閻　潔，劉永前，張　浩，張慧玲，馮雙磊

(1.新能源電力系統(tǒng)國家重點(diǎn)實(shí)驗(yàn)室(華北電力大學(xué))，可再生能源學(xué)院，北京　102206;

2.國網(wǎng)寧夏電力公司，寧夏銀川　750001；3.中國電力科學(xué)研究院，北京　100192)

Dynamic Wind Power Probabilistic Forecasting Based on Wind Scenario RecognitionYAN Jie1, LIU Yongqian1, ZHANG Hao1, ZHANG Huiling2, FENG Shuanglei3

(1.State Key Laboratory of Alternate Electrical Power System with Renewable Energy Sources (School of Renewable Energy),

North China Electric Power University, Beijing102206,China; 2.State Grid Ningxia Electric Power Company,

Yinchuan 750001,China;3.China Electric Power Research Institute, Beijing 100192, China)

?

基于風(fēng)場景識(shí)別的動(dòng)態(tài)風(fēng)電功率概率預(yù)測方法

閻潔1，劉永前1，張浩1，張慧玲2，馮雙磊3

(1.新能源電力系統(tǒng)國家重點(diǎn)實(shí)驗(yàn)室(華北電力大學(xué))，可再生能源學(xué)院，北京102206;

2.國網(wǎng)寧夏電力公司，寧夏銀川750001；3.中國電力科學(xué)研究院，北京100192)

Dynamic Wind Power Probabilistic Forecasting Based on Wind Scenario RecognitionYAN Jie1, LIU Yongqian1, ZHANG Hao1, ZHANG Huiling2, FENG Shuanglei3

(1.State Key Laboratory of Alternate Electrical Power System with Renewable Energy Sources (School of Renewable Energy),

North China Electric Power University, Beijing102206,China; 2.State Grid Ningxia Electric Power Company,

Yinchuan 750001,China;3.China Electric Power Research Institute, Beijing 100192, China)

0引言

風(fēng)力發(fā)電是可再生能源發(fā)電技術(shù)中發(fā)展最快和最為成熟的方式。2014年，中國(除臺(tái)灣地區(qū)外)新增風(fēng)電機(jī)組13 121臺(tái)，新增裝機(jī)容量23 196MW，同比增長44.2%；累計(jì)安裝風(fēng)電機(jī)組76 241臺(tái)，累計(jì)裝機(jī)容量114 609MW，同比增長25.4%[1]。然而風(fēng)電具有波動(dòng)性和間歇性，大規(guī)模風(fēng)電接入電網(wǎng)給電力系統(tǒng)的安全和穩(wěn)定運(yùn)行以及保證電能質(zhì)量帶來嚴(yán)峻挑戰(zhàn)。風(fēng)電功率預(yù)測技術(shù)是減輕風(fēng)電并網(wǎng)帶來的負(fù)面影響的有效方式之一。準(zhǔn)確可靠的風(fēng)電功率預(yù)測對電力系統(tǒng)動(dòng)態(tài)經(jīng)濟(jì)調(diào)度、增加風(fēng)電滲透率、減少旋轉(zhuǎn)備用容量、提高風(fēng)電場容量系數(shù)等具有重要意義[2-3]。

很多學(xué)者致力于研究風(fēng)電功率預(yù)測算法和優(yōu)化策略，在實(shí)際工程應(yīng)用中已經(jīng)取得了較好的效果。人工神經(jīng)網(wǎng)絡(luò)是目前短期風(fēng)電功率單點(diǎn)預(yù)測領(lǐng)域應(yīng)用最為廣泛的方法，具有非線性映射能力強(qiáng)、泛化性好的特點(diǎn)[4-7]。盡管如此，在實(shí)際工程應(yīng)用中，短期單點(diǎn)預(yù)測的誤差約為15%～20%，尚無法滿足電力系統(tǒng)優(yōu)化運(yùn)行的精度需求。概率預(yù)測是單點(diǎn)預(yù)測的延伸，提供任意置信水平下風(fēng)電功率可能的波動(dòng)范圍，補(bǔ)充預(yù)測誤差的概率性信息。常用方法有：分位數(shù)回歸法[8-10]、核密度[11-12]、情景模擬法[13-14]等。但上述方法采用固定模型模擬風(fēng)力發(fā)電過程，導(dǎo)致對特定風(fēng)況的預(yù)測精度較低，模型魯棒性弱。尤其在大規(guī)模風(fēng)電場(群)，風(fēng)況時(shí)空分布特征多樣，單一預(yù)測模型將更難描述風(fēng)況復(fù)雜多樣的變化規(guī)律，預(yù)測精度也將難以得到提升。

針對上述問題，本文提出了基于風(fēng)場景識(shí)別的風(fēng)電功率概率預(yù)測模型。通過分析自然風(fēng)短時(shí)變化和季節(jié)性特征，研究數(shù)值天氣預(yù)報(bào)(Numerical weather prediction, NWP)數(shù)據(jù)對預(yù)測誤差的敏感程度，選用風(fēng)速和風(fēng)向作為劃分風(fēng)場景的參考變量，建立風(fēng)場景聚類分析模型。每一類風(fēng)場景代表一種自然風(fēng)的特征，針對不同特征建立基于相關(guān)向量機(jī)(Relevance vector machine, RVM)的概率預(yù)測模型，提供單點(diǎn)預(yù)測結(jié)果的同時(shí)，補(bǔ)充任意置信水平下風(fēng)電功率可能的波動(dòng)范圍。在預(yù)測時(shí)根據(jù)實(shí)際風(fēng)況實(shí)時(shí)判斷所屬的風(fēng)場景類別，動(dòng)態(tài)調(diào)用該場景下的模型參數(shù)來進(jìn)行概率預(yù)測。引用中國西北某風(fēng)電場的實(shí)際運(yùn)行數(shù)據(jù)，驗(yàn)證風(fēng)場景識(shí)別在概率預(yù)測中的應(yīng)用效果，采用基于人工神經(jīng)網(wǎng)絡(luò)的單點(diǎn)預(yù)測模型進(jìn)行誤差對比分析，利用基于分位數(shù)回歸算法的概率預(yù)測模型進(jìn)行概率預(yù)測可靠性和技術(shù)分?jǐn)?shù)的對比。結(jié)果表明：基于風(fēng)場景識(shí)別的概率預(yù)測算法有效提高了模型的可靠性和精度。

1風(fēng)特性分析

由風(fēng)電機(jī)組功率曲線可知，風(fēng)速是影響風(fēng)電場發(fā)電特性的最主要因素，而不同時(shí)間內(nèi)風(fēng)速波動(dòng)的頻率和幅度有很大區(qū)別，加劇了風(fēng)速影響的程度。圖1為中國西北某風(fēng)電場5月到7月的風(fēng)速波動(dòng)情況，該段時(shí)間內(nèi)風(fēng)電場平均風(fēng)速為5.86m/s，最大風(fēng)速17.79m/s，最小風(fēng)速0.07m/s。

圖1　西北某風(fēng)電場5月到7月份風(fēng)速圖

風(fēng)向也是影響風(fēng)電場輸出功率的重要因素，不同季節(jié)內(nèi)風(fēng)向的頻率分布迥異。圖2～圖5為該風(fēng)電場4個(gè)季節(jié)的風(fēng)向玫瑰圖?？梢?，11月到1月的主導(dǎo)風(fēng)向?yàn)楸憋L(fēng)與東北風(fēng)；2月到4月主要為西北風(fēng)，5月到7月主要為西風(fēng)與西南風(fēng)，8月到10月主要為西風(fēng)與北風(fēng)。

由于受到大氣湍流、尾流效應(yīng)、塔影效應(yīng)的影響，風(fēng)電機(jī)組輪轂高處附近的風(fēng)場往往是不均勻的，導(dǎo)致風(fēng)力發(fā)電機(jī)組在指定風(fēng)速下達(dá)不到理論功率曲線預(yù)期的功率。此外，根據(jù)熱力學(xué)理論，氣溫、壓力、相對濕度等天氣因素會(huì)導(dǎo)致空氣密度的變化，這也將影響風(fēng)電場輸出功率。

圖2　西北某風(fēng)電場11月到1月風(fēng)向玫瑰圖

圖3　西北某風(fēng)電場2月到4月風(fēng)向玫瑰圖

圖4　西北某風(fēng)電場5月到7月風(fēng)向玫瑰圖

圖5　西北某風(fēng)電場8月到10月風(fēng)向玫瑰圖

綜上，風(fēng)況是時(shí)變的、復(fù)雜多樣的。單一預(yù)測模型無法體現(xiàn)風(fēng)況時(shí)變性對風(fēng)力發(fā)電過程的影響，導(dǎo)致預(yù)測誤差低、模型適應(yīng)性弱等問題。因此，根據(jù)風(fēng)特征參數(shù)識(shí)別風(fēng)場景，并據(jù)此劃分風(fēng)況類別，建立適用于復(fù)雜風(fēng)況的概率預(yù)測模型是至關(guān)重要的，有助于提高風(fēng)電功率預(yù)測精度和魯棒性。

2數(shù)值天氣預(yù)報(bào)誤差敏感性分析

數(shù)值天氣預(yù)報(bào)(NWP)是風(fēng)電功率預(yù)測的基礎(chǔ)數(shù)據(jù)，是預(yù)測誤差的主要來源。國內(nèi)外多數(shù)短期功率預(yù)測系統(tǒng)采用單一NWP源作為預(yù)測模型輸入?yún)⒘?，國外也有采用多源NWP提高預(yù)測精度的工程實(shí)例。因此，研究NWP誤差對風(fēng)況的敏感性，對敏感性強(qiáng)的NWP風(fēng)況進(jìn)行細(xì)化分組，對不敏感的NWP風(fēng)況進(jìn)行集中歸類，據(jù)此識(shí)別風(fēng)場景，可以尋求預(yù)測精度和計(jì)算效率之間的平衡。

圖6是不同NWP風(fēng)速下的風(fēng)速預(yù)測絕對誤差，絕對誤差平均值為0.045m/s，實(shí)線表示NWP風(fēng)速預(yù)測的正誤差和負(fù)誤差的平均值，分別為0.78m/s和-0.6m/s。可見：當(dāng)NWP風(fēng)速較小時(shí)，風(fēng)速預(yù)測絕對誤差大多為負(fù)值；隨著NWP風(fēng)速增加，風(fēng)速預(yù)測誤差的絕對值減小；直至NWP風(fēng)速為8m/s時(shí)，絕對誤差達(dá)到最小值，將近為零。NWP風(fēng)速繼續(xù)增加時(shí)，風(fēng)速預(yù)測的絕對誤差持續(xù)增加，且預(yù)測數(shù)值向著大于實(shí)際風(fēng)速的趨勢發(fā)展。圖7是NWP風(fēng)速預(yù)測絕對誤差的標(biāo)準(zhǔn)差，其平均值為2.03 m/s，在圖中以實(shí)線表示?？梢?，風(fēng)速預(yù)測絕對誤差的標(biāo)準(zhǔn)差隨NWP風(fēng)速的增加而增加，即風(fēng)速大的時(shí)候預(yù)測不確定性也相應(yīng)增高，這種風(fēng)速預(yù)測誤差特性在非線性功率曲線的影響下對發(fā)電功率的影響更具不確定性。

圖6　NWP風(fēng)速預(yù)測誤差的平均值

圖7　NWP風(fēng)速預(yù)測誤差的標(biāo)準(zhǔn)差

3基于K-means的風(fēng)場景識(shí)別模型

K-means算法是聚類分析中應(yīng)用最為廣泛的一種無監(jiān)督學(xué)習(xí)算法，具有算法簡單、可高效處理大數(shù)據(jù)集的優(yōu)點(diǎn)。該算法的基本思想是在給定聚類組數(shù)k值的條件下，通過多次迭代將n個(gè)樣本數(shù)據(jù)分成k組[15-16]。聚類的目標(biāo)函數(shù)為使聚類之后各組數(shù)據(jù)與所在組的聚類中心的距離總和最小。

(1)

式中:‖xij-cj‖2為聚類樣本點(diǎn)xij到第j組聚類中心cj的距離量度法；j為聚類組號(hào)。

K-means算法對于類內(nèi)緊密、類間遠(yuǎn)離的聚類結(jié)構(gòu)，具有較好的聚類效果。但必須事先給定聚類個(gè)數(shù)k值，另外該算法對孤立點(diǎn)較敏感，對于比較復(fù)雜的數(shù)據(jù)結(jié)構(gòu)，聚類結(jié)果易受初始聚類中心選取的影響[17]。

圖8　K-means算法流程圖

K-means算法流程見圖8，計(jì)算步驟如下：

① 輸入k值和待聚類的n個(gè)樣本數(shù)據(jù)對象(k≤n)；

② 從原始數(shù)據(jù)對象中隨機(jī)選取k個(gè)樣本對象作為初始聚類中心；

③ 計(jì)算每個(gè)其他樣本數(shù)據(jù)對象與各個(gè)類聚類中心的距離，將其賦給最近的類；

④ 計(jì)算每類數(shù)據(jù)對象的平均值，將其作為每一類新的聚類中心；

⑤ 重復(fù)步驟③、④，直至聚類中心不再發(fā)生變化，得到最佳聚類結(jié)果。

4相關(guān)向量機(jī)(RVM)原理[18]

假設(shè)yn為M個(gè)基函數(shù)φ(x)的線性權(quán)重加和：

(2)

將核函數(shù)K(x,xi)引入相關(guān)向量機(jī)，得到預(yù)測公式：

(3)

式中:wi是權(quán)重向量；K(x,xi)是核函數(shù)； 概率定義如下式

(4)

然后提出先驗(yàn)的概率分布

(5)

式中:α是超參數(shù)；N代表方差為σ2的高斯分布。定義了先驗(yàn)分布后，運(yùn)用貝葉斯推理進(jìn)行整理，關(guān)于未知數(shù)據(jù)的后驗(yàn)分布為

(6)

考慮到p(w|t,α,σ2)=∫p(t|w,σ2)p(w|α)dw為高斯的卷積形式，故權(quán)重值的后驗(yàn)分布為

(7)

式中:A=diag(α0,α1,…,αN)；

后驗(yàn)均值和方差分別為

(8)

(9)

計(jì)算上式關(guān)于α的偏微分，并令該式等于零，可得

(10)

若樣本數(shù)量為N，關(guān)于方差求微分，可得

(11)

在學(xué)習(xí)算法中，重復(fù)迭代式(9)和(10)，根據(jù)后驗(yàn)均值和方差式更新∑和μ，直到滿足收斂條件為止。在參數(shù)估計(jì)過程中，大部分αi→，其對應(yīng)的wi=0，導(dǎo)致大部分核函數(shù)矩陣的項(xiàng)不參與預(yù)測計(jì)算過程，大大降低了模型的復(fù)雜度和計(jì)算的時(shí)間。在超參數(shù)估計(jì)過程中，基于后驗(yàn)分布中各個(gè)權(quán)重值進(jìn)行預(yù)測，不斷調(diào)整最大化的。通過式(5)計(jì)算預(yù)測結(jié)果的分布，對于新數(shù)據(jù)x*進(jìn)行預(yù)測：

(12)

(13)

(14)

5動(dòng)態(tài)概率預(yù)測模型

傳統(tǒng)的概率預(yù)測方法是靜態(tài)的、非條件性的，即不加區(qū)分地使用全部歷史樣本進(jìn)行建模，無法代表每一特定時(shí)刻的“當(dāng)前”狀態(tài)，如：較小風(fēng)速對應(yīng)較小的輸出功率，此種情況下的樣本大多預(yù)測誤差較小，使用這些樣本建模，無法準(zhǔn)確評估在預(yù)測較大功率時(shí)所面臨的風(fēng)險(xiǎn)，這就需要建立考慮外部條件實(shí)時(shí)變化的、動(dòng)態(tài)的概率預(yù)測方法。在風(fēng)場景特征識(shí)別和類別劃分的基礎(chǔ)上，具有針對性地訓(xùn)練不同天氣條件下的概率預(yù)測模型；在實(shí)際運(yùn)行中，根據(jù)外界環(huán)境實(shí)時(shí)變化情況動(dòng)態(tài)切換相應(yīng)的預(yù)測模型。這種優(yōu)化策略的優(yōu)勢是：一方面提高模型整體的精度和適應(yīng)性；另一方面預(yù)計(jì)算訓(xùn)練模型，將大量耗時(shí)的模型訓(xùn)練放在實(shí)時(shí)預(yù)測之前進(jìn)行，提高了模型運(yùn)行的效率。

建模流程如圖9所示，具體過程如下：

①將風(fēng)速、風(fēng)向數(shù)據(jù)輸入K-means聚類模型，進(jìn)行風(fēng)場景識(shí)別和聚類分組；

② 針對風(fēng)場景的分組結(jié)果，建立不同風(fēng)場景類別下的訓(xùn)練樣本和測試樣本；訓(xùn)練樣本包括：訓(xùn)練輸入(NWP)和訓(xùn)練目標(biāo)(實(shí)際功率)；測試樣本包括：測試輸入(NWP)和測試對照(實(shí)際功率)；

③ 利用各組別訓(xùn)練樣本構(gòu)建RVM預(yù)測模型(可參見文獻(xiàn)[19]，具體計(jì)算步驟如下：

a.歸一化處理：將所有的輸入數(shù)據(jù)映射到[-1,1]的范圍內(nèi)；

b.計(jì)算后驗(yàn)分布的權(quán)重；

c.計(jì)算更新后驗(yàn)分布中的平均值和方差(或稱變異數(shù))；

d.迭代直至滿足收斂條件；

e.反歸一化處理。

④ 提取每一個(gè)風(fēng)場景分組中的預(yù)測模型參數(shù)，以備預(yù)測時(shí)使用；

⑤ 實(shí)時(shí)預(yù)測中通過輸入風(fēng)速和風(fēng)向?qū)崟r(shí)判別當(dāng)前風(fēng)況所屬的預(yù)測組別；

⑥ 調(diào)用相應(yīng)模型參數(shù)預(yù)測風(fēng)電功率及其波動(dòng)區(qū)間。

圖9　動(dòng)態(tài)概率預(yù)測模型的建模流程圖

6算例分析

6.1數(shù)據(jù)

以中國西北某風(fēng)電場為例驗(yàn)證模型，運(yùn)行數(shù)據(jù)包括12個(gè)月測風(fēng)塔位置處的風(fēng)速和風(fēng)向，以及全場輸出功率，時(shí)間分辨率為15min；數(shù)值天氣預(yù)報(bào)數(shù)據(jù)包括風(fēng)速、風(fēng)向、氣壓、溫度、濕度，數(shù)據(jù)的時(shí)間段和數(shù)據(jù)分辨率與運(yùn)行數(shù)據(jù)相同。將數(shù)據(jù)分成兩個(gè)部分，每個(gè)月前20d為訓(xùn)練樣本，后10d為測試樣本。與人工神經(jīng)網(wǎng)絡(luò)模型對比驗(yàn)證單點(diǎn)預(yù)測模型精度；與分位數(shù)回歸模型對比驗(yàn)證概率預(yù)測效果。算例中各模型均采用相同的訓(xùn)練樣本和測試樣本，以保證對比的公平性。

6.2評價(jià)指標(biāo)

采用兩種主要的誤差指標(biāo)來評估單點(diǎn)預(yù)測精度：標(biāo)準(zhǔn)化均方根誤差(NRMSE)和標(biāo)準(zhǔn)化平均絕對誤差(NMAE)。NRMSE可以評估一段時(shí)期內(nèi)的整體誤差，而NMAE偏重代表系統(tǒng)實(shí)時(shí)偏差，計(jì)算公式見文獻(xiàn)[20]。

采用文獻(xiàn)[21]中的兩個(gè)評價(jià)指標(biāo)來驗(yàn)證不確定性分析模型，包括：可靠性指標(biāo)和綜合技術(shù)分?jǐn)?shù)?？煽啃灾笜?biāo)是風(fēng)電場實(shí)際功率落于預(yù)測區(qū)間內(nèi)的概率與預(yù)設(shè)概率水平之間的差值，零為最優(yōu)值。綜合技術(shù)分?jǐn)?shù)是綜合評估可靠度和概率性波動(dòng)區(qū)間大小的指標(biāo)，數(shù)值越高模型越優(yōu)，零為最優(yōu)值。

6.3結(jié)果與分析

圖10為基于K-means聚類算法的風(fēng)場景識(shí)別結(jié)果，聚類組數(shù)設(shè)定為25，圖中不同顏色代表不同類型的發(fā)電場景?？梢姡瑥墓β是€寬度軸來看，風(fēng)場景劃分較為均勻，說明實(shí)際功率曲線的分散性對誤差影響模式較為固定；從風(fēng)速軸來看，5～10m/s的風(fēng)速段劃分較細(xì)，這是因?yàn)楣β是€線性部分對誤差影響較為靈敏；從風(fēng)向軸來看，偏北方向的點(diǎn)比較密集，此為風(fēng)電場主導(dǎo)風(fēng)向?？傊L(fēng)場景識(shí)別模型可對不同的風(fēng)況(風(fēng)速、風(fēng)向)特征、功率曲線非線性特征進(jìn)行有效地識(shí)別和分類。

圖10　基于K-means聚類算法的風(fēng)場景識(shí)別結(jié)果

圖11為基于風(fēng)場景識(shí)別的動(dòng)態(tài)RVM模型在測試年內(nèi)不同季節(jié)中隨機(jī)4d的概率預(yù)測結(jié)果和實(shí)際功率曲線，設(shè)置置信水平為90%，即理論上概率預(yù)測的可靠性為90%。由圖可見，單點(diǎn)預(yù)測曲線緊貼實(shí)際功率曲線且保持相同的走勢；功率上下限與預(yù)測數(shù)值的趨勢相同，實(shí)際功率曲線幾乎全部在上下限范圍內(nèi)波動(dòng)。經(jīng)統(tǒng)計(jì)，動(dòng)態(tài)RVM模型在測試年的NRMSE指標(biāo)為13.27%，NMAE指標(biāo)為10.79%；人工神經(jīng)網(wǎng)絡(luò)模型在測試年的NRMSE指標(biāo)為14.53%，NMAE指標(biāo)為11.27%；即RVM模型較人工神經(jīng)網(wǎng)絡(luò)NRMSE指標(biāo)下降了9.47%，NMAE指標(biāo)下降了4.44%。

圖11　各季節(jié)的實(shí)際功率曲線和預(yù)測功率曲線

圖12為RVM動(dòng)態(tài)概率預(yù)測模型與分位數(shù)回歸模型的測試結(jié)果對比圖。由圖可見，動(dòng)態(tài)RVM模型的可靠性指標(biāo)為89.3%，分位數(shù)回歸模型的可靠性指標(biāo)為88.9%。兩個(gè)模型的可靠性均非常接近置信水平的設(shè)置值，且動(dòng)態(tài)RVM模型的可靠性比分位數(shù)回歸方法稍高。對于綜合技術(shù)分?jǐn)?shù)，動(dòng)態(tài)RVM模型比分位數(shù)回歸模型高16.38%。

圖12　RVM動(dòng)態(tài)概率預(yù)測模型的測試結(jié)果

綜上所述，基于風(fēng)場景識(shí)別的風(fēng)電功率概率預(yù)測模型的各個(gè)預(yù)測性能指標(biāo)都有提升，說明該方法能夠更有針對性地模擬不同的風(fēng)場景下的發(fā)電過程，提高預(yù)測模型整體的魯棒性和預(yù)測精度。當(dāng)然，預(yù)測效果的提升不僅僅得益于風(fēng)場景的劃分，也得益于使用了映射能力更強(qiáng)的RVM算法。

任何預(yù)測模型都不可避免的具有誤差和不確定性，通過敏感性分析研究氣象參數(shù)(數(shù)值天氣預(yù)報(bào)數(shù)據(jù))對預(yù)測精度的影響，選取對預(yù)測結(jié)果影響較大的敏感參數(shù)進(jìn)行細(xì)化建模，可以有效降低計(jì)算維度、進(jìn)一步提高預(yù)測精度的目的。

將數(shù)值天氣預(yù)報(bào)中的5個(gè)參量分別單獨(dú)輸入相關(guān)向量機(jī)概率預(yù)測模型，驗(yàn)證單一氣象參量對預(yù)測效果的影響程度。如表1所示，風(fēng)速是對預(yù)測結(jié)果影響最為主導(dǎo)的因素，年均方根誤差為19%；風(fēng)向的影響次之，均方根誤差約為23%；其他因素影響效果均較小，均方根誤差約為30%。可見，風(fēng)電功率預(yù)測中至少要包括風(fēng)速參量；使用風(fēng)向參量在一定程度上可以提高預(yù)測精度，但提升程度需要進(jìn)一步考察風(fēng)電場的風(fēng)向頻率分布，以及機(jī)組分布位置；而其他氣象參數(shù)并非必要的輸入?yún)⒘俊Ｍ瑫r(shí)，敏感性分析結(jié)果也間接驗(yàn)證了，將風(fēng)速和風(fēng)向作為風(fēng)場景識(shí)別模型的輸入?yún)?shù)是具有科學(xué)依據(jù)的。

表1　模型輸入?yún)⒘繉︻A(yù)測誤差的敏感性分析　%

7結(jié)論

本文提出了基于風(fēng)場景識(shí)別的動(dòng)態(tài)風(fēng)電功率概率預(yù)測方法。利用K-means算法實(shí)現(xiàn)了對自然風(fēng)變化和數(shù)值天氣預(yù)報(bào)誤差規(guī)律的特征提取以及聚類分析；利用相關(guān)向量機(jī)方法完成了對風(fēng)電場輸出功率的概率性預(yù)測，不僅提供功率單點(diǎn)預(yù)測數(shù)值，還計(jì)算任意置信水平下的功率波動(dòng)范圍。對耗費(fèi)時(shí)間的模型訓(xùn)練過程進(jìn)行預(yù)計(jì)算，在實(shí)時(shí)預(yù)測中僅需動(dòng)態(tài)調(diào)用各類風(fēng)況場景下的預(yù)測模型參數(shù)，為預(yù)測精細(xì)化建模提供了新的解決方案，有效提高了計(jì)算效率和預(yù)測精度。

以中國西北某風(fēng)電場為例，對比不同預(yù)測模型的測試效果，結(jié)果表明：動(dòng)態(tài)RVM模型相比人工神經(jīng)網(wǎng)絡(luò)模型降低了單點(diǎn)預(yù)測的年均方根誤差和絕對誤差，幅度分別為9.49%和4.44%；在概率性預(yù)測方面，動(dòng)態(tài)RVM模型比分位數(shù)回歸模型得到更為可靠的結(jié)果，且技術(shù)評分提高了16.38%?？傊摲椒訌?qiáng)了對風(fēng)況“當(dāng)前”狀態(tài)的識(shí)別和模擬，有效提高了預(yù)測的魯棒性和精度；且具有較強(qiáng)的實(shí)時(shí)預(yù)測能力。

參考文獻(xiàn)

[1]2014年中國風(fēng)電裝機(jī)容量統(tǒng)計(jì).中國風(fēng)能協(xié)會(huì).

[2]劉永前,韓爽,胡永生. 風(fēng)電場出力短期預(yù)報(bào)研究綜述[J]. 現(xiàn)代電力, 2007(5):6-11.

[3]牛東曉,范磊磊. 風(fēng)電功率預(yù)測方法綜述及發(fā)展研究[J]. 現(xiàn)代電力, 2013(4): 24-28.

[4]Mabel M C,Fernandez E. Analysis of wind power generation and prediction using ANN: a case study [J]. Renewable Energy, 2008, 33(5): 986-992.

[5]Cadenas E, Rivera W. Short term wind speed forecasting in La Venta, Oaxaca, México, using artificial neural networks [J]. Renewable Energy, 2009, 34 (1): 274-278.

[6]Tu Y L, Chang T J,Chen C L, et al. Estimation of monthly wind power outputs of WECS with limited record period using articial neural networks [J]. Energy Conversion and Management, 2012, 59: 114-121.

[7]Rasit Ata. Articial neural networks applications in wind energy systems: a review [J]. Renewable and Sustainable Energy Reviews, 2015, 49: 534-562.

[8]Bremnes J B. Probabilistic wind power forecasts using local quantile regression [J]. Wind Energy, 2004, 7(1): 47-54.

[9]閻潔,劉永前,韓爽. 基于分位數(shù)回歸方法的風(fēng)電功率預(yù)測不確定性分析[J]. 太陽能學(xué)報(bào), 2013, 34(12): 2101-2107.

[10]Haque A U, Nehrir M H, Mandal P. A Hybrid Intelligent Model for Deterministic and Quantile Regression Approach for Probabilistic Wind Power Forecasting [J]. IEEE Transactions on Power Systems, 2014, 29(4): 1663-1672.

[11]Bessa R, Miranda V, Botterud A, et al. Time Adaptive Conditional Kernel Density Estimation for Wind Power Forecasting [J]. IEEE Transactions on Sustainable Energy, 2012, 3(4): 660-669.

[12]Taylora J W, Jeonb J. Forecasting wind power quantiles using conditional kernel estimation [J]. Renewable Energy, Aug. 2015, 80: 370-379.

[13]Wang J, Botterud A,Bessa R, et al. Wind power forecasting uncertainty and unit commitment [J]. Applied Energy, 2011, 88(11): 4014-4023.

[14]Aghaei J, Niknam T, Azizipanah-Abarghooee R, et al. Scenario-based dynamic economic emission dispatch considering load and wind power uncertainties [J]. International Journal of Electrical Power & Energy Systems, May, 2013, 47: 351-367.

[15]Kanungo T, Mount D M, Netanyahu N S, et al. An efficientK-means clustering algorithm: analysis and implementation [J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2002, 24: 881-892.

[16]Wagstaff K, Cardie C,Rogers S, et al. ConstrainedK-means clustering with background knowledge [C]. Proceedings of the 18th International Conference on Machine Learning, 2001: 577-584.

[17]周世兵,徐振源,唐旭清.K-means 算法最佳聚類數(shù)確定方法[J].計(jì)算機(jī)應(yīng)用, 2010, 30(8): 1995-1998.

[18]Tipping M E. Sparse Bayesian Learning and the Relevance Vector Machine[J]. Journal of Machine Learning Research, 2001(1):211-244.

[19]Yan J, Liu Y Q, Han S, et al. Wind power grouping forecasts and its uncertainty analysis using optimized relevance vector machine [J]. Renewable & Sustainable Energy Reviews, 2013, 27: 613-621.

[20]Shuafiu A, Anaya-Lara O, Bathurst G. Aggregated wind turbine models for power system dynamic studies [J]. Wind Engineering, 2006, 30(3):171-185.

[21]Pinson P, Nielsen Haa, M?ller J K, et al. Nonparametric probabilistic forecasts of wind power: required properties and evaluation [J]. Wind Energy, 2007, 10: 497-516.

閻潔(1987-)，女，博士研究生，風(fēng)電場功率預(yù)測及不確定性分析、含有風(fēng)電的電力系統(tǒng)優(yōu)化運(yùn)行等， E-mail:yanjie_freda@163.com；

劉永前(1965-)，男，教授，博士生導(dǎo)師，研究方向?yàn)轱L(fēng)電場設(shè)計(jì)與運(yùn)營技術(shù)等，E-mail:yqliu@ncepu.edu.cn。

(責(zé)任編輯：林海文)

摘要：傳統(tǒng)風(fēng)電功率預(yù)測是確定的、靜態(tài)的、非條件性的，無法代表不同外部狀態(tài)的發(fā)電過程，缺失預(yù)測誤差的概率性信息。針對上述問題，提出了一種動(dòng)態(tài)的基于風(fēng)場景識(shí)別的風(fēng)電功率概率預(yù)測方法。首先建立基于K-means的風(fēng)場景識(shí)別模型，根據(jù)風(fēng)速和風(fēng)向識(shí)別自然風(fēng)特征，據(jù)此劃分風(fēng)電場風(fēng)況類別。然后針對各風(fēng)況類別建立基于相關(guān)向量機(jī)的概率預(yù)測模型。在實(shí)際預(yù)測中，根據(jù)實(shí)時(shí)風(fēng)況動(dòng)態(tài)調(diào)整概率預(yù)測模型參數(shù)。以中國西北某風(fēng)電場為例進(jìn)行驗(yàn)證，結(jié)果表明，該方法提高了單點(diǎn)預(yù)測精度、概率預(yù)測可靠性和技術(shù)分?jǐn)?shù)、運(yùn)行效率，為預(yù)測細(xì)化建模提供新的解決思路。

關(guān)鍵詞：風(fēng)場景;動(dòng)態(tài)預(yù)測;風(fēng)電場;概率預(yù)測;細(xì)化建模

Abstract：Most traditional wind power forecasting methods are deterministic and static without considering external changing conditions as well as probabilistic information of forecasting error. To solve the above problem, a new wind power probabilistic forecasting method is presented based on wind scenario recognition in this paper. Firstly, a wind scenario recognition model is established based on K-means clustering algorithm. The natural wind feature is extracted from wind speed and wind direction. Then, the probabilistic forecasting models based on relevance vector machine (RVM) are built for each wind scenario. During real-time forecasting, the power generation process in different conditions can be recognized and mapped by adjusting the parameters of the pre-established probabilistic forecasting model. Taking a wind farm in Northwest China as an example, the results show that the accuracy of deterministic forecasting, the reliability and skill score of probabilistic forecasting, and forecasting efficiency are improved by the proposed method, which provides a new solution for refined forecast modeling.

Keywords：wind scenario; dynamic forecasting; wind farm; probabilistic forecasting; refined modeling

作者簡介：

收稿日期：2015-04-02

基金項(xiàng)目：國家自然科學(xué)基金(51206051)；國家電網(wǎng)公司科技項(xiàng)目

中圖分類號(hào)：TM614

文獻(xiàn)標(biāo)志碼：A

文章編號(hào)：1007-2322(2016)02-0051-08