朱建紅，黃 瓊，孟棒棒

(南通大學(xué) 電氣工程學(xué)院，江蘇 南通 226019)

0 引 言

風(fēng)力發(fā)電機(jī)組發(fā)出功率時刻處于波動狀態(tài)，這種出力特性使得發(fā)電機(jī)組并網(wǎng)穩(wěn)定運(yùn)行面臨著巨大挑戰(zhàn)[1]。為規(guī)范電網(wǎng)調(diào)度和風(fēng)電場功率預(yù)測，國家能源局發(fā)布了風(fēng)電功率預(yù)測系統(tǒng)功能規(guī)范[2]，對風(fēng)電功率準(zhǔn)確預(yù)報(bào)要求進(jìn)行了嚴(yán)格量化。同時為保證風(fēng)電場并網(wǎng)安全穩(wěn)定運(yùn)行，電網(wǎng)公司頒布了《風(fēng)電場接入電力系統(tǒng)技術(shù)規(guī)定》，規(guī)定了風(fēng)電場輸出并網(wǎng)波動率控制要求。

作為新預(yù)測方法，組合預(yù)報(bào)成為發(fā)展趨勢[3]，其核心思想是消除大預(yù)報(bào)偏差以降低獨(dú)立預(yù)測誤差帶來的風(fēng)險(xiǎn)，將不同統(tǒng)計(jì)預(yù)測值加權(quán)平均，例如SVM預(yù)測與最小二乘法、混合遺傳算法[4,5]。現(xiàn)有成果顯示，風(fēng)電預(yù)測平均絕對誤差(MAE)可以控制在總裝機(jī)容量10%～15%以內(nèi)[6]。相比德國的WPMS，采用人工智能神經(jīng)網(wǎng)絡(luò)方法，預(yù)測均方根誤差(RMSE)在7%～19%。由歐盟資助開發(fā)的ANEMOS項(xiàng)目，預(yù)測誤差在10%左右。國內(nèi)較早的預(yù)測系統(tǒng)是由電力科學(xué)研究院開發(fā)的物理混合預(yù)測模型[7]。在平抑風(fēng)電場功率輸出波動方面，許多學(xué)者和科研人員也進(jìn)行了深入研究[8]。控制策略主要分為加儲能和不加儲能裝置[9]。加儲能裝置平抑功率波動方法有加超級電容、新型電池、新型飛輪裝置和超導(dǎo)磁[10]，成本較高。不加儲能的基于算法設(shè)計(jì)功率平滑處理的方法有低通濾波器法、滑動平均法、小波包分解等。課題預(yù)報(bào)策略基于智能預(yù)測算法研究，包括應(yīng)用較廣的BP神經(jīng)網(wǎng)絡(luò)法，波形追蹤能力較強(qiáng)的小波分析函數(shù)與神經(jīng)網(wǎng)絡(luò)相結(jié)合的小波神經(jīng)網(wǎng)絡(luò)法和基于最小二乘法的支持向量機(jī)法(LS-SVM)。預(yù)測結(jié)果利用小波包平滑,通過誤差及平滑對比分析，確定較優(yōu)預(yù)報(bào)策略。

1 風(fēng)電功率平滑及預(yù)報(bào)指標(biāo)分析

1.1 預(yù)測誤差

按規(guī)定，超短期功率預(yù)測時間點(diǎn)間隔設(shè)定為15 min預(yù)測一次，預(yù)測程序單次運(yùn)算時間應(yīng)少于5 min。風(fēng)電場短期預(yù)測月均方根誤差應(yīng)小于20%，超短期預(yù)測第4 h預(yù)測值月均方根誤差應(yīng)小于15%。誤差統(tǒng)計(jì)指標(biāo)至少應(yīng)包括均方根誤差、平均絕對誤差、相關(guān)性系數(shù)、最大預(yù)測誤差。求取如式(1)～式(4)。

均方根誤差(RMSE)

(1)

平均絕對誤差(MAE)

(2)

相關(guān)性系數(shù)(r)

(3)

最大預(yù)測誤差(δmax)

δmax=max(|PMi-PPi|)

(4)

1.2 波動率

風(fēng)電場波動包括l min功率變化率和10 min功率變化率，具體推薦值參照表1。

表1 風(fēng)電場功率波動推薦值

2 功率預(yù)報(bào)方案設(shè)計(jì)

預(yù)報(bào)功率曲線的生成采取先預(yù)測，再進(jìn)行波動率分析并進(jìn)行功率平滑的方法，將風(fēng)電場功率平滑后的功率曲線作為最后的預(yù)報(bào)結(jié)果。

2.1 風(fēng)電場功率輸出預(yù)測技術(shù)

研究與仿真數(shù)據(jù)均來自河北某一風(fēng)電場，裝機(jī)容量在30 MW～150 MW之間，由于預(yù)測功率和實(shí)際功率的采樣周期為15 min，只能進(jìn)行功率波動相對計(jì)算。

2.1.1 BP神經(jīng)網(wǎng)絡(luò)法在風(fēng)電場功率預(yù)測應(yīng)用

matlab調(diào)用train函數(shù)訓(xùn)練網(wǎng)絡(luò)，樣本數(shù)據(jù)共2880個，記錄該風(fēng)場一個月運(yùn)行情況，實(shí)際風(fēng)速和實(shí)際功率作為網(wǎng)絡(luò)測試樣本，并選用前1000個數(shù)據(jù)作為訓(xùn)練樣本，后面1880個點(diǎn)作為測試數(shù)據(jù)。圖1為0 min到15 000 min實(shí)際和預(yù)測風(fēng)電場功率，擬合度較好。從15 000 min到40 000 min為滾動預(yù)測風(fēng)電場功率和實(shí)際功率，誤差較大，但基本趨勢正確。

圖1 實(shí)際風(fēng)電場功率和預(yù)測風(fēng)電功率對比

將運(yùn)算數(shù)據(jù)保存，根據(jù)式(1)～式(3)，結(jié)果如下：RMSE=0.142，RMSE<0.15，MAE=0.114，r=0.9212，均方根誤差小于15%，符合標(biāo)準(zhǔn)要求[2]。

2.1.2 小波分解法在風(fēng)電場功率預(yù)測中的應(yīng)用

小波神經(jīng)網(wǎng)絡(luò)mallat運(yùn)行結(jié)果如圖2所示。樣本數(shù)據(jù)前1000個點(diǎn)作為訓(xùn)練樣本，任取第1000至2000個時間點(diǎn)風(fēng)速作為輸入?yún)?shù)，將預(yù)測功率與這1000個時間點(diǎn)實(shí)際風(fēng)電場功率進(jìn)行對比。小波神經(jīng)網(wǎng)絡(luò)預(yù)測結(jié)果與實(shí)際風(fēng)電場功率非常相近。

圖2 小波神經(jīng)網(wǎng)絡(luò)預(yù)測結(jié)果

小波神經(jīng)網(wǎng)絡(luò)隱含節(jié)點(diǎn)的權(quán)值見表2。表中Wij為風(fēng)電場功率曲線6個隱含節(jié)點(diǎn)權(quán)值參數(shù)，Wjk為風(fēng)速曲線隱含節(jié)點(diǎn)權(quán)值參數(shù)。i是樣本訓(xùn)練迭代次數(shù)，共計(jì)2880；j為隱含層節(jié)點(diǎn)個數(shù)，j=6；k為輸入節(jié)點(diǎn)個數(shù)，k=1。將預(yù)測后各個時間點(diǎn)風(fēng)電功率保存下來，根據(jù)式(1)～式(3)分別進(jìn)行均方根誤差RMSE、平均絕對誤差MAE和相關(guān)性系數(shù)r計(jì)算。RMSE=0.0785，RMSE<0.15，MAE=0.0554，r=0.9757,均方根誤差小于15%，預(yù)測結(jié)果完全符合要求。

2.1.3 支持向量機(jī)在風(fēng)電場功率預(yù)測中應(yīng)用

支持向量機(jī)在風(fēng)電場功率預(yù)測方面應(yīng)用就是根據(jù)回歸機(jī)功能特性，對樣本采樣點(diǎn)進(jìn)行數(shù)據(jù)統(tǒng)計(jì)，這僅考慮風(fēng)速對輸出功率的影響，以風(fēng)速和風(fēng)電場功率為xy軸構(gòu)成二維平面樣本點(diǎn)進(jìn)行最優(yōu)曲線擬合，從而找到風(fēng)速與風(fēng)電場功率的映射關(guān)系。以一個月內(nèi)2880個采樣點(diǎn)作為測試數(shù)據(jù)，將得到的風(fēng)電場功率預(yù)測曲線與當(dāng)月實(shí)際風(fēng)電場功率曲線對比，結(jié)果如圖3所示。實(shí)際功率曲線與預(yù)測功率曲線基本吻合，根據(jù)式(1)～式(3)誤差計(jì)算。RMSE=0.0964，RMSE<0.15，MAE=0.0661，r=0.9650。

表2 小波神經(jīng)網(wǎng)絡(luò)權(quán)值參數(shù)

由于只考慮風(fēng)速對風(fēng)電場功率的影響而忽略其它氣象參數(shù)，也是風(fēng)電場功率預(yù)測誤差主要因素。

2.1.4 預(yù)測仿真比較分析

風(fēng)電場同一個月內(nèi)的歷史數(shù)據(jù)進(jìn)行實(shí)例分析，3種方法預(yù)測的均方根誤差、平均絕對誤差和相關(guān)性系數(shù)(即預(yù)測準(zhǔn)確度)的計(jì)算。結(jié)果見表3。

表3 3種方法預(yù)測結(jié)果誤差對比

3種預(yù)測方案誤差對比得出以下結(jié)論：

(1)BP神經(jīng)網(wǎng)絡(luò)法預(yù)測的準(zhǔn)確度較低(即相關(guān)性系數(shù)最低)，預(yù)測的均方根誤差和平均絕對誤差都比小波神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)高。主要原因在于BP神經(jīng)網(wǎng)絡(luò)對訓(xùn)練樣本要求比較高，需要可信度及完整性高的訓(xùn)練樣本。

(2)小波神經(jīng)網(wǎng)絡(luò)的預(yù)測準(zhǔn)確度0.9957，預(yù)測功率的均方根誤差和平均絕對誤差也是最低的，可見小波分析函數(shù)和神經(jīng)網(wǎng)絡(luò)的結(jié)合挖掘數(shù)據(jù)之間細(xì)微關(guān)系能力較大，較強(qiáng)學(xué)習(xí)能力可尋找風(fēng)速曲線和功率曲線中波形細(xì)節(jié)信號和輪廓信號之間映射關(guān)系，預(yù)測誤差較小。

(3)支持向量機(jī)處理多維復(fù)雜數(shù)據(jù)優(yōu)勢使其成為當(dāng)前功率預(yù)測較為熱門研究之一，但因忽略其它功率輸出影響因素，僅實(shí)現(xiàn)二維最優(yōu)曲線回歸，課題測試沒有突出這一特點(diǎn)。實(shí)例檢驗(yàn)后發(fā)現(xiàn)誤差比小波神經(jīng)網(wǎng)絡(luò)稍大，準(zhǔn)確度0.9950。

總的來說，表3可看出3種預(yù)測結(jié)果均方根誤差都小于15%，滿足國家標(biāo)準(zhǔn)。其中小波分解法和支持向量機(jī)預(yù)測結(jié)果較好。

2.2 風(fēng)電場功率平滑算法設(shè)計(jì)

小波包分解對預(yù)測的風(fēng)電場功率進(jìn)行平滑，將頻帶進(jìn)行多層次劃分，對小波分析沒有細(xì)分的高頻部分進(jìn)一步分解，并根據(jù)需要分析信號特征，自適應(yīng)選擇相應(yīng)頻帶，使之與信號頻譜相匹配，從而提高高頻區(qū)分辨率。課題從平滑前后的功率曲線波動分析，檢驗(yàn)功率曲線平滑效果，給出平滑前后功率修正分析(實(shí)際控制中結(jié)合實(shí)際功率進(jìn)一步修正)。風(fēng)電場功率波動量表達(dá)式如式(5)所示

ΔP=PWG(k)-Pout(k-1)

(5)

式中：PWG(k)為k時刻風(fēng)電功率，Pout(k-1)為k-1時刻風(fēng)電場輸出功率，則k時刻風(fēng)電場功率波動率γ如式(6)所示

γ=ΔP/Cap

(6)

式中：Cap為裝機(jī)容量，通過平滑功率曲線控制波動率γ在0.2以內(nèi)。

2.2.1 先BP神經(jīng)網(wǎng)絡(luò)預(yù)測后小波包平抑

(1)波動分析

BP神經(jīng)網(wǎng)絡(luò)的預(yù)測功率曲線未平滑前的波動率如圖4所示。

圖4 BP功率預(yù)測曲線各點(diǎn)波動率

圖中波動率γ大于0.2的點(diǎn)共有94個，占樣本總和3.26%；波動率γ大于0.1的點(diǎn)共有352個，占樣本總和12.22%。功率平滑進(jìn)行小波包分解平滑后的功率曲線與未平滑對比如圖5所示。平滑后功率曲線波動率γ大于0.2的點(diǎn)共29個，占樣本總數(shù)1.01%；波動率γ大于0.1的點(diǎn)共有73個，占樣本總數(shù)的2.53%。

圖5 平滑前后的功率曲線對比

(2)功率修正量

平滑前后功率修正量計(jì)算作為電網(wǎng)調(diào)度決策參考。數(shù)據(jù)統(tǒng)計(jì)分析按修正量區(qū)間劃分。如表4所示，功率修正量在5 KW以內(nèi)的采樣點(diǎn)占樣本總?cè)萘?3.5%，在區(qū)間[5 KW,10 KW]內(nèi)的修正功率占20%，大多數(shù)功率修正值比較小，但超過10 KW只占總體容量6.5%，修正難度較大。由此可見，BP神經(jīng)網(wǎng)絡(luò)預(yù)測后平滑難度較大，效果總體尚可。

2.2.2 先小波分解預(yù)測后小波包波動平抑

(1)波動分析

圖6中，數(shù)據(jù)統(tǒng)計(jì)波動率γ大于0.2的點(diǎn)共有12個，占樣本總和1.20%；波動率大于0.1的點(diǎn)共有50個，占樣本總和5%。

表4 BP神經(jīng)網(wǎng)絡(luò)算法功率修正區(qū)間分布

圖6 小波功率曲線波動率

平滑前后功率曲線平滑對比如圖7所示。虛線代表平滑前功率曲線，粗實(shí)線代表平滑后功率曲線。平滑后的曲線經(jīng)數(shù)據(jù)統(tǒng)計(jì)，波動率γ大于0.2的點(diǎn)共有7個，占樣本總數(shù)的0.7%；波動率γ大于0.1的點(diǎn)共有23個，占樣本總數(shù)的2.3%。

圖7 平滑前后的小波神經(jīng)網(wǎng)絡(luò)預(yù)測曲線

(2)功率修正量

預(yù)測功率曲線平滑前后數(shù)據(jù)統(tǒng)計(jì)分析修正量區(qū)間劃分見表5。

表5 小波神經(jīng)網(wǎng)絡(luò)功率修正區(qū)間分布

由表5可知，修正功率在5 KW以內(nèi)的采樣點(diǎn)占樣本總?cè)萘?9%，在區(qū)間[5 KW,10 KW]內(nèi)的修正功率占10%，絕大多數(shù)功率修正值比較小，符合風(fēng)電場實(shí)際作業(yè)需求，總體平滑效果較好。

2.2.3 先支持向量機(jī)預(yù)測后小波包波動平抑

(1)波動分析

支持向量機(jī)預(yù)測功率曲線波動率如圖8所示。經(jīng)數(shù)據(jù)統(tǒng)計(jì)波動率γ大于0.2的點(diǎn)共有17個，占樣本總和0.61%；波動率γ大于0.1的點(diǎn)共有110個，占樣本總和3.95%。

圖8 SVM預(yù)測風(fēng)電場功率曲線波動率

平滑前后風(fēng)電功率曲線如圖9所示。平滑后功率曲線經(jīng)數(shù)據(jù)統(tǒng)計(jì)波動率γ大于0.2的點(diǎn)共有6個，占樣本總數(shù)的0.22%；波動率γ大于0.1的點(diǎn)共有24個，占樣本總數(shù)0.86%。

圖9 平滑前后風(fēng)電場對比曲線

(2)功率修正量

平滑前后所需修正的功率數(shù)據(jù)統(tǒng)計(jì)按修正量區(qū)間劃分見表6。

由表6可知，修正功率在5 KW內(nèi)的采樣點(diǎn)占樣本總?cè)萘?5%，區(qū)間[5 KW,10 KW]內(nèi)的修正功率占14%，絕大多數(shù)功率修正值比較小，便于風(fēng)電場實(shí)行，修正之后的功率曲線波動率也大幅下降，總體上平滑效果良好。

表6 支持向量機(jī)功率平滑修正量區(qū)間

3 總體仿真結(jié)果比較分析

3種先功率預(yù)測后波動平抑見表7。

表7 3種方法預(yù)測誤差及小波包平滑波動率

分析可以看出，小波神經(jīng)網(wǎng)絡(luò)的預(yù)測兼平滑總體效果比其它兩者好。但運(yùn)行也發(fā)現(xiàn)小波神經(jīng)網(wǎng)絡(luò)計(jì)算速度是3種方法中最慢的，因小波分解函數(shù)將風(fēng)速和功率都分解成6個部分，平均計(jì)算一次需要耗時1.125 s(國家標(biāo)準(zhǔn)內(nèi))，運(yùn)行時占用內(nèi)存也是最高的，計(jì)算的工作量近似于BP和SVM的6倍。

4 結(jié)束語

風(fēng)電場功率輸出波動率太大不利于電網(wǎng)穩(wěn)定運(yùn)行，影響整體電網(wǎng)的電能質(zhì)量，預(yù)報(bào)不準(zhǔn)不利于電網(wǎng)調(diào)度計(jì)劃的制定與執(zhí)行。并網(wǎng)功率平滑且預(yù)報(bào)準(zhǔn)確是風(fēng)電場功率預(yù)報(bào)的追求目標(biāo)。現(xiàn)有文獻(xiàn)的研究成果大多針對其中之一展開，本文在綜合考慮兩者基礎(chǔ)上針對風(fēng)力發(fā)電中的功率預(yù)測和風(fēng)電場功率平滑問題，分別采用BP神經(jīng)網(wǎng)絡(luò)、小波分解神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)進(jìn)行風(fēng)電場功率預(yù)測，并以河北某電廠一個月內(nèi)的數(shù)據(jù)作為實(shí)例檢驗(yàn)分析。選用小波包分解方法對前3種方法預(yù)測的功率曲線進(jìn)行平滑。給出曲線的波動率和平滑前后的功率修正量，得出先小波神經(jīng)網(wǎng)絡(luò)法后小波包分解平滑兼準(zhǔn)確預(yù)報(bào)的較優(yōu)方案。

風(fēng)電場預(yù)測結(jié)果客觀上高度依賴氣象預(yù)報(bào)的準(zhǔn)確度，所以預(yù)測誤差相對較大。功率平滑技術(shù)要求電網(wǎng)具備較高調(diào)節(jié)能力，盡量避免棄風(fēng)限電事件發(fā)生。隨著儲能技術(shù)的發(fā)展，就地平抑風(fēng)電功率波動問題也將緩解電網(wǎng)這方面的調(diào)節(jié)壓力。