許沛華，陳正洪，孫延維，王必強(qiáng)，簡(jiǎn)仕略

(1.華中師范大學(xué)人工智能教育學(xué)部教育信息技術(shù)學(xué)院，湖北 武漢 430079；2.湖北省氣象服務(wù)中心，湖北 武漢 430074；3.湖北第二師范學(xué)院計(jì)算機(jī)學(xué)院，湖北 武漢 430205)

引 言

湖北省內(nèi)風(fēng)能資源豐富區(qū)域主要分布在鄂北部的隨州至麻城桐柏山大別山一線、中部的襄陽及荊門一帶、鄂西南的利川齊岳山區(qū)、鄂東低山丘陵湖區(qū)，全省90%以上風(fēng)電場(chǎng)建設(shè)在復(fù)雜地形的山區(qū)。對(duì)于復(fù)雜地形的山區(qū)來說，數(shù)值模式預(yù)報(bào)由于網(wǎng)格及陸面物理過程的局限性，模擬山區(qū)復(fù)雜地形及地貌條件較困難[1-4]，尤其是近地層風(fēng)速易受復(fù)雜下墊面和復(fù)雜湍流過程影響[5-6]，使模式模擬的風(fēng)速、風(fēng)向與實(shí)測(cè)值之間存在一定偏差[7-8]，需要在大量的觀測(cè)數(shù)據(jù)基礎(chǔ)上進(jìn)行模式后處理，使數(shù)值預(yù)報(bào)結(jié)果更接近電站觀測(cè)值[9-13]。

目前國(guó)內(nèi)外風(fēng)電功率預(yù)報(bào)算法主要分為物理法與統(tǒng)計(jì)方法，物理法也被稱為數(shù)值天氣預(yù)測(cè)模型[14]，它嚴(yán)重依賴于風(fēng)電場(chǎng)條件的完整描述。統(tǒng)計(jì)方法側(cè)重于挖掘時(shí)間序列中的時(shí)變關(guān)系，這些時(shí)變關(guān)系由三類組成，分別是時(shí)間序列分析方法、卡爾曼濾波和機(jī)器學(xué)習(xí)方法。自回歸模型、移動(dòng)平均模型、自回歸移動(dòng)平均模型是典型的時(shí)間序列分析模型[15]，往往需要較高的模型階數(shù)來描述時(shí)間序列數(shù)據(jù)的線性關(guān)系?？柭鼮V波考慮了模型誤差的動(dòng)態(tài)傳播，可以有效提高預(yù)測(cè)精度[16]。除此之外，神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)是具有代表性的機(jī)器學(xué)習(xí)方法[17]，可以通過各種學(xué)習(xí)規(guī)則在輸入和輸出之間建立非線性映射。然而在風(fēng)電場(chǎng)大規(guī)模的服務(wù)實(shí)踐過程中發(fā)現(xiàn)，針對(duì)統(tǒng)計(jì)模型所需的高質(zhì)量時(shí)間序列數(shù)據(jù)，往往會(huì)受測(cè)風(fēng)塔觀測(cè)數(shù)據(jù)質(zhì)量、風(fēng)機(jī)老化、停機(jī)檢修、限電、覆冰等諸多因素影響，數(shù)據(jù)的內(nèi)在統(tǒng)計(jì)規(guī)律被破壞，給統(tǒng)計(jì)模型的建立帶來了困難。同時(shí)，隨著并網(wǎng)風(fēng)電規(guī)模越來越大，國(guó)家能源局華中監(jiān)管局2019年7月發(fā)布了對(duì)每日功率預(yù)報(bào)準(zhǔn)確率進(jìn)行考核的文件，對(duì)預(yù)報(bào)的合格率和準(zhǔn)確率提出了更高要求。因此，如何建立一個(gè)可以適應(yīng)不同數(shù)據(jù)場(chǎng)景又能提供持續(xù)高準(zhǔn)確率的風(fēng)電功率預(yù)測(cè)算法體系，并在大規(guī)模的工程應(yīng)用中以經(jīng)濟(jì)高效的方式運(yùn)行是一個(gè)急需破解的難題。

本文使用物理法[18]、偏最小二乘法[19]、神經(jīng)網(wǎng)絡(luò)算法[20-24]，建立基于風(fēng)速訂正方法的物理法、偏最小二乘法、神經(jīng)網(wǎng)絡(luò)方法進(jìn)行功率預(yù)測(cè)，通過實(shí)際對(duì)比檢驗(yàn)，每一種單一方法均無法滿足風(fēng)電場(chǎng)對(duì)持續(xù)高準(zhǔn)確率預(yù)報(bào)的要求，受深度學(xué)習(xí)方法的啟發(fā)，在這些方法的基礎(chǔ)上提出了softmax集成預(yù)報(bào)方法[25]，該方法較單一預(yù)報(bào)方法和傳統(tǒng)均值法集成預(yù)報(bào)都具有更高的合格率和準(zhǔn)確率，可以有效減少電站考核天數(shù)，提升電站經(jīng)濟(jì)效益。

1 資料與方法

1.1 資 料

為檢驗(yàn)softmax集成預(yù)報(bào)方法在不同典型條件下的預(yù)報(bào)能力，對(duì)具有典型代表地區(qū)的3個(gè)風(fēng)電場(chǎng)進(jìn)行6種風(fēng)電短期功率預(yù)報(bào)，并對(duì)預(yù)報(bào)結(jié)果進(jìn)行詳細(xì)分析。這3個(gè)電站情況分別為：電站1位于鄂北部山區(qū)，風(fēng)機(jī)較多，裝機(jī)容量大，投產(chǎn)時(shí)間長(zhǎng)，觀測(cè)數(shù)據(jù)受風(fēng)機(jī)老化、檢修、限電等各種不確定因素影響較大，數(shù)值預(yù)報(bào)較為準(zhǔn)確；電站2位于鄂西南高海拔山區(qū)，投產(chǎn)時(shí)間短，觀測(cè)數(shù)據(jù)質(zhì)量高，數(shù)值預(yù)報(bào)在該地區(qū)存在系統(tǒng)偏差；電站3位于鄂東低山丘陵地區(qū)，裝機(jī)規(guī)模小，投產(chǎn)時(shí)間短，觀測(cè)數(shù)據(jù)質(zhì)量高，數(shù)值預(yù)報(bào)經(jīng)訂正后大部分月份能滿足要求。

利用湖北省3個(gè)風(fēng)電場(chǎng)2018年5月至2019年12月的數(shù)據(jù)進(jìn)行試驗(yàn)，經(jīng)過分析和篩選，每個(gè)風(fēng)電場(chǎng)挑選數(shù)據(jù)質(zhì)量較好的7個(gè)月數(shù)據(jù)(其中第1個(gè)月數(shù)據(jù)用于訓(xùn)練，剩余6個(gè)月數(shù)據(jù)用于檢驗(yàn)準(zhǔn)確率)，包括風(fēng)電場(chǎng)的功率實(shí)況數(shù)據(jù)、測(cè)風(fēng)塔數(shù)據(jù)及數(shù)值預(yù)報(bào)數(shù)據(jù)，時(shí)間分辨率均為15 min，數(shù)值預(yù)報(bào)使用同期歐洲中期天氣預(yù)報(bào)中心(European Center for Medium-Range Weather Forecasts，ECMWF)產(chǎn)品，區(qū)域水平分辨率為3 km×3 km。

1.2 方 法

為適應(yīng)不同風(fēng)電場(chǎng)的數(shù)據(jù)條件和場(chǎng)景，利用物理法[18]，即利用數(shù)值預(yù)報(bào)的風(fēng)速、風(fēng)向、溫度、濕度、氣壓等預(yù)報(bào)要素，根據(jù)風(fēng)機(jī)的功率曲線預(yù)報(bào)發(fā)電功率的方法；偏最小二乘法[19]，基于線性回歸和最小二乘法基礎(chǔ)上的一種高度非線性體系的統(tǒng)計(jì)預(yù)報(bào)方法；神經(jīng)網(wǎng)絡(luò)法[20-24]，是一種高度非線性預(yù)報(bào)方法，能夠以任意精度逼近任何非線性映射，以及考慮數(shù)值預(yù)報(bào)周期性和季節(jié)性波動(dòng)特點(diǎn)的滾動(dòng)風(fēng)速訂正方法。首先使用數(shù)值模式預(yù)報(bào)輸出結(jié)果輸入到上述3種功率預(yù)報(bào)模型中，然后結(jié)合風(fēng)電場(chǎng)實(shí)際測(cè)風(fēng)數(shù)據(jù)對(duì)風(fēng)速和功率曲線進(jìn)行滾動(dòng)訂正和建模，再輸入到3種功率預(yù)報(bào)模型中。在長(zhǎng)期風(fēng)電場(chǎng)服務(wù)過程中發(fā)現(xiàn)，由于每個(gè)風(fēng)場(chǎng)觀測(cè)數(shù)據(jù)的穩(wěn)定性、數(shù)值預(yù)報(bào)誤差的不確定性等因素導(dǎo)致無法使用任何一種單一的預(yù)報(bào)方法進(jìn)行高合格率和高準(zhǔn)確率的預(yù)報(bào)服務(wù)。

均值法集成預(yù)報(bào)方法，即對(duì)所有預(yù)報(bào)方法求平均值的方法，存在一些固有缺陷，容易高估小風(fēng)，導(dǎo)致小風(fēng)天氣因?yàn)槠交豢浯?，低估大風(fēng)，導(dǎo)致大風(fēng)天氣的預(yù)報(bào)能力因?yàn)槠交唤档?，給功率預(yù)報(bào)造成了困擾，降低預(yù)報(bào)的合格率[26-28]。越來越多實(shí)踐表明[29]，預(yù)報(bào)準(zhǔn)確率較高的方法應(yīng)賦予“更高”的權(quán)重，預(yù)報(bào)準(zhǔn)確率不高的方法也能得到一定的權(quán)重，準(zhǔn)確率不同的預(yù)報(bào)方法之間的權(quán)重需要具有一定的“距離”，softmax函數(shù)恰好能夠滿足這個(gè)要求，該函數(shù)是機(jī)器學(xué)習(xí)領(lǐng)域比較重要的函數(shù)，尤其在多分類的任務(wù)中應(yīng)用廣泛，softmax函數(shù)可形式化表示[25]如下：

(1)

假設(shè)P1、P2、P3分別為某一時(shí)刻最優(yōu)預(yù)報(bào)方法一、方法二、方法三的風(fēng)電預(yù)報(bào)功率，則集成預(yù)報(bào)風(fēng)電功率P公式如下：

P=δ1(z)×P1+δ2(z)×P2+δ3(z)×P3

(2)

式中：P(MW)為集成預(yù)報(bào)的風(fēng)電功率；δ1(z)、δ2(z)和δ3(z)分別為優(yōu)選的3種算法權(quán)重值；P1、P2、P3(MW)分別為優(yōu)選的3種算法預(yù)報(bào)的功率值。由公式(2)可以看出，softmax集合方法可以“凸顯”最近30 d預(yù)報(bào)準(zhǔn)確率較高的方法并“抑制”最近30 d預(yù)報(bào)準(zhǔn)確率相對(duì)一般的方法，如3種方法都具有相同的合格天數(shù)，則該方法變?yōu)榫捣?。每天選擇參與集成預(yù)報(bào)的方法時(shí)，根據(jù)這些預(yù)報(bào)方法最近30 d的預(yù)報(bào)準(zhǔn)確率進(jìn)行動(dòng)態(tài)調(diào)整，而不是固定的3種方法。

風(fēng)電功率預(yù)報(bào)預(yù)測(cè)合格率(Q)計(jì)算公式如下(1)國(guó)家能源局華中監(jiān)管局文件. 關(guān)于印發(fā)華中區(qū)域“兩個(gè)細(xì)則”的通知，(2019)192號(hào).：

(3)

式中：i代表某一天，Bi代表第i天是否合格，rRMSE為第i天功率預(yù)報(bào)的相對(duì)均方根誤差，當(dāng)預(yù)報(bào)準(zhǔn)確率大于等于80%為1，表示該日預(yù)報(bào)合格，當(dāng)預(yù)報(bào)準(zhǔn)確率小于80%為0，表示該日預(yù)報(bào)不合格。

1.3 流程圖

設(shè)計(jì)兩大類預(yù)報(bào)算法：(1)基于原始數(shù)值預(yù)報(bào)結(jié)果進(jìn)行預(yù)報(bào)的物理法、偏最小二乘法和神經(jīng)網(wǎng)絡(luò)法；(2)原始數(shù)值預(yù)報(bào)結(jié)合現(xiàn)場(chǎng)觀測(cè)數(shù)據(jù)進(jìn)行風(fēng)速訂正的基礎(chǔ)上，再將訂正風(fēng)速進(jìn)行物理法、偏最小二乘法和神經(jīng)網(wǎng)絡(luò)法進(jìn)行預(yù)報(bào)。對(duì)以上6種算法再進(jìn)行最近30 d的預(yù)報(bào)合格率計(jì)算并優(yōu)選合格率最高的3種預(yù)報(bào)算法，再對(duì)這3種預(yù)報(bào)算法進(jìn)行softmax集成預(yù)報(bào)，圖1為softmax集成預(yù)報(bào)流程圖。

圖1 softmax集成預(yù)報(bào)流程圖Fig.1 The softmax ensemble prediction flow chart

2 結(jié)果分析

2.1 電站1

隨州天河口風(fēng)電場(chǎng)地處隨州市桐柏山脈，風(fēng)場(chǎng)由一條東西走向長(zhǎng)約10 km的主導(dǎo)山脊組成，風(fēng)場(chǎng)占地面積大，地形地貌復(fù)雜，裝機(jī)容量220 MW，為湖北省境內(nèi)最大裝機(jī)容量風(fēng)電場(chǎng)，共135臺(tái)風(fēng)機(jī)，選取2019年4—10月的數(shù)據(jù)進(jìn)行各種算法的合格率和準(zhǔn)確率統(tǒng)計(jì)。表1列出2019年5—10月天河口風(fēng)電場(chǎng)各算法風(fēng)電功率預(yù)報(bào)合格率及天數(shù)，可以看出，前6種算法每個(gè)月合格的天數(shù)不穩(wěn)定，而后2種集成預(yù)報(bào)算法表現(xiàn)出較好的穩(wěn)定性，其中7月、8月、10月softmax集成預(yù)報(bào)算法較均值法集成預(yù)報(bào)合格天數(shù)提高2 d，其他月份提高1 d，平均提高1.5 d。softmax集成預(yù)報(bào)算法較均均值法集成預(yù)報(bào)月平均合格率提高4.91%。

表1 2019年5—10月天河口風(fēng)電場(chǎng)各算法風(fēng)電功率預(yù)報(bào)合格率及天數(shù)Tab.1 The qualification rate and days of wind power forecasted by each algorithm in Tianhekou wind farm from May to October 2019

表2列出2019年5—10月天河口風(fēng)場(chǎng)各算法風(fēng)電功率預(yù)報(bào)準(zhǔn)確率?？梢钥闯?，數(shù)值模式的原始預(yù)報(bào)較準(zhǔn)確，即使在沒有訂正的基礎(chǔ)上，預(yù)報(bào)準(zhǔn)確率也均大于80%。6—8月將該風(fēng)場(chǎng)數(shù)值預(yù)報(bào)輸出風(fēng)速代入3種方法后，物理法較神經(jīng)網(wǎng)絡(luò)法和偏最小二乘法的預(yù)報(bào)準(zhǔn)確率更高，以6月為例分析發(fā)現(xiàn)，5月整場(chǎng)的風(fēng)速和實(shí)況功率的散點(diǎn)圖(圖2)雖成“S”型分布，但對(duì)于4～10 m·s-1風(fēng)速來說，對(duì)應(yīng)的實(shí)況功率取值范圍較大，其中4～5 m·s-1風(fēng)速對(duì)應(yīng)實(shí)況功率值范圍為0～150 MW，由于神經(jīng)網(wǎng)絡(luò)法和偏最小二乘法采用最近前30 d的數(shù)據(jù)滾動(dòng)建模，所以5月的數(shù)據(jù)不利于機(jī)器學(xué)習(xí)，影響6月神經(jīng)網(wǎng)絡(luò)法和偏最小二乘法預(yù)報(bào)準(zhǔn)確率，分析原因可能是由于該風(fēng)電場(chǎng)裝機(jī)容量較大，風(fēng)機(jī)較多，整場(chǎng)出力受到風(fēng)機(jī)檢修、老化等各種不確定因素的影響。另外，softmax集成預(yù)報(bào)的準(zhǔn)確率較均值法集成預(yù)報(bào)更高，其中月平均預(yù)報(bào)準(zhǔn)確率較均值法提升0.79%，其中10月預(yù)報(bào)準(zhǔn)確率較均值法提升0.92%。

表2 2019年5—10月天河口風(fēng)電場(chǎng)各算法風(fēng)電功率預(yù)報(bào)準(zhǔn)確率Tab.2 The forecast accuracy of wind power of each algorithm in Tianhekou wind farm from May to October 2019

圖2 2019年5月天河口風(fēng)電場(chǎng)實(shí)況風(fēng)速與實(shí)況發(fā)電功率散點(diǎn)圖Fig.2 The scatter diagram of actual wind speed and actual generation power of Tianhekou wind farm in May 2019

2019年5—7月天河口風(fēng)電場(chǎng)采用直接將數(shù)值預(yù)報(bào)輸出的風(fēng)速代入物理法的預(yù)報(bào)準(zhǔn)確率更高，以6月為例分析發(fā)現(xiàn)，6月訂正前的風(fēng)速均方根誤差為2.23 m·s-1，訂正后均方根誤差為2.24 m·s-1，誤差不僅沒有下降，相反略有增大(圖3)。說明通過風(fēng)速訂正后的預(yù)報(bào)算法反而比沒有訂正的算法預(yù)報(bào)效果略差。

圖3 2019年6月天河口風(fēng)場(chǎng)實(shí)況風(fēng)速及訂正前后預(yù)報(bào)風(fēng)速的日變化Fig.3 The daily variation of observed wind speed and forecasted wind speed before and after revision in Tianhekou wind farm in June 2019

2.2 電站2

利川齊岳山風(fēng)電場(chǎng)位于鄂西北高海拔山區(qū)，總裝機(jī)容量99 MW，共66臺(tái)風(fēng)機(jī)，選取該風(fēng)電場(chǎng)2018年6—11月的風(fēng)電功率預(yù)報(bào)合格率、合格天數(shù)、準(zhǔn)確率(表3、表4)進(jìn)行分析。由表3可以看出，softmax集成預(yù)報(bào)較均值集成預(yù)報(bào)合格天數(shù)提高1～3 d，其中8月和11月均值法和softmax集成預(yù)報(bào)法的合格率一樣。以11月例，優(yōu)選的3種預(yù)報(bào)算法合格天數(shù)均為25 d，由公式(2)可知，softmax集成預(yù)報(bào)法變成了均值法集成預(yù)報(bào)，故兩種集成預(yù)報(bào)合格天數(shù)一樣，也均為25 d?？傮w上，softmax集成預(yù)報(bào)法月平均合格天數(shù)比均值法集成預(yù)報(bào)高1.3 d。

表3 2018年5—11月齊岳山風(fēng)電場(chǎng)各算法風(fēng)電功率預(yù)報(bào)合格率及天數(shù)Tab.3 The qualification rate and days of wind power forecasted by each algorithm in Qiyueshan wind farm from June to November 2018

表4 2018年6—11月齊岳山風(fēng)電場(chǎng)各算法風(fēng)電功率預(yù)報(bào)準(zhǔn)確率Tab.4 The forecast accuracy of wind power of each algorithm in Qiyueshan wind farm from June to November 2018

圖4為2018年6—11月齊岳山風(fēng)電場(chǎng)預(yù)報(bào)風(fēng)速訂正前后的均方根誤差。可以看出，7月、8月和11月訂正后風(fēng)速均方根誤差(RMSE)均略有增大，其中7月增大0.05 m·s-1，但6月、9月、10月預(yù)報(bào)風(fēng)速經(jīng)訂正后均方根誤差均有下降，其中10月下降0.26 m·s-1。由表4可以看出，將數(shù)值預(yù)報(bào)輸出風(fēng)速直接代入的物理法沒有其他預(yù)報(bào)方法效果好，其中6月、9月、10月經(jīng)風(fēng)速訂正后的各預(yù)報(bào)算法準(zhǔn)確率都得到明顯改進(jìn)，6月、9月風(fēng)速訂正后的神經(jīng)網(wǎng)絡(luò)法較直接將數(shù)值預(yù)報(bào)輸出風(fēng)速代入的物理法分別提升3.89%、6.25%，10月風(fēng)速訂正后的物理法較直接將數(shù)值預(yù)報(bào)輸出風(fēng)速代入的物理法提升6.67%，與圖4風(fēng)速訂正誤差較為吻合，尤其是10月，風(fēng)速訂正后改進(jìn)最為明顯。從各月預(yù)報(bào)準(zhǔn)確率來看，softmax集成預(yù)報(bào)法接近單一預(yù)報(bào)方法的最大值，6—11月均優(yōu)于均值法集成預(yù)報(bào)。

圖4 2018年6—11月齊岳山風(fēng)電場(chǎng)訂正前后預(yù)報(bào)風(fēng)速的均方根誤差Fig.4 The root-mean-square error of forecasted wind speed before and after revision in Qiyueshan wind farm from June to November 2018

2.3 電站3

武穴大金中部風(fēng)電場(chǎng)位于鄂東低山丘陵地區(qū)，裝機(jī)容量26 MW，共13臺(tái)風(fēng)機(jī)，選取該風(fēng)電場(chǎng)2019年7—12月的功率預(yù)報(bào)合格率、合格天數(shù)、準(zhǔn)確率(表5、表6)進(jìn)行分析。由表5可以看出，7—12月softmax集成預(yù)報(bào)法較均值法集成預(yù)報(bào)合格天數(shù)提高1～3 d，其中10月、12月合格天數(shù)提高較明顯，均提高3 d，與天河口風(fēng)電場(chǎng)類似，月平均合格天數(shù)提高1.8 d。

表5 2019年7—12月大金風(fēng)電場(chǎng)各算法風(fēng)電功率預(yù)報(bào)合格率及天數(shù)Fig.5 The qualification rate and days of wind power forecasted by each algorithm in Dajin wind farm from July to December 2019

由表6可見經(jīng)過風(fēng)速訂正后的預(yù)報(bào)模型比直接使用數(shù)值預(yù)報(bào)輸出風(fēng)速的預(yù)報(bào)模型月平均預(yù)報(bào)準(zhǔn)確率更高，對(duì)預(yù)報(bào)風(fēng)速訂正后的算法除9月和11月外，其他月份預(yù)報(bào)準(zhǔn)確率均為最高，其中9月訂正風(fēng)速后偏最小二乘法較數(shù)值預(yù)報(bào)輸出風(fēng)速代入物理法提高2.89%。7月softmax集成預(yù)報(bào)法比單一預(yù)報(bào)算法準(zhǔn)確率最高的偏最小二乘法(訂正風(fēng)速)提高1.31%，其他月份softmax集成預(yù)報(bào)法均接近單一預(yù)報(bào)算法準(zhǔn)確率最高的算法。除12月外，其他月softmax集成預(yù)報(bào)均高于均值法集成預(yù)報(bào)。

表6 2019年7—12月大金風(fēng)電場(chǎng)各算法風(fēng)電功率預(yù)報(bào)準(zhǔn)確率Tab.6 The forecast accuracy of wind power of each algorithm in Dajin wind farm from July to December 2019

圖5為2019年9月大金風(fēng)電場(chǎng)實(shí)況風(fēng)速與實(shí)況發(fā)電功率散點(diǎn)圖。對(duì)比圖2發(fā)現(xiàn)，該風(fēng)電場(chǎng)散點(diǎn)圖數(shù)據(jù)聚集度高，經(jīng)過數(shù)據(jù)“清洗”后，噪聲數(shù)據(jù)少，適合機(jī)器學(xué)習(xí)模型的建立，所以統(tǒng)計(jì)方法較物理法準(zhǔn)確率更高。

圖5 2019年9月大金風(fēng)電場(chǎng)實(shí)況風(fēng)速與實(shí)況發(fā)電功率散點(diǎn)圖Fig.5 The scatter diagram of actual wind speed and actual generation power of Dajin wind farm in September 2019

圖6為2019年12月大金風(fēng)電場(chǎng)實(shí)況風(fēng)速及訂正前后預(yù)報(bào)風(fēng)速的日變化?？梢钥闯?，12月預(yù)報(bào)風(fēng)速與實(shí)況風(fēng)速存在明顯的系統(tǒng)偏差，預(yù)報(bào)風(fēng)速偏小，訂正前預(yù)報(bào)風(fēng)速均方根誤差為2.06 m·s-1，訂正后預(yù)報(bào)風(fēng)速均方根誤差為1.77 m·s-1，誤差減小0.29 m·s-1，經(jīng)風(fēng)速訂正后的神經(jīng)網(wǎng)絡(luò)法準(zhǔn)確率較數(shù)值預(yù)報(bào)輸出風(fēng)速代入物理法提高7.05%(表6)，預(yù)報(bào)準(zhǔn)確率得到明顯提升。

圖6 2019年12月大金風(fēng)電場(chǎng)實(shí)況風(fēng)速及訂正前后預(yù)報(bào)風(fēng)速的日變化Fig.6 The daily variation of observed wind speed and forecasted wind speed before and after revision in Dajin wind farm in December 2019

通過3個(gè)典型電站分析發(fā)現(xiàn)，6個(gè)單一的預(yù)報(bào)算法在每個(gè)電站每個(gè)月都會(huì)有不同的表現(xiàn)，預(yù)報(bào)合格率和準(zhǔn)確率受數(shù)值預(yù)報(bào)的不確定性、訓(xùn)練數(shù)據(jù)(歷史數(shù)據(jù))的質(zhì)量問題、風(fēng)機(jī)老化程度、檢修等各種復(fù)雜的主客觀因素影響。如在天河口風(fēng)電場(chǎng)，裝機(jī)容量較大，原始的數(shù)值預(yù)報(bào)在沒有訂正的情況下準(zhǔn)確率能達(dá)到80%以上，而在齊岳山風(fēng)電場(chǎng)觀測(cè)數(shù)據(jù)質(zhì)量較高，數(shù)值預(yù)報(bào)風(fēng)速存在一定系統(tǒng)偏差，使用訂正后的預(yù)報(bào)算法效果更好，但沒有任何一個(gè)單一預(yù)報(bào)算法所有月份的預(yù)報(bào)準(zhǔn)確率大于80%，在大金風(fēng)電場(chǎng)雖然觀測(cè)數(shù)據(jù)質(zhì)量較好，但極少數(shù)月份通過訂正后預(yù)報(bào)準(zhǔn)確率仍然達(dá)不到80%，有賴于數(shù)值預(yù)報(bào)的能力的進(jìn)一步提高。通過應(yīng)用實(shí)踐表明，softmax集成預(yù)報(bào)法相比傳統(tǒng)均值法集成預(yù)報(bào)，月平均合格天數(shù)提高約1～2 d，預(yù)報(bào)準(zhǔn)確率提高0.40%～0.79%，具有更高的合格天數(shù)和準(zhǔn)確率。

3 結(jié)論與討論

(1)在數(shù)值模式后處理的訂正方面，統(tǒng)計(jì)訂正方法的確可以修正數(shù)值預(yù)報(bào)對(duì)風(fēng)速預(yù)報(bào)的系統(tǒng)偏差，但同一數(shù)值模式在不同地區(qū)表現(xiàn)出不同的預(yù)報(bào)能力，甚至同一地區(qū)的不同月份和季節(jié)都表現(xiàn)出不同的預(yù)報(bào)能力，訂正算法有時(shí)候也會(huì)使預(yù)報(bào)誤差增大，最終影響功率預(yù)報(bào)的合格率和準(zhǔn)確率。

(2)在采用實(shí)際功率曲線方面，偏最小二乘法與神經(jīng)網(wǎng)絡(luò)算法在部分電站表現(xiàn)出較好的預(yù)報(bào)能力，分析發(fā)現(xiàn)功率預(yù)報(bào)的合格率和準(zhǔn)確率與風(fēng)機(jī)出力、測(cè)風(fēng)質(zhì)量、模型訓(xùn)練有關(guān)。

(3)在數(shù)據(jù)質(zhì)量方面，觀測(cè)數(shù)據(jù)的質(zhì)量會(huì)嚴(yán)重影響訂正模型的表現(xiàn)能力，對(duì)訓(xùn)練樣本集噪聲數(shù)據(jù)的清洗比較困難，需結(jié)合電站實(shí)際情況和專家經(jīng)驗(yàn)進(jìn)行具體斟別，需投入大量的人力物力，不利于大規(guī)模的推廣應(yīng)用。

綜合分析，任何單一算法受數(shù)值模式的預(yù)報(bào)能力、風(fēng)電場(chǎng)規(guī)模、風(fēng)機(jī)老化程度(投產(chǎn)時(shí)長(zhǎng))、觀測(cè)數(shù)據(jù)質(zhì)量、檢修限電等各種因素的影響，即使對(duì)每個(gè)場(chǎng)站進(jìn)行深入分析后再精細(xì)化建模，要使單一預(yù)報(bào)算法的合格率和準(zhǔn)確率每個(gè)月都達(dá)到最好效果比較困難，受深度學(xué)習(xí)啟發(fā)，本文提出一種softmax的集成預(yù)報(bào)算法，較均值法集成預(yù)報(bào)算法具有更好的預(yù)報(bào)效果，使得每個(gè)月預(yù)報(bào)準(zhǔn)確率和合格率都能有較穩(wěn)定的表現(xiàn)，大多數(shù)情況下都能逼近每個(gè)月預(yù)報(bào)準(zhǔn)確率最高的算法，甚至極個(gè)別月份還會(huì)超過所有單一預(yù)報(bào)算法，尤其是每個(gè)月的預(yù)報(bào)合格天數(shù)可以提升約1～3 d，能有效減少電站被考核的電量，提高電站經(jīng)濟(jì)效益。