风电后市场微平台对满井风电场短期风功率预测准确率提升的探讨

利用统计方法建立了倾向误差和模式状态变量距平是最大的吊车12000吨吊车的关系，即将强迫项表达为状态变量是最大的吊车12000吨吊车的线性函数，通过大量样本给出了统计模型。利用现场实时是最大的吊车12000吨吊车的全面的观测资料（并网功率、风速、风向、温湿度、压力等），在线定向修正预测偏差。
满井风电场在2014、2015年的运行过程中，积累了大量的实发数据，为利用大数据进行建模提供了有效的基础。在与国能日新共同合作寻找优化模型方案的过程当中，受到AlphaGo的启发，双方开始尝试使用深度学习来进一步提升预测模型的精度，并且在接下来的几年当中以深度学习为主线开展了一系列的研发内容。
1.风电场风功率预测精度情况
通过尝试重构地图，配合历史风速风向的分析，冬季与夏季盛行风向，分析对应的气候特征，有时需要还需要加入附近气象站的主要气象要素特征值，如多年主导风向，多年最大风速，以及相应风向、气温、气压、湿度、以及降水[4]。配合气象要素特征找出具有其代表性的风场点，进行整场甚至拆分建模。
技术交流 |风电机组在役齿轮油质量改善研究及新方法应用
图2为满井风电场2015年8-10月风速对比图。其中，蓝色为实发风速，红色为修模前的风速，而绿色为修正后的风速。通过以上对比图，可以看出，在大风期来临时，修模后的风速能够有效提高，而且相比修模前的风速与实发风速的相关性，修模后的风速与实发风速的相关性有明显改善。
3.优化结果
2015年至2019年5月至9月份功率预测准确率见表6，通过数据可以看出，对风电场进行了模型的优化后，在2015年至2019年的同期精度情况平均准确率一直保持在一个较高的水平。当然，由于每年的气象状况不尽相同，会导致预测的精度在每年出现不同情况的波动。且由于2015年至2019年之间，大量的风电、光伏电站不断地并网，导致弃风量不断攀升，由于调度端的限电量限电时间段不具有规律可循，导致限电的程度不具有可建模的特性，会导致限电时间段的精度有所下降考核增加。这也是导致2019年精度偏低的主要原因。
满井区域装机容量183MW，整个电场分为4期，地形自西北向东南，从1500m过渡1650m，风能资源的分布自西北向东南逐渐增高，地貌属于舒缓丘陵，电场面积较大；同时，考虑风机排布规则性，满井采用细化建模，分别对满井一线、满井二线进行气象预报，并分别建立了满井总、满井一线、满井二线的功率预测模型。
由于风电场覆盖区域较大，会存在地形复杂、局部气象不统一、部分风电机的尾流效应较大的情况，针对此问题，采用具体电场具体分析策略，经过先进的智能方法，实现对电场的精细化建模，以便提高风电场风功率预测精度。
精彩
风电场的日常运营维护和数据采集等原因，会造成风电场的历史实发数据并不都是有效数据，即风电场的部分历史数据无法反映电场的实际发电状态，所以，在建立预测模型之前，很有必要对电场的历史实发数据进行相关的处理。
2.2.1数据挖掘
通过表2可以看出，虽然月度平均准确率都在80%以上，但不合格天数和最低准确率都不理想，预测的稳定性有待提高。
通过数据挖掘、结合地形的模型优化和集合预报，满井风电场短期预测精度较2015年一季度和2014年同期都有大幅提升，2015年5至9月份累计考核电量同比减少了69.5%，显示出上述各项功率预测准确率提升措施取得明显的效果，在经过2016年至2019年不断地进行模型算法开发的情况下，风功率预测的精度也保持在较高水平，对其他大型风电场短期风功率预测准确率的提升提供了有力的参考。我公司和国能日新通过在现场2015年至2019年第三季度已投运情况的分析，认为预测结果满足了电网公司对风电场上功率预测的技术要求，也增加了整个风电场风功率预测系统的安全性、稳定性和经济性。
【摘　要】　本文介绍了满井风电场风功率预测精度的提升措施技术特点，2015年二季度以来经过气象选择优化、参考风电场实际地形影响、针对性的模型调整以及数据订正后，风电场短期功率预测精度得到明显提升。
《》
4.结语
采用集合预报与参数化方案相结合的模式对一些复杂电厂进行对症下药，进行高精度预测。公司主要是通过加载不同的扰动（如时间滞后）和在同一物理过程中加载不同的参数化方案，来根据其集合预报的离散度来控制其预报精度。
2015年以来，满井风电场为了满足冀北电网调度对风功率预测准确度的要求，采取多种措施提升功率预测精度，高精度功率预测系统解决方案主要包含以下方面。
2.功率预测精度提升技术特点
重磅发布| 《中国风电后市场发展报告（2019-2020）》
2.1.2大风期内复杂地形的风速预测
在2015年12月至2016年4月的研发阶段，尝试采用了一个5层的神经网络结构进行模型的训练，经过计算各种气象要素与实发功率的相关性，以及进行不同的尝试，最终选取预测风速、风向、湿度、压力、垂直风五个要素作为模型输入，隐藏层采用Sigmoid函数，并采用了先进的Adaptive gradient method作为权重更新的算法，取得了较好的预测效果[7]。2016年11月至2017年1月之间尝试在原有的深度学习构架之上尝试采用Rectified Linear Unit（ReLU）传递函数代替隐藏层之间传统的Sigmoid激活函数，解决了Sigmoid函数可能存在的梯度消失的问题，使得网络的结构更加完善[8]。2018年4月至6月的研发阶段，考虑到时间序列与爬坡事件的相关性，以及风功率爬坡事件对功率预测精准性的影响，把原有的深度学习框架改善为以循环神经网络（Recurrent Neural Network）为基础的全新的深度学习结构。
由表3可以看出，经采用以上方法对气象数据进行优化后，预测气象要素的相关性有了提升。在评估预测风速的预报精度时采用了相关性的标准进行计算，相关性计算的具体公式如下：
2.2.3 深度学习建模技术
在2.2.1中分析了当天功率、当天风速、预测风速、风向、温度、湿度、压力、垂直风等特征的相关性，并且提供了数据治理的手段，从而实现了使用深度学习模型进行训练的充要条件。
作者： 国华能源投资河北分公司 于建国、李建林
往期
我们在对满井风电场进行功率预测建模时，充分考虑了风电机排布、风电机尾流的影响，建立了合理、完整的功率预测模型。
数据清洗：把数据从逻辑上分成几个互不相交的块，每次单独考虑一个分块并对它生成所有的频集，然后把产生的频集合并，用来生成所有可能的频集，最后计算这些项集的支持度，主要涉及贝叶斯、SVM、KNN等机器学习算法[6]。以满井风电场为例，初始实发数据及其经过数据清洗操作之后的实发功率-风速图如图3-图5所示。
在看点这里
通过数据挖掘与净化分析技术，完成对数据的关联分析、异常分析、特征组分析，剔除无效数据，保留有效数据，为风电场的预测建模提供必要的数据支持。
回顾
扫码关注我们
2015年、2016年5月至9月份功率预测准确率见表4，通过数据可以看出，在2015年5月初完成了第一次合作的建模工作，精度较之前有一定的提高，同时模型经历换季考验，而在经过不断的优化和修正，结合现季节特点，对风电场进行了模型的优化后，最终提升效果明显，平均准确率和月度最低准确率逐步提高，每月准确率不合格天数大幅减少，在2016年4月完成了第二次建模算法的升级工作，通过结果可以看出，2016年5月至9月的预测准确率较2015年5月至9月又有了一次较好的提升表现。
2.1.1针对山区等复杂地形气象预测
2.1.4多气象源订正集合预报方案
2.2.5在线修正技术
风电场中的尾流效应，是指坐落在下风向的风电机组的风速低于坐落在上风向的风电机组的风速，风电机组相距越近，前面风电机组对后面风电机组风速的影响越大。因此，在对风电场进行功率预测建模时，需要考虑风电机的尾流效应影响。
2.1.3集合预报和多参数化方案
2.1多元气象源选择与集合天气预报
其中，Vpre为预测风速，Vact为实测风速，Cov(Vpre,Vact)表示预测风速与实测风速的协方差，Var(Vpre)代表预测风速的方差，Var(Vact)为实测风速的方差，Cor(Vpre,Vact)为预测风速与实测风速的相关性系数，计算结果的范围为[-1，1]。
进入10月份以后，西部大陆冷高压的风逐渐影响而开始盛行冬季风。而和复杂地区互参杂使得预测风速风向加大了难度。预报时常出现风速偏低，相位差等情况。
利用多个气象源，分别针对不同的气象源利用算法对每个气象源进行订正，经过订正后的单个气象源，再使用神经网络、决策树等算法生成多订正气象源进行集合气象预报，并再次进行气象订正，使用多气象源集合预报以实现提高气象预报精度[5]。
关联分析：为分析各参数之间的关联性，以确定哪些参数对功率影响较大，有必要对其进行关联分析，比较数列集构成的曲线族参考数列之间的几何相似程度来确定比较数列集与参考列之间的关联度，比较数列构成的曲线与参考数列构成的曲线的集合形状越相似，其关联度越大。涉及参数有当天功率、当天风速、预测风速、风向、温度、湿度、压力、垂直风等，进行关联分析，分析结果见表4。
2.2.4充分考虑风机的尾流影响
丰富的气象资源，其中包括全国300多个风电场数据，地方气象站点数据，全国台站站点数据，气象卫星数据，以及来自于欧美（如欧洲气象中心）的多套覆盖全国的气象数据。多种数据源相互印证，使得征兆与变化之间变得规律可循，对未来天气概率预测的可靠性方面得到了极大的保障。在此基础之上，超算中心HPC和cloud高性能的计算构建，与海量的数据分析相互配合，为高速准确的气象预测提供了保障。
公众号是中国农机工业协会风力机械分会官方风电后市场信息发布平台，提供最权威的行业动态，分享后市场运营管理经验。
我公司满井风电场位于张家口尚义县坝上地区，装机容量183MW，安装1.5MW双馈型风力发电机122台，地形属丘陵地带，最低温度-35℃，最高温度29℃。风电场属冀北电力有限公司调控中心调度，有间歇性弃风限电情况。原风功率预测系统建设于2011年，随着电网考核系统规则和体系的不断完善，风功率预测系统精度和稳定性一直未能有效提高，造成的考核电量较多。据统计，2014年，满井风电场因风功率预测准确率考核电量约620兆瓦时，约占各项考核电量总和的56%。2015年一季度，风功率预测考核电量占各项考核电量总和的77%。
2.2功率预测模型优化
利用三维计算流体动力学对风电场风机尾流进行模拟分析，根据风电机尾流影响直径的变化趋势，采用风机尾流非线性扩张模型（即尾流影响边界随距离非线性增大）。
风电场风功率的出力情况预报准确率主要倚重于气象预报、功率预测模型选择和模型优化等因素。根据满井风电场风功率预测系统的情况，就其气象预报、功率预测的高难度和不确定性，我公司与国能日新系统控制有限公司共同分析各误差项并查找原因，优化预测模型，总结区域性的历史风速规律，利用同风带理论，建立空间地形建模仿真选点和优化预测模型，通过后期同化方法、多参数化方案和集合预报的综合应用，大幅度提高了功率预测的灵活性和准确性。
技术交流 | 风电场安全与效益整体提升方案
在预测复杂地形表征选点的基础之上，加入了同化技术，把局地小气候因素考虑进去，一组区域同化多时次时序预测风数据，可以提高描绘整个同风带场内大气运动状态的精细程度，相较同化前，更能描述其波动性，随机性和间歇性的特点，提高对数值天气预报和风电输出功率预测精度。
由于地形风资源所限，更多的风电机将会被建立在复杂地形上（山，山脊，山脉，山崖）上，由于地形被抬高，使得山谷之间产生重力风和下溃风，这样的山谷引导效应，使风流在通过山脉狭窄通道间隙，产生局地的扰动。使得预测气象异常困难。为解决复杂地形问题，尝试构建其空间地形仿真建模，如下图。
引言
2.2.2分区建模云技术
随着风力发电技术的日渐成熟，要求越来越精细化的风功率预测。高精度的风功率预测对电力系统调度安全稳定运行和电能质量具有重要意义。
来源：《风能产业》2020.12