提示：点击"电力系统自动化"↑关注本刊微信
原文发表在《电力系统自动化》2018年第42卷第6期，欢迎品读。
本文引文信息
阎洁, 许成志, 刘永前, 等. 基于风速云模型相似日的短期风电功率预测方法 [J]. 电力系统自动化, 2018, 42(6): 53-59. DOI: 10.7500/ AEPS20170605001.
YAN Jie, XU Chengzhi, LIU Yongqian, et al. Short-term Wind Power Prediction Method Based on Wind Speed Cloud Model in Similar Day [J]. Automation of Electric Power Systems, 2018, 42(6): 53-59. DOI: 10.7500/ AEPS20170605001.
基于风速云模型相似日的短期风电功率预测方法
DOI: 10.7500/AEPS20170605001
阎洁，许成志，刘永前，韩爽，李莉
一
研究背景
风电功率预测是解决风电随机波动性影响的重要基础和必要手段，高比例风电并网条件下对每个时刻点的预测精度要求都将更为严格。训练样本是影响预测精度的关键因素之一，但由于实际天气系统的复杂多样性和类属模糊性，定向选择与调度时段内风况相似的训练样本对预测精度至关重要。
本文中提出了基于云模型定向选取风速相似日数据作为训练样本的短期风电功率预测方法。首先，以日为单位建立历史风速的云模型数据库，对指定时段内风速随机性和模糊性特征进行学习和建模；然后，建立基于云模型空间重叠度的相似性度量方法，判断与待预测时段风速云模型最为相似的历史数据序列；最后，以此为训练样本建立短期风电功率预测模型，在实际预测中，每日根据天气预报信息滚动更新训练样本和预测模型，最终实现对历史风速数据的定向筛选和精细化利用。实例验证了所提方法对精度提升的有效性和工程实用性。
二
研究现状
统计方法是目前应用最广泛的风电功率预测方法，对现有研究的回顾，可知其包括两个发展阶段：
1）以算法为核心的阶段。
注重使用学习能力更强的回归算法，或优化模型参数，或利用多种模型进行组合预测。常用回归算法有神经网络算法和核学习算法两种。多数方法以全年历史数据作为训练样本，数据量大、所含风况场景丰富，先进的预测和优化算法推动了风电功率预测精度的提高，但对于天气系统随机性强、季节变化多样的风电场，这种整体性、静态非条件性模型的学习效果和适应性可能较为平庸。
2）以精细化建模为核心的阶段。
训练样本是统计方法预测建模的根本要素，是沟通数值天气预报（NWP）风特性与风电出力特性的桥梁。因此，精细化建模注重对训练样本的细化选取，以增强模型对特定时刻风况的代表性和适应性，训练样本选取方式主要有三种：
上述方法大多默认假设历史数据中含有明确的、数量有限的天气和风况类型，据此分类建模可以提高整体精度。但实际上天气变化复杂多样、类属模糊，即便在相同的季节/月份/类属下，每日的风速变化曲线都可能相差较大，也很难通过直接参数予以精确、全面地特征提取，可能导致某天或某些时刻点的预测结果偏差较大。
大规模风电并网后，电力系统更需关注未来调度时段内各时刻点的功率波动及其预测精度。因此，需要考虑实际天气系统的复杂性、多样性和模糊性，以天为单位判断样本相似度，通过对历史数据的定向筛选和精细化利用，最终提高调度时段内各时刻点的预测精度。
三
研究思路与技术路线
风电的不确定性主要体现为随机性和模糊性两个方面：①自然风波动与间歇的随机性，分为天气系统内生的随机性以及尾流、地形等局地效应激励的随机性；②风-电功率转换过程中的模糊性，如风速与输出功率的实际对应关系不明确，即风速与输出功率的实际对应关系不明确，尤其在功率曲线拐点处。
本文中从风速不确定性的角度出发，以天为单位，建立风速云模型刻画实际天气系统的复杂性、多样性和模糊性。通过判断样本云模型的相似度，对历史数据的定向筛选和精细化利用，最终提高调度时段内各时刻点的风电功率预测精度。技术路线如图1所示。
图1 技术路线
四
风速云模型的构建
云模型构成了模糊性和随机性的映射，克服了传统模糊理论的不彻底性。云模型数字特征有：
1）期望Ex：云滴在论域空间分布中的数学期望值，代表平均风速；
2）熵En：由云滴随机性和模糊性共同决定，代表云滴离散程度和模糊裕度（论域空间中可被概念接受的云滴数量），描述风速随机分布及其模糊性，熵值越大则当天风速波动规律性越小；
3）超熵He：熵的不确定性度量，由熵的随机性和模糊性共同决定。
风速云模型的构建包括逆向云变换和正向云变换。首先，采用逆向云变换方法，以“天”为单位计算历史风速数据的三个数字特征，描述当天风速的不确定性；然后，经过正态随机抽样后，应用正向云变换方法，根据云模型数字特征建立风速云模型；最后，计算预测日风速云模型与历史云模型的相似度，进而挖掘相似度最高的5天风速数据作为训练样本。图2所示为风速云模型的示意图。
图2 风速云模型
五
风速云模型相似度评价方法
根据风电功率预测的训练机理，不同时间段内风速相似可以分为两种情况：风速大小与变化趋势均相近；各时刻风速大小相距较大，但整体风速分布相似。根据风速云滴群所在位置和形状定量描述两个风速云模型的重叠关系，计算定性概念间云滴分布的相似度，能够兼顾上述两种相似类型。
图3和图4为预测日、相似日和普通日的风速特征箱线图对比结果。从测试日所在月份内任意选取五天作为普通日的风速样本，相似日为从历史风速云模型库中选择的最为接近预测日风速特征的五组样本。可以看出，相似日的风速分布特征与预测日更为接近，相似日风速分布基本包含或被包含于测试样本区间，而普通日风速则主要分布在该区间之外。此外，预测日与相似日风速分布的分散性、波动范围及风速中位数都更加接近。
图3 预测日和相似日风速箱线图
图4 预测日和普通日风速箱线图
六
实例分析
影响风电功率预测精度的主要因素有：NWP数据精度、训练样本特征和预测模型。本文所提方法目的是寻找与预测日风速具有相似性质的数据作为训练样本，进而达到提高预测精度的效果。为证明所提方法的有效性，最大程度避免NWP误差对模型验证的影响，本节中首先使用历史数据中的实测风速及实测功率验证本方法的有效性，然后采用NWP数据验证所提方法的工程实用性。
图5为全年各月实测数据的验证结果，所提方法的月均方根误差平均值为2.8%，普通预测方法为3.9%。图6为全年各月NWP数据的验证结果，所提方法的月均方根误差平均值为11.5%，普通预测方法为14.2%。可以看出：基于云模型选取风速相似日进行短期风电功率预测能够有效减小由训练样本引起的功率预测误差。
图5 基于实测数据的月均方根误差
图6 基于NWP数据的月均方根误差
七
结语及展望
本文中将云模型理论应用于风电功率预测训练样本的特征挖掘中，通过构建风速云模型描绘风速日变化的不确定性和随机性特征，提出了基于风速云模型定向选取风速相似日的短期风电功率预测方法。首先，采用云模型理论及三个特征参数，对风速日变化的平均水平、概率分布和波动性进行建模；然后，构建云模型相似度指标，并从历史数据库中“定向”挖掘最有利于“指定时段”预测的样本数据；最后，利用筛选出的相似样本建立短期风电功率预测模型。经验证分析得到以下结论：
1）采用本文中所提方法选取的相似日，能够挖掘出分布和趋势相似的风速样本数据，充分利用历史数据对特定预测日内风况特征进行建模和筛选。
2）本文中所采用的风速云模型建模方法，在保留原始风速特征的同时，丰富了样本数量，能够满足预测建模对数据长度的需求。
3）实例验证结果表明：相比于普通预测，本方法能够增强预测模型的外推能力，提高短期风电功率预测精度，具有工程实用价值。
下方查看历史文章
主要作者及团队介绍
阎洁，华北电力大学可再生能源学院讲师。主要研究方向：不确定性分析、风电功率预测、新能源电力系统经济调度。
韩爽，华北电力大学可再生能源学院副教授。主要研究方向：风电功率预测、风电场设计、风能资源分析与评估。
刘永前，华北电力大学可再生能源学院教授、党委书记。国际能源署(IEA) Wind Task 31工作组中国牵头人、国际电工技术委员会(IEC) SC 8A技术分委会WG2工作组成员、英国工程师协会IET Renewable Power Generation期刊亚太区主编。中国可再生能源学会风能专业委员会委员、中国电机工程学会可再生能源发电专业委员会和新能源发电并网专业委员会委员、中国能源学会可再生能源专委会委员、中国气象学会气象资源应用委员会委员。主持国家自然科学基金、国家863计划等国家级科研项目8项。出版教材/译著3部，发表论文150余篇，其中SCI收录50余篇。
华北电力大学智能风电场技术实验室（Laboratory of Smart Wind Farm Technology）隶属于可再生能源学院风电研究中心，是新能源电力系统国家重点实验室（华北电力大学）的重要组成部分。目前主要从事风电场设计、风电场运行与控制、风电场设备健康管理、多能互补等领域的研究工作。团队发表SCI论文60余篇。所研发的智能风电场功率预测系统、风电机组状态监测与故障诊断系统、风电场智能控制系统等在我国内蒙、河北等省（自治区）的风电场示范应用。
发表评论