风电预测预报研究报告

风电预测预报研究报告0引言甘肃河西走廊地区有着丰富的风电资源。根据2008年4月中国水电顾问集团甘肃勘测设计研究院与甘肃汇能新能源技术设计所共同完成的《甘肃酒泉千万千瓦级风电基地规划报告》，至2010年酒泉地区风电场总装机容量将达到5160MW，其中安西地区4050MW，玉门地区1110MW。至2015年酒泉地区风电场总装机容量将达到12710MW，其中，安西地区6400MW，玉门地区2310MW，马鬃山地区4000MW。风电的大量接入给甘肃电网的有功功率调节质量和调峰能力带来越来越大的影响，如何根据风力发电输出功率情况对电网内的常规机组的运行进行合理调配是甘肃电网急需解决的问题。对风电场输出功率进行预测且把风电功率纳入电网的调度计划是保证电网稳定经济运行的重要措施之一。风电功率预测将成为电力系统不可或缺的组成部分，对于调度安排系统的发电计划、保证电力系统的安全稳定运行、降低备用容量和运行成本以及对电力市场进行有效的管理等都具有重要意义。甘肃省电力公司积极应对大规模风电并网带来的挑战，与中国电力科学研究院合作研究建立适合酒泉风电基地的风电预测预报系统。本文根据风电预测预报系统阶段性建设研究的实际情况，对当前尚处于研究初级阶段的预测预报系统的运行情况进行介绍，并对预测预报结果进行初步分析，提出了下一步研究的方向。1预测要求简介1.1时间要求甘肃电网调度中心目前确定次日电源开机方式及出力的过程为：每天17：00上报第2天24h每15min间隔的负荷曲线及电源的开机状态，甘肃电网调度中心根据以上数据确定各水电厂、火电厂以及省（区）间联络线的第2天96点曲线。根据风电预测预报系统的工作原理及甘肃电网的具体情况，甘肃电网风电功率预测系统的时间参数要求应为：每天14：00预测次日00：00—24：00风电输出功率；时间分辨率为15min。1.2空间要求区域风电功率总和对确定常规电源的出力曲线及联络线交换功率具有很大的作用，因此，需要预测整个区域的风电功率；在电网调度时，将一个风电场看作一个整体进行调度，不需要对每台风电机组的功率进行预测，只需要预测整个风电场的功率。甘肃电网风电功率预测系统的空间参数要求为：在预测每个风电场的风电功率基础上预测甘肃全省的风电功率。风电功率预测系统的模型开发需要大量的历史数据，甘肃省满足条件的风电场有洁源三十里井子、洁源玉门、洁源向阳和中电投安西。因此，系统运行初期仅对这4个风电场的功率进行预测。2风电功率预测模型不同的风电功率预测模型采用了不同的预测方法。考虑到风电场周围环境地形及粗糙度等信息，采用物理方程进行预测的方法为物理方法；根据历史数据进行统计分析，找出其内在规律并用于预测的方法为统计方法。如果物理方法和统计方法都采用则称之为综合方法。风电功率预测的物理方法，根据数值天气预报系统的预测结果得到风速、风向、气压及气温等天气数据，然后根据风电场周围等高线、粗糙度、障碍物及温度分层等信息，采用微观气象学理论或计算流体力学的方法，计算得到风电机组轮毂高度的风速、风向、气温及气压等信息，之后根据风电场的功率曲线计算得到风电场的输出功率。风电场输出功率预测统计方法不考虑风速变化的物理过程，而是根据历史统计数据找出天气状况与风电场出力的关系，然后根据实测数据和数值天气预报数据对风电场输出功率进行预测，常用的预测方法有时间序列法、BP（误差反向传播）神经网络方法、径向基函数神经网络和支持向量机等。物理方法和统计方法各有优缺点。物理方法不需要大量的测量数据，但要求对大气的物理特性及风电场特性有准确的数学描述，这些方程求解困难，计算量大，计算时间较长；统计方法不需要求解物理方程，计算速度快，但需要大量历史数据，采用智能方法从数据中学习，得到气象参数与风电场输出功率的关系。酒泉地区风电场具有完备的SCADA（数据监控与采集）数据，可满足风电功率预测的需要。本项目采用的具体技术方案为：利用数值天气预报、风电场历史测风数据、风电场输出功率历史数据、风电场所处区域的地形地貌和风机运行状态等数据，通过统计方法或物理与统计相结合的方法建立各风电场的预测模型，然后以数值天气预报数据作为模型的输入，预测各风电场和全省次日风电出力。根据分析研究，对洁源向阳和中电投安西风电场的预测，采用统计方法建立风电功率预测模型；对洁源三十里井子和洁源玉门的预测，采用物理模型和统计模型相结合的混合方法建立风电功率预测模型。3预测系统软件开发风电功率预测系统的模块划分及软件结构如图1所示。各软件模块具有如下功能。（1）预测系统数据库：预测系统的数据中心，各软件模块均通过系统数据库完成数据的交互。系统数据库存储来自数值天气预报处理模块的数值天气预报数据、预测程序产生的预测结果数据和EMS（能量管理系统）接口程序产生的实发风电功率数据等。（2）数值天气预报处理模块：从数值天气预报服务商的服务器下载数值天气预报数据，经过处理后形成各预测风电场预测时段的数值天气预报数据送入预测系统数据库。（4）误差小于20%点所占比例：均方根误差小于20%的预测点在所有预测点中所占的比例。《风电功率预测系统技术规范（征求意见稿）》采用该指标表征预测准确度。需要注意的是，平均绝对误差和均方根误差指的是预测误差与风电装机容量的比值，而不是与实际功率的比值。图2为2010年1月11日风电总出力的预测与实测曲线，实线代表实测风电，虚线代表预测风电。由表1可知系统在2010-01-01—2010-01-17内预测各风电场误差小于20%点所占比例为44.70%~70.18%，其中误差最大为洁源三十里井子风电场，其误差小于20%点所占比例为44.7%，误差最小为洁源向阳风电场，其误差小于20%点所占比例为70.18%。甘肃风电总和的误差小于任何一个风电场的误差，其误差小于20%点所占比例为70.8%，从中可知风电的地理分散效应能够显著降低风电功率总体误差。《风电功率预测系统技术规范（征求意见稿）》要求误差小于20%点所占比例至少为80%，因此，本系统距离合格的精度要求还有一定的距离。4.2各准确度指标关联性分析该风电预测预报系统共有4个不同的指标来衡量风电预测的准确度，因此，有必要研究这4个不同指标间的内在联系。相关性系数、平均绝对误差、均方根误差与误差小于20%点所占比例之间的关联性如图3～5所示。由图3可知，相关性系数与误差小于20%点所占比例基本没有没任何关系，二者几乎是相互独立的；由图4可知，平均绝对误差与误差小于20%点所占比例关联性较强，相关性系数为0.945；由图5可知，均方根误差与误差小于20%点所占比例关联性也较强，相关性系数为0.925。因此可以推断，平均绝对误差、均方根误差与误差小于20%点所占比例三者之间的关联性较强，而它们与相关性系数几乎没有任何关系。因此，对于本系统来说，提高预测准确性最主要的方法是降低平均误差（平均绝对误差和均方根误差）而不是提高相关性系数。其具体原因需要进一步研究。后面的研究工作会逐步使用实测数据（风电功率和测风塔测风数据）训练预测模型并校验预测结果，实现闭环预测预报。5结语为解决甘肃酒泉千万千瓦级风电基地的调度运行问题，风电预测预报系统的建