短期风电功率预测误差修正研究综述
2023-06-14戴千斌黄南天
戴千斌,黄南天
(现代电力系统仿真控制与绿色电能新技术教育部重点实验室(东北电力大学),吉林 吉林 132012)
0 引 言
为持续推进“双碳”目标实现,近年来,以风电为首的可再生能源利用经历了跨越式发展。截止2022年10月底,中国风电装机容量约3.5亿千瓦,同比增长16.6%。风力发电已成为新型电力系统电力供应端的重要组成部分[1]。然而,风电输出功率的强随机性以及弱调度性,提高了电力系统运行不确定性,大规模风电高效消纳与电网安全稳定运行矛盾日益突出[2-3]。
短期风电功率高精度优化预测,有助于电力调度部门分析风电并网时运行参数,确定最佳机组组合方案,降低风电场的运营成本,是应对上述挑战的有效手段之一。受天气混沌特性、样本数据应用质量差等潜在负面因素影响,风电功率预测模型所构建风速和风电功率映射关系容易发生一定的畸变[4-5]。功率预测偏差不可避免,对风电场和电力调度部门均产生不同程度的影响。一方面,风电场需要向电力调度部门提前上报次日发电计划,当上报电量偏差较大时,风电场需承担电网考核的费用、备用采购费用以及上报电量过低产生的主动弃风损失,提高了风电场上报电量的决策难度[6]。另一方面,为应对风电大波动情况下风电并网后机组出力与负荷需求的不平衡性,电力调度部门需要预留大量的旋转备用容量,维持电力与用户两端的供需平衡[7],保障电网调峰和调频的及时度,进一步压缩了风电消纳空间。
因此,针对当前短期风电功率预测模型多维度不同类型的功率预测偏差,本文结合近年风电功率短期预测研究、开发和应用情况,对现有风电功率预测修正技术进行了综述。首先,根据预测原理及数据来源的差异性,总结短期风电功率预测技术分类,分析不同预测模型存在的优缺点,探讨短期风电功率确定性预测面临的难点问题及未来的发展趋势。然后,从模型输入和预测后处理两个角度出发,分析功率预测误差产生的主要原因。最后,总结NWP风速横纵向误差修正以及风电功率误差修正的方法,为后续短期风电功率预测修正技术的发展提供参考。
1 风电功率预测方法
1.1 物理预测模型
物理预测模型是基于NWP(Numerical Weather Prediction,NWP)预测的方法,通过利用NWP气象数据,结合风电场地表形态等信息,将NWP数据转化为风机轮毂高度处的风资源信息,并依据风电机组的运行状态参数,获取最终的风电功率预测结果[8-9]。其优点是不需要大量的历史运行数据,对风电场技术条件要求不高。然而,NWP数据更新频率和分辨率较低,复杂地形区域通常无法提供可靠的地面风速预测,影响物理预测模型的功率预测精度[10-11]。因此,目前物理预测方法的主要研究方向是如何进一步优化不同区域风电场差异化地形条件下NWP数据精度水平,满足风电场定制化预报技术需求。
1.2 统计学习模型
统计学习方法通过构建时间序列模型来学习风电场历史数据所表现的特征规律,并提取风电功率序列中的时变关系,然后输入NWP气象数据、风电功率数据得到相应时刻下的风电功率预测值[12-13]。表1是统计学习常见方法对比,主要包括自回归移动平法(Auto-regressive and Moving Average,ARMA)、人工神经网络法(Artificial Neuro Network,ANN)、支持向量机SVM、深度学习等算法[14-16]。20世纪80年代有学者采用ARMA算法构建时间序列模型进行风电功率预测。文献[17]建立四种基于ARMA的预测模型分别对风速和风向的横纵向分量预测,提高了预测性能。ANN具有非线性映射、分布并行出力和泛化能力等特性。文献[18]根据风电功率的影响因素,建立基于ANN算法的风电功率预测模型。SVM是一种常见的回归预测算法,其基本思想是通过寻找一个最优的超平面(或多个超平面)来对数据进行预测。SVM能够解决训练结果局部极小值问题,但参数选择依赖经验判断。因此,文献[19]提出改进最优觅食算法,获取SVM的最优参数,提高风电功率预测准确性。随着大数据技术的持续发展,功率预测方法逐步由机器学习算法转向深度学习算法发展。文献[20]通过分析相邻风电场原始数据时序特征,应用CNN提取历史信息特征。文献[21]提出了基于LSTM-Attention网络的短期风电功率预测方法,利用LSTM网络提取NWP数据特征信息,引入注意力机制分析输入与输出的相关性,进一步改善了模型的预测性能。
统计学习方法不同于物理建模的复杂性,模型的构建过程相对简单。但是传统的统计学习算法存在参数优化求解的困难性,现有研究通常将粒子群算法、蚁群算法等参数寻优方法融合到风电功率预测模型构建中[22]。文献[23]基于混沌映射、粒子群等算法混合优化SVM模型参数,提高SVM功率预测模型的预测能力。文献[24]采用进化粒子群算法对模型超参数进行优化调整,提出基于聚类分析和混合自适应进化算法的风电功率智能预测方法。文献[25]提出基于果蝇优化广义神经网络的风电功率短期预测模型,模型具有更高的预测精度和更好的收敛性。
统计学习模型需要规模化的数据进行训练,在样本数量充足的情况下,其预测精度是可接受的。然而,以高温、强风为代表的极端气候的小概率天气事件,不同于常规天气状况下风电预测模型的影响机理,样本稀缺,其数据具有强非线性特点。面对极端天气条件下风电出力的瞬时多变性以及低可预测性,统计学习模型训练难度加大,无法建立相应场景下相应的映射关系,预测性能不佳。为了更好地应对上述难题,迁移学习[26]、小样本场景生成[27]、强化学习[28]等技术已成为目前风电出力预测研究热点。文献[29]考虑部分风电场运行数据缺乏的问题,提出基于多层级深度迁移学习的风电短期功率预测技术。文献[30]提出基于相依关系的功率预测场景建模方法。文献[31]利用聚类算法构建带簇原始数据集,提出基于鲁棒多标签生成对抗的风电出力区间预测。同时随着大数据挖掘技术发展,充分利用风能资源的时空相关性,考虑 风电功率波动的潜在序惯特征,也能够进一步提高风电功率预测模型的决策能力。
表1 统计学习常见方法对比Tab.1 Comparison of common methods of statistical learning
1.3 组合预测模型
短期风电功率受多因素影响,单一预测模型具有一定的局限性,尤其在极端天气场景下,可能会产生较大的预测偏差[32]。组合模型综合考虑了不同模型在不同应用场景下的优势,将多种单一预测组合模型最优化组合,可取得更好的预测效果[33-34]。
加权组合预测利用不同预测模型单独预测,通过赋予相应的权重系数,加权组合得到最终预测结果,流程图如图1所示。根据各子模型权重系数是否保持一致性,可分为定权系数组合模型和变权系数组合模型[35]。定权系数组合模型以预测误差百分比、平方和等指标最小化作为前提条件,通过实现目标函数极小化得到各模型的权重系数;变权系数组合模型是一种时变权重的组合方法,权重系数随时间变化不断更新。目前常用的方法有最小二乘法、熵值法、贝叶斯方法及最小方差法等[36-37]。
融合组合预测方法是指在预测不同环节采用不同的方法,将模型的输入和输出的变量,与模型自身进行优化融合[38],流程图如图2所示。在模型的输入环节,可以采用小波变换、经验模态分解等模态分解方法将风速或功率等非平稳信号序列分解为多个子序列,对每个子序列进行预测,然后重新组合作为最终的预测结果[39]。针对模型自身,可采用遗传算法、鱼群算法、萤火虫算法等参数选择的方法优化模型参数,提高模型的自主学习能力和泛化性。在模型输出环节,分析预测误差产生机理,构建误差修正模型,将误差预测值与初始功率预测值相叠加,得到最终的预测结果。文献[40]提出一种结合了集成经验模态分解和改进最小二乘支持向量机算法的组合模型用于风电功率短期预测,该方法首先利用EEMD将功率序列分解成若干个子序列,以减轻不同趋势信息间的相互影响。然后,对不同的子序列分别建立预测模型,并叠加各个子序列的预测结果,得到最终的预测结果。文献[41]提出基于VMD-WPE和SSA-ELM的短期风电功率组合预测模型,使用VMD技术将原始风电功率序列分解为多个模态分量,从而减少了序列的非平稳性对预测性能的影响。近年来,随着国内外学者对短期功率预测技术的不断深入研究,采用风电功率预测误差修正来提升预测模型精度的方法成为当前研究热点。
图1 风电功率融合组合预测模型Fig.1 Wind power fusion combination prediction model
图2 风电功率加权组合预测模型Fig.2 Wind power weighted combination prediction model
2 风电功率预测误差修正
2.1 风电功率预测误差产生原因分析
通过分析风电功率预测技术的应用情况可以发现,物理模型预测功率误差主要是由于NWP预报的高不确定性产生。统计学习模型功率预测误差来源范围则更加宽泛,NWP数据偏差、模型构建的不合理性以及基础数据异常等因素,都会对预测精度产生消极的影响。组合模型预测误差则是各单一预测模型预测误差的综合决定。
NWP数据应用质量对风电功率预测准确性有较大影响。其中,NWP风速是风电功率预测模型的关键输入。风速受复杂地理环境因素影响,具有分钟级的快速波动变化特征。目前NWP模型输出气象变量的时间分辨率为1 h量级。因此,NWP风速等气象变量在目标风电场精细化推算时会引入较大的预测偏差。在功率预测模型构建方面,不同的功率预测模型构建都存在自身的局限性,如:模型算法选择不适用、参数设定不当等,都会导致预测模型不完善,产生功率预测误差。在基础数据应用方面,风电功率预测需要利用包括风电场历史实测数据、运行状态数据及风电场基础信息数据等在内海量多源异构数据,在数据采集过程中,如果发生设备故障、通信异常等意外情况,不可避免地存在异常数据,也对风电功率预测造成不利影响。
为解决上述制约短期功率预测精度进一步提升的难点问题,近年来,许多学者从不同角度切入功率预测误差修正研究,本文从模型输入和输出端两方面进行综述。在模型输入端,现有研究主要通过降低NWP风速预测偏差实现风电功率误差修正;在模型输出端,主要考虑风电功率波动性、幅值水平等因素,建立预测误差后处理模型,最终实现初始功率预测结果优化。
2.2 NWP风速横纵向预测误差修正
NWP模式对大尺度天气过程气象参数能够实现较好预测,然而风电场需要更精细化的NWP气象参数作为功率预测模型输入。NWP模式受初值设定的参数化误差、降时间尺度的误差以及风电场局部空间复杂性等因素影响,导致NWP风速产生横向误差和纵向误差。横向误差为NWP风速序列和实际风速序列间的时间错位,纵向误差为两者间的幅值偏差。如图3所示。
目前,NWP风速修正方法主要基于NWP纵向误差的先验统计规律,建立同一时刻下NWP风速与实际风速之间点对点的映射关系。文献[23]使用统计方法挖掘NWP风速纵向误差幅值大小和天气条件之间的趋势特征。文献[24]通过提取NWP风速纵向误差的标准差作为权重,得到NWP风速权重时间序列,建立基于门控神经网络的短期风电NWP风速误差修正模型。文献[25]考虑NWP风速序列传递关系,基于5种常用算法模型修正NWP风速误差,可以有效改善不同时间尺度上风电功率预测精度。针对风资源的随机波动性引起的相位滞后性问题,文献[26]建立基于时间序列相关性检验和残差通道注意力网络的 NWP风速误差修正模型,降低了NWP风速的横纵向误差。当仅使用单个风电场数据时,可能会忽视相邻风电场存相邻风电场区域的风速空间相关性。文献[27]考虑多位置NWP风速间的时空耦合特性,提出计及区域风光资源时空相关性的多点NWP风速集中式修正方法。
图3 NWP风速横纵向误差Fig.3 The lateral and longitudinal error of NWP wind speed
2.3 风电功率预测误差修正
2.3.1 基于风电功率波动理论的预测误差修正
风电功率具有强波动性,不同风电功率波动水平与预测误差存在一定的关联性和规律性。图4是风电功率曲线典型波动的划分过程,根据风电功率的极值参数和相应的持续时间,将风电功率曲线划分为大波动、中波动、小波动以及低出力波动过程。
每一个波动过程由其相对应的局部极小值增长到极大值,再衰减到该波动过程的局部极小值,计算过程如公式(1)
(1)
(2)
公式中:η为阈值系数,一般取0.5左右。
图4 风电功率波动过程划分Fig.4 Wind power fluctuation process division
根据《风电功率预测系统功能规范》,评价风电功率预测误差性能指标主要包括均方根误差(RMSE)和合格率σ。依照上述指标对中国风电场短期功率预测的误差情况进行统计,比较上述典型波动过程误差表现,分析如下。低出力波动过程和小波动过程RMSE在10%左右,合格率σ能够达到95%左右,预测误差较小。随着风电功率序列波动状态加大,预测误差也相应变大。其中,大波动过程下极端偏差情况的出现概率加大,RMSE显著增加,合格率σ主要集中到83%左右。因此,可以从风电功率波动角度出发,分析在特定波动水平下预测误差的趋势变化特点,针对性分类构建预测功率误差修正模型。
文献[28]通过聚类算法划分多类别风电功率波动过程,构建相应波动过程下风电功率预测误差修正模型,以综合气象指标作为模型的输入,将预测误差修正值与基础功率预测叠加,进一步提升模型功率预测精度。文献[29]利用变尺度时间窗口算法提取不同风电功率波动的多重分形特征值,提出基于频谱分析的风电场预测功率的修正方法。风电功率爬坡事件是小概率大波动过程,表现为功率曲线大幅度的骤升、骤降特点,在爬坡段风电功率预测一般存在较大误差。针对爬坡事件风电功率预测误差修正,文献[30]通过筛选相似气象背景下爬坡事件,实现相似爬坡功率预测误差修正。文献[31]基于PRAA算法获取历史爬坡事件特征量,进而形成预测误差向量矩阵,基于动态时间规整建立多气象指标与预测误差映射关系,实现爬坡事件功率预测修正。
2.3.2 基于风电功率幅值特性的预测误差修正
风速是影响风电出力的主要因素,风电功率幅值与风速大小大体呈现同趋势变化,即风机未处于满发状态时,风速越大,风电功率水平也越大。当风电机组实际风速处于切入风速和切出风速区间范围内时,风速-功率转换近似为3次方正比关系。由于比例放大作用,较小的风速偏差会造成较大的功率预测误差。而当实际风速小于切入风速或者大于切出风速时,风速偏差对功率预测误差的影响不大。因此,短期风电功率预测误差具有显著的功率水平特性,预测误差修正技术研究可以利用该特性。
文献[32]基于风速幅值水平,将数据集划分为低风速、中风速和高风速3类风电功率预测误差类别,针对每类误差类别建立基于改进随机森林的功率预测误差修正模型。文献[33]分析风电功率幅值与预测误差的相关性,基于多元线性回归方法建立风电功率预测误差的估计模型。文献[34]研究短期风电功率预测误差在不同预测模式下的相关性,改进误差预测模型输入变量的选择策略。文献[35]根据风电功率预测误差分布存在尖峰轻尾的特点,提出基于分层补偿的双重误差修正方案。文献[36]基于核密度估计方法分析功率预测误差的概率分布规律,计算出误差序列的置信区间,进而对初始预测结果修正。风电功率幅值水平与预测误差大小存在紧密的联系,可以利用不同功率水平下误差分布规律特性,开展多场景分时段优化,进一步提升风电功率预测结果的可应用性。
3 结论与展望
随着风电机组并网规模的持续增长,高精度风电功率预测是保障电力系统安全稳定运行的重要技术。本文综述了短期风电功率方法的应用以及相对应的优缺点,阐述了风电功率预测的主要误差来源,总结了模型输入端的NWP风速修正方法和模型输出端的风电功率预测误差修正方法。在此基础上,本文对短期风电功率预测误差修正技术发展提出一些建议。
1)风电功率预测误差成因复杂,有必要充分认识风电功率预测各环节误差特性,采用相应的修正方法提升模型预测精度。在NWP风速误差修正方面,针对NWP模式在多时空尺度下误差特性各异,可以分析多个气象站站点或者目标风电场相邻风电场的空间相关性,研究定制参数化预报技术,优选多种预测算法建立计及多位置NWP气象信息的组合修正模型,用以提高NWP风速预测精度。
2)在风电功率预测误差后处理方面,风电场所处地区的气象规律、地理条件各不相同,可以根据目标风电场特点,针对性筛选目标风电场的预测误差的潜在规律性特征,将深度学习等先进数据挖掘手段与强化学习技术相结合应用于风电功率预测后处理,提高模型的自主学习能力,是未来短期风电功率预测修正技术的重要研究方向。