YAN Jie ^{, , 1 , 2} , ZHANG Yongrui ^{, , 1 , 2} , ZHANG Hao ^{, , 1 , 2}

1.School of New Energy, North China Electric Power University, Changping District, Beijing 102206, China

2.State Key Laboratory of Alternate Electrical Power System with Renewable Energy Sources (North China Electric Power University), Changping District, Beijing 102206, China

本文引用格式

国外风电功率预测技术的研究开始于20世纪80年代，我国的相关研发始于2008年。随着我国风电产业的快速发展，国家出台了《风电场功率预测预报管理暂行办法》《风电功率预报与电网协调运行实施细则》等管理办法，要求所有并网运行的风电场必须建立风电功率预测系统，并向电网调度机构实时传送数据。经过几年技术升级，国内众多科研院所和商业机构开发多套风电功率预测系统应用于并网风电场，在提升可再生能源的消纳水平方面发挥了重要作用 ^{[ 1 , 2 , 3 , 4 , 5 , 6 ]} 。然而随着风电并网比例的提高，电网对风电功率预测系统的考核力度和惩罚力度也逐步加大。尤其在面临风电平价上网的政策压力下，引进更加先进的预测手段、进一步提升风电功率预测精度迫在眉睫。

我国规划和建设了大量的大规模集中式风电基地，如何提升区域风电场群功率预测精度和预测管理效率是预测系统研发中所面临的重要技术问题之一，开发区域风电场群集中式预测系统正是解决这一问题的关键举措。一方面，集中式预测系统以考虑风电场群内的复杂时空依赖关系为核心出发点，通过建立先进的风电场群时空联合预测模型来提升区域整体的预测精度，在技术原理上优于一个风电场配置一套预测系统的传统“一场一测”开发模式；另一方面，区域风电场群集中式预测系统可以汇聚区域内大量风电场的预测相关数据，能够同时向区域内所有风电场提供预测服务，系统的部署、维护、更新将更为高效便捷。

风电场群时空联合预测存在精度和效率上的优势，是风电功率预测研究中的前沿主题。目前主要发展出了2类区域风电场群集中式预测方法：人工统计分析方法与端到端数据驱动方法。

人工统计分析方法以区制转换(regime-switching space-time, RSST)方法为代表。GNEITING ^{[ 7 ]} 等首先引入了RSST方法进行多风电场时空预测，HERING ^{[ 8 ]} 等人通过改进RSST方法中的风向变量表达方式提出了三角风向日(trigonometric direction diurnal，TDD)和双变量偏t(bivariate skew-T, BST)模型；LE ^{[ 9 ]} 等又进一步提出了考虑地转风的TDD模型；TASTU ^{[ 10 ]} 等从场群内部、外部以及风速、风向等多个角度描述了时空预测误差模式，并提出了线性模型和另外几种RSST模型对预测误差进行了拟合。上述方法在划分预测状态时要依靠专家经验来确定划分结构和模型参数，对复杂地形和复杂风况的风电场群适应性差，并且难以将模型快速迁移到其他不同的区域。

数据驱动的风电场时空预测模型，假设风电场间的时空依赖关系可以从历史数据中直接学习得到，在目前大规模风电历史数据积累的前提下，此类模型得到了越来越多的重视。大量不同类型的数据驱动算法被应用到风电场时空联合预测中来，不仅包括了传统的浅层算法，还包括目前使用较多的深度学习算法。在浅层学习方面，多通道自适应滤波 ^{[ 11 ]} 、正则化Vine Copulas ^{[ 12 ]} 、K最近邻 ^{[ 13 ]} 、梯度提升机 ^{[ 14 ]} 等被应用于多风电场时空预测研究和预测竞赛中。此外，稀疏统计学习技术也被多次用于构建风电场时空依赖性的稀疏结构表达 ^{[ 15 , 16 , 17 ]} 。分布式预测能够解决数据不出本地共享的问题，通过建立分布式时空预测模型来学习临近场站之间时空相关性 ^{[ 18 , 19 ]} 。在深度学习方面，当前的研究主要集中使用不同的神经网络结构对风电场内部以及风电场群之间的时空依赖关系进行学习。深度卷积网络 ^{[ 20 , 21 ]} 、长短时记忆网络 ^{[ 22 ]} 、卷积－长短时记忆网络 ^{[ 23 ]} 、稀疏降噪自动编码机 ^{[ 24 ]} 、混合密度网络 ^{[ 25 ]} 、图卷积－长短时记忆网络 ^{[ 26 ]} 等不同的网络结构均被用于风电场和风电场群的时空联合预测研究中。数据驱动的时空联合预测算法虽然能够在一定程度上提升风电场或者风电场群的功率预测精度，但数据量和数据质量问题是限制此类模型应用的首要因素。

目前国内外已经初步展开了区域风电场群联合时空预测研究并取得了一定成果，然而系统级的应用开发还并不完善。因此面向多风电场精准、高效功率预测建模的需求，本文提出区域风电场群集中式功率预测系统，并进行工程化应用实践。该系统集合多场站观测数据，引入多源数值天气预报(numerical weather prediction，NWP)提升模型输入信息，完善数据清洗流程，建立以图网络和特征工程为核心的风电场群时空联合预测模型框架，最终实现同时为区域内多风电场提供短期、超短期预测服务的目的。

着眼于提升区域整体的预测水平，设计的区域风电场群集中式预测系统框架包含3个核心功能：(1)机组级与场站级实测数据清洗、(2)多源数值天气预报融合修正、(3)多风电场联合时空预测。围绕上述的3个核心功能，设计了7个系统模块，包括：数据采集、数据存储、数据清洗、模型训练、功率预测、结果修正、上报展示。集中式多风电场联合预测系统模块如 图1 所示。

如 图2 所示，系统部署于安全生产二区，通过防火墙从安全生产一区采集集控中心的实时观测数据，通过反向隔离装置从安全生产三区的数值天气预报转接服务器获取多源NWP数据。系统在计算得到预测结果后，将通过专网向电网调度部门上报短期与超短期预测结果。

风电功率预测中常见的数据质量问题包括了风速和功率数据的缺失与异常。针对上述数据质量问题，设计了如 图3 所示的机组级与场站级数据清洗策略，主要包括了风数据异常检测与插补、单机功率异常数据识别、单机功率曲线拟合以及整场功率数据还原等步骤。下面对2种数据存在的问题和数据清洗方法进行介绍。

风电机组风速数据通常由机舱风速仪测得，然而风速仪观测、记录风速数据时通常会发生如 图4 所示的2种异常情况：(1)部分风速仪观测数据仍然随机波动，但其读数极大偏离风电场内其他风电机组观测数值；(2)某些风电机组风速数据长时间处于同一数值。为检测上述2种情况风速异常情况，使用了3-Sigma准则与连续相同值检测规则，将风速数据中的异常位置进行了标注。

机舱风速观测数据在观测和存储过程中，会出现大量缺失值，并且不同风电场由于数据管理能力不同，数据缺失的比例和位置并不相同。如 图5 所示，某风电场内50台风电机组的实测风速数据存在大量非规则分布的缺失数据，此类数据严重影响了数据连续性，对于序列建模会造成一定的影响。

由于限电、机组故障运行、机组停机等多种情况的影响，风电机组功率数据中存在大量异常的功率数据，这些功率数据如果直接用来建立预测模型将会极大地影响预测的效果。如 图6 所示，蓝色功率散点为偏离正常运行区间的机组功率散点。

为了获得能表征机组与风电场实际出力能力功率数据，对风电机组功率数据实施了如下的数据清洗流程：(1)对单台机组的异常功率数据进行判别，其中判别方法依据实际数据采集情况而定，如依据控制规则判别 ^{[ 26 ]} 、密度聚类判别 ^{[ 27 ]} 、图像特征识别等 ^{[ 28 ]} 。(2)使用单台机组正常运行数据建立单机功率曲线模型。功率曲线建模方法较多，但是为快速、准确地建立功率曲线模型，使用了分段多项式拟合。(3)单台机组异常功率点可用清洗后的风速数据经过功率曲线转换而得，再通过各机组功率数据加和来还原整场功率数据。 图7 展示了经过数据还原前后的整场功率数据，其时间跨度为2019-01-01至2019-01-08。可见风电场实际可发功率与风电场实际发电功率间存在明显的差距，限电运行是导致此问题的最主要原因。

NWP是短期风电功率预测及其不确定性分析的关键输入，但对于地形、气候条件复杂的地区而言，单一来源的NWP适应性有限。通常一种NWP采用一种参数化方案、一种初始条件来求解，难以满足复杂地形和气候条件下的准确预报需求。即使通过集合预报的方式来获取多组预报结果增加结果的适应性，但是由于不同预报提供商经验存在差别，任一NWP模式的预报结果并不能保证在所有风电场均为最优的预报结果。文献[ 1 ]中的统计结果也表明，我国资源参量预报结果的低频大误差比欧洲参量预报结果的发生频次更高，单一的预报模式无法适应我国的复杂地形气候。

以集中式预测系统落地的内蒙赤峰地区为例，该地区海拔差异大、陆面荒漠面积大，湍流强度大，阵风频发。即使受同一天气过程影响，区域内各风电场受影响时间不同并且风况差异大。如 图8 所示，对比赤峰地区10个风电场(WF1-WF10)的4种NWP源(欧洲中期天气预报中心，全球预报系统，远景，国际商业机器公司天气预报系统)年平均风速预报均方根误差(root mean square error, RMSE)，可以看出第3种NWP源的RMSE在6个风电场中较小，第2种NWP源的RMSE在3个风电场误差较小，第1种NWP源在余下的1个风电场表现较好。该误差统计结果表明，即使整体最准确的数值天气预报源也并不能保证在所有的风电场提供最精准的预报结果。多源NWP能够提供更为多元的输入信息，不同的NWP源之间能够相互校验，降低了风电场因采用单个NWP源带来的风险，因此有必要采用多源NWP数据来进行短期风电功率预测。但也需要考虑到采用多源NWP时会面临较为明显的共线性问题，需要适当的建模方法避免该问题。

NWP中既包含初始条件和物理过程等引起的系统性误差，也包含由局部地形、粗糙度、障碍物、机组尾流等微尺度因素的局部结构性误差。如 图9 所示，上述2种误差体现在NWP既有趋势上的整体偏差，也有细节波动上的缺失。

在短期区域风电场群时空联合预测方面，主要采用构建了深度时空图注意力网络预测模型与多场特征工程预测模型，并采用集成算法对2种模型的结果进行组合来获得最终的预测结果 ^{[ 25 ]} 。深度时空图注意力网络以多源NWP和修正NWP作为模型输入，多场站的概率密度预测结果为输出，图卷积层融合了多个风电场之间的空间结构信息，时序注意力层提取时序过程信息。特征工程预测模型以多个场站NWP数据和修正NWP数据为基础，通过特征构造方法得到大量相关特征，使用特征筛选方法筛选出有效特征剔除重复、无效噪声特征，经过特征变化后输入多种浅层回归模型获得多组预测结果。汇总2种模型的预测结果，使用Stacking集成学习算法将多种预测结果进行线性组合，获得各个场站最终的预测结果。

区域风电集群集中式预测系统对多个风电场的短期功率进行了联合概率预测建模，因此可以同时输出多个风电场的短期单点和概率预测结果。采用风电功率预测国家标准中的准确率与合格率指标对风电场的短期预测结果进行验证，预测结果如 图10 所示。由 图10 可知：其中有5个风电场短期预测准确率高于80%，有5个风电场短期预测准确率高于85%；其中有5个风电场短期合格率高于80%，有5个风电场短期合格率高于90%。 图11 展示了10个风电场的预测效果，其中红色线为确定性预测结果，黑色线为实际发电功率，可见10个风电场的预测结果均能准确跟随实际发电功率的趋势，并且概率预测区间(5%～95%)(图中蓝色部分)均能涵盖大多数的实际功率点。

超短期预测对于实时性要求较高，因此区域风电集群集中式预测系统仅对单点预测结果进行输出。计算风电场的超短期预测准确率和合格率，最终结果如 图12 所示。由 图12 可知：其中7个风电场超短期预测准确率高于85%，3个风电场的超短期预测准确率高于90%；其中5个风电场超短期预测合格率高于85%，3个风电场超短期预测合格率高于90%，2个风电场超短期预测合格率高于95%。 图13 展示了风电场超短期预测中第1个预测点的预测效果，图中黑色曲线是实测值，红色曲线是预测值。