PDF《Published in:》

Downloaded from orbit.

dtu.dk on: Jun 09,

2019 Xue, Yusheng;

Yu, Chen ;

Zhao, Junhua;

Li, Kang;

Liu, Xueqin;

Wu, Qiuwei;

Yang, Guangya Published in: Dianli Xitong Zidonghua/Automation of Electric Power Systems Link to article, DOI: 10.7500/AEPS20141218003 Publication date:

2015 Document Version Publisher'

s PDF, also known as Version of record Link back to DTU Orbit Citation (APA): Xue, Y., Yu, C., Zhao, J., Li, K., Liu, X., Wu, Q., &

Yang, G. (2015). . Dianli Xitong Zidonghua/Automation of Electric Power Systems, 39(6), 141-150. https://doi.org/10.7500/AEPS20141218003 http: / /www. aeps - info. com 关于短期及超短期风电功率预测的评述 薛禹胜1 ,

2 ,郁琛2,

1 ,赵俊华3 ,Kang LI4 ,Xueqin LIU4 ,Qiuwei WU5 ,Guangya YANG5 ( 1. 南瑞集团公司( 国网电力科学研究院) ,江苏省南京市

21 1 106;

2. 南京理工大学自动化学院,江苏省南京市 210094;

3. 浙江大学电气工程学院,浙江省杭州市 310027;

4. Queen'

s University Belfast,BT9 5AH,Northern Ireland,UK;

5. Technical University of Denmark,Lyngby 2800,Denmark) 摘要:讨论风电功率预测及其误差对电力系统的影响, 从信息流观点解读风电功率预测过程, 归纳 影响风电功率预测精度的因素, 并对风电功率预测的研究现状加以归类与梳理.在此基础上, 讨论 对风电功率预测结果评价指标的要求, 提出误差评估指标应该反映整个时间窗口内的预报质量, 并 展望风电功率预测可能的突破. 关键词:风电预测;

信息流向;

组合预测;

评估指标;

概率预测 收稿日期:2014 -

12 - 18;

修回日期:201

5 -

01 - 23. 国家重点基础研究发展计划(973 计划)资 助项目(2013CB228204) ;

澳大利亚 ARC 资助项目( DP120101345) ;

中英合作研究项目(NSFC -

5 131

1 1025 - 2013, EPSRC - EP / L001063/1) ;

国家电网公司科技项目.

0 引言 随着风电并网规模的快速扩大, 风电的不确定 性对电力系统与电力市场的稳定性、 充裕性及经济 性的影响也日益彰显[ 1] , 故及时、 精确地预测风电功 率( wind power, WP) 动态的意义重大.风 电功 率 预测( wind power prediction, WPP) 根据 风速及相 关因素的历史数据和当前状态, 定性或定量地推测 其此后的演化过程.定性方法主要依靠专家经验来 判断其变化趋势;

定量方法则需要建立数学模型来 反映 WP 与相关因素的关系, 外推 WP 值.WPP 功 能在丹麦、 德国和西班牙等风电高穿透率的电网中 已不可或缺[ 2] . WPP 可按时间尺度分为中长期、 短期和超短期 预测.用于风电场规划及年度发电计划的长期预测 以年为时效;

用于检修计划的中期预测以周或月为 时效.中长期预测对精度的要求不严格, 但需要长 时间的历史数据积累.短期预测则要求 较高的精 度, 以减少弃风, 优化常规电源的日发电计划与冷热 备用, 以及调整检修计划.超短期预测则有助于优 化调频及旋转备用容量, 以及在线优化机组组合与 经济负荷调度.国家能源局

201 1 年发布的《 风电场 功率预测预报管理暂行办法》 规定风电场功率预测 系统提供的日预测曲线最大误差不超过 25% ;

实时 预测误差不超过 15%;

全天预测结果的均方根误差 ( root mean square error, RMSE) 应小于20% [ 3] . 对短期与超短期预测的时效尚缺乏共识, 国家电网 公司

201 1 年发布的《 风电功率预测功能规范》 分别 规定为次日零时起

3 d 和未来

0 ~4 h, 时间分辨率 为15 min [ 4] .本文主要关注短期及超短期 WPP. WP 几乎完全由自然条件决定, 难以人工控制. 虽然中国

6 个千万千瓦级风电基地的大范围功率波 动都具有季节性变化规律及昼低夜高的特征[ 5] , 而且WP 的不确定性随着集群规模的增大而有所平 缓[ 6] , 但其波动性、 间歇性和随机性仍比电力负荷[ 7] 突出得多. 虽然时间序列法及人工神经网络(artificial neural network, ANN) 等仍是 WPP 的主 要方法, 但其误差, 特别是最大误差难以掌控[ 8] .为此, 迫切需要探索新思路. 文献[ 8] 归纳了风电不确定性因素及其对电力 系统充裕性、 稳定性、 频率与电压可接受性、 经济性 及减排效果的影响.本文在其基础上讨论了 WPP 误差的来源及影响, 提出评价指标, 梳理研究现状, 探讨了可能的突破口.

1 WPP 的误差特性对电力供应的影响 WP 的整体 不确定性由其随机性及模糊性构成[ 8] .有效的 WPP 虽然不会减少 WP 的随机 性, 但可降低其模糊性, 从而使 WP 的整体不确定范围 降低到 WPP 的最大误差区间, 减小了 WP 对电力 系统及电力市场的扰动.必须强调, 不仅需要降低 WPP 的长期平均误差, 还需关注短期平均误差, 甚 至瞬 时误差, 以确保电网运行的稳定性[ 9] 及充裕141第39 卷第6期20

1 5 年3月25 日Vol.

39 No.

6 Mar. 25,

201 5 DOI:10. 7500/AEPS20141218003 性[

1 0] , 优化 机组组合与经济负荷调度[

1 1] , 减少弃风[

1 2] , 降低排放, 降低电网运行成本[

1 3] . 此外, WPP 误差的概率分布特性对于 WP 不确 定性的应对也非常重要.文献[ 14] 设WPP 误差的 概率分布为已知的高斯分布, 以不同的置信水平给 出预测结果;

具体的应用功能则可按其对风险的接 受程度从中选择.其中关于误差期望为零值的假设 并不合理, 而其他的文献则采用了误差期望的预测 值, 但均未说明如何得到后者.文献[ 15] 在优化调 度计 划时考虑了WP 及其误差带的预测. 文献[16] 基于概率预测, 建立系统运行风险约束的动态 经济调度模型, 将风电场出力视为概率不确定的随 机变量参与求解, 得到不同置 信水平的优化结果. 文献[ 17] 则建立了储能容量与 WPP 可信度的关系 模型, 以优化储能成本. 在风电参与电力交易方面, 文献[ 18] 关注 WPP 的误差对自动发电控制双向调节代价的影响, 根据 其概率密度来申报出力, 以优化风电场的期望收益. 文献[

1 9] 在短期交易的出价决策中, 将WPP 误差 处理为随机过程.文献[ 20] 比较了 WPP 误差对市 场出清电价、 电网平均购电成本等运营指标的影响. 降低 WP 不确定性对社会福利的负面影响, 需 要同时减小 WPP 误差的数学期望及方差, 为此应 深入了解影响 WPP 误差的因素.

2 影响 WPP 精度的因素 WP 依赖于风电场的地理环境( 包括地形地貌、 粗糙度、 塔影及尾流效应等) 与气象条件( 包括风速、 风向、 气压及温度等) .其中以风速最为重要, 故WPP 往往采用先预测风速再折算, 并考虑机组故障 及检修等因素的思路.影响 WPP 精度的因素可归 结为以下几点. 1) 数据采集与处理.在建立预测模型期间所需 的历史数据, 及在实施预测期间所需的实时数据, 都 希望尽量完备和准确.气象的历史数据与实时数据 的缺失, 风电场数据采集、 传输与处理设施的缺陷, 都会影响 WPP 的精度.数据预处理技术包括数据 同步、 异常数据的识别与处理、 缺失数据的替代等. 通过整合数据源, 完善考核体系能够提高预测的准 确性. 2) 预测策略.例如: 直接预测 WP 或通过风速 预测;

直接预测整个风电场的 WP 或根据部分风机 的预测值及空间相关性推算[

2 1] ;

采用逐一累加方式 或统计升尺度方式[ 22] 推算区域风电场群功率.一 般来说, 能反映更多具体数据的预测策略可以得到 更高的精度, 但需要更多的数据与计算量. 3) 预测方法.物理计算法、 时序外推法、 人工智 能( artificial intelligence, AI) 法分别从空间、 时间与 样本分类的观点推算.它们依据的数据源、 预测模 型、 误差特性都有所不同.若能巧妙地互补不同方 法的优点, 可以更好地反映风速的时空演变特性. 4) 数值天气预报(numerical weather prediction, NWP) 在大气实际的初值和边值条件下, 数值求解天气演变过程的流体力学和热力学模 型, 根据空间网格中的平均值推算实际风电场地表 风速的非均匀分布, 并预测其动态变化[ 23] .由于计 及了等高线与等地形信息, 以及地表粗糙度、 障碍物 等地貌信息, 通过微观气象学方法可以得到各风机 轮毂高度的风速、 风向、 气压、 气温等信息.然后, 将 风速的推算值转换为风能, 其精度与 NWP 的精度、 网格大小、 刷新周期等密切相关.由于近地面, 特别 是小气候复杂地区的风速数值预报精度在部分时段 内可 能很低, 而风能又正比于风速的3次方, 故NWP 的误差 在WPP 模型中被放大.此外, NWP 的周期长, 无法用于超短期预测. 5) 外推法和 NWP 都基于下述假设, 即系统未 来的变化态势将保持与起始时刻前的一小段时间内 一致, 因此难以正确预报天气系统特性的突变.AI 类模型的强壮性受训练样本集的影响很大[ 24] , 不易 保持强壮性. 6) 风电场的地形地貌会影响 WP 的平稳性及 场内各风电机组的相关性;

地域增大往往有助于预 测误差的对消. 7) 将风速的推算值转换为风电预测, 需要考虑 风电机组的可靠性及检修计划的不确定性. 8) 预测时效缩短有助于提高预测的平均精度, 但在风速 的波动及间歇特征明显的时段内, 效果变差.

3 WPP 方法按信息流分类 3.

1 数据源 表1概括了 WPP 的输入信息, 包括风电场背 景数据( 包括等高线、 粗糙度、 障碍物、 风机布置等) , 历史数据( 包括风速、 温度、 气压) , NWP 数据和实 时数据( 包括风速、 WP、 温度、 气压) .WPP 的输出 数据包括风速预测值和 WPP 值. 3.

2 各种 WPP 方法的信息流 图1给出了各种 WPP 方法所对应的信息 流, 包括对........