2024新能源集中式风光一体短期功率预测

新能源集中式风光一体短期功率预测0 引言据国家能源局统计，截至2018年年底，中国风电累计并网装机容量达到1.84亿kW[1]，光伏发电累计并网装机容量达12384万kW[2]，均位列世界第一。大规模的新能源发电并网会对电网造成一定的冲击。开展准确、及时的新能源发电功率预测便于电网调度部门动态调节常规机组出力，有效减少旋转备用容量，从而降低系统的运行成本。传统的功率预测系统为单站形式，预测结果通过专线上传至区域调度部门[3]。然而，随着风电、太阳能资源的集中式开发，各地电网和发电企业迫切需要建成集中式的新能源发电功率预测系统。集群功率预测方法主要有3种：累加法[4]、外推法和统计升尺度法[5-6]。文献[7]采用外推法，通过历史数据与预测气象数据的相似性，利用核函数回归得到区域风电场的预测值。外推法的优点是不需要选取特征电站，但在预测时可能会出现历史气象数据与数值预报数据匹配不清晰等问题[8]；文献[9]采用基于统计升尺度的预测方法对区域风电场进行整体预测；文献[10]通过位置将风电场划分为若干子区域，并对各个风电场与所

属子区域的相关系数为基准选取代表风电场。传统的累加法存在明显的局限性，单个预测准确率低的风电场会影响整个集群的预测精度（木桶原理），对集群式风电场采取区域划分的方式进行预测，能够平滑各个风电场输出功率，有效提高预测准确率。目前，国内外针对光伏的集群式功率预测研究还非常少，但光伏发电与风力发电在功率预测方面具有一定的相似之处。从实际工程应用出发，研究了位于湖北地区不同地形条件下的13个风电场和13个光伏电站，采用聚类分析方法对这些电站进行集群划分、寻找每个子区域的特征电站，最终基于数值天气预报（numericalweatherprediction，NWP），采用BP神经网络法[11]进行建模，完成各区域电站的功率预测。该方式可以有效节省集群式电站功率预测的计算资源，在一定程度上提高预测精度和预测效率。1 技术路线本文提出的集群式短期功率预测方法主要分为基于二分K均值聚类分析方法（bisectingKmeans，BKM）[12-13]的子区域划分、集群特征点优选、区域功率预测。其中，功率预测需要以电站基础信息、实况及历史功率及气象数据和NWP数据为基础，通过挖掘NWP数据中各项要素与历史功111.00.80.60.40.2012345678910111213风电场编号各风电场功率日变化分布1.00.80.60.40.2012345678910111213光伏电站编号1.00.80.60.40.2012345678910111213风电场编号各风电场功率日变化分布1.00.80.60.40.2012345678910111213光伏电站编号各光伏电站功率日变化分布归一化功率订正实况气象数据订正风电BKM订正风电BKM多风电场群 集群预测模型集群风电功率预测结果光伏BKM多光伏电站群 站集群预测模型集群光伏功率预测结果功率预测结果新能源功率预测功率预测结果实况气象数据NWPNWP归一化功率Fig.1Technicalline电站集群划分方案电站出力特性分析风电场和光伏电站的出力受不同地理地形、小气候条件的影响较大。在大气环流的作用下，不同的地形条件会具有局地小气候特征，从而影响该地区的风速、辐照度、云量等天气状况，导致不同区域内的风电场和光伏电站产生较大的出力差异。图2分别展示了某典型日条件下，风电场和光伏电站的出力情况，其中，对光伏电站出力评价的典型日选择为晴天条件。可以看出，各个风电场的出力范围具有明显的差异性，其中4、7、8号风电场的实发功率在装机容量的40%内波动，而9号风电场的出力介于切入和满发之间。光伏发电在晴天条件下呈现出典型的日变化特征，在正午时达到峰值。虽然各光伏电站的整体出力相差不大，但达到峰值的程度却存在一定的差异性，所有光伏电站的日发电功率峰值均未达到装机容量的90%以上。产生这一现象的原因，不仅与当日正午时的天气状况有关（辐射强度、云量等），还与区域电力调度部门下发的发电计划、光伏电站的设计、逆变器损耗、光电转换效率等因素相关。子区域划分基于以上分析，研究风电场和光伏电站子区域划分时需要考虑如下几个方面[14-15]：（1）考虑电站群所在区域的气候条件和地形地貌，保证子

图2功率的日变化分布Fig.2Dailypowerchangedistribution区域内的电站具有相似的出力特征；（2）考虑系统的建模效率，尽量减少集群划分的数量；（3）应考虑电网调峰的相关限制，子区域内的电站应属于同一电网区域。本研究采用二分K均值聚类分析方法完成电站群的初步划分，此外，综合以上因素，需要对二分K均值聚类结果进行调整，进而形成最终的集群划分结果。二分K均值聚类算法通过测量不同特征值之间的距离实现分类，该算法能够克服K均值聚类算法容易收敛于局部最小值的缺陷。其核心思想[16]是：首先将所有点看成是一个簇，然后将该簇一分为二，选择误差平方和（SSE）最大的簇继续划分，如此循环，直到簇的数目等于给定的数目K。该方法能够降低对聚类点和簇中心的计算，加快聚类划分的执行效率。其中，SSE亦称为散布，其定义为∑∑K∑∑SSE= dist(ci,x)2 （1）i=1x?ci式中：K为目标簇个数；i为当前执行簇；x为当前簇中所计算的点，在本文中指子区域内当前参与计算的风电场（光伏电站）；ci为中心点；dist（）为距离计算函数，用于计算和判断簇中当22前风电场（光伏电站）与中心点之间的距离。集群特征点优选完成电站群子区域划分后，需要选取各个子区域中的特征电站。所选电站的地理位置、出力特性、装机容量、数据质量等都会对区域整体的功率预测精度产生影响。本研究选取特征电站遵循3个原则：一是与子区域整体出力具有很好的相关性（相关系数大于0.85）；二是自身预测精度高（相对均方根误差（rRMSE）不高于0.2）；三是数据质量高（月数据完整率不低于99%）。对区域内各个风电场或光伏电站的历史功率数据及区域范围内的总历史功率进行相关性分析，选择子区域内相关性最高的电站作为特征电站。相关系数为

速、气温、相对湿度和气压[18]。该过程主要分为两个阶段：阶段一是预测辐射/风速修正。利用BP神经网络法[19]分别对预报总辐射或风速进行修正。以风速修正为例，建立三层BP神经网络模型，采用预报日前15天的预报风速、气温、相对湿度和气压作为输入层，输出层为实况风速，采用式（5）[20]计算隐层节点数，经计算隐层节点数为3；阶段二是功率预测。将预报风速以及其他预报气象要素作为输入参数，再次建立神经网络训练模型，利用经过修正的预测风速驱动预测模型，最终得到未来3天的发电功率预测结果，具体如图3所示。CORR

n∑ − (pk,i pk)(pT,i pT)∑ − i=1 (pk,i−pk)(pT,i−pT),(pk,i−pk)(pT,i−pT)i=1i=1i=1

（2）式中：pk为第k个电站的功率序列；pT为子区域范围内电站的总功率序列。相关系数越高，那么该电站与子区域的相关性越好，预测区域总功率的误差越小。,, rRMSE=

1NNi=1

(Pi,f−Pi,o)2/Cap （3）式中：Pi,f为i时刻的预测功率；Pi,o为i时刻的实际功率；Cap为开机容量；N为样本总数。×I=Na 100% （4）×Nt式中：I为完整率；Na是一段时间内的实际数据个数；Nt为同时间段内的理论数据个数。区域功率预测以集群划分的结果为基础，利用滚动三层BP神经网络法对各子区域进行建模，分别选择特征电站的数值天气预报及子区域内对应的历史预测气象数据作为模型输入参数。对于光伏电站，数值预报要素包括总辐射、气温、相对湿度、风速和气压[17]；对于风电场，数值预报要素包括风

未来3天功率预报订正后的未来3天辐射未来3天功率预报订正后的未来3天辐射/风速输出向量反归一化输出向量反归一化输入到网络未来3天辐射/功率预报网络形成辐射/风速订正网络形成是是误差小于要求？ 否误差小于否 要求调整权值求隐含层、输出层各节点输出调整权值初始化BP神经网络(隐层节点数、激活函数、误差等)对输入输出向量进行归一化预报日前15天历史数据 预报日前15天的历史(输入向量:预报辐射/风速、数据(输入向量:预报辐射气温、相对湿度、气压; 风速、气温、相对湿度、输出向量:实况辐射/风速) 气压;输出向量:实况功率)√Fig.3BPneuralnetworkpredictionandcorrectionprocess√s= 0.43mn+0.12n2+2.54m+0.77n+0.35+0.51（5）33式中：s为隐层节点数；为输入层节点数；n为输出层节点数。算例分析对湖北省范围内的13个风电场和13个光伏电站开展实验，收集所有电站的历史运行数据，在充分考虑各个电站的数据质量和完整率后，选择各电站2018年的实况功率数据、测风塔（环境监测仪）数据以及数值预报数据进行建模分析。风电场及光伏电站集群划分相关性采用Python语言完成二分K均值算法编写，以各个电站的经纬度坐标作为输入，分别得到风电场和光伏电站的聚类分析结果，如图4所示。相关性

域中与总功率相关性最高的电站作为特征电站。如图5所示（注：图中所示电站序号为经过集群划分后子区域内的电站序号，与划分前的电站序号无关，下文同），风电场群中除集群3外，各单站与总功率相关性差异较大，如集群1中风电场3的功率与区域总功率相关性不足0.6，而风电场2的相关性超过0.95。相较而言，光伏电站群差异较小，集群1和集群3中的2个光伏电站与32集群编号b)光伏电站群10.950.900.850.8032集群编号b)光伏电站群10.950.900.850.80电站1；电站2；电站3；电站4；电站电站6；电站7；电站8；电站91.00集群编号a)风电场群43210.80.60.40.20风电场1；风电场2；风电场3；风电场4；风电场51.0风电场群光伏电站群相关性图4电站群聚类分析结果风电场群光伏电站群相关性Fig.4Clusteringanalysisresultofeachstationgroup从图4可以看出，根据电站的分布情况，风电场群被划分为4个子区域，分别分布在利川、枣阳、随州、麻城及鄂东南通山一带。光伏电站群被划分为3个子区域，分布在随州枣阳、鄂东北及鄂东南一带。各个子区域中的电站大致处于相似的地理和气候条件范围内，因此不再对划分结果进行调整。特征电站选取在已划分好子区域的基础上，得出子区域内单个电站与区域总功率的相关性，选取各个子区

图5单个电站功率与子区域总功率相关性分析Fig.5Correlationanalysisofthepowerofsinglepowerstationandthetotalpowerofasub-region区域功率预测方案以集群划分结果为基础，采用3层BP神经网络法对各个子区域进行建模，利用特征电站的数值预报作为短期功率预测的输入。设定本方案为特征优选法，为验证该方案的效率和准确性，同时还采用累加法做对比分析。采用累加法对每个风电场或光伏电站分别建立BP神经网络预报模型，将子区域内各个电站的预测结果累加，从而得到子区域风电/光伏功率预测值。44预测结果分析评价采用相对均方根误差、平均绝对百分比误差及相关系数对预测结果进行分析评价。对于风电集群，两种方法的预测结果如表1所示，单个风电场的同期预测相对均方根误差如图6所示。表1风电场群预报方法对比分析 选法 相对均方根差 选法 相对均方根差/% 15.0平均绝对分比误差/% 8.8相关系数0.8514.18.10.8417.610.30.7817.310.80.7214.910.40.6515.714.30.6411.06.30.4112.17.60.45集群 装机/MW 预报方法 累加法1395.8特征优选法2244.3累加法特征优选法3129.5累加法特征优选法4211.6累加法特征优

误差如图7所示。通过表2可以看出，特征优选法对集群1和3的预报误差均低于累加法。对于装机容量最大的集群2，累加法预报误差低于特征优选法。集群2由9个光伏电站构成，集群内子电站出力具有不一致性，其中有4个电站的相对均方根误差超过10%。但采用集群预报方式后，2种方法对集群2的预测结果均低于8%，可见，集群预测方案能够较好地平滑区域内不同光伏电站的预测误差，有效提高集群预测结果的准确率。表2光伏电站群预报方法对比分析集群 装机 预报 相对均方根 平均绝对 相关集群 装机 预报 相对均方根 平均绝对 相关容量/MW 方法 误差/% 百分比误差/% 系数累加法 7.6 4.1 0.947.33.90.957.23.90.95选法累加法选法7.74.20.9510.45.60.90355.89.95.20.921165特征优选法2360.95累加法特征优集群编号4321风电场1集群编号4321风电场1； 风电场2； 风电场风电场4； 风电场5302520151050相对均方根误差/%Fig.6ComparisonofforecastingrRMSEforsinglewindfarminthecluster通过表1可以看出，集群1和2中特征优选法的预报效果略优于累加法，集群3和4中特征优选法的预报误差略高于累加法。集群3由位于麻城的2个风电场构成，可见距离较近的风电场不一定具有一致的出力特征。通过图6可以看出，集群1和2各风电场预测误差相差较大