風電場短期功率預測水平提升舉措措施研究與實例分析

柳玉，白愷，崔正湃，孫榮富，吳宇輝，宋鵬，呂游

（1.華北電力科學研究院有限責任公司，北京　100045；2.國家電網公司風光儲聯合發電運行技術實驗室，北京　100045；3.國網冀北電力有限公司，北京　100053；4.新能源電力系統國家重點實驗室（華北電力大學），北京　102206）

風電場短期功率預測水平提升舉措措施研究與實例分析

柳玉1，2，白愷1，2，崔正湃3，孫榮富3，吳宇輝1，宋鵬1，呂游4

（1.華北電力科學研究院有限責任公司，北京100045；2.國家電網公司風光儲聯合發電運行技術實驗室，北京100045；3.國網冀北電力有限公司，北京100053；4.新能源電力系統國家重點實驗室（華北電力大學），北京102206）

風力發電作為一種隨機性、波動性、反調節性的新能源電源形式，隨著其電網滲透率逐年攀升，給電網安全調度運行帶來了安全隱患，尤其電網峰谷時段的調峰工作受到了安全性和經濟性的雙重壓力。以提升風電場功率預測準確率、降低電網安全運行風險為出發點，綜合分析了影響短期功率預測水平的技術因素和非技術管理因素，提出了預測水平提升的關鍵舉措措施，并以實際工作案例為樣本，驗證了預測水平提升關鍵舉措措施的有效性和實用性。

風電功率預測；測風塔數據；集合預報；模型修正

近年來我國風力發電裝機增長迅速，尤其是風能資源匯集區域的電網，裝機近千萬千瓦風電的新能源匯集區域，隨機性和波動性的新能源出力給電力系統安全穩定運行帶來了巨大的挑戰。隨著電網滲透率逐年提高，風電參與調峰調頻的需求日益增加，如何提升風電場現場的短期功率預測水平，減少大規模風力發電對電力系統安全調度運行的影響，是目前亟需解決的熱點問題。

各方學者在功率預測理論方面開展了大量的研究工作，主要集中在物理模型和統計模型兩方面。物理模型主要成果有Troen和Landberg開發的丹麥RLS國家實驗室的物理預測模型Prediktor［1］，馮雙磊等利用解析原理分析的風電場局地效應與風電機組尾流影響［2］，統計模型主要成果有持續性模型［3］，時序分析法和卡爾曼濾波模型［4］，基于人工神經網絡和空間相關性的模型［5-8］，前向神經網絡和自回歸移動平均（ARMA）模型［9］。

在功率預測技術應用方面，文獻［10］分析了國內外風電功率預測技術的應用現狀，并提出了我國風電功率預測技術和執行方式的建設性意見。文獻［11］提出了一種基于預測誤差評價和預報考核等指標的風電場實時預測效果評估方法。但在實際預測工作開展中，往往風電場實際運行人員并不清楚預測水平不足的癥結，因此如何在現場有效提升風電場功率預測運行和管理水平，仍值得開展進一步的研究工作。

本文針對現場廣泛存在的風電預報準確率較低的問題，以提升風電場功率預測準確率、降低電網安全運行風險為出發點，綜合分析匯總了制約預測水平提升的瓶頸，并給出了應對相關問題的技術解決方案，提出了預測水平提升的關鍵舉措措施，并以實際工作案例為樣本，驗證了預測水平提升舉措關鍵措施的有效性和實用性，為風電管理運行人員提供了提升短期功率預測水平的技術途徑和實例經驗。

1　風電功率預測相關標準綜述

風電功率預測是風電場安全并網運行的重要技術之一，國內相關標準對風電場功率預測相關工作的內容和進行了明確的規定，見表1。

表1　風電功率預測功能要求匯總表Tab.1　Summary table of the function requirements for wind power prediction

國家標準GB/T 19963-2011《風電場接入電力系統技術規定》［12］規定了風電功率預測的最基本要求：風電場應配置風電功率預測系統，系統具有0～72 h短期風電功率預測以及15 min～4 h超短期風電功率預測功能。

國家能源局發布了國能新能［2011］177號文《風電場功率預測預報管理暫行辦法》，其中規定了風電場的預測預報要求、預測管理要求、運行管理要求和工作監督考核要求。其中預測水平指標要求“風電場功率預測系統提供的日預測曲線最大誤差不超過25%；實時預測誤差不超過15%；全天預測結果的均方根誤差應小于20%”。

能源行業標準NB/T31046-2013《風電功率預測系統功能規范》［13］和國網企標Q/GDW588-2011《風電功率預測功能規范》［14］對風電功率預測工作提出了更具體的要求，其中包括預測建模數據準備的要求、數據采集與處理的要求、預測功能的要求、統計分析的要求、界面和安全防護的要求、數據輸出要求以及性能指標要求等內容。

作為風電場功率預測系統的重要組成部分，風能資源測量，國家標準GB/T18709-2002《風電場風能資源測量方法》［15］規定了風電場進行風能資源測量的方法，包括測量位置、測量參數、測量儀器及其安裝、測量數據采集等內容。

2　風電場功率預測運行現狀

2.1風電匯集地區功率預測水平

目前風電場短期功率預測系統的現場架構較為類似，多在本地架設預測服務器，通過反向隔離裝置與互聯網連接從而接收數值天氣預報數據，通過局域網接收風機監控系統數據。但在實際運行中，不同風電場的預測水平和預測效果差異較大，以某風電匯集區域為例，如圖1所示，2014年30座風電場的日前功率預測的年均準確率為81.88%，預測準確率最高的為86.02%，預測準確率最低的為74.70%。另外，風電預測準確率存在著季節性的變化規律，如圖2所示，2014年大風月的預測準確率普遍偏低，8月、9月小風月份整個區域的平均預測準確率都在85%以上。

2.2風電場功率預測系統運行現狀

2.2.1測風塔管理運行水平差異大

高質量的風電場風能資源測量數據是風電功率預測的重要環節，也是風電場寶貴的運行數據。以某風電匯集區域為例，安裝測風塔和相關傳感器的風電場比例為100%，測風塔本地數據完全缺失的風電場比例為23.3%，數據壞點過多的風電場比例為10.0%，數據部分缺失的風電場比例為6.7%，通訊系統故障的比例為3.3%，數據相關性較差的比例為16.1%，測風塔數據質量優良的風電場比例僅為40.6%。同時測風塔多為風電場擬開發和建設時期留下的，部分測風塔的位置已不具備代表性。

圖1　某區域30座風電場2014年均預測準確率Fig.1　The annually average prediction accuracy of 30 wind farms in a certain area in 2014

圖2　某區域30座風電場逐月平均預測準確率Fig.2　The monthly average prediction accuracy of 30 wind farms in a certain area in 2014

圖3　某區域風電場測風塔運行情況統計Fig.3　Statistics of the wind power prediction masts in a certain area

2.2.2預測模型和數值天氣預報

預測模型和數值天氣預報是風電功率預測的核心內容。存在的問題主要包括，數值天氣預報對氣象事件的捕捉能力差，采用通用預測模型，未對風電場進行訂制化建模，未定期分析誤差并更新預測模型。

2.2.3風電場現場管理問題

風電場現場運行管理問題多集中在對預測工作不夠重視和對預測技術不夠了解兩部分內容。具體問題包括實際運行數據回傳不到位，部分風電場服務廠商常年拿不到風電場實際的運行數據，導致整個預測過程一直未開環狀態；缺少場站側功率預測工作的規章制度，缺乏相關人員培訓。

3　風電場短期功率預測提升關鍵舉措措施研究

3.1技術層面舉措措施

3.1.1保證測風塔數據質量

實時測風數據是風電場最重要的參數之一。測風數據能夠有效反映風電場所處位置的實時風資源狀況，是建立風能-出力映射關系的重要參考，缺乏測風數據的情況容易導致無法確切地量化、解釋出力變化。

首先，測風塔前期選址是影響預測結果的重要因素，其測量位置應具有代表性，能代表風電場風能資源特性，且不受周圍風電機組和障礙物影響；測量位置宜選在風電場主導風向的上風向，距離風電機組1～7 km；測量位置的數量應滿足風電功率預測系統的要求，對于地形比較平坦的大型風電場（容量小于100 MW，范圍小于20 km2），應至少安裝1個測風塔，對地形比較復雜的風電場，應適當增加測風塔的數量。

其次，測風塔后期維護工作同樣重要，在風電場實際運行過程中，這方面的工作反而容易被忽略。風電場所處環境惡劣，風速風向儀故障時有發生，及時的傳感器及通訊系統故障檢修和風速風向儀定期檢驗標定工作能夠有效提升測風塔設備的可靠性。

最后，測風塔的數據采集、通訊、存儲功能故障也是影響數據質量的關鍵要素。風電場環境惡劣，尤其應保證低溫環境下測風塔供電設備的可靠性。另一個容易被忽視的環節是數據采集的時標問題，現場測風塔的數據存儲系統多以Windows或Linux環境為主，并不具備實時對時功能，如果長期不進行對時操作，可能會出現數十分鐘甚至數百分鐘的偏差。

3.1.2建立更加準確的訂制化預測模型

預測系統內部的模型誤差是預測誤差的一個重要來源。風電場的運行狀態不是一成不變的，在不同季節氣候、不同風密度或不同測風塔位置的條件下，風電場可能會體現出不同的出力特性。圖4為某風電場實際功率與實際風速的映射關系統計圖，某一個風速對應的并不是一個功率值，而是若干功率值的區間。

圖4　實際功率與實際風速的映射關系Fig.4　The actual mapping between the power and the actual wind speed

如何細化功率外推模型，如何擬合正確的風功率曲線，如何動態修正模型參數，以及如何考慮不同風資源下的風電場多模型問題以及模型切換問題，這些都是減少模型誤差的技術手段，因此需要風電預報系統的廠家開展相應的訂制化服務，針對具體風電場進行有針對性的預測分析，才可能達到較好的效果。

3.1.3多源數值天氣預報分析，提升數值天氣預報質量

數值天氣預報（簡稱NWP）的誤差包括系統性誤差、非系統性誤差，前者來自模式本身，后者來源于驅動模式運行的初始信息，兩者都有技術進步空間。另外，雖然增加NWP的空間分辨力可以從細節刻畫風電機組所在地點的風資源，但行業內通常認為，當空間分辨率低于3 km×3 km后，繼續細分網格很可能反而降低NWP預報準確度。

實際數值天氣預報的優化工作中，采用集合預報分析是較為常見的方法。集合預報的具體實現方法有多種，其中，一種方法是可以采用多參數化方案來實現結合預報。影響數值天氣預報（NWP）設置方案的要素主要有3個：物理過程搭配、嵌套方案和σ層參數。其中：由于輻射、邊界層、積云參數化、陸面等多種物理過程共同參與，搭配方案極多，可能出現組合爆炸的問題；嵌套方案受物理不確定影響，對不同地域而言，最佳的嵌套方案往往各不相同；σ層參數是受人為經驗因素影響極大，并無標準可循；建議預測服務廠家協調氣象部門篩選一個可行的小規模方案組合，在此基礎上開展模式敏感性實驗研究，從而獲得優選的模式設置方案。另一種方法是通過購買多家數值天氣預報產品，通過預測結果與實際測風結果的回歸分析，來確定多源數值天氣預報的權重分配，實現最終的集合預報。

3.1.4人工經驗修正

無論是傳統的電網負荷預測還是氣象預報，好的預報結果都離不開優秀預報員的貢獻，對于風電場短期功率預測，適當的人為修正預測結果是合理和必要的。在次日的功率預測結果上報前，建議應根據風電場實際運行情況初步結果進行修正。

一方面，將風功率預報工作與計劃檢修工作聯動，根據擬開工檢修工作涉及的機組數量，在功率預測系統中通過人工錄入方式合理訂正開機容量、開機時間、以及預測出力，避免因未考慮計劃檢修工作而導致的預測誤差。

另一方面，應考慮凍雨、覆冰、大風等極端氣候可能引起風電機組或變電設備及輸電線路故障的停運容量，如果已有輸變電設備等故障造成的風電機組陪停，在預測期間內無法恢復正常運行的，也應該通過人工輸入的方式，對預測結果進行經驗修正。

3.2非技術管理層面舉措措施

3.2.1氣象觀測系統和功率預測系統定期檢修

對于新并網風電場或者有預測水平提升需求的風電場，在選擇長期的功率預測服務廠商之前，建議選擇幾家功率預測服務廠家同時提供預測服務，在同一個考核時間周期內，對比分析幾個廠商提供預測服務水平的優劣，評估各預測廠商提供的預測結果的準確性和穩定性，為選擇長期服務廠商提供參考。

目前市面上可提供預測服務廠商的數量眾多，市場服務價格比較透明，通過已開展預測優化工作以及面對廠商一對一調研，多數有實力的預測服務廠商也有意愿參與此類對比工作。

3.2.2建立功率預測工作規章制度

在現場建立完善的功率預測工作制度是功率預測系統平穩運行的保障。一是加強人員培訓，每值應指定專人負責風功率預測系統運行管理工作，熟悉相關操作；二是建立更加完善和規范的巡檢制度，應將功率預測系統、風電場監控系統納入進每日的設備巡檢中，并由值班員在規定時間向調控中心報送風功率預測結果及發電計劃，確保上報率100%；三是每天需對昨日功率預測誤差進行統計分析，發現誤差較大時及時進行排查，必要時要求風功率預測廠家協助解決，確保功率預測系統保持正常運行狀態。

3.2.3減少風機非計劃停運現象

由于設備可靠性和運行管理等原因，部分風電場風機非計劃停運現象突出，非計劃停機直接影響風電場的最大開機容量，同時風功率預測系統無法根據新的開機容量更改之前的預報結果，直接導致預測結果變差。統計表明，風機非停率較高的風電場的風功率預測準確率普遍偏低，而且預測誤差大多表現為預測出力大于實際出力。因此風電場應加強對主要設備的維護和對備品備件的管理，減少風機非計劃停機，也是提升風功率預測精度的重要措施。

4　實例分析

在風電匯集區域對試點風電場開展功率預測專項提升工作，首先從所有并網風電場中挑選7座典型風電場，典型風電場均來自于不同地域和不同預測廠家，并隸屬不同發電集團公司，然后綜合考慮本文提出的多方面影響功率預測水平的因素，針對各家風電場的同質化和個性化問題，采用第三部分提出的關鍵舉措措施，開展風電場自查消缺工作和關鍵預測技術優化工作。

功率預測水平提升舉措措施試點實驗始于2014年11月，通過實踐本文提出的功率預測提升關鍵舉措措施，7座風電場2015年上半年逐月的功率預測準確率如圖5所示，七座風電場仍存在差異，上半年平均功率預測準確率分別為87.22%、83.56%、83.20%、81.44%、80.78%、76.98%、70.53%，風電場A預測準確率已經達到較高水平，風電場F和風電場G預測準確率較低，低于80%。

7座試點風電場的預測水平較前一年同期預測結果整體明顯有所提升，但提升速度存在差異。除風電場G預測準確率下降1個百分點外，其余6座風電場均有所進步。風電場A和風電場B提升最多，約為6個百分點；風電場C、風電場D、風電場E也有明顯提升，約為4個百分點；風電場F預測水平基本未變化；風電場G預測水平有所下降。通過深入調研發現，風電場F和G缺乏對相關工作的重視，并未重點開展相關優化工作；風電場A、B和C一方面利用本文提出的優化思路對站內的管理問題進行全面自查，完成了相關問題的整改，建立了站內預測工作管理制度，另一方面與預測廠家合作，從基礎數據質量、數值天氣預報、預測模型幾個技術層面因素進行了優化，從而實現了預測水平的大幅提升。

圖5　2015年上半年7家風電場功率預測月均準確率Fig.5　The monthly average prediction accuracy of 7 wind farms in the first half of the year 2015

圖6　2015年上半年與2014年同期的預測準確率對比Fig.6　Comparison of the prediction accuracy of the first half of 2015 and the same period in 2014

通過逐日準確率統計，各風電場的預測穩定性存在差異。對試點風電場2015年上半年181天的預測準確率進行統計，計算出各電場各月預測準確率達到80%的天數和比例，如表2所示，可以看出風電場A的預測穩定性最高，多數日期的準確率均高于80%（二月份春節限電時期預測難度較大）。

表2　試點風電場各月功率預測準確度在80%以上的天數比例Tab.2　Number of days when the monthly power prediction accuracy is above 80%in the pilot wind farm　%

5　結論

風力發電作為一種隨機性、波動性、反調節性的新能源電源形式，隨著其電網滲透率逐年攀升，給電網安全調度運行帶來了安全隱患，尤其電網峰谷時段的調峰工作受到了安全性和經濟性的雙重壓力。本文以提升風電場功率預測準確率、降低電網安全運行風險為出發點，綜合分析了影響短期功率預測水平的因素，提出了預測水平提升的若干關鍵舉措措施。由于功率預測是一項涉及多學科多環節的工作，因此風電場的科學有序管理、多源數值天氣預報的分析優化、預測模型的定期修正三項主要方面對預測水平提升均起關鍵作用，缺一不可。

最后本文以實際工作案例為樣本，用實踐關鍵提升舉措措施后的預測結果對比2014年同期預測水平，絕大多數風電場的預測水平有了大幅的提升，從而驗證了預測水平提升關鍵舉措措施的有效性和實用性。

［1］TROEN L，LANDBERG L.Short term prediction of local wind conditions［C］//Proceedings of European Community Wind Energy Conference，Madrid，Spain，1990：76-78.

［2］馮雙磊，王偉勝，劉純，等.風電場功率預測物理方法研究［J］.中國電機工程學報，2010，30（2）：1-6.FENG Shuanglei，WANG Weisheng，LIU Chun，et al.Study on the physical approach to wind power prediction［J］.Proceedings of the CSEE，2010，30（2）：1-6（in Chinese）.

［3］WEGLEY H，FORMICA W.Test applications of a semiobjective approach to wind forecasting for wind energy applications［R］.PNL-4403，Pacific Northwest Laboratory，1983.

［4］潘迪夫，劉輝，李燕飛.基于時間序列分析和卡爾曼濾波算法的風電場風速預測優化模型［J］.電網技術，2008，32（7）：82-86.PAN Difu，LIU Hui，LI Yanfei.A wind speed forecasting optimization model for wind farms based on time series analysis and kalman filter algorithm［J］.Power System Technology，2008，32（7）：82-86（in Chinese）.

［5］MEHMET B，BESIR S，ABDULKADIR Y.Application of artificial neural networks for the wind speed prediction of target station using reference stations data［J］.Renewable Energy，2007，32（14）：2350-2360.

［6］張宜陽，嚴歡.基于分段分層相似日搜索和自適應脊波神經網絡的風電功率多步預測［J］.電網與清潔能源，2015，31（4）：124-131.ZHANG Yiyang，YAN Huan.Multi-step wind power forecasting based on subsection and layer searching for similar day and adaptive ridgelet neural network［J］.Power System and Clean Energy，2015，31（4）：124-131（in Chinese）.

［7］劉瑞葉，黃磊.基于動態神經網絡的風電場輸出功率預測［J］.電力系統自動化，2012，36（11）：19-22，37.LIU Ruiye，HUANG Lei.Wind power forecasting based on dynamic neural networks［J］.Automation of Electric Power Systems［J］.2012，36（11）：19-22，37（in Chinese）.

［8］柳玉，郭虎全.基于AdaBoost與BP神經網絡的風速預測研究［J］電網與清潔能源，2012，28（2）：80-83，89.LIU Yu，GUO Huquan.Wind speed prediction based on adaboost and BP neural networks［J］.Power System and Clean Energy，2012，28（2）：80-83，89（in Chinese）.

［9］連文莉，黃成辰，呂昌霖.采用時間序列預測風電場出力［J］.電網與清潔能源，2011，27（12）：112-117.LIAN Wenli，HUANG Chengchen，Lü Changlin.Wind power output prediction based on time series［J］.Power System and Clean Energy，2011，27（12）：112-117（in Chinese）.

［10］屠強.風電功率預測技術的應用現狀及運行建議［J］.電網與清潔能源，2009，25（10）：4-9.TU Qiang.Existing applications of wind power forecasting technology and relevant suggestions［J］.Power System and Clean Energy，2009，25（10）：4-9（in Chinese）.

［11］嚴干貴，宋薇，楊茂.風電場風功率實時預測效果綜合評價方法［J］.電網與清潔能源，2012，28（5）：1-6.YAN Gangui，SONG Wei，YANG Mao.A comprehensive evalution method of the real-time prediction effects of wind power［J］.Power System and Clean Energy，2012，28（5）：1-6（in Chinese）.

［12］GB/T 19963風電場接入電力系統技術規定［S］.北京：中國標準出版社，2012.

［13］NB/T31046風電功率預測系統功能規范［S］.北京：中國電力出版社，2014.

［14］Q/GDW588風電功率預測功能規范［S］.北京：中國電力出版社，2011.

［15］GB/T18709風電場風能資源測量方法［S］.北京：中國電力出版社，2002.

Study and Case Analysis of Optimization Measures of Short-Term Wind Power Forecast

LIU Yu1，2，BAI Kai1，2，CUI Zhengpai3，SUN Rongfu3，WU Yuhui1，SONG Peng1，Lü You4
（1.North China Electric Power Research Institute Co.，Ltd.，Beijing 100045，China；2.State Grid Wind-Photovoltaic-Energy Storage Hybrid Power Generation Technology Laboratory，Beijing 100045，China；3.State Grid Jibei Electric Power Company，Beijing 100053，China；4.State Key Laboratory of Alternate Electrical Power System with Renewable Energy Sources，North China Electric Power University，Beijing 102206，China）

Wind power is a form of new energy characteristic of random fluctuation and anti-regulation and its growing penetration in the power grid imposes growing impacts on the security dispatching of the power grid，especially in the peak and valley hours.Starting from improving the prediction accuracy and reducing the risks for the power grid operation，this paper comprehensively analyzes the technical factors and non-technical factors that affect the short-term power prediction，and proposes key measures to raise the prediction level.The actual work cases for the sample verify that the key measures proposed are effective and practical.

wind power prediction；mast data；ensemble forecasting；model updating

1674-3814（2015）12-0077-06

TK89

A

2015-05-03。

柳玉（1985—），男，工學博士，主要研究方向為新能源功率預測技術、新能源電站運行優化控制。

（編輯黃晶）

2015年國家電網公司科技項目“基于集群劃分的新能源功率預測技術研究和示范”。國家重點基礎研究發展規劃基金（“973項目”）（2012CB215203）。

Project Fund：2015 SGCC Science and Technology Project；National Key Basic Science Research Development Fund（973 Program）（2012CB215203）.