风电场功率预测系统运行可靠性和预测精度提升的实践

孙小龙，李成家，李 佳，张 拓，温培思

(1.延长汇通风电有限公司，陕西 延安 717100; 2．国网陕西省电力公司，陕西 西安 710048)

受新能源平价上网政策逐步实施的影响，国内迎来了新一轮风力发电建设潮。由于风资源自身的特点，精准的功率预测能够精准地指导未来某段时间的发电能力，有助于电网企业稳定电网运行。对于风电场经营企业而言，精准的功率预测系统能够避免考核罚款，提高新能源消纳能力。以西北能监局《西北区域发电厂并网运行管理实施细则》要求为例，新能源场站的功率预测相关考核有预测数据上传率、短期功率预测、超短期功率预测及可用电量日准确率等4个方面[1]。

另一方面，随着电力市场化改革的推进，新能源企业参与电量交易的比例愈来愈高。如图1所示，通过与自动发电控制系统(AGC，Automatic Generating Control System)的配合，功率预测系统能够指导风电场经营企业参与交易时的测算，避免风功率预测小于实际发电时的限电损失，或者风功率预测大于实际发电时的交易短缺产生的考核。

图1 功率预测系统在新能源场站的功能

经过多年的探索实践和技术创新，目前大多数预测系统能达到国内相关标准的要求。但是由于功率预测系统的软硬件自身缺陷或新能源企业管理原因，仍不时产生预测偏差[2]。本文结合工程实践，从硬件设备和软件模型2个维度，讨论如何提升风功率预测系统运行的可靠性和预测的准确度。

1 硬件设备的维护管理

1.1 降低测风塔选型和选址的影响

风电场气象数据的采集和存储，不仅是超短期预测的关键，也是短期功率预测中数值天气预报数据验证、校正的重要依据。国内目前均采用桁架式结构的测风塔气象站进行气象数据的采集和储存。测风塔大多都采用钢丝绳逐层斜拉分级加固方式，搭载了传感器、数据采集模块、通信模块、电源等自动气象监测电子元器件[3]。

测风塔微观选址应选择资源代表性强、海拔梯度变化微弱的区域作为测风塔的初选位置，测风塔安装位置的海拔，应该与风力发电场的场址平均海拔相当。并且选择风电场主风向的上风向位置，附近无高大建筑物、树木或输电杆塔等障碍物，与临近的障碍物的距离宜保持在障碍物最大高度10倍以上。

测风塔的选型也要考虑测风塔安装位置的气候特点，例如南方易发生冻雨区域应考虑测风塔是抗冻雨加强型塔身设计，北方低温区域如内蒙古、新疆等应采用低温型设计。恰当的选型有助于获取与风电场实际最接近的气象数据，使预测模型修正更为精确。

1.2 加强数据监测系统日常管理

气象数据实时监测系统主要包括气象监测站、通信信道和中心站。测风塔采集的各高度层实时气象数据，通过气象数据实时监测系统，按照一定的通信规约通过通信通道发送至中心站。

导致气象数据异常的常见原因有3个方面：①监测系统仅有1套光伏发电系统及备用电池供电，梅雨季节或者连续多日大雾天气导致供电系统耗尽，系统停止运转；②传感器损坏或内部元器件受潮导致通信不稳定或数据传输丢包；③系统软件死机等。

在实际工程实践中，要求将数据采集状态、气象数据下载状态和上报状态纳入值班员监盘范围，数据异常时立即安排对测风塔和气象站进行检修。同时，将对测风塔和气象站设备的巡检周期缩短到每周1次，维护周期确定为每季度1次。重点时清洁各类传感器，检查气压计的通气孔内有没有被异物堵塞，检查校准风向标的北方位。

1.3 关注风力发电机风速仪的检修

风速测量仪安装在风力发电机机舱的顶部，风速仪测量到风资源信息，通过软件补偿后参与功率曲线的拟合。风速仪常见的异常有风向标零刻度偏差较大、配套的测温传感器失效等。传统的机械式风速仪在冬季很容易因结冰而停止测量，目前推广使用超声波测速仪。

2 功率预测模型的优化

虽然近年来风电场功率预测的技术探索较多，但是应用于商业运营的技术路线已经相对稳定，通过历史数据的分析，进行变化规律和趋势预测的方法已经不再作为最基础的预测模型。大多数功率预测系统的主要预测过程是数值天气预报NWP(Numeric Weather Prediction)在气象模型和风力发电机功率模型中的计算得到电功率[4]，并且进行预测偏差的修正。

如图2所示，根据实际工程应用经验，气象模型、功率曲线模型和偏差修正策略直接影响功率预测系统的精度。结合实际工程应用实践，对气象模型、功率曲线模型等这几个关键环节的效果提升进行论述。

图2 功率预测过程

2.1 气象数据的订正

气象部门提供的天气预报数据一般都是大范围内的预测，分辨率较差，很难达到水平分辨率1 km的要求。但是气象预报数据在模型输入中起着极其重要的作用，因此通过对前端输入气象模式预报的订正可以为每日功率预测提供及时修正，减小预报误差。

图3是某风电场20天的气象预报预测偏差及气象数据订正后的预报误差对比。对比该风电场的原始气象源及订正结果，数据显示订正后的结果在不同程度上对原始预报都进行了优化，订正结果与实际数据误差更小。

图3 某风电场气象预报误差及数据订正后误差对比

同时要定期检查订正效果，或者按照订正后效果测试新算法和新模型，对预测过程不断进行优化，减小功率预测误差，提高精确度。

2.2 功率预测模型的持续优化

新能源场站的超短期功率预测，目前的规则要求是每15 min预测场站未来0～4 h的功率，并将预测结果上传至调度部门的主站，按照每15 min取1个点，上传16个点。而新能源场站的短期预测，要预测未来4 天的数据，也是按照每15 min取1个点。物理模型在短期功率预测精度高，但该类模型的计算量较大，并不适合超短期功率预测。统计模型的优势在于超短期功率预测，目前较为成熟的统计模型有采用极限学习机等[5]。

由于各类预测模型都有自身的优点和缺点，用单个预测模型获得的预测结果，很难保证在任何工况下的预测结果都是合格的。因此工程实践中必须综合多种模型的优点建立组合预测模型[6]。但是建立组合预测模型时必须注意，使用同源的数值天气预报NWP，即使采用不同的预测模型，其预测误差的形态仍相似，使用非同源的数值天气预报NWP，通过多源异构克服此类缺陷。

对于可用发电功率的预测，以西北能监局《西北区域发电厂并网运行管理实施细则》第33条为例进行说明。可用发电功率是指考虑场站内设备的故障、检修等原因引起受阻后场站发出的功率。理论发电功率是指在当前风、光资源条件下，场站内所有的发电机组正常运行时能够发出的功率。很显然，在任何时刻都存在着如下逻辑，如果式(1)中的逻辑不成立，则说明预测系统运行异常。

理论功率Pc≥可用功率Pu≥实际功率Pa

(1)

可用发电功率的预测较为简单，在实际计算过程中有多种方法，如测风塔资源外推法、机舱测速仪风速法和样板机法。这3种方法都是先计算得到单台风机，再将全场风机的相关结果相加。由于样板机的代表性和全场风机的地理位置导致的资源差异，样板机法计算的全场可用发电功率的准确度最低，测风塔资源外推法和机舱测速仪风速法的预测准确度都较高。实际上工程实践上采用这3种预测方法的组合方式，如图4所示，其中u、v和w分别是设定的权重值，并且是可以通过修改u、v和w，以找到最佳的预测准确度。

图4 可用发电功率的预测过程

2.3 风力发电机自身功率曲线的优化

功率曲线指风力发电机组输出功率和风速之间关系的对应曲线。一般分为合同约定的理论功率曲线和现场运行的实际功率曲线，理论上两者一致。但是如果2条功率曲线不一致，风电场全场实际功率与理论输出功率会产生偏差，进而会导致功率预测准确率降低[7]。

在实际工程实践中，导致实际功率曲线与理论功率曲线产生偏差的常见原因有3个方面：①机组控制程序参数设定错误或不准确，即使在同一个风场，不同的机组的海拔高度、风速计修正以及叶片零位设定等也不同，常见的问题是同一个风场的参数都相同，没有考虑个体间的差异；②风力发电机长时间运行后叶片因长时间和空气高速摩擦导致的静电吸附效应，叶片沾染大量灰尘、泥沙等，导致叶片气动布局发生变化，引起功率曲线发生改变；③个别永磁直驱机组的永磁体退磁导致机组励磁减退，功率曲线无法达到要求。只要采取了合适的软件参数修正，实际功率曲线和理论功率曲线就能够实现高度重合，消除由此引起的功率预测偏差。

2.4 筛选优质数据修正预测偏差

由于目前新能源场站普遍存在限负荷、计划停电等场外受累发电的情况，会影响误导模型的学习和训练过程，必须进行数据筛选，以实现对原始实测数据的质量控制。实际工程实践上，一般是将限电时段、风机检修时段的数据归类为无效数据并予以剔除。

通过剔除非正常发电规律数据等影响预测模型效果的因素，筛选出非场外受累时段的高质量实测发电数据，及时提取正常发电的特征要素，并用于提升算法模型的训练测试。以图5为例，图中蓝色点代表实测数据，红色曲线为理论发电功率。右侧曲线为未剔除异常数据，左侧曲线为剔除异常数据后的理论功率预测曲线。对比未过滤限电数据前的预测曲线和过滤限电数据后的预测曲线，可以发现经过数据过滤后得到的预测曲线(左侧曲线)更接近实际发电功率曲线。

图5 数据筛选前后的效果对比

山地风场的地形较为复杂，而且局部气象不统一、部分风机尾流效应大的现象普遍[8]，可以将预测偏差较大的某几台风机，从全场风机中筛选出来，进行单独的预测结果校正。

3 其他因地制宜的策略

直接或间接影响风功率预测系统运行稳定性和预测精度的因素较多，例如地形地貌、温湿度、气压、风力发电机组的性能和可控限负荷等，因此很难制定一套适用于全部风力发电场的功率预测策略，必须采取适合本区域的合理策略。

对季节性温差变化较大的区域，如冬夏季温差可达50 ℃以上的场站，由温度带来的空气密度偏差会引起机组出力变化，影响可用功率等的计算。而有的场站在一定的风速区间内预测偏差较为明显，但是该风速区间外的预测效果较好。图6是某风电场预测偏差与风场平均风速的关系图，该风电场在风速超过14 m/s时，容易产生较高的单点偏差从而导致预测准确率下降，应该分析产生偏差的具体原因，例如是否出现了限电情况等，进而采取有针对性的策略。与此相类似的情况，例如存在计划性停机检修等情况时，应采取人工置数等措施及时干预。

图6 某风电场预测偏差与风速间的关系

4 结束语

在实际工程实践中，由于功率预测系统的源代码未开发，功率预测系统相当于是“黑匣子”。但是通过功率预测系统的数据分析功能，可以分析出系统运行的可靠性。以笔者所在场站为例，2020年1—10月的考核比2018年同期下降了51%。而且精准的功率预测系统能够促进新能源的更大规模发展，对电网更加友好。