基于风电功率概率预测的日前电力平衡优化方法

1、基于风电功率概率预测的日前电力平衡优化方法Day-ahead Power balance Optimization Methd Based on Probabilistic Forecasting of Wind Power Abstract: The installed capacity of wind power in China is increasing year by year, and the impact of wind power output on the balance of power output has become more and more important.

2、This paper proposes a Day-ahead power balance optimization method based on wind power probability prediction. First, collect historical data of wind farms in different wind resource regions in the power grid, and establish a power prediction history database; secondly, based on the wind power point

3、prediction results, estimate the prediction error probability distribution through the working condition identification and the kernel density function; finally, generate the whole network wind power. The power bandwidth prediction results are included in the plan in advance according to the change

4、in load during the day. The analysis results based on the actual power grid show that the proposed method can save the reserve capacity and wind adjustment margin of the power grid, and improve the power consumption of the power grid while ensuring economy and safety.Key words: wind power, probabili

5、stic forecasting, working condition identification, nuclear density estimation摘要：我国风电装机容量逐年递增，风电出力对日前出力平衡安排的影响越来越大。本文提出一种基于风电功率概率预测的日前电力平衡优化方法。首先，收集电网中不同风资源区域风电场的历史数据，建立功率预测历史数据库；其次，基于风电功率点预测结果，通过工况识别和核密度函数估计预测误差概率分布；最后，生成全网风电功率带宽预测结果，按照一天中负荷的变化情况将预测结果纳入日前计划。基于实际电网的算例分析结果表明，本文方法能够节省电网的备用容量和调风裕度，在保障经

6、济性和安全性的同时提高电网对风电的消纳能力。关键词：风电功率，概率预测，工况识别，核密度估计DOI：10.13335/j.1000-3673.pst.2014.01.论文序号（小五号Times New Roman字体加黑）0 引言截止2017年年底，中国新累计并网装机容量达到1.64亿千瓦，占全部发电装机容量的9.2%1。随着电网风电装机逐年增长，使新能源预测准确性在电网日前出力平衡和日内实时调整中的影响日益明显2。如何持续提升新能源功率预测水平，以及如何将预测结果更好的纳入日前平衡安排，是现阶段亟需持续开展的两项重点工作。目前，电网调度机构主要采用修正风电场站上报的场站短期功率预测结果（点预

7、测）纳入日前功率平衡计划。由于针对风电场的数值天气预报精度低导致风电功率短期预测误差较大，因此有必要对风电功率预测的不确定性进行估计，以便将风电短期预测功率合理修正后纳入日前平衡安排。风电功率概率预测是指根据气象数据、风电功率历史预测数据与实测数据，针对风电场功率的不确定性建立预测模型，对未来风电功率的波动区间和分布函数进行预测3。国内外研究人员风电概率预测已开展大量研究工作4-7，按照风电功率误差分布是否服从已知分布，风电功率概率预测可分为参数化建模和非参数化建模两种方式；按照是否假设功率误差分布与其他输入变量有关，又可分为条件建模和非条件建模两类。国内外研究人员针对以上各种建模方式均开展了

8、相关研究工作。实际应用方面，部分风电功率预测软件已包含概率预测功能，如WPPT和WEPROG等。由于国内各地风资源特性差异巨大，风电场技术水平与管理水平参差不齐，因此需要提出适用于电网实际应用条件的风电功率概率预测方法并将预测结果纳入到日前电力平衡优化中。本文提出一种基于风电功率概率预测的日前电力平衡优化方法：收集全网风电场数据，对不同风资源区分别建立功率预测历史数据库；采用工况识别和核密度法估计风功率预测误差概率分布；通过蒙特卡洛抽样拟合全网预测误差概率分布，生成全网风电功率带宽预测结果；最后，按照负荷情况修正预测功率，纳入电网日前发电计划。1 风资源区域预测误差概率分布估计方法1.1功率预

9、测历史数据库地理位置相近的地区，风资源具有一定的关联，因此同一风资源区域风电场的功率具有一定的空间相关性。同时，同一风资源区域的风电场通常通过汇集变电站将风电功率集中送出，其实际功率与线路输送极限有关。本文以风资源区域为单位建立功率预测历史数据库，记录各风资源区域的历史装机容量和历史预测功率。由于风电功率与装机容量有一定的相关关系，因此功率预测历史数据库也应记录各风资源区域不同时期的风电装机容量。1.2预测误差概率分布估计方法目前国内大部分风电场采用的短期功率预测产品主要通过将气象机构提供的数值天气预报输入风电转换模型计算获得预测结果。由于目前的天气预报技术水平还无法对风过程做到定位、定点、定

10、量的完全准确预报，因此数值天气预报对大风过程的相位、幅值预测存在误差；同时，由于功率与风速呈三次方关系，风电转换模型会放大数值天气预报的误差。电网调度机构会将风功率预测结果纳入日前出力平衡计划，因此有必要对其不确定性进行描述以辅助电网决策。本文基于已有的未来风电功率点预测结果，结合功率预测历史数据库，采用工况识别和核密度函数法估计未来时刻的预测误差概率分布。图1 预测误差概率分布估计流程图Fig.1 Flow chart of error probability distribution estimation1.2.1 相似工况识别对于风电功率预测而言，预测工况不同时预测误差特性会有所不同。风

11、速、风向、预测功率大小等都是影响风电功率预测工况的因素。本文将影响风电功率预测工况的因素统称为影响因子9。风资源区域在时刻功率预测值为， 表示该预测误差工况的第个影响因子。其中，为影响因子集合；为风资源区域集合。对，有 ，其中为第个影响因子的取值范围。 风资源区域在时刻的预测工况可由该时刻风资源区域影响因子的集合表示：（1）其中是风资源区域的预测工况集合10。当风资源区域在未来时刻预测工况的全部影响因子与其在时刻历史预测工况的对应影响因子取值接近，即若，有时，可认为预测对象在时刻与时刻预测工况相似，预测误差分布具有相似特征。由于管理和技术水平所限，目前国内风电场仅能确保向电网调度机构上报的功率

12、数据准确可靠，其他数据如风速，单机信息的上报工作还不规范，因此本文以预测功率作为预测工况的影响因子。考虑风速的时延性以及风功率爬坡情况识别11，应将预测时刻前后的预测功率也作为预测工况的的影响因子。由于预测功率与风资源区域总装机容量成正相关，还需要对预测功率进行标幺化（预测功率占风资源区域总装机容量比例）。本文将预测时刻及其前后相邻时刻的预测功率标幺化后作为预测工况的决定性影响因子，若未来预测时刻的全部影响因子与历史时刻相差5%以内，则判断为相似预测工况，记录历史时刻预测误差。1.2.2 核密度估计本文采用核密度函数法将具有相似预测工况的历史预测误差集合拟合为误差概率分布函数。概率密度估计是通

13、过样本估计总体的概率密度函数，通常分为参数和非参数形式的概率密度估计。核密度估计是常用且有效的非参数概率密度估计方法12-13，其表达式如下所示： MACROBUTTON MTPlaceRef * MERGEFORMAT SEQ MTEqn h * MERGEFORMAT ( SEQ MTEqn c * Arabic * MERGEFORMAT 1)式中，n为样本数；h为带宽；xi为样本；K()为核函数。本文采用高斯核函数，其表达式如下所示： MACROBUTTON MTPlaceRef * MERGEFORMAT SEQ MTEqn h * MERGEFORMAT ( SEQ MTEqn c

14、 * Arabic * MERGEFORMAT 2)核密度估计带宽的选取影响估计精度。带宽较小时，概率密度曲线偏尖锐，结果波动较大；带宽较大时，概率密度曲线过于平滑，数据的真实性可能被掩盖14-15。本文方法选取与风资源区域未来功率预测时刻具有相似预测工况的历史预测时刻集合，按照文献16所述最优带宽求取方法生成预测误差概率分布。已知三北地区某电网风资源区域J在2018年3月某时刻预测功率，基于风资源区域J历史功率预测数据库进行工况识别和核密度估计，得到预测误差概率分布如图2所示，图中横坐标为预测误差有名值（单位：MW），纵坐标为概率密度。图2 风资源区域J功率预测误差概率分布Fig.2 Pro

15、bability distribution of power prediction error in wind resource region J2 全网预测功率纳入日前出力平衡方法采用前面方法得到电网各个风资源区域的功率预测误差概率分布后，按照各区域装机容量进行换算后采用蒙特卡洛抽样方法抽样加和17-18，拟合得到全网的风电功率预测概率分布。图3为三北地区某电网2018年3月某时刻的全网预测误差概率分布。图3 全网功率预测误差概率分布Fig.3 Grid power prediction error probability distribution接下来，按照平均预测误差对原始功率预测值进行

16、修正，根据累计概率值确定预测功率上下限，得到全网风功率带宽预测结果。风电功率预测误差等于预测出力减去实际出力。当预测误差为正，预测出力大于实际出力时，需要利用全网备用容量填补功率缺额；当预测误差为负，预测出力小于实际出力时，需要利用全网调峰裕度消纳风电多发功率。负荷高峰时段火电机组出力较大，全网备用容量小；而负荷低谷时段火电机组出力较小，调峰裕度大。负荷高峰期应尽可能减小风电功率预测正误差，负荷低谷期应尽可能减小风电功率预测负误差。因此，将风电预测功率纳入日前计划时，在负荷高峰时段取带宽下限值以避免预测正负差，负荷低谷时段取带宽上限值以避免预测负误差，其余时段按平均误差修正。图4 风电预测功率

17、纳入日前电力平衡流程图Fig.4 Flow chart of including wind power forecast into current power balance3 算例分析本文根据三北地区某电网2016-2017两年数据建立历史功率预测数据库，预测数据时间间隔为15分钟，各风资源区域装机容量如附表1所示。收集各风资源区域风电场2018年3月13日至3月19日连续7天上报的预测功率，在历史数据库中识别相似预测工况，计算各风资源区域及全网的功率预测误差分布。取累计概率90%对应误差值为带宽上限，累计概率10%对应误差值为带宽下限，得到全网风功率带宽预测，如图5所示。图5 全网功率带宽

18、预测Fig.5 Grid power bandwidth prediction该电网调控机构制定日前计划时将早上10：30-11：30中间负荷最大时刻前后1小时作为负荷早高峰，晚17：00-20：00中间负荷最大时刻前后1小时作为负荷晚高峰，凌晨1：00-5：00作为负荷低谷。收集该电网2016-2017两年的负荷数据，发现大部分日期早高峰集中在在10:00-12:00，晚高峰集中在在16:15-18:15，将以上两个时段作为3月13日至3月19日的负荷早晚高峰，按照本文方法确定纳入计划的功率预测曲线，如图6所示。图6 纳入调度计划安排的风电预测功率Fig.6 Wind power forec

19、asting included in the scheduling plan将本文方法与直接纳入原始预测值的方法进行对比。3月13日至3月19日负荷高峰时段，原始功率预测值共在58个时刻存在正误差，平均值为416.52MW;本文方法修正后的功率预测值共在34个时刻存在正误差，平均值为270.33MW。3月13日至3月19日负荷低谷时段，原始功率预测值共在61个时刻存在负误差，平均值为-229.20MW；本文方法修正后的功率预测值不存在负误差。以每日负荷高峰期预测正误差最大值与负荷低谷期最大预测负误差最大值（绝对值）衡量全网当天需要提供的备用容量与调峰裕度。图7 负荷高峰时段预测正误差情况Fig

20、.7 Positive prediction error during high load period图8 负荷低谷时段预测负误差情况Fig.8 Negative prediction error during low load period如图7、8所示，采用本文方法将原始风功率预测值修正后纳入日前功率平衡计划，在3月13日至3月19日期间能累计为全网节省1554.78MW备用容量和1954MW调峰裕度。4 结论针对风电功率预测的不确定性，本文提出的方法能够结合历史数据估计误差的概率分布，在不同负荷时段采用不同的策略将预测功率纳入日前电力平衡计划安排，仿真算例的结果验证了方法的有效性。本文

21、方法可满足含风电电力系统的电力电量平衡需求，相比传统风电参与电力平衡方法能够减少高峰时段的火电冗余开机容量和低谷时段的旋转备用，保障了电力系统安全性和经济性，有助于实现风电功率高比例消纳。在后续研究中，可从2个方面进一步优化本文方法。（1）本文未考虑输电极限等网架约束对风电预测功率纳入日前出力平衡安排的影响，后续应结合电网实际运行情况补充修正环节；（2）本文仅将预测功率作为预测工况的影响因子，未来应将数值天气预报等其他影响因素纳入历史数据库和工况识别流程中。参考文献国家能源局.2017年风电并网运行情况EB/OL.2018-2-01. /2018-02/01/c_136942234.htm.杨

22、秀媛, 肖洋, 陈树勇. 风电场风速和发电功率预测研究J. 中国电机工程学报, 2005, 25(11):1-5.吴问足, 乔颖, 鲁宗相,等. 风电功率概率预测方法及展望J. 电力系统自动化, 2017(18):167-175.Lange M. On the Uncertainty of Wind Power PredictionsAnalysis of the Forecast Accuracy and Statistical Distribution of ErrorsJ. Journal of Solar Energy Engineering, 2005, 127(2):177-184

23、.Zhang Y, Wang J, Wang X. Review on probabilistic forecasting of wind power generationJ. Renewable & Sustainable Energy Reviews, 2014, 32(5):255-270.薛禹胜, 郁琛, 赵俊华,等. 关于短期及超短期风电功率预测的评述J. 电力系统自动化, 2015, 39(6):141-151.叶林, 赵永宁. 基于空间相关性的风电功率预测研究综述J. 电力系统自动化, 2014, 38(14):126-135.Bauer T，Lips H P，Thiele G，

24、et alOperational tests on HVDC thyristor modules in a synthetic test circuit for the sylmar east restoration projectJIEEE Transactions on Power Delivery，1997Pinson P. Estimation of the uncertainty in wind power forecastingJ. Engineering Sciences, 2006.王彩霞.风火互济系统中风电对有功平衡的影响机理研究 D.北京:清华大学,2011 .徐曼.动力学

25、和统计学方法综合协调的风电功率精细化预测研究D. 北京:清华大学,2016.杨楠, 崔家展, 周峥, 等. 基于模糊序优化的风功率概率模型非参数核密度估计方法J. 电网技术, 2016, 40(2): 335-340.Qin Z, Li W, Xiong X. Estimating wind speed probability distribution using kernel density methodJ. Electric Power Systems Research, 2011, 81(12): 2139-2146.Botev Z I, Grotowski J F, Kroese D P. Kernel density estimation via diffusionJ. The Annals of Statistics, 2010, 38(5): 2916-2957.牛君. 基于非参数密度估计点样本分析建模的应用研究D. 山东大学, 2007.颜伟, 任洲洋, 赵霞, 等. 光伏电源输出功率的非参数核密度估计模型J. 电力系统自动化, 2013, 37(10): 35-40.曹成军, 别朝红, 王锡凡. 蒙特卡洛法全周期抽样的研究J. 西安交通大学学报, 2