常春喜 何文科
西安特变电工电力设计有限责任公司 陕西 西安 710000
摘要：据国家能源局数据，截至2019年底，全国风电累计装机2.1亿千瓦，占全部发电装机的10.4%，发电量也突破4000亿千瓦时大关，位居世界第一。与此同时，风电的随机波动性也给调控运行带来了巨大的难题和挑战[2]。通过日前、日内的风电功率预测，将风电纳入短期发电计划是应对风电大规模并网的有效手段之一。但受预测时间尺度限制，短期风电功率预测法支撑中长期发电计划的编制，而中长期发电计划对促进新能源消纳、保障系统电量平衡等具有十分重要的作用。中长期电量预测是指通过物理建模或序列分析等统计方法实现未来年际、季度及月等不同时间尺度的可发电量的预测，新能源中长期电量预测是高比例新能源电力系统编制中长期发电计划的基础。因此开展风电中长期电量预测技术研究具有重要意义
关键词：不同风能特征；风电中长期；电量预测方法
引言
风能发电具有随机性的特点，因此其可控性远低于传统化石能源发电，无法像火电一样按照交易计划产出符合要求的电量。我国月度电量交易计划制定流程是将风能优先分配，剩余部分再分配给火电机组等。早期采用近似估计的方式制定风电月度电能交易计划，由于当时风电占比较低，即使估计误差较大也不会对系统产生很大的影响。但随着风力发电迅速发展，风电占比不断提高，要求风电多发满发、减少弃风等原则的出台，若风电月度电能交易计划制定依然不准确，可能会导致原定火电月度电能交易计划难以实施，给系统调峰造成巨大压力，安全性较差。因此为满足电网运行精细化管理的需求，保证电力系统安全可靠性，需要对风力发电量进行准确的月度电量预测。
1基于历史资源再分析数据的预测方法
此方法在资源特征参量构建的基础上，采用自回归滑动平均(autoregressivemovingaverage，ARMA)、卡尔曼滤波等时间序列推导方法挖掘历史资源再分析结果的波动特性，获得未来中长期尺度下的资源参量预测结果，结合资源–电量转化模型实现年、月电量预测。为此种经典方法，其研究并提出了历史资源数值精细化模拟方法及其在中长期电量预测中的释用方法，建立了纵向同月递推和横向逐月滚动相融合的中长期电量预测模型，实现了对风电场月、年等不同时间尺度的电量预测，具有一定的工程适用性，对本文研究具有重要参考价值，但基于历史资源再分析数据的方法主要基于资源的年际变化规律，无法有效解决年际变化中的差异性问题，预测精度仍存在提升的空间。
2历史数据补充
一般风电场从建场日起，历史发电量数据一般仅保留5~7年，而气象信息数据会保留10~15年，因此可利用气象信息对电量数据进行补充。如图1所示，图中上下2条线中每条线段分别代表相同月份的气象及风场单位容量对应发电量数据，其中从建场日至今的气象数据及电量数据均有记录，建场前的气象信息也会保留若干年，图中红色部分为建场前没有记录的电量数据。联系建场日电量数据气象数据，历史数据扩充Fig.1Historicaldataexpansionchart本文通过分析从建场日至今的气象数据及风场单位容量电量数据之间联系，通过建场前的气象信息补充建场前的虚拟单位容量对应电量数据。具体过程与预测时采用kdtree单元匹配法类似，将建厂日气象数据及电量数据作为历史数据，将建厂日前保留的气象数据类比为预测时的天气预报，对建厂日前的电量数据进行计算得到其具体数值作为补充的历史数据。通过上述方法可对风电场历史电量数据进行补充，为后续的风电预测提供大量的数据支撑。
3增加测风塔仪器
2018年版风电场风能测量评价技术规范中提出安装2层温度传感器。在MeteodyWT的新版本中，温度差用于计算排气建筑的热稳定性。因此建议在塔的底部和顶部安装一层温度传感器。
此外，轮毂高度往往在安装测量塔前后判断错误。最高风速是资源评价中最重要的组成部分。目前，通风机风机安装层、通风机安装层、通风机安装层、通风机安装层、通风机安装层、通风机安装层、通风机安装层、测量塔阀安装层，安装前应每10米安装一台风车和2台临界高度风车。此外，在东南低速平面上，如果测头高度高于预期的10-20 m则最好。
4基于历史电量序列推导的预测方法
此种方法也主要采用序列推导方法挖掘历史电量的波动特性，进而实现月度电量预测。与前述第一种方法的主要区别是直接以历史电量序列为输入，省略了资源与电量的转化环节。文献[8]借鉴长期负荷预测的技术方案，采用季节性差分自回归滑动平均模型(seasonalautoregressiveintegratedmovingaverage，SARIMA)模型对风电场月发电量数据进行拟合，达到了较好的预测效果；通过构建灰色新陈代谢模型挖掘序列中的波动特性，从而得到中长期发电量。基于历史电量数据的预测方法建模相对简单，可达到一定预测精度，实际工程中应用较多，但易受实际发电量数据质量的影响，且对历史电量序列的数据长度要求较高，也不能较好解决年际变化中的差异问题。
5预测算法
风力发电量具有随机性、周期性且与气象关系紧密，因此针对其不同特点选用合适的算法能够提高月度风电预测的精准度。kdtree算法是一种考虑天气预报信息作为输入量的预测方法，充分地利用了历史天气信息及天气预报；历史趋势法采用了序列外推的方式进行预测，考虑了历史数据的规律性；同时通过组合预测的方式降低了该月份的预测误差，避免特殊天气或天气预测不准造成的单一预测方法导致某月预测误差过大的问题。由于预测并不是绝对准确的，预测结果的产生遵循一定的概率，在工程运用时可能会参考其预测上限及预测下限，因此在点预测和组合预测的基础上选取了区间预测法。
6多种数据组合预测方法，是组合模型的一种常见方式
综合多种预测结果进行数据和方法的自适应组合，可以实现中长期预测结果的优化。提出了一种基于copula函数和LSTM模型的中长期风电和光伏发电量联合预测方法，其输入数据是再分析资源数据和历史电量数据；通过组合两种历史电量数据模型预测结果，对整体预测效果进行了优化。组合预测方法可以综合利用多元信息和多种预测模型，是当前和未来研究的热点，但现有研究未充分考虑未来资源变化信息。
7激光雷达补充测风
场区内无测风塔或测风数据质量差，会导致资源评估工作存在极大的不确定因素。在凝冻时有发生的南方地区，测风塔倒塌的大风地区，仪器损坏以及测风塔距场区较远的情况下，采用激光雷达短时期补充测风无疑是最好的选择。目前激光雷达价格已大幅下降，租借一个月的费用基本降到10万元以下，一些国产品牌价格更低，平价时代下激光雷达测风必然是不错的选择。
结束语
对于数据样本有限的风电中长期电量预测，本文构建的GWO-LSTM模型预报的时间尺度覆盖年际、季度、月度及日等时间段，在降低了常规依据经验选取LSTM网络参数带来的拟合误差的同时深入挖掘数据特征，预测精度方面得到极大提升。
参考文献
[1]赵书强,胡利宁,田捷夫,许朝阳.基于中长期风电光伏预测的多能源电力系统合约电量分解模型[J].电力自动化设备,2019,39(11):13-19.
[2]谢丽蓉,杨欢,轩武警,包洪印.基于ABC-LSSVM的弃风电量预测[J].水力发电,2019,45(12):101-104.
[3]梁霞.基于模糊时间序列预测模型在我国风力发电量上的应用研究[D].兰州交通大学,2018.
[4]夏慧聪.区域电网公司新能源消纳发展预测与效益评估研究[D].华北电力大学(北京),2018.
[5]黄达文,方芃岚.基于XGBoost算法的用电电量预测的实践应用[J].现代信息科技,2018,1(04):10-12.