风电场功率预测系统运行可靠性和预测精度提升的实践

王冠

摘要：受新能源平价上网政策逐步实施的影响，国内迎来了新一轮风力发电建设潮。由于风资源自身的特点，精准的功率预测能够精准地指导未来某段时间的发电能力，有助于电网企业稳定电网运行。对于风电场经营企业而言，精准的功率预测系统能够避免考核罚款，提高新能源消纳能力。基于此，本篇文章对风电场功率预测系统运行可靠性和预测精度提升的实践进行研究，以供参考。

关键词：风电场功率预测系统;运行可靠性;预测精度提升;实践对策

引言

风能是一种重要的清洁能源，风力发电近年来发展迅速，我国大批风电场投入建设和运行。风电机组功率特性曲线能够明显地表现出其运行特征，是评估机组运行状态的重要技术指标。出于技术层面考虑，风电机组以功率性能曲线作为设计依据、性能检验指标和发电量考核指标;出于经济层面考虑，功率性能曲线的优劣会直接影响风电场的经济效益。因此对功率性能曲线进行有效的研究与处理具有重要意义。随着我国高等教育规模的迅速发展，教学模式创新是创新教育的重要內容。

1风电功率预测关键技术

风电功率预测技术涵盖气象学、电气工程学和统计学等交叉应用学科，是保障电网安全运行和风电高效接纳的重要技术手段。1）快速循环更新技术。模式定期更新的背景场中不包含云及水汽信息，在启动一段时间后云及水汽才由参数化方案渐渐生成，不利于初始条件预报。可采用快速循环更新的方法，即令模式的背景场更新频率降低，比如每3d更新一次，而其间的常规启动不再使用背景场，改为使用上一次预报的预报场，这样就在初始场中保留了上一次预报的云和水汽信息，有利于提升区域模式初始条件预报精度及节省计算时间。2）定制参数化预报技术。不同地区的地形、地貌及天气类型差别很大，应考虑有地区针对性的物理过程参数化方案组合，而非对所有地区都使用同一套方案。对于地形、地貌复杂的风电场区域，应在考虑计算资源的情况下，尽可能地加密水平和垂直方向上的网格，并对边界层和陆面过程等影响近地面风速的参数化方案进行细调。同时，应考虑使用云分析手段同化局地的卫星、雷达、地基云图等观测资料，以改进辐照度预报效果。3）人工智能建模技术。对于预测模型本身，随着人工智能、大数据等前沿新兴技术的发展和熟，有望突破风电功率预测的技术瓶颈，实现预精度的显著提升。由于人工智能模型具有自学习能力，包括深信度网络、深度神经网络以及循环神经网络等，与物理统计模型相比，人工智能模型具有更高精度的预测结果，如“机器学习+数据库”的数据挖掘技术将提高短期功率预测精度。4）在线互动预测技术。目前风电功率预测普遍采用“离线建模、模型封装、模型嵌入”的运行模式，存在预测模型更新不及时、不能实时响应风电场运行状态等问题，在一定程度上影响了预测精度。建立“在线建模、实时调整、集中分布”的在线互动预测方法，对于提升预测模型的响应能力、提高预测精度意义重大。

2风电机组运行数据分析

在风电机组运行的过程中，通过SCADA监控系统对风速、空气密度、功率、周围环境温度、大气压力等数据进行收集，选取所需的数据及适用条件。针对风力发电机组的性能分析，本文建立了风电机组的两种功率性能曲线，即功率曲线（功率-风速）和转矩曲线（转速-转矩）。采集的SCADA数据存在着大量的异常点，为了保证实验所得数据能够如实反映风电机组运行时的功率输出情况，需要结合相关标准与实际情况进行数据剔除及修正。对数据进行处理主要采用如下规则：①剔出风电机组运行不正常点，即风电机组的运行风速已大于切入风速，但是输出功率仍为0或者负值的运行点;②剔出风电机组停机点，即在切入风速与切出风速之间运行阶段，输出功率从正常运行降到0或者负值的运行点，删除这些点以及相邻的前3个点;③剔出风电机组启动过程点，即剔出在切入风速以上，输出功率由0或者负值直接增加到正值的过程，删除其后面的3个点。按照上述方法进行处理后，就基本删除了影响比较大的异常数据点，最后将处理后的数据放入数据库。由于风电机组的功率性能曲线受到海拔、大气环境、空气密度、风速等的影响，在功率性能曲线测量的过程中需要对相关系数进行修正。

3功率预测模型的优化

3.1功率预测模型的持续优化

新能源场站的超短期功率预测，目前的规则要求是每15min预测场站未来0～4h的功率，并将预测结果上传至调度部门的主站，按照每15min取1个点，上传16个点。而新能源场站的短期预测，要预测未来4天的数据，也是按照每15min取1个点。物理模型在短期功率预测精度高，但该类模型的计算量较大，并不适合超短期功率预测。统计模型的优势在于超短期功率预测，目前较为成熟的统计模型有采用极限学习机等。由于各类预测模型都有自身的优点和缺点，用单个预测模型获得的预测结果，很难保证在任何工况下的预测结果都是合格的。因此工程实践中必须综合多种模型的优点建立组合预测模型。

3.2筛选优质数据修正预测偏差

由于目前新能源场站普遍存在限负荷、计划停电等场外受累发电的情况，会影响误导模型的学习和训练过程，必须进行数据筛选，以实现对原始实测数据的质量控制。实际工程实践上，一般是将限电时段、风机检修时段的数据归类为无效数据并予以剔除。通过剔除非正常发电规律数据等影响预测模型效果的因素，筛选出非场外受累时段的高质量实测发电数据，及时提取正常发电的特征要素，并用于提升算法模型的训练测试。山地风场的地形较为复杂，而且局部气象不统一、部分风机尾流效应大的现象普遍，可以将预测偏差较大的某几台风机，从全场风机中筛选出来，进行单独的预测结果校正。

4建议

4.1做好风电场发电预测工作

从当前对所有的风电场在运行时的状态进行分析时，能发现风电场运行的质量与风能的大小、风速、风力有着非常密切的关系，直接决定了风电厂自身输出电能的能力以及输出电能的功率、电网在运行时的质量。为此，在整个风电场进行经营管理的过程中，一定要考虑到采取多项管理措施与预测技术进行工作与学习，在风电场运行的过程中。要求其具有周期性，能够对后续一段时间内的风能大小进行准确的预测，才能够确保在后期开展风力发电机组调度工作时，其预测的质量得到提升，也能够根据问题制定出最有效地预防和解决措施。达成规避电网的冲击或者是由于第二波动而导致的风电场发电预测工作质量在逐步下降的目的。

4.2建设新能源数据中心平台

集中式页面上构建新的能源数据中心平台，由于位置较多，数据量大，风力预测需要实际性能、每小时风速等，因此可实现集中式数据收集和管理。一是实现数据集中采集和管理;二是便利集中生产建设专业管理平台。集中风电功率预测、预报系统可在新的能源中心平台上收集位置数据，以及综合天气预报等信息，使该集控制的所有风电场的能源预测和报告成为可能。

4.3做好专业人员的管理

根据完善能耗管理的新要求，目前除了轮班工作者之外，还有从事网络信息、技术监控等工作的专业管理人员。在集中能源预测和预测的基础上，建议在集中侧设置一个管理预测风电场的职位，并任命一名专职人员，负责系统的持续维护、故障分析、模型优化等，改进能源预测系统的运行管理，密切关注预测指标及限电规划，改进对短期预购功率的人工干预，提高预测准确性，切实提高风电功率预测预报的整体工作质量。

结束语

风电场风力预测为风电场的电力规划、供电计划编制和风电场维护提供了依据。风力发电预测精度可能有助于风电场系统地降低发电和电网所需的压力。另一方面，基于风势的风电场可以实现更加现实的风挡规划和维护时间，保证风力涡轮机在风中高效运行，提高风机在风和风流中的效率。对现有风能预测的逐步改进和预测准确性的提高已证明是确保大型风电场网络安全和提高其经济性的关键。

参考文献：

[1]许国春.基于数据驱动的风电场功率短期预测研究[D].新疆大学，2019.

[2]王建辉.风电场短期功率预测及爬坡识别方法研究[D].湖南工业大学，2019.

[3]王韶龙.基于分量分治的风电功率超短期组合预测方法[D].湘潭大学，2019.

[4]高磊.大规模风电场参与系统频率调整策略研究[D].兰州交通大学，2020.

[5]姚瑶.计及多因素影响的含风电场发电系统可靠性研究[D].山东科技大学，2019.

中电投电力工程有限公司  上海  200233