马俊鹏 刘菲燕
宁夏回族自治区电力设计院有限公司 宁夏 银川750016
摘要：随着风能市场迅速发展，风电占比不断提高，以及要求风电多发满发、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。本文对考虑不同风能特征的风电中长期电量预测方法进行分析，以供参考。
关键词：不同风能特征；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。
1期跨时段嵌套调度模式探讨
目前，人们对水资源中长期可持续性调查的兴趣较少，主要是根据季节互补性的定性结果进行的。需要对不同时间尺度的风水互补性能进行统计分析，研究风水长期互补特性的规划模式。根据我国某大型水电站五年期历史数据和局部风资料，分别根据周平均值、月平均值和叠加弧，建立气流和风速归一化曲线。
2以水电库容为协调变量的跨月嵌套调度模式
2.1信息可获得性
中、平均功耗的预测序列往往不可靠，能源预测结果是一种实用的设计方法，其中也考虑了较长时期的平均值。同一时间间隔内的预测持续时间越长，预测的不确定性就越大。同一预测的预测时间精度越粗略，预测结果就越可信。因此，巢状排程设计中的年度计划会考虑以月为基础的年度补充，以及以周为基础的月份计划。
2.2规划目标
在供电现场，中期计划的目标是尽可能实现100%的可再生能源需求。制定基于月平均值的计划是基于这样一种假设，即在将阈值添加到年度计划后，月计划可能会发现更接近于每周全局优化的理想结果。根据月平均值进行规划时，风和水的供电能力设计为在一个月内可以自由供电，而不用用火电或水库的水，即风和水的月平均电费(蓝色虚线)高于月平均电费(红色虚线)。但是，如果使用每周平均值，您会发现第1周和第2周的停电需要用电来补充，因为水箱只能向后移动水动力块。
3预测方案
3.1预测原理
本文通过分别计算每月一段时间内最高准确风速、最低风速、平均温度、湿度、照明持续时间等气象数据，分析了每月天气预报的影响，其中风速和温度依赖性较高，温度主要可用于季节区分。因此，本文选择最大风速、最小风速和平均温度作为月度天气预报的影响因素。当前风力发电预测主要面向历史趋势的运用和天气预报，因为本文设想的月风力预测方法是一个较长的预测时间尺度。因此，使用这两种方法计算月流量存在两个问题，其中历史趋势需要整个月流量作为历史数据中的一个单位，这通常会导致运行时间缩短。
3.2预测算法
风产生随机、周期性和天气相关的电源，通过为各种特性选择正确的算法，提高了每月天气预报的准确性。kdtree算法是一种预测方法，利用天气预报信息作为输入值，最大限度地利用历史天气预报和天气预报。a)在连续外推中考虑到历史数据的形式设计，预测历史趋势规律；组合预测还减少了本月的预测误差，避免了由异常天气预报或天气预报引起的单个预测方法引起的问题。由于预测并非绝对正确，因此产生预测结果时，技术规格很可能会参考预测上限与下限。因此，将根据点预测和组合预测选择内部预测。
4风能特征挖掘
4.1风能资源特征参量构建与分析
由气候模式计算获得的气候态预报数据可提供气象要素在月、季、年等时间尺度下的变化趋势信息，有效应用气候态预报数据是目前提高中长期电量预测精度的重要思路。本文研究所引入的气候态预报数据由区域气候模式计算得到，包含风速、风向、辐照强度等参数，空间分辨率为25km×25km，时间分辨率为3h，预报时间长度为12个月。
4.2风能资源特征挖掘
构建和分析获得的日平均风速、日最大风速，同时考虑风向对不同气象特征的表征能力，以日平均风速、日最大风速和日主导风向作为风能资源特征挖掘的基本参量。考虑风能资源气候预报结果的不确定特性，采用具有概率属性的高斯混合聚类模型对风能资源气候预报结果的误差特性进行挖掘和分析。
4.3挖掘结果的有效性分析
挖掘获得的样本集具有明显的特征差异，类型1日风速变化幅度较大，风向分布范围最大，最不稳定；类型2日风速变化幅度小，风向多处于风机迎风方向，最为稳定；类型3日风速变化较为规律，风向多处于风机背风方向，相对稳定。初步说明对风能资源气候预报结果进行特征挖掘具有积极作用。
5中长期电量预测模型研究
5.1 LSTM网络
风能资源气候预报结果的时间尺度较短期预报长，使得气候态预报结果的不确定性更大，这就要求资源–电量转化模型的容错映射能力更强，条件区分度更敏感。LSTM网络解决了原始循环神经网络(recurrentneuralnetwork，RNN)训练过程中由于训练梯度的消失而导致长期感知能力丧失的问题，更容易捕获气候态预报信息与风电场发电量的非线性联系，适用于构建中长期预报资源与电量的转化模型。
5.2中长期电量预测模型
数据预处理及LSTM网络参数的全局优化是必须考虑的问题，灰狼优化算法(greywolfoptimizer，GWO)是一种群智能优化算法[25]，具有结构简单、全局收敛能力强等优点，能够较好的解决LSTM的网络参数全局优化问题。因此，采用基于GWO算法优化的LSTM网络构建中长期电量预测模型，利用GWO算法对LSTM网络的隐含层神经元个数和学习率进行优化。
6分析
风力发电能力过剩仍然是一个问题，因为各省累积的设备能力产生了积极影响，高排气率取决于累积的设备能力。风产业发展得太快太快，无法在空间上聚集。这是风蚀问题日益增多的主要原因之一。a)建议根据“14. 15”计划，在风蚀问题严重的地区减少新建常规风蚀项目的建设规模；在风能较为丰富、市场表现较好、冷却率较低的地区，应加快风能开发，特别是在沿海地区，以确保中国清洁能源稳步增长，减少风力的流失。
结束语
利用区域气候预报结果在不同的风能特征下准确率差异，构建适应性模型降低了噪音的干扰，预测效果有明显改善，且风能特征越稳定，提升效果越显著。参考文献
[1]杨国新.消纳风电的热-电联合优化运行控制技术研究与应用[J].吉林电力,2019,47(06):36-40.
[2]陈志炜. 基于智能预测的能源互联网协同控制研究[D].南京邮电大学,2019.
[3]孙亮,张娜,李宁,刘兴龙,李卫东.基于基尼系数电量进度公平性的日内滚动发电计划[J].电网技术,2020,44(01):340-347.
[4]姜立超,刘洋,沈晓东,杨军峰,李旻,张宏图,王长浩.考虑风电并网和电量分解的月度机组组合模型[J].电力建设,2019,40(12):30-37.
[5]朱三立. 风电场复合型储能系统控制运行与规划研究[D].重庆大学,2019.