基于不确定度评定的风电功率预测误差研究

陈 艳，陈 超，刘显旭，史坤鹏

（国网吉林省电力有限公司，长春 130021）

风能是目前最具备大规模商业化开发的可再生能源，发展风力发电是我国能源和电力可持续发展的最现实选择。截至2013年底，我国风电总装机容量突破77GW，风电规模居世界首位。随着风电集中接入电网容量的快速增长，其随机性、不可控性及反调峰特性等给电力系统安全可靠运行带来的困扰越发凸显，使得风速和风电功率预测变得更为重要。由于风能具有的强随机性，以及对它的变化目前所能达到的预测技术水平不高的限制，风电功率预测结果具有一定的不确定性。与确定性预测相比，考虑误差分布特性的风电功率概率预测，可以给出未来时刻不同预测值出现的概率，对在合理风险水平下安排电力系统运行与调控计划等更具价值［1］。

1 风电功率预测技术应用现状

国外开展风电功率预测工作起步较早，经过了近20年的发展和改进，丹麦、德国、西班牙、英国、美国等发达国家在风电功率预测上采取的技术手段已基本成熟，风电调度运行模式运转良好［2］。目前，国内投入使用的风电功率预测系统，主要来自国网中国电力科学研究院、南网电力科学研究院以及北京清软公司等科研单位，但这些国产风电功率预测系统的预测精度还有待提高。

风电功率预测主要分为2类：一是基于统计模型的预测方法，所用数据成分单一，不需要考虑大气运动特性，但需要大量历史数据的支持，不适用于新建风电场。但对于长时间尺度的风功率预测，基于统计模型法的预测精度往往不高。另外，对于突变信息及罕见天气状况等，基于统计模型的预测算法难以保证预测精度；二是基于物理模型的风电功率预测方法，不需要风电场大量历史数据的支持，适用于新建风电场，但需要准确的数值天气预报（NWP）数据和风电场微地形、微气候详细信息，数据的采集和处理较为繁琐，计算过程复杂，技术实现门槛较高。风电功率预测的基本原理如图1所示。

图1 风电功率预测的基本原理

目前提升风电预测精度的措施如下：基于物理模型的预测算法，需依赖高清遥感技术和高性能计算机，提高NWP模型的分辨率；基于历史数据的统计预测模型，应滚动加入风电实测数据，使历史数据库日益完备，并且对弃风数据的修复要求较高；把两类预测模型加以优化组合，以及对预测结果的滚动修正和预测模型的在线校核，成为提升风电功率预测准确度的发展趋势。

2 软测量技术和不确定度理论

为全面揭示风电功率预测技术的理论基础，解决预测误差不确定性难题，研究了计量领域的软测量技术和测量不确定度理论，并与风电功率预测技术进行参照对比。

2.1 软测量技术与预测技术的类比

作为一门新型工业技术，软测量技术经历了从线性到非线性、静态到动态、无校正功能到有校正功能的发展，其理论根源是基于软仪表的推断估计器，即根据最优化准则，借助一种与主导变量强相关且容易测量的辅助变量，通过构造某种数学关系或模型，从而实现对主导变量的在线估计［3-5］。软测量技术的原理结构图如图2所示。

图2 软测量技术原理结构图

有关软测量技术及理论与风电功率预测之间的关联性，在表1中进行归纳与描述。相对于软测量技术和理论，风电功率预测技术在辅助变量选择、数据预处理和数学模型研究方面已比较完备，但在模型校正与误差修正方面还有待深入研究，进而满足风电计划安排、风电自动控制等定量要求。

表1 软测量技术与风电功率预测技术的类比

2.2 测量不确定度及其在预测领域的延伸

由于各国对测量误差的评定方法不同，使不同测量结果之间缺乏可比性，因此“测量不确定度”概念应运而生。它是说明测量水平的一个重要指标，用以表征被测量结果的分散性、可信度。近年来，随着研究的深入与发展，现代不确定度理论已形成集静态测量不确定度与动态测量不确定度、随机误差与系统误差、测量数据与测量方法、多种不同误差分布于一体的误差评估理论体系。

按其数值评估方法的不同，测量不确定度可分为统计不确定度（A类不确定度）和非统计不确定度（B类不确定度）。其中，基于统计理论的不确定度评定方法，往往隐含着测量数据样本较多且服从某一典型分布的条件；而非统计评定方法，测量数据通常较少，且分布规律可能不明确，目前非统计评定方法主要是基于灰色系统、模糊集、信息熵、神经网络和贝叶斯推理等理论［6-7］。测量与预测不确定度理论模型如图3所示。

图3 测量与预测不确定度理论模型

相对测量不确定度，预测问题是基于历史测量数据和近期影响因素的一种对未来事件的推断估计，不仅要考虑测量数据的准确度，还涉及预测模型的可信性、影响因素的随机性和时间尺度上的动态特性，因此，预测结果具有更强的不确定性，由测量不确定度理论可延伸出预测不确定度概念。

3 基于不确定度评定的风电功率预测误差

由于风能具有很强的随机性和不可预知性，风电功率预测误差是客观存在的（目前风电功率预测误差远高于负荷预测误差：负荷预测误差1%～3%，风电功率预测误差大于15%），其误差来源包括：天气条件的快速变化、测量数据的损坏、风电机组的停运、数值天气预报误差大、预测模型不精确、预测时间尺度长等。

风电功率预测误差常用指标包括：均方根误差RMSE、平均绝对误差MAE、相关性系数r等。文献［9］构建了一套包含横向误差、纵向误差、相关因子、极端误差的预测误差综合评价指标，对预测误差的平均化水平、分布情况、相关因子和极端案例等做出较为全面的评判。随着风电预测不确定性问题日益受到关注，考虑置信区间的风电功率概率预测方法将成为主流的研究思路［10-11］。

因此，在深入开展风电功率预测精度研究的基础上，结合动态测量不确定度相关理论，提出一种基于不确定度评定的风电功率预测误差评估机制。为具体阐述预测不确定度与测量不确定度概念上的异同，在表2中分别列出了相关参数的对比结果。由表2可见，预测不确定度概念具有更大的分散性，且置信区间随预测时间尺度变化而变化。

目前，不少专家以某地区风速、风向的预测不确定性为基础，利用统计不确定度（即A类不确定度）来评估整个区域的风电功率预测精度。通常情况下，风速和风电功率预测误差具备一定的正态分布特性。而大量的实测数据表明，风电功率预测误差并不完全满足正态分布，例如文献［12-14］以正态分布描述基于神经网络的风电预测系统的预测误差，但所得概率密度曲线与频率分布直方图的区别较大。

为了进一步研究风电功率预测的分布特性，不少学者对风速概率和风电功率预测概率进行了深入研究，文献［15-16］表明 Weibull分布比正态分布能更好地表示出风速概率分布特性。文献［17］指出，采用贝塔（Beta）分布能更好地拟合风电功率的预测误差（见图4）。对预测误差分布特性的研究，将为风电功率预测误差的统计不确定度评定提供有益指导［18-19］。然而，事实上并非所有的不确定度都能够用统计的方法进行评估，在动态量测中经常出现一些更加复杂的、不符合统计规律的情况，因此基于非统计不确定度评定（B类不确定度）的风电预测误差评估成为研究的难点［20-21］。

表2 测量误差、测量不确定度、预测不确定度的对比分析

图4 贝塔分布的拟合效果

4 结论

在分析概括风电功率预测研究现状的基础上，本文将预测技术与软测量理论、测量不确定度概念进行了对比研究，结合国内外预测误差估算方法及概率分布特性，试提出了一种基于不确定度评定的风电功率预测误差评估机制，为预测误差修正补偿研究开辟了新思路。

针对风电强波动特性和分布规律不明确的情况，今后着力开展基于非统计不确定度评定的风电预测误差精度研究，进而为考虑大规模风电接入的电力系统不确定度建模及其动力学特性研究奠定一定的理论基础。

［1］ 王松岩，于继来.风速与风电功率的联合条件概率预测方法［J］.中国电机工程学报，2011，31（7）：7-15.WANG Song-yan，YU Ji-lai.Joint conditions probability forecast method for wind speed and wind power［J］.Proceedings of the CSEE，2011，31（7）：7-15.

［2］ 刘 乐，范国英，傅吉悦.国外风电功率预测的经验与启示［C］.吉林省电机工程学会2012年学术年会论文集，2012.

［3］ 王 健，严干贵，宋 薇，等.风电功率预测技术综述［J］.大功率变流技术，2011，31（3）：20-24.WANG Jian，YAN Shi-gui，SONG Wei.Et al.Review of wind power prediction［J］.High Power Converter Technology，2011，31（3）：20-24.

［4］ 胡书举，许洪华.基于时间序列分析和神经网络的风电功率预测方法研究［J］.大功率变流技术，2013（3）：35-39.MA Rui，HU Shu-ju，XU Hong-hua.Wind power prediction based on time series method and neural network method［J］.High Power Converter Technology，2013（3）：35-39.

［5］ 李海青，黄志尧.软测量技术原理及应用［M］.北京：化学工业出版社，2007.

［6］ 宋明顺.测量不确定度评定与数据处理［M］.北京：中国计量出版社，2000.

［7］ 赵志刚，赵 伟.测量不确定度理论研究和应用中的若干热点问题［J］.电测与仪表，2007，44（495）：1-4，8.ZHAO Zhi-gang，ZHAO Wei.Several hotspots on researches and applications of uncertainty theory［J］.Electrical Measurement ＆Instrumentation，2007，44（3）：1-4，8.

［8］ 赵志刚，赵 伟.基于动态测量不确定度理论的最佳线性数据融合算法［J］.仪器仪表学报，2007，28（5）：928-932.ZHAO Zhigang，ZHAO Wei.Optimal linear multi-sensor data fusion algorithm based on dynamic uncertainty theory［J］.Chinese Journal of Scientific Instrument，2007，28（5）：928-932.

［9］ 徐 曼，乔 颖，鲁宗相.短期风电功率预测误差综合评价方法［J］.电力系统自动化，2011，35（12）：20-26.XU Man，QIAO Ying，LU Zong-xiang.A comprehensive error evaluation method for short-term wind power prediction［J］.Automation of Electric Power Systems，2011，35（12）：20-26.

［10］ 杨 明，朱思萌，韩学山，等.风电场输出功率的多时段联合概率密度预测［J］.电力系统自动化，2013，37（10）：23-28.YANG Ming，ZHU Si-meng，HAN Xue-shan，et al.Joint Probability density forecast for wind farm output in multi-time-interval［J］.Automation of Electric Power Systems，2013，37（10）：23-28.

［11］ 周松林，茆美琴，苏建徽.风电功率短期预测及非参数区间估计［J］.电力科学与技术学报，2011，31（25）：10-16.ZHOU Song-lin，MAO Mei-qin，SU Jian-hui.Short-term forecasting of wind power and non-parametric confidence interval estimation［J］.Proceedings of the CSEE，2011，31（25）：10-16.

［12］ 汤 奕，王 琦，陈 宁，等.考虑预测误差分布特性的风电场集群调度方法［J］.中国电机工程学报，2013，33（25）：27-32.TANG Yi，WANG Qi，CHEN Ning，et al.A dispatching method of active power in wind farm clusters considering probability distribution of forecasting errors［J］.Proceedings of the CSEE，2013（25）：27-32.

［13］ 林卫星，文劲宇，艾小猛，等.风电功率波动特性的概率分布研究［J］.中国电机工程学报，2012，32（1）：38-46.LIN Wei-xing，WEN Jin-yu，AI Xiao-meng，et al.Probability density function of wind power variations［J］.Proceedings of the CSEE，2012，32（1）：38-46.

［14］ 范高锋，王伟胜，刘 纯，等.基于人工神经网络的风电功率预测［J］.中国电机工程学报，2008，28（34）：118-123.FAN Gao-feng，WANG Wei-sheng，LIU Chun，et al.Wind power prediction based on artificial neural network［J］.Proceedings of the CSEE，2008，28（34）：118-123.

［15］ 陈 练，李栋梁，吴洪宝.中国风速概率分布及在风能评估中的应用［J］.太阳能学报，2010，31（9）：1209-1214.CHEN Lian，LI Dong-liang，WU Hong-bao.The probability distrubution of wind speed and its application in estimation of wind energy in China［J］.Acta Energiae Solaris Sinica，2010，31（9）：1209-1214.

［16］ 丁 明，吴 伟，吴红斌，等.风速概率分布参数预测及应用［J］.电网技术，2008，32（14）：10-14.DING Ming，WU Wei，WU Hong-bin，et al.Research on forecasting of probabilistic distribution parameters of wind speed and its application［J］.Power System Technology，2008，32（14）：10-14.

［17］ BLUDSZUWEIT H，DOMÌNGUEZ-NAVARRO J，LLOMBART A.Statistical analysis of wind power forecast error［J］.IEEE Trans on Power Systems，2008，23（3）：983-991.

［18］ 刘玉敏.基于预测误差加权校正的动态矩阵控制［J］.自动化技术与应用，2006，25（9）：7-8，33.LIU Yu-min.Dynamic matrix control based on weighted correction of the predicted error［J］.Techniques of Automation and Applications，2006，25（9）：7-8，33.

［19］ 杨红英，冯双磊，王 勃，等.基于线性回归的风电功率预测误差修正方法［J］.电力系统及其自动化学报，2013，25（4）：14-17.YANG Hong-ying，FENG Shuang-lei，WANG Bo，et al.Study of the MOS method based on linear regression for wind power prediction［J］.Proceedings of the CSU-EPSA，2013，25（4）：14-17.

［20］ 王中宇，夏新涛，朱坚民.量测不确定度的非统计理论［M］.北京：国防工业出版社，2001.

［21］ 倪育才.实用测量不确定度评定［M］.北京：中国计量出版社，2009.