中国短期风电功率预测技术现状与误差分析

王伟胜，王 铮，董 存，梁志峰，冯双磊，王 勃

（1. 新能源与储能运行控制国家重点实验室（中国电力科学研究院有限公司）,北京市100192；2. 国家电网有限公司,北京市100031）

0 引言

电力系统为实时平衡系统,电网调度运行的目标是保持发用电实时平衡［1］。风电出力主要受气候和环境因素的影响,随机变化的风速、风向导致风电场输出功率具有显著的随机性和波动性特征。随机波动的风电大规模并入电网,给电网的安全、稳定运行带来了挑战。对风电出力情况进行预测是应对上述问题的有效手段之一［2］。短期风电功率预测是以风电场环境因素、输出功率、风速、风向等数据建立功率预测模型,获得未来一段时间、逐时刻风电出力的技术。短期风电功率预测可将随机波动的风电出力变为基本已知［3-5］,是风电调度运行的基础,意义重大。

美国、德国、丹麦等欧美国家的电力调度采用市场方式,风电主要通过竞价方式参与市场交易［6］。在日前市场,风电场根据短期功率预测结果申报次日逐小时电量及其价格,进入日内及实时市场后,当日前申报电量偏大时,风电场需承担正备用采购费用；当日前申报电力偏低时,风电场需承担负备用采购费用或主动弃风损失。因此在电力市场环境下,短期风电功率预测对提高风电场经济效益、保障电力系统稳定运行具有重要作用［4］。

在中国以火电、水电等常规电源为主的电力系统中:风电占比较低时,只需调整常规电源出力跟踪变化的负荷,就能较好地实现发电和用电之间的实时平衡；大规模风电并入电网后,需要由常规电源和风电共同满足负荷需求,在风电出力未知的情况下,常规电源需预留大量旋转备用容量来应对未知的风电波动和负荷需求,这极大地挤占了风电消纳空间,并对电力系统安全稳定运行带来影响。依据短期功率预测结果,将风电等新能源纳入发电计划,是解决上述问题的有效手段之一［7-8］。

为推动中国风电功率预测技术的研究和应用,国家能源主管部门相继出台了《风电场功率预测预报管理暂行办法》（国能新能〔2011〕177 号）［9］、《风电功率预报与电网协调运行实施细则》（国能新能〔2012〕12 号）［10］等多项与风电功率预测相关的管理文件和《风电功率预测系统功能规范》（NB/T 31046—2013）［11］等行业标准,要求风电场和电网调度机构同步开展风电功率预测工作,并规范了风电功率预测系统建设和预测结果评估指标。而国外主要通过市场机制促进风电功率预测精度的持续提升。

根据行业标准,中国风电功率预测主要包括短期预测和超短期预测。短期预测的预测时间尺度为0～72 h,预测结果时间分辨率为15 min；超短期预测的预测时间尺度为0～4 h,预测结果时间分辨率为15 min,每15 min 滚动预测。本文主要聚焦短期风电功率预测,针对短期风电功率预测技术的发展及应用情况展开分析,在梳理国内外短期风电功率预测技术发展历程的基础上,调研国内短期风电功率预测技术的应用情况,分析主要预测误差特点,总结误差产生原因,并在此基础上,从应用角度出发,给出了中国短期风电功率预测技术的发展建议。通过本文的研究能够掌握短期风电功率预测技术的概要,明确国内外短期风电功率预测技术的研究现状,并获知国内短期风电功率预测技术的应用情况及其误差状态,了解误差产生原因,从而明悉中国短期风电功率预测技术的改进研究方向,提高预测精度,推动国内风电功率预测技术的研究和应用水平,支撑国内风电的安全稳定运行,促进风电消纳、助力风电发展。

1 国内外短期风电功率预测技术对比

1.1 国外发展情况

德国、丹麦等国家对风电功率预测技术的研究开展较早［12］。随着对风电功率预测技术认识的不断加深,短期风电功率预测由最初的时序分析逐渐聚焦到如何降低风速-功率转化误差。短期风电功率预测技术整体上经历了功率预测模型性能提升、数值天气预报（numerical weather prediction,NWP）技术攻克、多方法组合应用等阶段。

技术发展早期,通过采用欧洲风图集中的资源评估模型［13］,获得了短期风电功率预测结果,验证了基于资源模拟的短期风电功率预测技术路线的可行性。随着对预测精度需求的不断提升,详细模拟风电场内风流场变化及其发电过程的物理预测模型［14-15］得到快速发展,计算流体力学（computational fluid dynamics,CFD）、微观气象学等方法开始应用于短期风电功率预测物理模型构建［16-17］,风电场内风能资源分布及变化情况的预测能力得到改善,但模型复杂、建模难度大,且误差无反馈修正环节,预测性能仍不能较好地满足要求。随着人工智能学习方法的突破,统计方法开始被引入短期风电功率预测［18］,以人工神经网络等机器学习算法为基础构建的统计预测模型［19-22］,由于加入了误差反馈修正环节,使得功率预测模型具有容错转化能力,预测性能得到较为显著的提升。后续,功率预测模型的研究逐渐进入瓶颈期,大量复杂算法被引入短期风电功率预测后,提升效果不显著,研究人员将研究焦点由功率预测模型转向提升风速、风向等资源预报精度。

技术发展中期,NWP 性能［23］成为推动短期风电功率预测精度提升的主要因素。应用于短期风电功率预测中的NWP 由空间统计降尺度、时间线性插值等简单处理方式发展为面向专业化应用的NWP 技术,预报模型实现定制化建立,并采用集合预报模式［24］,通过大型超级计算机求解,NWP 风速的空间尺度进一步降低,使预报精度获得了较大提升［25］。此外,模式后处理技术［26］的加入,也在模式输出环节提高了NWP 风速预报的准确性。

近年来,在持续推动NWP 技术和预测建模方法进步的同时,将多NWP 和多预测方法组合应用成为研究热点。在NWP 技术方面,实时资料同化技术［27-28］和数据智能分析［29］等技术的引入,丰富了NWP 模式所能利用的观测信息,进一步提高了NWP 风速的预报精度［30］；在预测建模方法方面,深度学习算法［31］、大数据挖掘技术［32］及其他预测算法［33-35］被引入短期风电功率预测建模中,提高了功率预测模型的性能。在单纯改进NWP 技术、预测建模技术不能取得突破性进展的情况下,将不同NWP 模式［36］、不同预测建模技术［37］进行组合应用的组合预测方法［38-39］,成为目前的主流预测方法。此外,为了更好地将短期风电功率预测应用于调度运行,网格化预测［16］、爬坡事件预测［40］、概率预测［41］等衍生技术应运而生,并在不同应用场景下发挥着重要作用。

1.2 国内发展情况

发展初期,中国短期风电功率预测技术主要采用序列推导方法［42-43］,如时间序列分析、卡尔曼滤波等,预测结果为风电场风速或功率序列。由于功率预测模型未引入NWP 数据,随着预测时间尺度的增加,预测误差显著增大。

发展中期,为提升功率预测应用价值,短期功率预测成为研究焦点,并提出了多种建模方法［2］。在物理建模方面,为降低风流场模拟误差,引入流体力学理论,重点考虑粗糙度、地形等对风速的影响,并加入了风电机组尾流效应模型［44］,提升了物理预测模型的性能［45］；在统计建模方面,大量寻优算法被引入短期风电功率预测建模中,如人工神经网络［46-48］、支持向量机［49］、遗传算法［50］、粒子群优化算法［51-52］等。同时,针对应用中发现的非全局最优等问题,结合风电功率序列样本的特点,对上述算法进行了改进［53-55］。以上方法通过全局寻优,充分利用了NWP 信息,实现了特定NWP 条件下的最佳容错预测。由于风电波动的潜在序贯特征未得到充分利用,技术发展中期的物理预测建模方法和统计预测建模方法的预测精度仍与调度应用需求存在一定差距。

近期,中国对短期风电功率预测的认识进一步深入,着力开展短期风电功率预测模型输入数据研究,并从资源参量预报、功率预测模型和结果优化等3 个方面开展综合研究。

1）资源参量预报方面,基于数值预报模式的资源参量精细化预报得到深入发展,如引进WRF（weather research and forecasting）模式［56-57］,并通过卫星数据反演技术［58］获得实际气象参量值,丰富初始观测场数据,弥补了西部内陆、东部海域等区域气象观测数据的不足,提升了风速、风向等资源参量预报的准确性。同时,针对短期风电功率预测中资源参量需定时、定点、定量预报的特点,结合国内区域地形和气候特点,对相关参数化方案进行了改进［59-61］,提高了NWP 模式对中国短期风电功率预测的适用性［56］。此外,引入风电场实时监测风速等资源参量,采用四维变分实时资料同化技术［62-63］对风速预报结果进行滚动修正,在短期风电功率预测精度改进中发挥了积极的作用［64］。

2）功率预测模型方面,充分利用风电功率的序贯特征［65］,以大型天气系统引发的连续波动过程看待风电出力的波动［66］,将大数据挖掘等技术应用于短期风电功率预测,同时引入深度学习方法,充分利用风能资源的时空互相关规律和自相关规律,提高短期功率预测模型的决策能力,将传统的资源-功率映射模型拓展为气象、电力大数据下的条件预测模型［67-69］。此外,针对功率数据异常导致转化关系错误的问题,开展了理论功率计算方法研究,以重构功率信息［70］、提升功率预测模型性能。

3）结果优化方面,通过认识误差特性,采用有针对性的优化方法提升预测精度。例如研究发现,不同功率水平下短期风电功率预测误差特性各异［71］,对不同功率水平分别优化取得了较好的效果。针对不同资源预报模式在不同时空下误差特性各异,不同预测建模方法误差特性也存在差异,提出了不同资源预报模式和不同功率预测模型的组合预测方法［72-74］,提升了短期风电功率预测结果的性能,成为目前中国短期风电功率预测普遍采用的方法。

此外,针对中国风电发展速度快、基础数据不足的问题,研究了区域网格化预测方法,提出了考虑资源相关性和网架拓扑结构的区域网格预测方法［75］,在保障预测精度的同时,解决了预测容量快速覆盖的难题。同时,根据实际应用出现的问题,中国也开展了概率预测［76-78］、事件预测［79］等相关技术研究,目前主要采用概率统计理论,通过历史预测误差的分布情况建模实现。为了提高精准度,概率预测技术正向条件概率建模和基于集合NWP 的多场景预测深入发展,为体现短期风电功率预测价值提供了支撑。

2 中国短期风电功率预测技术应用

2006 年之前,中国风电装机规模较小,火电等常规电源的调节能力可保障风电等新能源全额消纳。2006 年之后,中国风电进入快速发展期,风电装机容量年均增长超过30%,风电消纳问题逐渐凸显。2007 年,在技术研究的基础上,国内科研院校开始研发风电功率预测系统。近年来,在需求的推动下,国内研发了多套风电功率预测系统,并广泛应用于电网调度机构和风电场。目前,已覆盖所有并网风电场。

2.1 预测系统研发

2008 年中国首套风电功率预测系统研发成功,并在吉林省电力公司得到示范应用。随后在应用中逐步得到发展和完善,形成了包含数据采集单元、功率预测单元、数据存储单元、人机交互单元的风电功率预测系统,可实现NWP 数据、实时气象数据和风电运行数据的采集和处理,短期和超短期功率预测,数据筛选、整理和存储,数据查询、展示、统计分析、输入输出,以及报表生成等功能,并设计了满足电力系统二次设备安全防护要求、运行稳定的系统部署方案,如图1 所示。在此种方案下,作为核心的功率预测模型分别部署于调度机构和风电场的预测系统。

图1 风电功率预测系统部署方案Fig.1 Deployment plan of wind power forecasting system

2.2 预测结果应用

国内的风电功率预测工作采取风电场和电网调度机构同步开展的方式。风电功率预测结果在风电场和电网调控机构中的应用存在差异。

1）风电场端短期预测结果应用

风电场端短期功率预测结果主要用于申报次日24 h、每15 min 的发电计划,在获得电网调度机构确认后,执行确认的发电计划曲线。当实际发电情况与发电计划曲线存在偏差时,由电网调度机构负责平衡预测偏差。

此外,风电场端短期功率预测结果还可用于调整风电场发电设备的检修计划,避免大风期间开展设备检修工作,无谓损失风电场发电量,并提高检修工作的安全性。

2）调度端短期预测结果应用

调度端短期功率预测结果主要用于全省未来24 h 发电计划编制。电网调控机构根据调度端短期风电功率预测结果,并综合考虑场站端上报的发电计划曲线,合理确定其他电源的发电计划,最终获得满足安全校核要求的发电计划。为了确保发用电实时平衡,电网调控机构在综合考虑风电功率历史预测误差水平的基础上,以一定比例将短期风电功率预测结果纳入电力平衡。

在确定短期功率预测结果的纳入比例时:若纳入比例过低,则调度计划偏保守、风电消纳水平降低；若纳入比例过高,则调度计划较为激进、风电消纳水平提升,但系统安全性降低。实际应用中,在短期预测的基础上还需要结合风电功率概率预测结果,综合确定纳入比例［80］。

5）指导同学根据临床诊断结果将表达谱数据在EXCEL里进行分组，然后进行t检验，并且按照P值进行升序排序。

对某省2016 年12 月30 日的风电运行情况进行分析发现,按95%置信度将短期风电功率预测结果纳入日前发电计划后,常规电源开机容量从17 092 MW 减少至14 441 MW,使得弃风电量由27.959 3 GW·h 降 低 到5.339 7 GW·h,减 少 了80.79%,短期功率预测对提高风电消纳水平意义重大。

3）其他应用

随着互联网信息技术与能源技术的深度融合,电力互联网将逐步过渡为能源互联网,电力市场也将逐渐完善和成熟,风电电力将作为一种重要的电力产品进入电力市场。短期风电功率预测是风电参与电力现货市场的基础,其精度水平在影响自身效益的同时,还将对其他电力产品的价格产生影响,特别是系统备用的价格。因此,随着可再生能源的深入发展,短期风电功率预测技术的应用范围还将外延至电力现货交易商和其他电力生产商。

3 系统预测误差及特点

根据行业标准《风电功率预测系统功能规范》,短期风电功率预测性能的评价指标主要包括均方根误差Ermse和合格率QR。

其中

式中:i=1,2,…,n；n 为统计样本的数量；PM,i为实际功率；PP,i为预测功率；Ci为开机容量；T 为合格阈值,依各电网实际情况确定,一般不大于0.25；当预测功率与实际功率的绝对偏差占开机容量的占比小于T 时,预测结果合格,Bi取1,否则不合格,Bi取0。需要指出,为实现横向对标,现有的短期风电功率预测结果性能评价指标均以开机容量进行了归一化。

按照均方根误差和合格率的计算方法,对中国短期风电功率预测结果进行分析,发现均方根误差主要集中在10%～26%,合格率主要集中在82%～96%。在区域平滑效应作用下,省级短期风电功率预测均方根误差可降至6%～18%,合格率可以达到95%以上。需要指出的是,短期风电功率预测结果的性能是NWP 预报性能和预测方法性能的综合体现；由于不同地区地形和气候类型不同,风电场数据可用性也存在差异,因此,预测方法的性能不能简单通过对比功率预测结果精度来评价,只有在面向同一时段、同一预测对象时,不同预测方法的性能评价才有意义。

进一步分析中国各省区短期风电功率预测结果,发现预测误差呈现如下特点。

不同场站、相同预测算法在相同时间尺度下的预测结果均方根误差情况如附录A 图A1 所示,可以看出,中国短期风电功率预测误差呈现西高东低、北高南低的特点。东部和南部地区主要为平原和丘陵,气候主要为亚热带季风气候,资源的可预报性相对较高（见图A2）,预测误差水平最低；东北地区以温带季风气候为主,资源可预报性次之；西北地区以山地、高原和戈壁为主,地形复杂,且具有温带大陆性气候、高原气候和高山气候等,气候类型多样、资源波动性大,短期功率预测均方根误差整体偏高。

2）大误差发生概率较低,但极端偏差较大。

以沿海某省和内陆某省为例,两省2018 年相对偏差（预测功率与实际功率的绝对偏差相对开机容量的比值）的全年概率分布统计结果如附录A 图A3所示。可以看出,绝对偏差大于装机容量10%和20%的比例分别在20%和5%左右。若以装机容量的30%作为极端偏差的阈值,则极端偏差出现的比例在1%左右,占比相对较小,但各省年度最大绝对偏差超过开机容量的40%。

3）高峰、低谷时段预测误差水平与整体误差水平大体相当。

负荷高峰、低谷时段的风电出力水平是影响风电调度计划制定的关键,高峰、低谷时段短期风电功率预测精度越高,风电调度计划编制越合理,越有利于风电消纳。同样以沿海和内陆的两省为例,2018年的高峰、低谷时段（见表1）误差情况如表2 所示。表中:Ermse为相对开机容量的均方根误差；Emae为相对开机容量的平均绝对误差。可以看出,影响调度计划制定的高峰和低谷时段预测误差与整体误差特性基本一致,误差水平大体相同。

表1 两省区高峰和低谷时段Table 1 Peak and valley period of load in two provinces

表2 全年和高峰、低谷时段预测误差比较Table 2 Comparison of forecasting error between whole year periods and peak-valley periods

4）预测误差具有较为显著的功率水平特性。

平均绝对误差在不同功率水平下的特点如附录A 图A4 所示。从相对开机容量的平均绝对误差来看,其呈现“两端小、中间大”的特点,即在实际功率水平相对较小和相对较大时,预测结果的平均绝对误差较小；在实际功率水平居于中间水平时,预测结果的平均绝对误差较大。从相对预测功率平均值的平均绝对误差来看,在低功率水平下的平均绝对误差显著高于较高功率水平下的平均绝对误差,前者较后者最大相差达到7 倍以上。短期风电功率预测结果的误差呈现出较为显著的功率水平特性,在预测结果优化、概率预测等技术研究中可利用该特性。

4 预测误差产生原因分析

经分析发现,中国短期风电功率预测结果的误差主要由资源参量预报、功率预测模型和基础数据等产生。短期风电功率预测的关键资源参量是风速,其在预报环节主要产生2 种形态的误差:一类是高频小误差,特点为波动频率高、能量占比低；另一类是低频大误差,特点为波动频率低、能量占比高。功率组合预测模型的误差是各单一预测模型误差的综合体现,不同预测建模方法均存在不同程度的问题；短期风电功率预测需综合利用实际功率数据、风能资源监测数据、运行状态监测数据、运行记录数据、风电场基础信息数据等。对于自动收集的数据,在数据采集、传输和存储等过程,由于信息采集设备故障、通信异常等原因,不可避免地存在缺数、错数、重数等异常数据；对于人工记录的数据,也可能存在漏记、错记、多记等情况。异常数据对资源参量预报和功率预测模型构建均会产生不利影响。

4.1 全球共性问题

资源参量预报中的高频小误差和功率预测模型的条件预测能力不足等是全球面临的共性问题。

1）高频小误差不可避免

高频小误差是在大型天气过程准确把握的基础上,由大气湍流等带来的高频随机风速波动与较为平滑的预测风速之间的偏差,其波动时间尺度一般在分钟级,国内某风电场的风速预报结果如图2 所示。同时,引入不同NWP 模式对欧洲某风电场的风速预报结果作为对比,如图3 所示。其中,70 m 预测风速由WRF 模式计算获得,背景场为ECMWF（European Centre for Medium-range Weather Forecasts）数据,数值预报模型的水平网格分辨率为9 km×9 km。可以看出,预报风速的高频小误差问题是国内外面临的共性问题。

图2 中国某风电场风速预测结果Fig.2 Wind speed forecasting results of a wind farm in China

图3 欧洲某风电场风速预测结果Fig.3 Wind speed forecasting results of a wind farm in Europe

地形变化、粗糙度变化、障碍物等会触发大气的机械湍流,再叠加热力湍流,风速分钟级的快速波动不可避免［81］。现有中尺度NWP 模式的水平空间分辨率一般为几千米量级,输出的时间分辨率一般为10 min 至1 h 量级,难以体现分钟级风速的快速波动。目前的CFD 模式可以基于中尺度NWP 模式的输出结果进行降尺度计算,实现分钟级的快速波动模拟,但计算量巨大,并且该种降尺度方法的小尺度分钟级波动的预测精度仍然较低,不具有实用价值［82］。

2）功率预测模型性能不足

在物理预测模型方面,面临2 个共性问题。

①对风电场局地效应导致的风流场变化还存在物理机理尚未完全认清、缺乏精准通用化模型等问题,因此,NWP 风速和风向在进行本地精细化推算时会引入误差；此外,风电机组功率曲线在将轮毂高度处风速转化为输出功率过程中,由于转化关系受风电机组运行状态、控制策略、运行环境等因素影响,也会引入误差。

②物理建模方法无误差反馈修正环节,在风电机组切入风速与额定风速之间,风速与功率近似呈现三次方关系,由NWP“传导”而来的偏差经三次方转化后进一步放大。如图4 所示的风电机组功率曲线中,当风速为8 m/s 时,若预测绝对偏差为1 m/s,则预测功率的相对偏差将达到20.5%。

在统计预测模型方面,主要存在寻优能力和泛化能力不足这2 个共性问题。

①统计预测建模过程中,对预测精度影响最大的权重因子是预测风速,由于NWP 预报误差的存在,使得大量相同预测风速对应的实际功率分布在较宽的范围内,在整体误差最小目标下,统计预测方法的寻优结果趋于中间化,如图5 所示,导致预测结果在低功率水平较实际功率偏大、在高功率水平较实际功率偏小。条件预测是突破统计预测建模方法这一局限性的有效手段,通过引入其他判断信息,如风向、气温、气压,甚至不同天气过程等,来缩小大体相同预报风速所对应实际功率的分布范围,从而减小预测结果的不确定范围,其本质是对状态空间进行细化,缩小各状态空间下样本的分布范围。条件预测建模方法是当前统计预测建模方法研究的重点,对此国内正进行深入研究。

图4 某风电机组功率曲线Fig.4 Power curves of a wind turbine

图5 风电场预测风速与实际功率关系Fig.5 Relationship between forecasted wind speed and real power of wind farm

②建模样本未涵盖个别场景或涵盖场景的样本容量有限。在模型训练过程中,针对样本不足的场景无法建立映射关系或映射关系较为稀疏,在模型应用过程中,当出现场景在建模样本中未涵盖或涵盖数据量较少时,功率预测模型的泛化能力不足,预测结果产生较大偏差［5］。

4.2 中国特有问题

资源参量预报中的低频大误差和数据质量等是中国面临的特有问题。

1）低频大误差发生频次更高

低频大误差是指NWP 模式对大尺度风速波动过程的漏报、误报,以及起止时刻预测不准确等引起的误差,如图2 所示。NWP 模式一般能对大尺度天气过程做出较好的模拟和预测,但模式的离散误差、初边值误差、物理参数化误差等,会使得误差在预测的积分过程中逐步增大,导致具体时间下的风流场分布产生偏差:横向表现为预测风速波动过程与实际风速波动过程的时间错位；纵向表现为预测风速波动过程与实际风速波动过程的幅值偏差。同时,在中小尺度的剧烈天气变化过程中,NWP 模式对大风过程的漏报、误报的可能性增加,起止时刻也较难准确预测,从而产生较大偏差［57］。

采用相同NWP 模式,分别对中国某风电场和欧洲某风电场的风速进行预报,预报时间尺度均取第24～30 h,结果如附录A 图A5 所示。对预报结果进行分析,如连续2 h 及以上的预报偏差大于2 m/s,则判定为低频大误差。分别统计2 座风电场在2019 年3 月1 日 至2019 年4 月30 日 的 低 频 大 误差数量,结果显示,欧洲某风电场的低频大误差次数为21 次,而中国某风电场则为83 次,可以清晰地看出,中国风电场预报风速发生低频大误差的频次更高。主要原因是中国国土面积大,自东经73°到东经135°,东西跨越5 个时区,约5 200 km,地势西高东低,从西部高原、沙漠,中部山地、丘陵到东部湿地、平原,地形复杂；南北跨越超过5 500 km,具有热带季风气候、亚热带季风气候、温带季风气候、温带大陆性气候以及高原山地气候等,气候类型多样。中国复杂的地形和多样的气候使单一的预报模式无法适应,资源参量预报结果的低频大误差发生频次更高［8］。

2）基础数据质量需要进一步提高

异常数据将对资源参量预报和功率预测模型构建产生影响。

在资源参量预报方面,中国地面观测的风速、风向、气温、气压、湿度等气象参量的数据合格率主要在50%～95%,低于欧美等主要风电利用国家的90%以上。提高气象参量数据质量的主要原因是异常数据会对资源参量预测产生影响。在模式输入环节,NWP 模式需要输入初始场以启动预报,而初始场由初猜场和观测场磨合得到,且观测场对提高初始场准确性具有重要作用。如果观测场中存在异常数据将影响初始场准确性,并在模式预报过程中将其不利影响逐步积累和放大［56］；在模式输出优化环节,根据实时观测的资源数据,采用实时资料同化技术对模式输出结果进行同化,可提高NWP 预报结果的准确性。但是,实时观测资源数据中如存在异常数据,如资源观测数据的坐标错误或资源观测仪器精度未进行校准标定,则会将模式输出结果向错误的方向同化,此时不但不能提高NWP 预报结果的准确性,反而还可能降低NWP 预报结果的准确性［7］。

在功率预测模型构建方面,中国风电场基础信息存在错数等问题,实际发电功率存在一定比例的死数、重数、错数以及限电等问题,异常的实际发电功率数据将对物理建模和统计建模产生影响。对物理建模方法而言,建模过程主要利用风电场基础信息,当基础信息存在错误时,如风电机组信息错误、风电场装机容量错误等,将导致物理预测模型与风电场实际情况不相符,使预测结果与实际功率存在较大的系统性偏差［45］；对统计建模方法而言,不同统计预测方法虽存在差异,但都是利用历史数据建立资源与发电功率之间的内在关联关系［46］。当样本数值质量较差时,构建的映射关系将产生畸变,使得预测结果与风电场实际功率之间产生较大偏差。

5 结语

随着风电装机容量占比的增加,短期风电功率预测逐渐成为电力系统调度运行的重要基础,对提高电力系统安全和风电消纳水平均具有重要作用。本文综述了短期风电功率预测技术的国内外研究和应用情况,重点分析了短期风电功率预测误差的特点及其主要产生原因,并对短期风电功率预测技术发展进行了展望,主要结论如下。

1）经过近20 年的研究与开发,中国已基本建成了涵盖多种技术路线和预测方法的短期风电功率预测体系,风电功率预测系统也已覆盖国-分-省各级电力调控中心和风电场,在提升中国风电消纳水平方面发挥了重要作用。

2）短期风电功率预测是复杂的系统性工程,涉及技术、管理等多个方面。中国短期风电功率预测精度水平具有较为显著的地域特征,短期风电功率预测误差整体上呈现西高东低、北高南低的特点。

3）NWP 是影响风电短期功率预测精度的关键因素,且不同预测方法的适应性也存在差异,为此出现了融合多种NWP 技术和功率预测模型的组合预测方法。与此同时,概率预测、爬坡事件预测成为研究热点,进一步扩展了短期风电功率预测技术的研究和应用范围。

为持续提高风电短期功率预测精度,需要在集合NWP 生产、功率组合预测模型构建、基础数据质量提高以及政策引导等4 个方面开展相关工作。未来,人工智能、大数据、深度学习等技术将有助于提高功率预测模型的条件预测能力,是提高短期风电功率预测精度的重要研究方向。在预测系统建设和部署方面,为提高短期风电功率预测模型再训练和升级的实时性和便捷性,功率预测模型由就地部署移至云端将成为一种新的发展趋势。

附录见本刊网络版（http：//www.aeps-info.com/aeps/ch/index.aspx），扫英文摘要后二维码可以阅读网络全文。