功率预测准确率对风速预报质量的敏感性分析

摘要：风具有波动与间歇性的特点，随着电网中风电装机容量比例的提高，电网运行面临的挑战变得越来越大，准确可靠的风功率预测可削弱风电不稳定性的影响。本文基于MLP（Multi-layerPerception）神经网络模型针对山东某山地风电场进行功率预测，采用不同风速预报策略以研究功率预测准确率对风速预报质量（均方根误差、相关性系数）的敏感性。结果显示：风速预报质量的提高下功率预测准确率有提升的趋势，但功率预测准确率的提升比例与风速预报质量的提升比例仅呈弱线性关系。关键词：风速预报；功率预测；MLP神经网络模型；敏感性分析引言风具有波动性、间歇性等特点，从风中获取能量产生的功率必然也继承了这一特点。当风力发电在电网中所占的比例较小时，上述特点不会对需保持负荷端和发电端平衡的电网带来明显影响。但随着风电在电网中的比例不断增加，风的不确定性增加了电网要保持安全可靠运行的难度，一旦电力系统发生故障，将会对正常的经济运行和人民生活造成影响。通过准确的风功率预测系统，电网可合理调整发电计划，削弱不稳定发电量对电网的影响。同时，随着各省市陆续开展电力市场交易，风电电量预测也成为交易的基础信息。风电场功率预测所采用的建模方法不同，所需的数据源不同，总体上包括气象预报数据、风功率预测塔数据、机组发电量及风电场基本信息等。预测的误差主要有气象预报误差和预测模型误差。气象预报数据的时空分辨率较低，通常为1h、9km/3km/1km，仅反映特定区域、特定高度天气数据的平均值，忽略了小尺度下局地不同地表粗糙度、地形等地表环境因素对天气的影响，不能准确代表机组位置处的气象数据。功率预测模型根据气象预报和历史实测数据进行功率预测，得到最终的功率预测结果。根据传统风机的能量转换模型，功率与风速的三次方成正比关系，风速的预测偏差将显著影响功率预报的准确率。本文将采用不同风速预报策略，基于多层感知器MLP（Multi-layerPerception）神经网络模型探讨风速预报质量对功率预报准确率的影响。研究方法常见功率预测模型一般采用统计方法直接建立气象预报与全场功率的关系，每日更新气象预报后得到功率预报结果。但由于气象预报时空分辨率较低，难以对微尺度下的风电场进行较为准确的预报，通常在风电场建设时会建立风功率预测塔作为对气象预报数据的补充与修正。本文以山东某丘陵地形50MW风电场为研究对象，收集到2019年全年气象预报、SCADA数据。由于未获取风电场风功率测塔数据，本次选取尾流损失小且机组风速与全场功率相关性最高的机组作为“虚拟风功率预测塔”，并以此机组的风速风向数据将作为模型训练的输入。气象预报风速与全场功率的相关性系数为0.68，“虚拟测风塔”与全场功率的相关性为0.89，说明所选取“虚拟风功率预测塔”的有效性。本文重点研究风速预报质量对功率预测准确率的影响，主要是基于两种风速预报策略，均采用多层感知器MLP（Multi-layerPerception）神经网络模型建立风速与功率之间的关系。两种策略所采用数据的差异详见表1，策略2中增加了机组实际风速风向信息作为“虚拟风功率预测塔”，得到另一组可输入模型的风速预报值。通过分析策略1和策略2在功率预测阶段输入的风速预报的质量，可一窥功率预测对风速预报质量的敏感性。在历史气象预报数据和历史虚拟风功率预测塔风速建模的过程中，为提高风速预报的准确性，采用分风速段的方法精细化建模。具体而言，每个月的数据按2m/s风速区间划分风速段，建立该风速段内气象预报和虚拟风功率预测塔的风速关系，建模采用sklearn机器学习工具包，在此不过多赘述。表1两种功率预测策略介绍评价指标预测结果的好坏通常采用均方根误差、均方误差、相关性系数、平均绝对误差等指标，本文以均方根误差和相关性系数作为分析的基础。1）预报风速月度均方根误差：2）预报风速相关性系数：3）功率预测准确率：其中N为月度样本总量，为第i个样本点的预测值，为第i个样本点的实际值，C为装机容量。分析与讨论1.风速预报质量分析将策略一和策略二的风速预报结果和实测值进行误差分析，结果如图1和图2所示。策略二中引入机组“虚拟风功率预测塔”后，风速平均均方根误差从1.82m/s下降到1.51m/s、相关性系数从0.68上升到0.75，变化比例分别为-17.23%和10.58%，风速预报质量明显提高，但风速偏差仍在1.4m/s以上。图1两种策略下各月预报风速的均方根误差图2两种策略下各月预报风速与实测值的相关性系数2.功率预测准确率分析图3两种策略下各月功率预测准确率两种策略下的功率预测准确率如图3所示，策略二相比策略一在风速预报质量上有明显提升，相应的功率预测的准确率也得到了提升，全年平均准确率平均从81.5%提升到了83.5%。但总体来说提升有限。通常认为风速预报和实测值的相关性比较好的情况下，风速绝对值的差异可通过功率预测模型在一定程度上抵消，保证功率预报的准确性。综合图2-图3可见，3月和8月下两种策略的风速相关性系数近乎相等，约0.78上下，策略二3月的风速预报均方根误差相较策略一降低了9.4%，功率预测准确率提升了1.74%；8月则是风速预报均方根误差降低24.84%的情况下功率预测准确率提升了1.7%。进一步分析两种策略功率预测准确率与风速预报的均方根误差、相关性系数的关系。图4显示风速预报的均方根误差越低、与实测的相关性越高，功率预测准确率总体呈越来越高的趋势，部分月份尽管风速预报的均方根误差较小或与实测值的相关性较高，但功率预测的准确率并不高。

图4功率预测准确率与风速预报均方根误差（上）相关性系数的关系（下）风速预报质量提升比例和相应功率预测准确率提升比例之间的关系如图5和图6所示，可见功率预测准确率的提升与风速预报质量的提升呈现弱线性相关。图5各月风速预报和功率预报准确率提升比例图6风速预报质量提升比例与功率预测准确率提升比例结论本文以山东某山地风电场为例，基于MLP神经网络模型进行功率预测，采用不同风速预报策略分析了功率预测准确率对风速预报质量（均方根误差、相关性系数）的敏感性。结果表明：以均方根误差与相关性系数评价的风速预报质量提升时，功率预测准确率总体呈提