不同气象预测数据源对山地风电场风速预测准确率的影响分析

吴文倩

（国家电投南宁生产运营中心，南宁 530000）

引言

近年来，由于石油、煤炭等化石能源的紧缺，以及火电等传统能源对全球气候变暖带来不利影响，风电、光伏等新能源迎来“抢装潮”。目前，国内三北地区适宜的风能资源开发已接近尾声，越来越多风电开发商向IV 类风资源区迈进，南方地区山地风电场也随之拔地而起。由于风电是一种间歇性、波动性的电源，大规模风电的接入对电网的稳定带来新挑战［1-2］，风功率输出不稳定而导致风力发电对电网稳定运行的不利影响也逐渐体现出来［3-4］。供电系统需要进行有效的计划和调度，就需要风电场开展有效的风电功率预测工作［5］。通过提前预测风电功率的波动，合理安排运行方式和应对措施，以提高电网的安全性、可靠性和接纳风电的能力。此外，准确的风电功率预测也是指导风电场开展计划检修、市场交易等工作的重要依据。

风电场需定时向电力调度机构报送短期功率预测和超短期功率预测结果。其中超短期预测时效为未来15min～4h，由于预测时效短，可采用简单的外推法进行预测，一般不采用数值天气预报数据［3］。而短期预测时效为未来1～3d，一般以中尺度数值天气预报为基础得出原始风电场风速预测数据和风功率预测数据，再利用风机历史运行数据等进行统计学校正，才能得到较为准确的风电功率预测结果。但由于风速是一种很难精确预测的天气要素，风电功率预测属于时空高分辨率的精确预报，加之风速的湍流特性和随机性，预测技术上存在较大的难度［4］。特别是山地风电场由于地形多变的限制，大多数风电场风机分散建立在十几至几十平方公里范围内，并建立在不同海拔高度上，风速变化机理更为复杂，导致山地风电场风速及风电功率预测难度较平原风电场更大。风电场常因短期风电功率预测准确率达不到电网要求，给风电场带来运行压力和经济损失，因此提高风电功率预测准确率一直是风电行业的重点研究方向。

风电功率预测及风速预测方法已有许多学者开展了相应研究，马文通等［8］基于中尺度数值预报模式和微尺度计算流体力学模式，建立了风电场短期风电功率动力降尺度预测系统。余江［9］认为基于时间序列的NEW AR 模型可进行6h 的订正预报。杨光焰［10］建立BP 神经网络对MM5 数值预报产品的模拟风速误差进行动态订正，认为风速平均绝对误差可降低10%～20%。王彬滨等［11］提出一种谐波分析与人工神经网络（ANN）相结合的24h 短期风速数值预报的订正方法，使得风速数值预报的系统偏差有明显下降。汪小明等［12］、李慧玲［13］分别研究了基于小波分解和ELMAN 神经网络以及基于WRF 模式和聚类分析的短期风电功率预测研究与应用，认为可改进风电功率预测准确率。在实际应用中，国内主流风电功率预测供应商主要采用“物理模型＋统计模型”的组合方式进行风电功率预测模型建立，利用风电场地形数据、粗糙度数据、风速-功率曲线等相对不变的参数建立一个风电功率物理模型，通过输入各类定制的风电场中尺度气象预测数据，初步获得时空分辨率满足要求的功率预测文件，最后利用历史预测数据、风机运行数据等进行人工神经网络等统计学校正，从而得到符合风电场实际的风电功率预测结果，一般情况下预测准确率均能达到80%以上。在这个过程中，由于风电场范围较小，需要将中尺度数值天气预报结果进行降尺度计算，将网格细分至几公里到十几公里范围内，在风电场中心或整场范围内均匀选取若干网格点，或通过计算流体力学（CFD）将网格数据推算至每台风机轮毂高度处，或直接进行整场平均风速预测，才能完成数值天气预报在风电功率预测中的释用。要做到较为精准的风速和风电功率预测，不仅需要长期的运行数据进行模型训练，还需要对预测数据源的选取、订正、配比使用进行重点研究应用。

目前，风电功率预测供应商在实际应用中已发现使用不同的气象数据源对风电功率预测准确率有不同影响，因而基于同一预测模型开展不同数值天气预报输入的风电功率预测已在风电行业形成共识，但其影响效果和机理分析则少有分析和研究。为研究进一步提高风电功率预测准确率的方法，本文利用风电场实际数据进行统计对比，分析同一预测模型下不同数值天气预报输入对风电功率预测准确率的影响及原因，对风电行业提高风电功率预测准确率，满足电网对于风电调度的需求，进一步适应国家能源结构改革需要具有一定的实际意义。

1 数据和方法

数据来源于广西地区A、B 两个山地风电场2020 年2 月1 日至3 月15 日期间全场风机平均轮毂高度实测风速，以及4 种单一气象预测数据源及3 种混合订正气象数据源全场风机轮毂高度平均预测风速，时间分辨率均为15min。单一气象预测数据源包括GFS（Global Forecast System，美国国家环境预报中心全球预报系统）、EC（European Centre for Medium-Range Weather Forecasts，欧洲中期天气预报中心全球模式）、CMA（China Meteorological Administration，中国气象局全球模式，空间分辨率9km×9km）、CMA-2P5（空间分辨率2.5km×2.5km），混合订正气象数据源为根据风电场历史预测情况和实际情况，将GFS、EC、CMA 等多种单一气象数据源进行混合订正的预测结果。其中A 风电场混合订正1、2、3 以EC 和GFS 为主。B 风电场为混合订正1以CMA 为主，混合订正2 以EC 为主。

采用平均绝对误差（MAE）、均方根误差（RMSE）衡量预测风速与实测风速之间的偏离程度，其公式为：

其中，xpi为预测风速，xmi为实测风速，n 为样本数量。

A 风电场地处广西东北部，风机较为均匀的分布在东北-西南方向两条并列的山脊线上，盛行风向上游无高山阻挡，风机海拔高度在850～1070m 之间，风资源较好；A 风电场总装机容量100MW，共安装35 台不同型号风电机组，风机轮毂高度有80m、90m 两种。B 风电场位于广西西南部，分布在东北-西南方向山脊线上，且划分为3 片较为密集的风机群，与北部湾直线距离约100km，易受台风、热带气旋等影响，风机分散分布在丘陵地貌的山脊线上，风机海拔高度在310～690m 之间，较A 风电场偏低；B 风电场总装机容量200MW，包含93 台不同型号风电机组，风机轮毂高度有80m、85m、90m 三种。所选两个风电场大气环流背景有所区别，便于比较分析。

2 实测风速及预测风速对比

A、B风电场2020年2月1日至3月15日15min日平均预测风速及风机实测风速见图1。其中预测风速为该时段内风电场功率预测系统自动择优选取的风速预测结果，其中A 风电场为混合订正3，B 风电场为混合订正1。由图1 可看出，山地风电场风速波动较为剧烈，风速日变化区间集中在1～5m·s-1区间，个别天数可超过9m·s-1；A 风电场日平均风速MAE 为1.01m·s-1，B 风电场为0.67m·s-1；除个别天数外，A、B 风电场预测风速与实测风速曲线吻合度较好，相关系数分别达到0.91、0.92。

图1 A 风电场（a）、B 风电场（b）日平均实测风速及预测风速

3 不同气象数据源风速预测偏差对比

A 风电场、B 风电场2020 年2 月1 日至3 月15日不同气象数据源预测风速RMSE 差对比分析见表1。在统计时间段内：

表1 A、B 风电场2020 年2 月1 日至3 月15 日不同气象数据源风速预测RMSE 平均值对比

（1）多种数据源混合订正预测结果总体优于单一气象数据源预测结果。其中A 风电场三种混合订正预测RMSE 平均在1.6～1.8 之间，四种单一气象数据预测RMSE 平均在2.3～2.8 之间，混合订正预测RMSE 平均偏低50.8%；B 风电场两种混合订正预测RMSE 在1.2～1.3 之间，四种单一气象数据预测RMSE 在1.2～2.6 之间，混合订正预测RMSE 平均偏低32.4%。

（2）同一气象数据源在不同场站预测效果不一致，并无绝对优势。其中A 风电场EC 最优，CMA 次之，CMA-2P5 最差；而B 风电场则为CMA-2P5 最优，CMA 次之，GFS 最差。

（3）高分辨率气象数据源预测效果不一定优于低分辨率气象数据源。A 风电场、B 风电场CMA 与CMA-2P5 预测效果相比没有绝对优势。

此外，对比不同气象数据源风速预测RMSE 日变化曲线图（图2、图3），可看出同一气象数据源在每日不同环流背景下的预测效果也不尽相同，不能一以概之。而混合订正气象数据源预测波动性则普遍小于单一气象数据源。总体来看，在统计时段内，A 风电场使用混合订正1／2／3 气象数据源预测效果较好，B 风电场使用CMA、CMA-2P5、混合订正1／2气象数据源预测效果较好。

图2 A 风电场不同气象数据源预测风速RMSE 日变化

图3 B 风电场不同气象数据源风速预测RMSE 日变化

4 影响原因分析

理论研究和实际应用表明，组合预测模型比单个预测模型具有更高的预测精度，能增强预测的稳定性，具有较高的适应未来预测环境变化的能力［14］。主要由于集合预报同时考虑了初值以及数值模式中物理过程的不确定性，能够有效地减弱各种不确定性对预报结果的影响［15］。由于风电场风速预测和功率预测是对时间、空间分辨率要求很高的要素，相对于单一数据源，采用组合预测数据源的方式能够在预测模型中发挥各种单一数据源优势，使预测模型最大限度地利用各种单一预测数据源的信息，一般能够避免单一数据源可能带来的随机误差，从而增加预测模型的准确性。当然，受计算条件和业务时间限制，选择相对较少的预测数据源组合开展风电功率预测是推荐的方法。

另外，对于高分辨率气象数据源预测效果不一定优于低分辨率气象数据源这一统计结果，可以从中尺度数值天气预报物理降尺度过程进行分析。中国气象局9km×9km、2.5km×2.5km 数据虽然网格分辨率有高低，但由于其源头数据来自同一机构，而降尺度过程中使用的数学物理方程采用了很多近似和假设，可能出现高精度网格预测结果因为某个近似过程放大随机误差，或产生系统偏差，从而导致在某一预测时段可能出现原始数据预测精度被降低的情形。

5 结论与讨论

通过对比分析不同气象预测数据源对风电场风速的预测准确率，得出主要结论如下：

（1）多种数据源混合订正预测结果总体优于单一气象数据源预测结果，在预测模型优化过程中可重点研究混合订正气象数据源的应用。

（2）同一气象数据源在不同场站预测效果不一致，并无绝对优势。

（3）高分辨率气象数据源预测效果不一定优于低分辨率气象数据源。

综上，某种气象数据源在风速预测中并不具有绝对优势，需结合风电场地形地貌、大气环流背景等特征，并根据预测结果不断调整优化，才能寻找出最适合现场的气象数据源，确保风电功率预测结果稳定、可靠。同时，由于本文分析选取的数据时间段较短，代表性有限，今后将进一步深入分析不同气象预测数据源对风电场风速预测准确率的影响。