报告03-德国风电功率预测简介

1报告03-德国风电功率预测简介国家电力调度通信中心华北电力调度通信中心吉林电力调度通信中心中国电力科学研究院新能源研究所2无论是在欧洲还是中国,电网调度部门主要负责电力系统的调频、调峰以及安排发电计划和备用容量等业务。对于风电穿透率高的电力系统，准确预测风电输出功率不仅有助于调度部门提前调整调度计划，从而有效减轻风电对电网的影响，而且还可减少备用容量安排，降低系统运行成本。因此，风电功率预测在电网调度领域占有举足轻重的地位。第一节风电功率预测的意义风电功率预测的核心价值主要体现在以下几个方面:(1)风电大规模利用的必要条件电力系统的运行特点是发电与用电必须实时平衡，这样才能保证系统的安全和稳定。风电具有间歇性、随机性和波动性，这就给电网调度、调峰、安全等带来一系列问题，准确的风电功率预测是解决以上问题的有效方法。根据风电功率预测结果及时掌握风电出力变化规律，从而可增强系统的安全性、可靠性和可控性。(2)优化电网运行成本传统的发电计划基于电源的可控性和负荷的可预测性，这样制定和实施发电计划才有可靠的保证。随着风电的大规模开发，风电在电源中比例明显增加。如果不能提供风电功率预测，风电作为电源其出力的波动性会使发电计划难于制定，电网调度部门还必须预留与风电容量相当的备用容量进行调峰。目前，以利用风电功率预测技术为基础的系统调度管理是最为有效、经济的的解决办法，根据风电功率预测结果优化常规机组出力，可以有效降低系统运行成本。(3)满足风电并网技术标准发展要求在即将由中国国家标准化管理委员会发布的中华人民共和国国家标准《风电场接入电力系统技术规定》中，提出风电场需要具备风电功率预测等功能。风电功率预测系统使风电场可以向电网公司提供准确的日前发电曲线，这使得调度部门可有效利用风电资源，提高风电发电上网小时数。在欧洲一些发达国家，电网公司会优先购买预测准确的风电场电量，限制预测不准的风电场电量或采取处罚措施。(4)提高风电场发电效率3建立风电功率预测系统对于风电场的日常运营有着重要意义，它可以为风电场的运行维护提供有益的参考。如在风机需要停机检修时，可以选择在风速较低、风电功率输出较小时进行，以减小风电场电量损失；在出现可能对风电场产生破坏作用的大风时，可以提前做好防护准备，及时调整风电场运行状态，减少风电场内部线路和变压器损耗，提高风电场上网电量。根据德国、丹麦等欧洲风电发达国家的经验，如果风机检修全部在小风期或者无风期完成，风电场每年的发电量将提高2%，以5万千瓦的风场为例，每年直接经济效益将超过120万元。(5)优化风电市场价值在风电参与电力市场的系统中，风电场对风电功率进行预测，参与电力市场竞价，可以优化风电在电力市场中的电力价值。另外，应用风电功率预测系统所带来的好处还高度依赖于管理、技术和风电场的具体情况。风电功率预测对利益相关方的益处如表1所示。表1风电功率预测对利益相关方的益处利益相关方代表国家益处电力供应商或系统平衡负责方荷兰改善电能供应与需求的匹配；向系统运营商提供更好的发电评估；减少付给系统运营商的平衡费用风电场运营商英国西班牙向电能供应商提供更好的预计产量信息，由于分享节省的平衡费用得到更高的收入配电系统运营商德国丹麦通过更好的潮流信息改善配电网管理，降低运行成本，推迟电网投资输电系统运营商德国丹麦美国通过更好的潮流信息改善配电网管理，降低运行成本，推迟电网投资。如果系统运营商向市场公开风电预测信息，系统平衡将更容易，费用也更低世界各国市场环境的不同决定了投资于风电功率预测的利益相关方的不同。在荷兰，电力供应商作为平衡负责方，通常为小规模风电生产商承担责任，支付任何的不平衡费用。因此，其电力供应商具有动力投资风电预测工具。在英国，电力生产商必须根据新电力交易安排保持在商定的输出功率。如果风电场输出功率不能控制在这一出力范围内，风电场运营商将会被处以罚款。因4此，风电场运营商有兴趣投资风电预测工具。在西班牙，用于计算不平衡罚款的预测误差表达为平衡相对误差，这是每小时预测和实际生产电量的相对偏差。实际风电产量与计划产量的偏离根据整个系统的偏差支付，约为目前市场价格（0.9欧分/kWh）的30%。平衡罚金只适用于高于或低于超过预定发电20%的电量。因此，风电运营商可以从投资风电预测工具获益。在德国和丹麦，输电系统运营商（TSO）和配电系统运营商（DSO）负责系统平衡，并且有义务接收任何风电场，购买所有的上网风电。因此，在这些国家的系统运营商收益于投资风电预测工具。在美国加利福尼亚州，最近提出一个新的方案——间歇性能源参与计划，方案规定系统运营商负责整个系统的风电预测，而风电生产者向它支付预测费用。不平衡费用根据每月净不平衡进行结算，这样会使风电每小时的不平衡电量大部分都相互抵消。我国拥有丰富的风能资源，但风电功率预测技术却远远不能满足生产、运行的需要。为了保证电力系统的电力、电量平衡，有效减轻风电对整个电网的不利影响，减少系统运行成本和备用容量，亟须进一步研究和建设适应我国风电开发状况的风电功率预测系统。5第二节风电功率预测基础一、风电功率预测方法风电功率预测方法可划分成不同的类别，如图1所示。图1风电功率预测方法分类持续预测法是最简单的预测方法,可建立一种时间序列模型。其认为风速预测值等于最近几个风速历史值的滑动平均值，通常只是简单地把最近一点的风速观测值作为下一点的风速预测值。该模型的预测误差较大，且预测结果不稳定。改进的方法有ARMA模型法、卡尔曼滤波法。人工神经网络法（ArtificialNeuralNetworks，ANN）旨在模仿人脑结构及其功能，由大量简单处理元件以某种拓扑结构大规模连接而成。ANN具有并行处理、分布式存储与容错性等特征，具有自学习，自组织和自适应能力，对复杂问题的求解十分有效。根据时间尺度预测方法又可分为超短期预测、短期预测和中长期预测。一般认为不超过30min的预测为超短期预测。而对于时间更短的数分钟内的预测主要用于风力发电控制、电能质量评估及风机机械部件的设计等。这种分钟级的预测风风电功率预测按预测的物理量分类先预测风速风电机组或风电场功率曲线输出功率直接预测风电场输出功率按数学模型分类持续预测法ARMA模型卡尔曼滤波法智能方法，如神经网络等按输入数据分类不采用数值天气预报神经网络等统计方法时间序列模型采用数值天气预报物理方法统计方法综合方法按时间尺度分类超短期预测短期预测中长期预测6一般不采用数值天气预报数据。短期预测一般可认为是30min～72h的预测，主要用于电力系统的功率平衡和经济调度、电力市场交易、暂态稳定评估等。对于更长时间尺度的中长期预测，主要用于风电场或电网的检修维护计划安排等。目前，中长期预测还存在较大困难。从建模的观点来看，不同时间尺度有本质区别。对于0～3h的预测，因其变化主要由大气条件的持续性决定，因此不采用数值天气预报也可得到较好的预测结果，如采用数值天气预报，可得到更好的预测结果。对于时间尺度超过3h的预测，不考虑数值天气预测无法反应大气运动的本质，因此难以得到较好的预测结果，所以现在常用的预测方法都采用了数值天气预报的数据。基于物理方法的风电功率预测示意图如下所示。该方法是根据数值天气预报系统的预测结果得到风速、风向、气压、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、温度分层等信息，采用WAsP（WindAtlasAnalysisandApplicationPrograms）软件计算得到风机轮毂高度的风速、风向、气温、气压等信息，最后根据风电场的功率曲线计算得到风电场的输出功率。因为在不同的风向和温度条件下，即使风速相同，风电场输出功率也不相等，因此风电场功率曲线是一族曲线，同时还应考虑风电机组故障和检修的情况。对整个区域进行风电功率预测时，可对所有的风电场输出功率进行预测，然后求和得到风电功率；也可只对几个风电场进行预测，然后用一种扩展算法得到整个区域的风电场输出功率。图2基于物理方法的风电功率预测示意图基于统计方法的风电功率预测不考虑风速变化的物理过程，根据历史统计数7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。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。目前的趋势是将物理方法和统计方法混合使用，称之为综合方法。二、数值天气预报由于目前常用的预测方法都采用数值天气预报（NumericalWeatherPrediction，NWP）的数据，因此NWP在风电功率预测中占有重要地位。NWP是根据大气实际情况，在一定初值和边界条件下，通过数值计算求解描写天气演变过程的流体力学和热力学方程组，来预测未来一定时段的大气运动状态和天气现象的方法。它需要有一定密度的地面、高空气象观测网来提供大气实时的气象要素数据作为方程组的初始输入值。由于构成气象模型的方程组非常复杂，节点数目非常庞大，因此模型必须在高性能计算机上运行。图3说明了一个NWP产品制作的过程。通常NMP模型每6h或12h运行一次，预测时间可达48h，从收到初始化数据到计算出预测结果通常需要2～4h的计算时间。图3数值天气预报制作过程在风功率预测中，实用的NWP模型有DMI-HIRLAM、NMSE模型，以及能够描述复杂地形或海陆边界的中尺度模式，如MM5、WRF、KAMM及RAMS等模式。另外，集合预报是一种常用的有效预报手段。其可以用同一模式和不同的初8始场产生预报结果，或用同一种初始场和不同的模式产生预报结果，或用同一模式不同的物理过程产生预报结果，最后再通过不同的技术从不同的预报结果中产生最佳预报的统计模型。这种用不同的方法产生预报的集合模型，可以使不同方法之间的随机误差得以相互抵消，从而提高预报准确率。所以集合预报的效果优于任何一种独立预报的效果，这是未来风能预报发展的必然趋势，但目前用于风电预测的集合预报方法并不成熟。三、风电功率预测流程风电功率预测的一般流程包括以下几个步骤:1.运行NWP模型，并发现最优的NWP高度等级2.缩小尺度经过缩尺度可以得到风机轮毂高度的风速和风向。物理方法使用中小尺度模型来缩小尺度，小尺度和中尺度的区别主要是区域大小和分辨率。如果NWP预测已经足够好，则不需要使用中尺度模型。3.将风速转换为风电出力研究表明，利用风机制造商提供的功率曲线将风速转换为风电出力并不可靠。如果可以获得在线数据，将实测的出力数据用作附加的输入，再利用预测的风速、风向构成自我矫正预测误差的回归模型，这对改善预测误差是十分有利的。4.扩尺度如果只需预测一个风电场，可以执行到以上第三步为止。然而，电网通常需要预测整个地区的风电，则需要执行第四步——从单个风电场的预测扩展到整个地区。如果一个地区的所有风电场都参与预测，那么进行简单的加和就可以。如果一个地区有数以百计的风电场，对所有风电场都进行预测是不切实际的，一般选择有代表性的风电场作为扩尺度算法的输入数据。通常情况下分布风电场的预测误差比单个风电场的预测误差要小得多。然而，并不是所有的风电功率预测模型都包括所有的步骤。有的预测模型就是将输入变量向风电出力进行直接转换，它可以通过使用黑匣子或灰匣子统计模型来实现，将NWP风速、风向、温度等输入数据与在线测量的风电出力、风速、风向等结合起来。事实上，在某些情况下忽略一些步骤反而是优势。例如简单的模型马上就能够从第一天开始进行预测，而高级的统计模型需要通过学习大量从9前的数据得到适当的模型参数。当然，两者的预测精度有很大差距。风电功率预测的一般流程如下图所示。图4风电功率预测一般流程四、风电功率预测误差风电功率预测具有不确定性，预测误差是客观存在的。预测误差的主要来源有天气条件快速变化、测量数据损坏、风电机组停运、数值天气预报数据误差较大、预测模型不精确等。常用的预测误差指标包括均方根误差（Roo