基于预测误差下的风电有功功率控制探讨

中电（沈阳）能源投资有限公司 梁俊杰

1 引言

风能作为一种常见的可再生资源，有清洁、高效等诸多优点，是当今社会中的一种重要绿色能源，其应用情况也得到社会公众的高度重视，近年来已发展为成熟、规模化开发的一种新能源发展形势。我国是能源大国，有资料记载可开发的风能储量高达10亿kW。虽然风力发电具备很多优势，但是伴随风电场建设规模的快速扩增，弃风现象也日渐严重。既有的风电预测精准度偏低，当大范围风电并网时，由风电变动引起的功率缺额情况将会直接影响电网运行安稳性。精准掌握风能的运行属性及功率预测误差分布规律，这是当前提升风电功率调控效率的重要举措。

2 背景分析

风电场功率控制要依照预测值及发电计划执行情况进行，综合风电机组的调控性能及运作状态差别等因素，编制科学的调控方案，促进风电机组协调运作及优化配置控制命令。风电可发功率低于调度计划时，依照最大功率追踪模式运转，风电机组能实现自主调控；若可发功率高于调度计划，控制系统要追踪发电计划执行情况管控功率。当前，现有的风电有功功率控制策略主要有两种类型：

其一是依照相邻调控周期的预估值与调度命令，去设定下一个控制周期的功率参照值，再结合机组可调控容量及电场当前状态编制功率配置方案。这种方法在应用时仅考虑到两个邻近控制周期的工况差别，对整体趋势没有做出综合性判断，容易造成机组功率调控方向和改变趋势不统一，以致需要屡次调控，增加风电功率的变动程度。其二是结合将来某时段的预测功率改变趋向分析结果对机组进行动态化分群，再依照机群的运转情况编制功率配置方案。以上两种方法的共同特点是把预测功率相对确定化作为前提条件，没有充分考虑预测误差带来的功率调控偏差情况。

3 风电预测误差分析

3.1 预测误差

利用表示风电功率的预测值，可以运用下式计算出相对应的预测误差：

W(t)代表的是在t 时刻时，风电场的真实输出和预测值之间的误差；Wf（t）表示预测分辨率的均值。伴随预测时间维度的减小过程，εf（t）绝对值的期许值也会相应变小。

国外有学者在研究中发现，在相对较小的时间维度上（1h 之内），风电预测误差呈现出独立同分布的特征，并且εf（t）服从了拉普拉斯分布规律，可以用下式表示其概率密度函数：

λ 代表的是时间维度参数，运用海量风电系统出力偏差数值，能顺利地拟合出预测误差对应的概率密度函数，进而和拉普拉斯分布做对比获得参数λ，λ ＞0。

3.2 置信测评模型

近年来，国内外一些学者在风电发电功率预测领域，结合运用分位数回归法与风险因子测评。

可以用分布函数F=（y）=P（Y ≥y）阐述随机变量Y 的属性，把F（y）的τ 分位数函数设定成：

由本使可以发现，低于、高于分位数函数Q（τ）的变量占比分别是τ、（1-τ）。设定检测检验函数[1]：

式中，当u ≥0时，f(u)=0;u＜0时，f(u)=1。

假定u=y-δ，对上式左右两侧取期望值以后，求导δ：

因为F 呈单调递增，那么在任何区间上均可以探寻到集合｛y：F（δ）=π｝中某一元素使E（ρ（y-δ））达到最小。分数位设定Q(τ/x)x'β(τ)，如果有随机参数符合，运算出，便能获得具体值。

3.3 预测置信测评

为定分位数（τ1，τ2，……，τn）构建预测功率的分位回归模型，随后参照功率误差的概率分布特征与置信水平设置情况，就能获得预测误差对应的置信区间，从而得到预测功率的置信区间。鉴于功率预测模型及有关影响因素存在一定差异的实际情况，容易造成某个时间段中不同风电场之间的预测误差分布表现出显著不对称的特点。一些风电场的预测功率可能和置信区间下边界极为接近，预示着风电场真实可发功率很可能高于预测功率，把置信区间类似度较高的风电场记作Ω+；一些风电场的预测功率接近置信区间的上边界，提示真实可发功率很可能低于预测功率，此时把类似置信区间的风电场记成Ω-。

4 分析功率预测误差给有功控制带来的影响

一般在风电预测功率高于发电计划的情况下，才考虑调控有功功率。预测功率与发电计划共同决定着风电场i 的有功控制情况[2]：

Pd,i、Pf,i分别代表的是发电计划与预测功率。

在运用有功控制办法时，Ω+、Ω-类风电场承载的有功调节量分别是ΔP+、ΔP-。

运用下式计算Ω+风电场i 的输出功率Pi+：

PN,i+、Pf,i+分别表示风电场的装机容量与预测功率。推导Ω-类风电场的输出功率Pi-：

电厂的装机容量与预测功率分别采用PN,i-、Pf,i表示。在现实运行情景下，Ω+风电场的输出功率大概率能符合设计控制目标、而Ω-类风电场低于控制目标，此时将会造成场群的有功功率调控不能满足调度命令要求。

5 风电有功功率的控制方法

5.1 基本过程

本课题研究中依照既往功率预测误差数值信息去研究误差的分布属性，运用预测功率的置信测评模型去执行以上过程；以此为基础，综合超短期内电力功率的预测信息，设定期许的置信水平，进而更客观的测评有功功率置信区间，修正预测功率曲线以使其成为预测功率带，那么此时风电场的出力应被包括在该功率带中。为了将由功率预测误差带来的调控误差引起的经济损失额度降到最低，拟定把测评所得的功率置信区间作为约束条件，进而建立出有功控制模型，精准、完整地输入超短期功率预测值与调度命令，基于系统的优化过程获得风电场的有功调控命令。流程如图1所示[3]。

图1 风电有功控制的基本流程

5.2 有功控制模型

参照功率预测误差分布属性能顺利地运算出各大风电场功率预测误差的期望值，进而推导出功率预测期望值PE,i是：

上述公式，Pf,i、Fi(e)分别代表的是风电场i 的预测功率及预测功率的误差概率分布函数。

把有功功率与预测功率之间的最小差值作为控制目标，目标函数可以表示成：

约束条件是[4]：

Pi表示的是风电场i 的输出功率命令。

第一个约束条件明确规定任何风电场的有功功率都和发电执行计划维持一致；第二个则是风电场自身的运行约束条件。

6 算例分析

6.1 算例描述

本课题研究选择B 市风电基地中5个风电场（总装机容量达到1108MW）作为案例，选择2019年1～8月的预测功率与理论还原以后所得的实际功率数值作为基础，通过比较分析的方式，检测检验本文所提及控制策略的应用有效性、合理性。一些数据用在解读风电场的预测功率分布属性方面，其他数据用来比较检验所提及控制方法的应用效果（图2）[5]。

图2 风电与调度数据

已知1#、2#、3#、4#、5#风电场的装机容量分 别 是202MW、202MW、300MW、202MW、202MW。对比风电场当日相应时间段中的预测功率与理论还原以后所得的实际功率数据，不难发现1#风电场以上两指标相对接近，2#的真实发电能力在预测功率之上，4#的实测发电能力在预测功率以下。设定置信水平是0.95，取出5个风电场各自预测功率的置信区间，发现仅有1#风电场的正负误差区间分布得相对较对称2#、4#风电场分别显现出正误差、负误差特性。在以上这种边界条件下，本文选择的算例比较分析了优化算法和容量比例分配法，探究其调控成效。

6.2 分析考虑功率预测误差后的调控成效

通过观察图3，不难发现本课题设计的控制方法所得的控制目标精准度更高，和传统的容量比例分配法相比，有功功率预测误差整体控制效果更好。与过去考虑误差的控制策略作对比，本文通过全面统计及深入分析既往功率数据，严格参照正、负误差特性去划分风电场所属类别，更加客观地评判预测功率置信度的合理性。在具体使用过程中，始终把风电场的预测功率作为输入项，据此测评其对应的置信区间以及期望功率值，基于优化过程形成风电场的功率调控命令。

图3 两种方法的调控成效比较

观察运用本文设计方法时各风电场的控制目标达成情况和实测值发现，因为4#风电场自身表现出的是负误差属性，故而不能满足控制目标的大概率要求，可以尝试把其生成的功率缺额转移到风电场1#与2#。统计并分析风电场1#、2#与4#各自的控制目标值，不难发现以上3个风电场实现的控制目标均好于基于传统容量比法之下的控制目标，通过比较后发现控制误差的减少率达到10%，并且实际中使用容量比例法很难满足发电计划的实施要求。

7 结语

客观上讲，各大发电站的有功功率预测误差分布属性、规律等有差别，应全面分析其差异性，进而有针对性地改进有功功率的控制方案方法。统计并分析风电场既往运行数据，精准提取预测误差分布特性，科学改进有功控制方法。本课题中设计的控制方法能显著降低风电功率预测误差给功率调控效果带来的不良影响，确保调控过程合理、可靠，明显提升了实际控制工作效率。