高 陽，陳華宇，歐陽群

（1.沈陽工程學院，沈陽 110136；2.中電投東北電力有限公司，沈陽 110017；3.遼寧省電力有限公司，沈陽 110006；）

風電場發(fā)電量預測技術研究綜述

高 陽1，陳華宇2，歐陽群3

（1.沈陽工程學院，沈陽 110136；2.中電投東北電力有限公司，沈陽 110017；3.遼寧省電力有限公司，沈陽 110006；）

1 我國風電發(fā)展現(xiàn)狀

日益嚴重的全球能源危機，使可再生能源的開發(fā)顯得越來越重要。風能作為一種清潔的可再生能源，越來越受到世界各國的重視。我國并網的風電場建設從20世紀80年代至今已有20多年的歷史。在發(fā)展初期，風電項目不僅規(guī)模小，裝機容量更不足1萬kW，而且設備主要依靠進口，建設成本高，市場競爭力弱。到2002年底，全國風電裝機容量僅為45萬kW，最大投運機組為600kW[1-4]。而過去7年，中國風電裝機容量年平均增長速度達到了56%。截至2009年底，風電總裝機近2000萬kW，中國已經成為全球發(fā)展速度最快的風力發(fā)電市場，并將成為全球第三大風電國家。我國風能儲量很大、分布面廣，陸上10m高度風能資源技術可開發(fā)量為2.97億kW。加上近岸海域可利用風能資源，共計約10億kW。如果中國能夠利用所有的風能資源，將能夠滿足幾乎所有中國當前的電力需求，但這在短時期內是不可能的。不過中國有可能將2020年風電總裝機目標由3000萬kW調高至1億kW。在國際效率標準下運行，能夠滿足5%的中國電力需求，并且使中國成為世界最大的風能發(fā)電國家。

中國國家發(fā)改委目前正在醞釀的目標計劃是，要按照融入大電網、建設大基地的要求，力爭用十多年的時間，在甘肅、內蒙古、河北、江蘇等地形成幾個上千萬千瓦的風電基地。1000萬kW級的風電場，相當于三峽的裝機容量，堪稱“風電三峽”，但卻沒有三峽百萬移民的負擔，也不會消耗水資源。

世界能源危機為風電發(fā)展提供了機遇，但由于我國風電建設起步較晚，存在很多不確定因素阻礙風電行業(yè)的發(fā)展。除了與國際風電行業(yè)的發(fā)展水平還有很大差距、國內的風電設備主要依靠進口以及對外依賴性太強以外，現(xiàn)在風電接入電網的問題也制約著我國風電的大規(guī)模發(fā)展。風電出力的大幅波動和不可預測性對電網造成了嚴重的沖擊。目前來看，由于運行的風電場裝機容量較小，風電場接入電網后對電網的頻率和穩(wěn)定的影響還不是十分大。國內風品質較差的風場在10min內從滿發(fā)到不發(fā)的概率只有不到30%，根據電網安全穩(wěn)定導則，電網必須滿足動態(tài)N-1校驗，裝機不超過5萬kW的風電容量在1min內切除就不會影響電網的安全穩(wěn)定運行，一般在接入設計時已經考慮，同時現(xiàn)階段的風電規(guī)模對頻率的影響也不大。即使風電送出線路跳閘也對電網穩(wěn)定運行的影響不大。當然，一些老機組會造成風電場并網點電壓波動、電壓超標等問題而被調度切機。而目前影響風電接入容量的主要問題是電網的調峰容量。這是限制風電裝機的最重要因素，尤其是火電機組的最小技術出力，電網沒有備用容量，風電場就不能接入電網。低谷調峰問題，限制風電的接入容量。電網企業(yè)只能通過增加水電和快速起停機組來解決由于風電波動性造成的“逆調峰”，這樣會增加電網調度安排機組和制定發(fā)電計劃的困難，加大電網調度運行的難度，同時風電“逆調峰”基本上很難控制。因此風電要更好地發(fā)展必須開發(fā)風電場發(fā)電量預測系統(tǒng)。德國、丹麥風電發(fā)電量高，很重要的一個因素是所有的電網公司都配備有風電發(fā)電量預測系統(tǒng)。有了預測系統(tǒng)，風電出力就基本可以預知，會大幅降低電網旋轉備用容量，降低風電場的發(fā)電成本，使電網調度運行更加經濟合理。

2 風電場發(fā)電量預測模型

2.1 按預測時間尺度劃分

按照預測時間尺度的不同，風電場發(fā)電量預測模型可以分成超短期預測、短期預測、中期預測和長期預測[5-12]。

超短期預測一般不超過30min，主要用于對風機的控制，預防惡劣天氣的出現(xiàn)，對槳葉造成損壞。

短期預測一般是對功率進行不超過6h的小時預測，用于電網的功率平衡和運行調度。

中期預測是基于小時數(shù)據進行2d以內的天預測，以對電網中的負荷做出合理調度。

長期預測是基于天數(shù)據進行周預測，可以在風小產能少時，對風機進行維護和檢修。

2.2 按建模機理劃分

根據建模機理的不同，風電場發(fā)電量預測模型可以分成物理模型、時間序列模型以及智能模型。

2.2.1 物理模型

物理模型是根據風電場周圍的地形、粗糙度、障礙物等物理信息來估計輪轂高度處的風速，然后利用功率曲線得到風機的發(fā)電量，其輸入參數(shù)是數(shù)字天氣預報(NWP)信息。由于氣象預報的每日更新頻率很低，因此，該方法更適合中期風電場的發(fā)電量的預測。而且風電場周圍的物理信息對預測的準確度也有很大影響。

2.2.2 時間序列模型

時間序列模型基于過去的功率或風速時間序列，通過模式識別、參數(shù)估計和模型校驗等步驟建立映射關系。短期預測時，模型的輸入量是若干個歷史功率數(shù)據和在線實時采集的SCADA（監(jiān)控和數(shù)據采集）實時數(shù)據；中期以上的預報時，輸入量還應該包括數(shù)字氣象預報（NWP）數(shù)據。最簡單的時間序列模型是persistence模型，它假定風電功率的預測值等于其最近的一個測量值。更高級的時間序列模型包括ARMA[13]、卡爾曼濾波[14]或者這兩者的結合[15]。但是在極端的天氣情況下，沒有一種模型可以得到較好的性能。

2.2.3 智能模型

智能模型是利用智能學習方法在輸入變量和輸出功率間建立非線性映射關系，包括神經網絡法[16]、模糊邏輯法、支持向量機法[17]以及這些方法的混合使用[18]。通過大量數(shù)據的學習和訓練來建立輸入輸出間的關系，在進行短期和中期的風速或功率預測時，模型的輸入變量與時間序列模型的類似。

2.3 按預測范圍劃分

根據預測范圍的不同，可以分為對單臺風機的預測和對一組風機的整體預測。

對每臺風機分別建立合適的預測模型，再結合可利用的風機數(shù)目以及風電場的結構變化，通過功率求和可以很容易地估計出整個風電場的產能情況。在對每臺風機的建模過程中，所考慮的輸入參數(shù)包括輪轂高度處的風速和當前風機的定向，相對于每臺風機來說具有局部性和特定性。但是利用該方法求整個風電場的出力時，沒有考慮風電場中各機組的尾流效應、地表地貌剪切效應、塔影效應等。

把一組風機看成一個集合，建立整體預測模型，可能更方便管理，并且單個機組的來流風速相對整個風電場的來流風速有不同時間的延時，這種延時相互作用，使得整體風電場的輸出比單機計算求和的輸出要平滑很多，可以降低預測誤差[19]。這個集合可以是風電場的一組風機，也可以是整個風電場，甚至是一個較大區(qū)域內的數(shù)個風電場的集合。文獻[20]通過分析機組來流風流動的特點和能量的分布，在考慮風電場各機組間多種效應的基礎上，研究了由多臺機組組成的風電場實際的風速功率模型，給出了整體風電場風速功率曲線。

3 風電場發(fā)電量預測技術研究現(xiàn)狀

目前，丹麥、德國、西班牙、美國等國已經在風力發(fā)電系統(tǒng)中開始應用風力發(fā)電量預測作為電網調度的一個重要參考依據。在這些國家風力發(fā)電量預測已經成為大型并網風電場系統(tǒng)管理和控制的基本組成部分。德國ISET開發(fā)的WPMS系統(tǒng)（風力發(fā)電場管理系統(tǒng)），采用神經網絡方法，其預測均方根誤差(RMSE)為裝機容量的7%～19%[21]，已成為商用最成熟的發(fā)電量預測系統(tǒng)。WPMS系統(tǒng)采用的是現(xiàn)在比較流行的運用“統(tǒng)計學”模型方法。即利用有效的數(shù)字氣象預報數(shù)據、歷史觀測氣象數(shù)據、實際測量氣象數(shù)據同風力發(fā)電量建立一個函數(shù)關系模型，利用數(shù)據中的時間序列和空間相關信息進行預測。這些模型又可以分為典型的線性模型[22]，如自回歸—滑動平均混合模型(ARMA)等，以及非線性模型，如人工神經網絡模型等。

目前基于數(shù)字氣象預報（NWP）作為風力發(fā)電量預測基礎的風力發(fā)電量預測和管理系統(tǒng)都是基于對全球氣象數(shù)據的觀測和測量，這些信息是得自于氣象專家、氣象臺站、氣象衛(wèi)星等等。通過對全球大氣NWP模型的研究，得到未來的大氣狀態(tài)。大約有15個國家能夠提供全球氣象模型以及預報。氣象模型對于中長期風力發(fā)電量預測是非常重要的。我國在西北地區(qū)正在建設大型測風系統(tǒng)，用來積累歷史數(shù)據。但基于氣象數(shù)據的預測方法還存在很多問題。風電場的地形、地表植被及粗糙度、周圍障礙物等會影響風力發(fā)電機輪轂高度風速的數(shù)值，不同數(shù)據采集地點的氣溫、風向、氣壓等因素對預測的精度有很大的影響。同時風機的“尾流效應”也影響預測的精度。

要解決風電場接入對電網調度影響，就需要提高短期風電場發(fā)電量預測的準確度。目前，較普遍使用的風力發(fā)電量預測的方法是“學習法”[23]。隨著人工智能的發(fā)展，出現(xiàn)了很多新的預測方法，包括混合專家經驗法(ME)、最近鄰搜索(NNS)、蟻群優(yōu)化(PSO)、支持向量機(SVM)、神經網絡法、小波分析法等。這些模型采用某種學習算法，通過大量數(shù)據的學習和訓練來建立輸入輸出間的關系，而不能用某個數(shù)學表達式直接表示[24]。學習方法的優(yōu)點可以根據風電場的位置，隨時修改預測模型，其準確度比較高，但同時學習方法需要積累大量的歷史數(shù)據，用于測量的成本較高。

4 風電場發(fā)電量預測技術發(fā)展方向

目前對大型風電場發(fā)電量的中/短期預測盡管取得了許多成果，但是尚存一些問題。首先，用于預測的模型過于復雜，環(huán)節(jié)較多，因此，預測準確度有待提高。其次，影響風電場發(fā)電量的諸多因素在所建風力發(fā)電模型中考慮不全面，也制約了預測準確度的提高。同時由于需要采集風電場的氣象數(shù)據，而氣象數(shù)據的測量點在風電場中的配置又極為有限，因此，所包含的風能信息也受到了限制[25]，采取多種預測方法的組合預測是風電場發(fā)電量預測技術發(fā)展的方向。目前，德國和丹麥進一步開發(fā)了自己的多種方法綜合預測系統(tǒng)（MSMPS），作為一體化的氣象和風力發(fā)電量預測系統(tǒng)。其目的是為了對局部地區(qū)氣象進行預測以及概率分析。MSEPS包含75個“成員”，每個獨立的預測都作為系統(tǒng)的成員。這些成員組成了一個完整的綜合預測方法。這就是說每個預測成員通過一系列方程組成物理學或者動力學過程，稱之為 “參數(shù)方法”（parameterization schemes）。這個綜合的方法主要目標是為了進行非確定性的氣象預測。不同的方程需要不同的解決方法，這就導致不同的結果[26]。因為所有的方程都使用不同的預測“綜合成員”，這些不同成員所描述的都是相同的過程。不過它們的假設條件不同，以便使它們能夠有解，事實上它們所描述的是氣象預測當中變化著的物理不確定性。

基于混沌理論的神經網絡進行風力發(fā)電量預測是一種新的預測方法。風力發(fā)電系統(tǒng)是與氣象信息緊密相關的復雜動力系統(tǒng)。氣象信息是典型的混沌時間序列，因此大型風場中的風力發(fā)電機的輸出功率必然具有混沌現(xiàn)象，也就是說風力發(fā)電機的輸出功率也是一個混沌時間序列[27]。混沌運動具有遍歷性、隨機性等特點,能在一定的范圍內按其自身規(guī)律不重復地遍歷所有狀態(tài)?；煦鐣r間序列在其內部這種確定的規(guī)律性,來自于它的非線性混沌動力學特性,它們使系統(tǒng)表現(xiàn)出某種記憶能力,這種性質不易為解析法所描述,但這種信息處理方式正好是神經網絡所具備的。而混沌系統(tǒng)不可能作長期預測,但只要有足夠好的模型和對初始條件的精確觀察,它的確定性卻使之在預測能力消失以前可以進行短期預測?；诨煦缋碚摰纳窠浘W絡模型廣泛應用于混沌時間序列的預測。結合中尺度氣象預報（MESO）模型的模型參考自適應容量預測模型，可以提高風電場發(fā)電量的預測準確度。

5 總結

分析了風電場接入對電網調度的影響和研究的重要性，介紹了國內外的風電場發(fā)電量預測技術。從中可以看出，提高風電機組的可信容量系數(shù)，降低電力系統(tǒng)所需的備用容量是改善風力發(fā)電的電網接入問題的重要措施。因此研制風電功率預測系統(tǒng)是解決制約風電大規(guī)模發(fā)展瓶頸問題的重要方法。

[1]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(yōu)化模型[J].電網技術，2008，32（7）：82-86.

[2]喻新強.西北電力系統(tǒng)如何應對大規(guī)模風電開發(fā)與利用[J].電網與清潔能源，2009，25（8）：1-6.

[3]汪寧渤.甘肅酒泉千萬千瓦風電基地面臨的挑戰(zhàn)及應對措施[J].電網與清潔能源，2009，25（7）：43-47.

[4]黃棟，李懷霞，張振.風電產業(yè)全球態(tài)勢與政府政策[J].電網與清潔能源，2009，25（2）：46-49.

[5]Bernhard Ernst，Brett Oakleaf，Mark L Ahlstrom，et al.Predicting the Wind[J].IEEE Power&Energy Magazine，2007，（11）：79-89.

[6]屠強.風電功率預測技術的應用現(xiàn)狀及運行建議[J].電網與清潔能源，2009，25（10）：4-9.

[7]宋偉偉，李強，袁越.雙饋風電機組接入地區(qū)電網后的電壓穩(wěn)定分析[J].電網與清潔能源，2009，25（5）：36-40.

[8]姚金雄，李曉婷，王暉.風電場穿透功率極限計算方法研究[J].電網與清潔能源，2009，25（4）：45-48.

[9]彭懷午，楊曉峰，劉方銳.基于SVM方法的風電場短期風速預測[J].電網與清潔能源，2009，25（7）：48-52.

[10]陶玉飛，李偉宏，楊喜峰.風電場風速預測模型研究[J].電網與清潔能源，2009，25（3）：53-56.

[11]范李平，楊力森，武粉桃.風電場并網對電力系統(tǒng)穩(wěn)定性影響[J].電網與清潔能源，2009，25（6）：58-61.

[12]范高鋒，趙海翔，戴慧珠.大規(guī)模風電對電力系統(tǒng)的影響和應對策略[J].電網與清潔能源，2008，24（7）：44-48.

[13]Negnevitsky M,Johnson P,Santoso S.Short Term Wind Power Forecasting Using Hybrid Intelligent Systems[C]//Proc.Power Eng.Soc.General Meeting.Tampa,FL,2007.

[14]冬雷，高爽，廖曉鐘，等.風力發(fā)電系統(tǒng)發(fā)電容量時間序列的混沌屬性分析[J].太陽能學報，2007，28(11)：1290-1294.

[15]肖永山，王維慶，霍曉萍.基于神經網絡的風電場風速時間序列預測研究[J].節(jié)能技術，2007，25(2)：106-108.

[16]Ahlstrom M L，Zavadil R M.The Role of Wind Forecasting in Grid Operations&Reliability[C]//Ransmission and Distri-bution Conference and Exhibition：Asia and Pacific，2005，8：1-5.

[17]2008全球可再生能源發(fā)展現(xiàn)狀分析及前景展望.http://www.chinapower.com.cn

[18]Sideratos G,Hatziargyriou N.Using Radial Basis Neural Networks to Estimate Wind Power Production[C]//Proc.Power Eng.Soc.General Meeting,Tampa,FL,2007.

[19]胡光旺.風電場整體風速功率模型及風速預報[D].汕頭：汕頭大學,2007.

[20]Ulrich Fochen,Matthias Lange,Kai Monnich,et al.Shortterm Prediction of the Aggregated Power Output of Wind Farms a Statistical Analysis of the Reduction of the Prediction Error by Spatial Smoothing effects[J].Journal of Wind Engine-ering and Industrial Aerodynamics, 2002,90:231-246.

[21]Alexandre Costa,Antonio Crespo,Jorge Navarro,et al.A Review on the Young History of the Wind Power Short-term Prediction[J].Renewable and Sustainable Energy Reviews,2008（12）:1725-1744.

[22]丁明，張立軍，吳義純.基于時間序列分析的風電場風速預測模型[J].電力自動化設備，2005，25(8)：32-34.

[23]Bossanyi E A.Short-term Wind Prediction Using Kalman Filters[J].Wind Engineering，1985，9（1）：1-8.

[24]王麗婕，廖曉鐘，高爽，等.并網型大型風電場風力發(fā)電功率-時間序列的混沌屬性分析[J].北京理工大學學報，2007，27(12)：1077-1080.

[25]Li Shuhui，Wunsch D，O′Hair E，et al.Using Neural Networks to Estimate Wind Turbine Power Generation[C]//IEEE Power Engineering Society Winter Meeting，Columbus，USA，2001，3（28）：977-986.

[26]杜穎，盧繼平，李青，等.基于最小二乘支持向量機的風電場短期風速預測[J].電網技術，2008，32（15）：62-66.

[27]Holttinen H.Handling of Wind Power Forecast Errors in the Nordic Power Market.9th International Conference on Probabilistic Methods Applied to Power Systems[C]//Stockholm，Sweden，2006.

A Summery of Studies on Wind Power Prediction Technologies

GAO Yang1,CHEN Hua-yu2,OU Yang-qun3
（1.Shenyang Institute of Engineering,Shenyang 110136,Liaoning Province,China;2.CPI Northeast Power Company Limited,Shenyang 110017,Liaoning Province,China;3.Liaoning Electric Power Company Limited,Shenyang 110006,Liaoning Province,China）

This paper firstlysummarizes the status of the wind power developmentin China,and secondly analyzes the urgentneed for solutions to address the impacts on power grids caused by the integration of the farms. Thirdly, it reviews the present study approaches and discusses the ongoingstudies and the trends on the wind power prediction technology both at home and abroad,and finally base donchaos theory,proposessomere warding methods.

wind power generation；wind power prediction；chaos theory

首先綜述了風電在我國的發(fā)展現(xiàn)狀，分析了目前風電場接入電網急需解決的問題,然后總結了現(xiàn)在風電場發(fā)電量預測模型的研究方法。接著分析了風電場發(fā)電量預測技術國內外的研究現(xiàn)狀和發(fā)展趨勢，最后提出了基于混沌理論的風電場發(fā)電量預測的方法。

風力發(fā)電；發(fā)電量預測；混沌理論

遼寧省教育廳資助項目(2008z165)；沈陽工程學院2009科技項目資助。

1674-3814（2010）04-0060-04

TM614

A

2010-01-30。

高 陽（1974—），男，講師，主要研究方向為電力系統(tǒng)及其自動化，新能源電力系統(tǒng)；

陳華宇（1973—），男，高級工程師，主要研究方向為電力系統(tǒng)及其自動化；

歐陽群（1973—），男，高級工程師，主要研究方向為電力系統(tǒng)及其自動化。

（編輯 徐花榮）