规模的不断增加，电网的风电消纳能力问题逐步凸显。对区域风电场群功率进行较为准确的预测是目前一个热点问题，它可以在大规模风电接入条件下减少系统的备用容量、降低电力系统运行成本[1-2]。现有的区域风电功率预测方法[3][6]的技术路线是：根据区域气候特点，区域各风电场自然状态下出力相关性进行数理统计研究，充分利用了风电场群出力平滑效应[3][4][5]，实现了高精度的区域风电功率预测。但上述方法的局限性在于，模型设计以网省级电网的风电总体为研究对象，因而无法有效地进行局部风电功率变化特征的描述。因此，对于电网中具有特定约束条件的潮流断面中包含的风电场群的出力特性，需要有新的方法进行研究。

本文在研究全网区域功率预测方法的基础上，首先提出了基于电网数据分析进行区域划分的技术路线。然后阐述了基于潮流断面划分的区域风电场群功率预测算法的数学模型。最后在算例分析中以实际运行数据证明了该算法的有效性和实用性。本文中描述的研究成果将为网省级电网提供更为精细，同时应用目标更为具体的区域风电预测结果，为电网调度部门对风电场群的调度与计划提供更有效的决策支持。

1 相关概念及数据描述

1.1 基于潮流断面的区域划分

在电力系统中，潮流断面是由若干交流直流线路构成。由于系统稳定性和可靠性要求各断面在运行中存在控制限额，调度机构通过调整机组出力控制断面传送功率，系统实际运行呈现分区、分片特点[8]。基于潮流断面约束的区域划分依据是电网的网架结构中的断面信息，其中与断面划分相关的数据主要有：集电线路名称、电压等级、所属区域、覆盖风电场明细、潮流限制及其约束条件等。

1.2 数据描述

为建立潮流断面区域功率预测模型，所需进行的数据包括：

1）风电场计划申报考核信息

风电场计划申报考核信息主要取自系统软件平台，其中包括：日均方根误差、日合格率、月均方根误差和月通达率等。网省级电网接收的风电场计划申报统计中，如部分风电场计划申报通达率较为理想，且上报短期风电功率预测稳定在较高的预报水平，则无须对上述场站进行短期风电功率预测研究。

2）风电场风电功率建模信息

该类信息主要针对计划申报考核信息中，考核水平滞后的风电场进行收集。目的是通过自主建模，改善预测精度，进而服务于该风电场从属断面的区域风电功率预测。

上述所涉及的所有数据必须经过有效的预处理流程才能作为算法的有效输入数据。数据预处理步骤包括：1）数据质量控制。依据相应规范，对数据集进行整编、核对和检验，筛除数据集中的异常信息。2）建立自定义潮流断面数据集。确定潮流断面的识别码，完成断面上各风电场接入时间、短期风电功率预测水平、上报通达率情况，以及断面风电总功率时间序列的整编。

2 算法与模型

2.1 算法流程

本文所述的断面风电场群功率预测算法的基本思路为：依据潮流断面的划分，选取一个或多个风电场为代表风电场，首先确定单风电场短期风电功率预测[7]，然后对风电场和区域出力历史数据，进行相关性分析和回归分析，率定各代表风场出力在各断面总出力中的权重系数，最终确定每个潮流断面的区域风电功率预测。其算法流程可由图1描述：

根据电网网架结构数据和风电场从属关系，将全网划分成若干个潮流断面；

输入风电场历史功率数据，进行相关性分析和回归分析，分别建立各潮流断面区域风电功率预测模型；

选取各断面的代表性风电场，输入代表风电场的风电短期预测结果到区域风电预测模型，从而确定各潮流断面区域的风电功率预测结果；

对区域风电功率预测结果进行验证和评价，用来修正区域风电功率预测模型。

3 算例分析

以上算法在中国东北电网实际应用案例如下：选取两个潮流断面的风电场作为代表风电场，A断面4座代表风电场， 装机容量为244MW，B断面2座代表风电场，装机容量为108MW。两个断面的相关测试数据与测试结果如表1。

经过计算后分别得到两个断面代表风电场的回归系数，在此基础上计算得到东北电网A断面和B断面的总风电功率预测结果。统一用2011中旬数据质量较好的5000条数据作为学习样本，1000条数据作为测试样本，结果显示A断面的训练误差为8.22%，测试误差为15.10%，B断面的训练误差为11.63%，测试误差为12.14%。

4 总结

随着近年来风电在中国的快速集中发展，为确保大规模风电安全、可靠、高效的并网运行，开展区域性风电场群功率预测技术的研究非常关键。而现有的区域风电场群功率预测技术对于电网中具有特定约束条件的潮流断面中包含的风电场群的出力特性无法有效描述从而无法输出实用的预测结果。本文提出了一种面向潮流断面的区域风电功率预测技术，该项技术的目标是针对网省级电网根据其网架结构的约束而自定义的潮流断面，基于统计分析模型，实现对各级断面风电总出力的预测。通过对该算法理论依据和实验验证的阐述，我们可以得到如下结论：1）依据电力系统网络拓扑的各自定义断面进行短期风电场群功率预测，是实现区域预测多空间尺度的必要技术手段；2）断面区域风电功率预测有助于网省级电网提高大规模风电调度计划的科学性，对于缓解源网压力和提高风电利用率具有重要作用；3）断面区域风电功率预测技术具备深化研究的特点，能够有效规避风电场上报功率预测的误差叠加效应。

参考文献：

[1] Giebel G， Landberg L， Kariniotakis G. State-of-the-art on methods and software tools for short-term，prediction of wind energy production[C]. European Wind Energy Conference & Exhibition， Madrid， Spain， 2011.

[2] Kariniotakis G， Mayer D， Moussafir J. ANEMOS：development of a next generation wind power forecasting system for the large-scale integration of onshore & offshore wind farms[C]. European Wind Energy Conference & Exhibition， Madrid， Spain， 2011.

[3] Focken U， Lange M， Waldl H P. Previento - A Wind Power Prediction System with an Innovative Upscaling Algorithm[J]. Journal of wind Engineering and Industrial Aerodynamics， 2011（172）.

[4] Focken U， Lange M ， M?nnich K ，et al. Short-term prediction of the aggregated power output of wind farms—a statistical analysis of the reduction of the prediction error by spatial smoothing effects[J]. Journal of wind Engineering and Industrial Aerodynamics， 2002 （90）： 139-249.

[5] Pinson P， Siebert N， Kariniotakis G. Forecasting of Regional Wind Generation by a Dynamic Fuzzy-Neural Networks Based Upscaling Approach[C]. European Wind Energy Conference & Exhibition EWEC 2003， Madrid， Spain， 2003.

[6] 白永祥， 房大中， 侯佑华， 等. 内蒙古电网区域风电功率预测系统[J]. 电网技术， 2010（34）： 157-162..

[7] 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）： 1-6.

[8] 王锡凡. 电力市场条件下电网的安全保证体系[J]. 电网技术， 2004（28）： 7-13.