姜兆宇 賈慶山 管曉宏

隨著全球能源危機和環(huán)境危機愈發(fā)嚴(yán)重,風(fēng)能等可再生能源的利用變得愈發(fā)重要.自上世紀(jì)末以來,全世界風(fēng)力發(fā)電的裝機容量在迅速增長,中國的風(fēng)力發(fā)電裝機容量也與日俱增,呈現(xiàn)迅猛發(fā)展的態(tài)勢.據(jù)中國可再生能源協(xié)會發(fā)布的《2016年中國風(fēng)電裝機容量簡報》[1],中國2016年風(fēng)電新增裝機容量2337萬千瓦,同比增長16.08%.利用好這些風(fēng)電并使其為電網(wǎng)用電需求服務(wù)將對節(jié)能減排產(chǎn)生重要影響.然而,由于日照、地形、氣壓等不確定環(huán)境因素的影響,風(fēng)速和風(fēng)力發(fā)電功率具有較大的不確定性.為增加風(fēng)電上網(wǎng)量,在保證供需實時平衡的條件下,不僅需要增加調(diào)峰機組,導(dǎo)致發(fā)電成本上升,而且要承擔(dān)風(fēng)電電壓不穩(wěn)定給并網(wǎng)輸電帶來的風(fēng)險[2].預(yù)測風(fēng)力發(fā)電,可以幫助及時調(diào)整調(diào)度計劃,找到最優(yōu)的機組組合方案,減少調(diào)峰發(fā)電機組容量,為風(fēng)電機組維修保養(yǎng)的時間提供參考[3-4].因此,提高風(fēng)力發(fā)電預(yù)測精度將會降低風(fēng)能利用成本并提升風(fēng)力發(fā)電接入效率.

現(xiàn)有研究已經(jīng)從不同的角度總結(jié)了風(fēng)力發(fā)電的預(yù)測方法,包括對風(fēng)速和風(fēng)電功率(風(fēng)電)的預(yù)測.在預(yù)測尺度上,部分研究考慮了時間和空間尺度.在時間尺度方面,Colak等[3]2012年綜述基于數(shù)據(jù)挖掘的風(fēng)電預(yù)測方法時考慮到時間尺度.Ata[5]綜述了人工神經(jīng)網(wǎng)絡(luò)在風(fēng)力發(fā)電系統(tǒng)中的應(yīng)用,并在總結(jié)風(fēng)電預(yù)測時,根據(jù)對象種類和時間尺度對預(yù)測方法分類.Okumus等[6]綜述了短至10分鐘、長至72小時的不同時間尺度的風(fēng)速和風(fēng)電預(yù)測方法,并提出了一個基于神經(jīng)網(wǎng)絡(luò)的混合預(yù)測方法.在空間尺度方面,彭小圣等[7]從單個風(fēng)電場和集群風(fēng)電場總結(jié)了短期和超短期風(fēng)電功率預(yù)測技術(shù).葉林等[8]綜述了基于空間相關(guān)性的風(fēng)電功率預(yù)測方法,并將單臺風(fēng)電機的風(fēng)電預(yù)測和風(fēng)電場的風(fēng)電預(yù)測相聯(lián)系,將單個風(fēng)電場的風(fēng)電預(yù)測和集群風(fēng)電場的風(fēng)電預(yù)測相聯(lián)系.Jiang等[9]綜述了不同空間和時間尺度下的風(fēng)速和風(fēng)電的預(yù)測方法,并對比這些方法的預(yù)測精度.

在預(yù)測方法上,通?？紤]單一方法和組合方法.對于單一方法,Kusiak等[10]、Foley等[11]和Jung等[12]都從物理和統(tǒng)計方法兩個角度綜述了風(fēng)電預(yù)測方法.另外,Ata[5]綜述了人工神經(jīng)網(wǎng)絡(luò)方法在風(fēng)電預(yù)測中的應(yīng)用;Colak等[3]綜述了基于數(shù)據(jù)挖掘的風(fēng)電預(yù)測方法;Wang等[13]從模型輸入輸出個數(shù)、迭代步數(shù)、模型選擇等角度,綜述了現(xiàn)有的風(fēng)電預(yù)測方法;Carta等[14]綜述了測量–關(guān)聯(lián)–預(yù)測(Measure-correlation-prediction,MCP)[15]方法,介紹這類方法的思想、目標(biāo)和決定因素,并從風(fēng)速、風(fēng)向以及參考測量點數(shù)量等方面,總結(jié)了運用測量–關(guān)聯(lián)的預(yù)測方法.組合方法可回避單一方法的某些局限性.Xiao等[16]和Tascikaraoglu等[17]從數(shù)據(jù)預(yù)處理、參數(shù)選擇和優(yōu)化、誤差處理的角度,綜述了預(yù)測風(fēng)速與風(fēng)電的組合方法.其中,Xiao等[16]分析了組合方法應(yīng)用的技術(shù),包括分解原始信號、選擇子方法權(quán)重、預(yù)測殘差等,并提出了兩種方法組合理論.Kusiak等[10]也綜述了預(yù)測風(fēng)力發(fā)電量的組合方法.

其他方面,Zhang等[18]和Yan等[19]綜述了風(fēng)電不確定性的預(yù)測方法.Zhang等[18]從不確定性的定義、不確定性預(yù)測的評價標(biāo)準(zhǔn)、模型的參數(shù)估計方法等角度綜述了風(fēng)電預(yù)測方法.Yan等[19]從輸入數(shù)據(jù)、預(yù)測模型原理、不確定性表達方式和預(yù)測時間尺度等角度綜述了風(fēng)電不確定性的預(yù)測方法,并分析了不確定性的來源.Gallego-Castillo等[20]介紹了爬坡預(yù)測(Ramp forecasting)[21]的定義、爬坡對應(yīng)的基本氣象過程,并從坡度和爬坡分布概率的角度,分別綜述了風(fēng)電的爬坡預(yù)測方法.Jung等[12]分析了三種風(fēng)力發(fā)電預(yù)測需求(區(qū)域預(yù)測,概率預(yù)測和離岸預(yù)測),并根據(jù)每一種需求,綜述了現(xiàn)有風(fēng)速和風(fēng)電預(yù)測方法,總結(jié)了影響風(fēng)力發(fā)電預(yù)測精度的因素和提高預(yù)測精度的典型技術(shù)手段.

許多與電網(wǎng)相關(guān)的操作,包括機組組合、計劃與調(diào)度、負載均衡和負載跟隨,都執(zhí)行在不同的空間和時間尺度上.所以,與這些操作相關(guān)的風(fēng)力發(fā)電預(yù)測也需要關(guān)注不同的空間和時間尺度.

本文結(jié)構(gòu)如下:首先,前三節(jié)按照空間尺度,將研究成果分為針對單臺風(fēng)力發(fā)電機、單一風(fēng)電場和風(fēng)電場群等三類;其次,由于不同風(fēng)力發(fā)電預(yù)測任務(wù)可利用的數(shù)據(jù)不盡相同,在根據(jù)空間尺度分類后,將研究成果根據(jù)是否使用氣象信息分為兩類;接著,在每個子節(jié)中按照時間尺度將研究成果再分為不超過24h的短期預(yù)測和超過24h的長期預(yù)測兩類[3-4];最后,在每個時間尺度上,根據(jù)風(fēng)力發(fā)電預(yù)測存在的挑戰(zhàn),總結(jié)已有的研究成果.本文還總結(jié)了相同時間尺度不同空間尺度、不同時間尺度相同空間尺度上預(yù)測方法的關(guān)聯(lián)和差異,希望可以幫助研究人員在面臨不同的風(fēng)電預(yù)測任務(wù)時,找到合適的預(yù)測方法.

1 單臺風(fēng)力發(fā)電機的發(fā)電預(yù)測

風(fēng)力發(fā)電機是指可以將風(fēng)的動能轉(zhuǎn)化為電能的設(shè)備.一般認為,當(dāng)風(fēng)速處于截止風(fēng)速與額定風(fēng)速之間時,單臺風(fēng)機的發(fā)電功率大致與風(fēng)速的三次方成正比[22].因此,本文將風(fēng)速預(yù)測方法納入風(fēng)力發(fā)電預(yù)測研究之中.

單臺風(fēng)力發(fā)電機的預(yù)測主要有如下挑戰(zhàn):1)單臺風(fēng)力發(fā)電機的空間規(guī)模小,局地因素比較復(fù)雜,因而風(fēng)電的波動較大[23].2)風(fēng)電變化規(guī)律受局地因素影響而復(fù)雜[23],缺乏合適的描述模型,難以為研究人員建立預(yù)測模型提供借鑒.因此研究人員需要不斷嘗試,針對不同地理環(huán)境和氣候環(huán)境,找到影響風(fēng)電的因素和規(guī)律,建立合適的風(fēng)力發(fā)電預(yù)測系統(tǒng).

1.1 基于風(fēng)力信息的風(fēng)力發(fā)電預(yù)測

風(fēng)力信息包括風(fēng)速數(shù)據(jù)和風(fēng)力發(fā)電功率數(shù)據(jù),本節(jié)提到的風(fēng)力發(fā)電預(yù)測方法僅基于這些信息進行預(yù)測.在針對單臺風(fēng)力發(fā)電機的風(fēng)電預(yù)測模型中,一般不考慮其他風(fēng)力發(fā)電機的影響和風(fēng)向變化帶來的發(fā)電不確定性.

風(fēng)電具有隨機性和間歇性的特點.據(jù)相關(guān)數(shù)據(jù)分析,單點的風(fēng)速、風(fēng)向的統(tǒng)計規(guī)律會隨著時間尺度的不同而不同[24].下面分別從短期預(yù)測和長期預(yù)測,介紹基于風(fēng)力信息的預(yù)測方法.

1.1.1 短期預(yù)測

當(dāng)預(yù)測尺度不超過24h,風(fēng)速的方差和擾動的強度會隨著時間尺度的增加而增大[24].這說明風(fēng)力變化過程在短期具有慣性,而在時間尺度增加后慣性逐漸消失.同時,風(fēng)速的間歇性主要發(fā)生在預(yù)測時間尺度較短的時段[24].這種慣性和間歇性會由于風(fēng)力發(fā)電機所處的地理位置、環(huán)境、預(yù)測時間和季節(jié)的不同而變化,也會由于噪聲的影響而難以探測.因此,短期預(yù)測主要考慮如何從數(shù)據(jù)中挖掘這些性質(zhì)特征.一般來說,需要分析歷史數(shù)據(jù)中存在的風(fēng)力變化模式特征,并用當(dāng)前序列匹配其中的某種特征,得到預(yù)測值.所挖掘的特征也可以用于總結(jié)預(yù)測值與真實值的誤差變化模式,從而幫助修正預(yù)測值.其框架如圖1所示.

圖1 單臺風(fēng)機短期風(fēng)速風(fēng)電預(yù)測方法框架Fig.1 Framework of short-term wind power forecasting methods for a single turbine

短期預(yù)測的模型通常包括自回歸模型、馬爾科夫鏈模型和卡爾曼濾波等.這些模型都可以實現(xiàn)多步的預(yù)測.在自回歸模型方面,文獻[25]提出用線性自回歸方法預(yù)測未來10步以內(nèi)的風(fēng)速,時間間隔為5s,并提出將原始數(shù)據(jù)用低通濾波器濾波后,再計算線性自回歸系數(shù),消除噪聲的影響.文獻[26]運用風(fēng)電預(yù)測值與歷史風(fēng)速和風(fēng)力發(fā)電功率的線性回歸,并利用相鄰2天風(fēng)電相關(guān)性較強的特點,得到了針對單臺風(fēng)力發(fā)電機12h以內(nèi)的預(yù)測結(jié)果.文獻[27]運用了泰勒–克里格方法預(yù)測風(fēng)電時間序列,首先利用風(fēng)電預(yù)測值與歷史觀測值的相關(guān)性隨時間的流逝而減弱的特點,修正樣本序列與待估序列的歐氏距離,接著將時間序列的估計轉(zhuǎn)化為空間未知樣本的估計,以便利用泰勒–克里格方法.在馬爾科夫鏈模型方面,文獻[28]假設(shè)風(fēng)速的短期變化過程是平穩(wěn)的,具有馬爾科夫性.通過離散化歷史狀態(tài)和計算狀態(tài)的轉(zhuǎn)移概率,再根據(jù)馬爾科夫性預(yù)測未來狀態(tài),最后根據(jù)每個狀態(tài)區(qū)間的經(jīng)驗風(fēng)速分布,估計風(fēng)速的預(yù)測值.在卡爾曼濾波方面,由于卡爾曼濾波可以被看作最優(yōu)自回歸數(shù)據(jù)處理算法,而且不需要平穩(wěn)性假設(shè),因此在分析風(fēng)速、風(fēng)電的自相關(guān)性方面十分有效.早在1985年,文獻[29]就用卡爾曼濾波做短期的風(fēng)力發(fā)電預(yù)測.卡爾曼濾波也是通過迭代預(yù)測多步風(fēng)速或風(fēng)電的代表性方法.

1.1.2 長期預(yù)測

當(dāng)預(yù)測尺度超過24h,預(yù)測階段的風(fēng)力與觀測到的風(fēng)力相關(guān)性變小,風(fēng)力的慣性基本消失.因此主要考慮如何從風(fēng)力信息挖掘風(fēng)速或風(fēng)電的長期變化趨勢.一般可用變形的自回歸滑動平均方法預(yù)測長期風(fēng)電.文獻[30]運用指數(shù)平滑方法,認為觀測值的權(quán)重隨時間流逝以負指數(shù)速度降低.并通過估計預(yù)測誤差,修正指數(shù)平滑方法的預(yù)測結(jié)果,預(yù)測20h后的風(fēng)速.文獻[31]應(yīng)用分數(shù)自回歸積分滑動平均(Autoregressive integrated moving average model,ARIMA)模型,將差分參數(shù)設(shè)成分數(shù),使模型能夠揭示風(fēng)速的長期相關(guān)性,從而預(yù)測1～2天以后的風(fēng)速.神經(jīng)網(wǎng)絡(luò)也可以分析風(fēng)速時間序列.文獻[32]探究了風(fēng)能動態(tài)系統(tǒng)中相空間重構(gòu)所需的輸入數(shù)據(jù)維數(shù)和時間間隔.通過分析輸入數(shù)據(jù)的主成分,找到合適的輸入維數(shù)和時間間隔參數(shù),并利用神經(jīng)網(wǎng)絡(luò)探索輸入數(shù)據(jù)和風(fēng)電預(yù)測值之間的關(guān)系,使模型能夠預(yù)測長期風(fēng)電.由于較短時間尺度的觀測數(shù)據(jù)體現(xiàn)的規(guī)律很難在較長的時間尺度內(nèi)保持不變,一般通過平滑數(shù)據(jù)提高觀測數(shù)據(jù)的時間尺度,以便找到長期變化趨勢來預(yù)測風(fēng)電.

1.2 綜合風(fēng)力與其他氣象信息的風(fēng)力發(fā)電預(yù)測

本節(jié)中的其他氣象信息包括大氣溫度、大氣壓力、濕度、風(fēng)電場周圍地理信息等氣象環(huán)境的實測信息,也包括根據(jù)這些實測信息和動態(tài)方程得到的數(shù)值天氣預(yù)報(Numerical weather prediction,NWP)信息.這些氣象信息將與風(fēng)力信息一起,作為本節(jié)提到的風(fēng)電預(yù)測方法的輸入.下面從短期和長期預(yù)測兩方面介紹綜合風(fēng)力信息和其他氣象信息的風(fēng)力發(fā)電預(yù)測方法.

1.2.1 短期預(yù)測

在包含氣象信息的短期預(yù)測方法中,基于數(shù)值天氣預(yù)報的方法很早就被使用,因為這是非常直觀的一類風(fēng)力發(fā)電預(yù)測方法.風(fēng)是太陽輻射加熱空氣的結(jié)果.雖然風(fēng)的變化較為復(fù)雜,但大氣及其附屬物的運動仍然遵循許多物理定律,包括牛頓第二定律、動量守恒定律、熱力學(xué)第一定律、氣體實驗定律等[33].這些規(guī)律都有數(shù)學(xué)表達式相對應(yīng),成為構(gòu)建數(shù)值天氣預(yù)報方程組的基本物理規(guī)律.從1904年至今,人們發(fā)展了數(shù)值天氣預(yù)報模式,逐漸提高計算精度,提高邊界條件和初始條件的質(zhì)量,獲得了較精確的天氣預(yù)報結(jié)果[34].其中,風(fēng)速的預(yù)測結(jié)果幫助研究人員實現(xiàn)風(fēng)力發(fā)電預(yù)測.

利用數(shù)值天氣預(yù)報預(yù)測風(fēng)力發(fā)電的步驟如圖2所示.1)利用數(shù)值天氣預(yù)報的中尺度模擬,得到高空大氣中的風(fēng)速預(yù)測數(shù)據(jù);2)對地形和地面粗糙度建模,估計當(dāng)?shù)氐娘L(fēng)速廓線函數(shù),并結(jié)合數(shù)值天氣預(yù)報結(jié)果,得到風(fēng)力發(fā)電機輪轂高度的風(fēng)速值.再利用風(fēng)力發(fā)電機組的風(fēng)速–功率轉(zhuǎn)化曲線(理論曲線或?qū)嶋H擬合曲線),得到風(fēng)力發(fā)電機組的發(fā)電功率預(yù)測值[35].此外,可以根據(jù)數(shù)值預(yù)報結(jié)果和實測風(fēng)速風(fēng)電數(shù)據(jù),通過計算協(xié)方差并利用最小二乘法,擬合二者之間的關(guān)系來預(yù)測風(fēng)速風(fēng)電.文獻[36]擬合了數(shù)值天氣預(yù)報的風(fēng)速結(jié)果與測量風(fēng)速的關(guān)系,并根據(jù)上述關(guān)系,修正風(fēng)速的預(yù)測結(jié)果,進而通過依賴于風(fēng)向的風(fēng)速–功率曲線得到風(fēng)電功率的預(yù)測值.

圖2 利用數(shù)值天氣預(yù)報預(yù)測單臺風(fēng)機短期風(fēng)電步驟Fig.2 Procedure of short-term wind power forecasting methods for a single turbine using numerical weather prediction

1.2.2 長期預(yù)測

數(shù)值天氣預(yù)報作為天氣模擬系統(tǒng),利用了嚴(yán)格的物理規(guī)律,只要邊界條件和初始條件足夠精確,就能精確預(yù)測較長時間范圍內(nèi)氣象變量的變化情況.因此,在長期預(yù)測的要求下,利用數(shù)值天氣預(yù)報的方法依然有效.但數(shù)值天氣預(yù)報預(yù)測的風(fēng)速畢竟不能代表風(fēng)機輪轂處的實際風(fēng)速,因此需要根據(jù)實際風(fēng)機的環(huán)境,經(jīng)過修正后才能使用.而且風(fēng)力發(fā)電機的風(fēng)速–功率曲線也不會完全與理想曲線吻合,需要根據(jù)實際場景分析.文獻[37]利用模型輸出統(tǒng)計,根據(jù)已有的數(shù)值天氣預(yù)報模式(Eta)預(yù)測的風(fēng)速數(shù)據(jù)、3h前風(fēng)速觀測數(shù)據(jù)、6h前風(fēng)速觀測數(shù)據(jù)和當(dāng)前觀測到的風(fēng)速數(shù)據(jù),做了針對數(shù)值天氣預(yù)報輸出風(fēng)速結(jié)果的線性校正公式,進而得到校正后的風(fēng)速預(yù)測值.由于風(fēng)速–功率曲線的不確定性,文獻[38]用人工神經(jīng)網(wǎng)絡(luò)等工具擬合風(fēng)速–功率曲線與相關(guān)氣象因素的關(guān)系,以便在不同的氣候環(huán)境中更精準(zhǔn)地將風(fēng)速估計值轉(zhuǎn)化為風(fēng)電估計值.

1.3 單臺風(fēng)力發(fā)電機的發(fā)電預(yù)測方法小結(jié)

單臺風(fēng)力發(fā)電機通常存在于兩種情形:1)風(fēng)力發(fā)電機單獨存在,服務(wù)區(qū)域較小,服務(wù)對象較少;2)風(fēng)力發(fā)電機為評估地區(qū)風(fēng)資源而存在.由于第2種情形下的風(fēng)電預(yù)測會在區(qū)域風(fēng)電場群的風(fēng)電預(yù)測中考慮,本節(jié)所述文獻主要針對第1種情形.由于單臺風(fēng)力發(fā)電機本身功率有限,無論是否接入電網(wǎng),都對電網(wǎng)的影響比較小,因此已有工作對此涉及較少.

表1對比了針對單臺風(fēng)力發(fā)電機的不同風(fēng)電預(yù)測方法的輸入數(shù)據(jù)、適用范圍和預(yù)測誤差.從預(yù)測誤差上看,由于國際上對風(fēng)速及風(fēng)電的預(yù)測誤差沒有統(tǒng)一的評價標(biāo)準(zhǔn)(中國國標(biāo)的評價標(biāo)準(zhǔn)包括:全天預(yù)測結(jié)果均方根誤差、日平均預(yù)測計劃曲線準(zhǔn)確率、日平均預(yù)測計劃曲線合格率[39]),且使用的數(shù)據(jù)不盡相同,預(yù)測誤差之間沒有可比較性.從方法上看,一般來說,若只用風(fēng)力信息做輸入,會分析并利用預(yù)測尺度上的風(fēng)速風(fēng)電自相關(guān)性.若利用數(shù)值天氣預(yù)報,則重點考慮如何將預(yù)報結(jié)果轉(zhuǎn)化為風(fēng)機輪轂處的風(fēng)速,并在不同氣象環(huán)境條件下如何得到精確的風(fēng)速–功率轉(zhuǎn)化曲線.

表1 單臺風(fēng)力發(fā)電機的部分發(fā)電預(yù)測方法對比Table 1 Comparison among part of wind power forecasting methods for a single turbine

2 風(fēng)電場的風(fēng)力發(fā)電預(yù)測

風(fēng)電場通常包含若干臺風(fēng)力發(fā)電機.由于地形限制和尾流效應(yīng),風(fēng)電機組往往呈現(xiàn)高低錯落,依地勢風(fēng)口而延展的排列.由于風(fēng)向具有很強的隨機性,原本依據(jù)主風(fēng)向排列的風(fēng)機并不能時刻達到與風(fēng)力相匹配的發(fā)電功率.因此,風(fēng)力場的發(fā)電預(yù)測不能只考慮單臺風(fēng)機的發(fā)電特性,更要考慮各個風(fēng)機輸出風(fēng)電的關(guān)系以及整個風(fēng)電場的風(fēng)電特性.

在針對風(fēng)電場的發(fā)電預(yù)測時,主要有兩方面的困難.1)風(fēng)電場的風(fēng)電變化過程依然是非線性且非平穩(wěn)的.除了風(fēng)力變化過程非線性且非平穩(wěn)外,風(fēng)力發(fā)電機的風(fēng)速–功率曲線也是非線性且截斷的,風(fēng)電場的風(fēng)機相互影響也導(dǎo)致整體風(fēng)電輸出具有一定的隨機性和非平穩(wěn)性.2)預(yù)測模型的參量類型選取和參數(shù)計算依然比較復(fù)雜.被認為揭示風(fēng)力非平穩(wěn)性和隨機性的洛倫茲方程組[40],雖然給出了這種隨機性對應(yīng)某種奇異吸引子的理論,但用何種已知變量、如何建立近似真實奇異吸引子的模型仍值得探索.對運用已有知識、處理細節(jié)及優(yōu)化參數(shù)等問題解決得好壞,也將影響風(fēng)電場風(fēng)電預(yù)測精度的高低.

2.1 基于風(fēng)力信息的風(fēng)電場風(fēng)力發(fā)電預(yù)測

本節(jié)中的風(fēng)力信息與第1.1節(jié)中的定義相同,只考慮風(fēng)電場的風(fēng)電數(shù)據(jù)和某些測量點的風(fēng)速數(shù)據(jù).風(fēng)電場的風(fēng)力發(fā)電預(yù)測是對風(fēng)電的整體性估計.假設(shè)風(fēng)電場內(nèi)N臺風(fēng)力發(fā)電機的發(fā)電功率是獨立同分布的(雖然有研究表明這樣的假設(shè)不總是成立[41]),那么根據(jù)中心極限定理,平均發(fā)電功率的方差是單臺風(fēng)力發(fā)電機發(fā)電功率方差的1/N.因此,風(fēng)電場發(fā)電功率的隨機性和非平穩(wěn)性與單臺風(fēng)力發(fā)電機相比變?nèi)?針對風(fēng)電場的風(fēng)電預(yù)測是風(fēng)電預(yù)測的主要方向.下面從短期和長期預(yù)測兩方面介紹風(fēng)力發(fā)電預(yù)測的難點,并針對這些難點,介紹相應(yīng)的研究成果.

2.1.1 短期預(yù)測

與上一節(jié)相同,短期預(yù)測一般預(yù)測未來0～24h的風(fēng)電,一般為風(fēng)電機組的控制、載荷跟隨等服務(wù),也可以為經(jīng)濟的負載分配、調(diào)節(jié)策略提供服務(wù)[3-4].由于預(yù)測時間尺度較短,影響風(fēng)電場短期預(yù)測精度的因素一般包含風(fēng)電過程的間歇性、非平穩(wěn)性,以及數(shù)據(jù)間隔和重構(gòu)步長的選取.

與單臺風(fēng)力發(fā)電機的風(fēng)電預(yù)測不同,風(fēng)電場風(fēng)電過程的間歇性是由于風(fēng)電場整體風(fēng)力存在間歇性變化產(chǎn)生的,而不是受局部地區(qū)地形環(huán)境因素影響產(chǎn)生的[23].風(fēng)電的間歇性通常表現(xiàn)為風(fēng)電過程曲線出現(xiàn)上升或下降坡.文獻[42]利用貝葉斯推斷預(yù)測帶有間歇性的風(fēng)電場發(fā)電情況.首先根據(jù)知識和經(jīng)驗,從數(shù)據(jù)中挖掘風(fēng)力變化的平穩(wěn)性特征.接著通過數(shù)據(jù)聚類,計算風(fēng)力爬坡現(xiàn)象發(fā)生的概率.最后利用這些特點,用貝葉斯推斷預(yù)測風(fēng)速和風(fēng)電.文獻[43]利用支持向量機預(yù)測風(fēng)速爬坡,改進基于馬爾科夫鏈和轉(zhuǎn)移概率的風(fēng)電變化過程描述模型.

風(fēng)電場的風(fēng)力情況也具有一定慣性,在預(yù)測尺度較短時,由于整體效應(yīng),這種慣性會穩(wěn)定一段時間.因此,馬爾科夫鏈[44-45]、自回歸(積分)滑動平均模型[46-47]均可以幫助實現(xiàn)風(fēng)電的點預(yù)測或概率置信區(qū)間預(yù)測.如果預(yù)測時間尺度有所增加,風(fēng)力變化過程的平穩(wěn)性將有所減弱,此時基于狀態(tài)轉(zhuǎn)移和線性回歸的方法可能不再適用,取而代之的是深入尋找數(shù)據(jù)中隱含的高維特征的預(yù)測方法,包括神經(jīng)網(wǎng)絡(luò)回歸、支持向量回歸、回歸樹等軟計算方法[48-56].這些方法將過去一段時間的風(fēng)速、風(fēng)電或風(fēng)速風(fēng)電的某種平均當(dāng)作輸入變量,把所預(yù)測的單步、多步風(fēng)速或風(fēng)電當(dāng)成輸出變量,通過低代價和較為魯棒的黑箱模型,模擬這種動態(tài)變化關(guān)系.有研究人員通過模擬的人工神經(jīng)網(wǎng)絡(luò)來模擬風(fēng)速動態(tài)過程,以克服傳統(tǒng)網(wǎng)絡(luò)難以獲得最優(yōu)結(jié)構(gòu)和陷入局部最優(yōu)的限制[57].也有研究人員利用貝葉斯推斷為神經(jīng)網(wǎng)絡(luò)參數(shù)提供后驗知識,幫助簡化網(wǎng)絡(luò)結(jié)構(gòu)和學(xué)習(xí)過程[58],還有研究人員將不同方法的預(yù)測結(jié)果進行貝葉斯組合[59],或根據(jù)預(yù)測時間尺度選擇不同的方法,再將預(yù)測結(jié)果組合[60];或設(shè)計不同優(yōu)化目標(biāo)的神經(jīng)網(wǎng)絡(luò),并生成最優(yōu)權(quán)重系數(shù)來組合不同神經(jīng)網(wǎng)絡(luò)的預(yù)測結(jié)果[61]等.

在基于風(fēng)力信息的預(yù)測方法中,數(shù)據(jù)間隔和重構(gòu)步長的選取直接影響風(fēng)力變化過程的預(yù)測效果.文獻[62-64]研究了歷史數(shù)據(jù)的長度對自回歸滑動平均模型、神經(jīng)網(wǎng)絡(luò)、支持向量回歸等模型預(yù)測精度的影響.一些研究者希望通過合適的分解構(gòu)造不同尺度的序列,并根據(jù)序列的尺度分別建立預(yù)測模型,以提高整體序列的可預(yù)測性.文獻[63,65-72]討論了小波分解和經(jīng)驗?zāi)B(tài)分解在風(fēng)速風(fēng)電預(yù)測中的應(yīng)用.文獻[73]在綜合利用經(jīng)驗?zāi)B(tài)分解和神經(jīng)網(wǎng)絡(luò)預(yù)測風(fēng)速時,著重強調(diào)數(shù)據(jù)預(yù)處理的重要性.圖3綜合展示了基于風(fēng)力信息的風(fēng)電場短期風(fēng)電預(yù)測方法框架.首先,根據(jù)預(yù)測目標(biāo)時間尺度和風(fēng)電變化特征,對原始觀測序列進行數(shù)據(jù)重采樣或預(yù)處理.然后,利用信號特征分析方法,提取風(fēng)電變化過程的可預(yù)測特征,尤其是短期風(fēng)電變化過程的間歇性特征.再將特征序列輸入到經(jīng)過參數(shù)優(yōu)化后的預(yù)測器中,并把各個特征的預(yù)測結(jié)果相結(jié)合,得到所需的風(fēng)電預(yù)測結(jié)果.

圖3 基于風(fēng)力信息風(fēng)電場短期風(fēng)電預(yù)測方法框架Fig.3 Framework of short-term wind power forecasting methods for a wind farm with wind information

2.1.2 長期預(yù)測

長期風(fēng)力發(fā)電預(yù)測一般預(yù)測未來24h以上的風(fēng)電,一般為能源交易策略、協(xié)調(diào)最優(yōu)的機組組合方案提供參考,并為目前電力市場的安全運行提供服務(wù)[3-4].由于時間尺度比短期預(yù)測大大增加,預(yù)測區(qū)間風(fēng)速或風(fēng)電的不穩(wěn)定性也將增加[24].因此,選取合適的數(shù)據(jù)和模型,尋找不穩(wěn)定風(fēng)速或風(fēng)電變化過程中的規(guī)律,消除非平穩(wěn)性對預(yù)測的影響,是長期預(yù)測的關(guān)鍵.

為了減少非平穩(wěn)性逐漸增大給風(fēng)電預(yù)測帶來的困難,一種做法就是對輸入數(shù)據(jù)濾波,提高信噪比.然后將處理后的數(shù)據(jù)作為自回歸滑動平均、軟計算等方法的輸入,得到風(fēng)速或風(fēng)電的長期預(yù)測結(jié)果[22,74-82].這種做法通常需要提高輸入數(shù)據(jù)的時間間隔,通過尋找風(fēng)電長期變化趨勢來彌補預(yù)測方法只針對單一特征的不足.但數(shù)據(jù)的波動性也會隨著時間間隔的增加而增大,為長期風(fēng)電趨勢的預(yù)測增加困難[24].

如果風(fēng)電的長期非平穩(wěn)性較強,一般可以利用信號分解方法將非平穩(wěn)序列分解成平穩(wěn)成分和隨機成分.此時難以預(yù)測的隨機成分占總體幅值比例較小,容易預(yù)測的平穩(wěn)成分占總體幅值比例較大.接下來針對每一組成分,通過相空間重構(gòu)分析和回歸分析,訓(xùn)練針對當(dāng)前成分的預(yù)測器.最后根據(jù)這些預(yù)測器得到的各個成分的預(yù)測值,并利用信號分解時所用的參數(shù)進行重構(gòu),得到長期風(fēng)速或風(fēng)電的預(yù)測結(jié)果,如圖4所示.文獻[83]先利用小波變換分解觀測數(shù)據(jù),然后用模糊自適應(yīng)諧振網(wǎng)絡(luò)預(yù)測風(fēng)電,再用支持向量回歸預(yù)測模糊自適應(yīng)諧振網(wǎng)絡(luò)產(chǎn)生的偏差,最后利用預(yù)測偏差修正預(yù)測結(jié)果.文獻[84-85]用經(jīng)驗?zāi)B(tài)分解和機器學(xué)習(xí)相結(jié)合的方法預(yù)測風(fēng)速.文獻[86]結(jié)合信號分解和相空間重構(gòu)的思想,針對分解后的每一列原始數(shù)據(jù),設(shè)計預(yù)測方法及輸入結(jié)構(gòu),再預(yù)測風(fēng)速.當(dāng)然,這些方法也會對原始數(shù)據(jù)進行逐時或逐日均值濾波,以便找到風(fēng)的長期動態(tài)變化趨勢.

圖4 利用信號分解預(yù)測風(fēng)電場風(fēng)速風(fēng)電方法框圖Fig.4 Framework of wind power forecasting methods for a wind farm using signal decomposition

長期預(yù)測更加注重提取原始數(shù)據(jù)的特征,以降低非平穩(wěn)性對預(yù)測的干擾.主成分分析是尋找高維特征的一個常用方法.通過對歸一化的連續(xù)時間序列樣本組成的延時矩陣進行主成分分析,得到主成分特征向量,并以此為輸入數(shù)據(jù),利用軟計算或k近鄰分析等方法預(yù)測各主成分,最后利用逆映射和反歸一化,得到風(fēng)速或風(fēng)電的預(yù)測結(jié)果[87-88].對于風(fēng)能動態(tài)過程的不同主成分數(shù)據(jù),可以選擇不同的預(yù)測模型[89].文獻[90]利用主成分分析方法,篩選對同一時刻的多維輸入數(shù)據(jù)的主成分,使?fàn)顟B(tài)空間減小,改善了預(yù)測算法的輸入結(jié)構(gòu).文獻[91]利用基于快速評價的方法來判斷輸入變量對預(yù)測結(jié)果的影響大小,保留影響大的輸入變量,簡化了輸入數(shù)據(jù)結(jié)構(gòu).自回歸分析也可以提取數(shù)據(jù)變化的特征.文獻[77]根據(jù)利用自回歸分析,確定輸入向量的結(jié)構(gòu),再利用非線性擬合或濾波方法預(yù)測風(fēng)速或風(fēng)電.

然而,利用上述方法預(yù)測長期的風(fēng)速或風(fēng)電存在一些明顯不足.1)時間序列在前向迭代預(yù)測或在跨越長時間尺度前向預(yù)測的過程中,其預(yù)測誤差不斷累積并向前傳播,長期預(yù)測的效果變差[92];2)由于模型結(jié)構(gòu)單一,隨著預(yù)測時間尺度的增加,迭代結(jié)果將逐漸收斂到平均值或某一固定的頻率,失去預(yù)測能力;3)由于風(fēng)電與觀測風(fēng)速在一定范圍內(nèi)呈近似三次函數(shù)的關(guān)系,將風(fēng)速轉(zhuǎn)化為風(fēng)電的過程會放大風(fēng)電預(yù)測誤差;4)如果通過提取輸入數(shù)據(jù)特征獲得知識的方法建立模型,會存在特征提取片面,高維核函數(shù)選取不恰當(dāng)?shù)那闆r.這些問題可以通過數(shù)據(jù)融合和方法綜合的方式來解決.

數(shù)據(jù)融合指綜合利用不同時間尺度上的預(yù)測結(jié)果,既包含長期的趨勢預(yù)測,又包含精細時間尺度的預(yù)測.文獻[93]利用神經(jīng)網(wǎng)絡(luò)識別未來一年的天氣模式,然后再用神經(jīng)網(wǎng)絡(luò)預(yù)測細節(jié)變化.文獻[94-95]區(qū)分季節(jié)變化趨勢和日變化趨勢,在季節(jié)變化趨勢的基礎(chǔ)上調(diào)整日變化趨勢的預(yù)測模型參數(shù),并優(yōu)化其參數(shù),再考慮風(fēng)速變化過程中的爬坡現(xiàn)象,實現(xiàn)長期預(yù)測.文獻[96]利用譜分析得到日周期、月周期和季節(jié)周期的模式特征,從而通過去趨勢化對原始風(fēng)速分解,并利用卡爾曼濾波預(yù)測殘差部分.組合兩部分的預(yù)測結(jié)果實現(xiàn)長期風(fēng)速預(yù)測.

方法綜合指綜合利用不同預(yù)測方法或選用不同參數(shù)的同一預(yù)測方法.雖然分解原始數(shù)據(jù)或提取原始數(shù)據(jù)的主成分可以獲得風(fēng)能動態(tài)過程的變化特征,但由于不能保證特征被完整提取,針對某種特征的單一預(yù)測方法很難取得最優(yōu)預(yù)測效果.如果用結(jié)構(gòu)或參數(shù)不同的方法,預(yù)測同一特征成分,就可以通過選擇或組合不同方法的預(yù)測結(jié)果,跳出單一方法容易陷入的局部最優(yōu)和過擬合情況.圖5展示了利用方法綜合思想的風(fēng)電預(yù)測框架.1)針對歷史觀測數(shù)據(jù),采用兩種不同的預(yù)測方法或參數(shù)不同的方法預(yù)測,得到若干種預(yù)測器;2)根據(jù)真實結(jié)果,擬合不同預(yù)測器的組合預(yù)測權(quán)重;3)將當(dāng)前所需預(yù)測的序列輸入到上述不同預(yù)測器中,并將預(yù)測結(jié)果用上述權(quán)重組合,得到風(fēng)速或風(fēng)電的預(yù)測值.文獻[97-98]采用融合高斯過程和融合神經(jīng)網(wǎng)絡(luò)的方法預(yù)測同一特征,以實現(xiàn)風(fēng)速或風(fēng)電的長期預(yù)測.不同的是,文獻[97]提取了短期非平穩(wěn)變化特征和季節(jié)變化特征;文獻[98]根據(jù)風(fēng)力發(fā)電機的地理位置,提取了相似的風(fēng)電變化過程特征.也可以用兩種不同的方法,分別預(yù)測兩種不同特征,并綜合兩種特征,得到超越只針對單一特征的預(yù)測結(jié)果.文獻[99]將自回歸積分滑動平均模型和人工神經(jīng)網(wǎng)絡(luò)相結(jié)合.其中自回歸模型用于預(yù)測平穩(wěn)成分;人工神經(jīng)網(wǎng)絡(luò)用于擬合殘差,預(yù)測非平穩(wěn)成分.文獻[92]用高斯過程預(yù)測5h以內(nèi)的短期風(fēng)電,再用神經(jīng)網(wǎng)絡(luò)預(yù)測5h以上、48h以內(nèi)的中長期風(fēng)電.文獻[100]用神經(jīng)網(wǎng)絡(luò)組合了基于神經(jīng)網(wǎng)絡(luò)的風(fēng)電預(yù)測結(jié)果.

圖5 利用方法綜合思想預(yù)測風(fēng)電場風(fēng)速風(fēng)電框架Fig.5 Framework of wind power forecasting methods for a wind farm with synthesized thought

2.2 綜合風(fēng)力與其他氣象信息的風(fēng)電場風(fēng)力發(fā)電預(yù)測

本節(jié)中的其他氣象信息與第1.2節(jié)基本一致.由于可利用的數(shù)據(jù)種類增多,預(yù)測方法的思路也將改變.本節(jié)側(cè)重從天氣變化的角度,根據(jù)物理對象和物理過程,解釋使用某種預(yù)測方法的原因.下面同樣從短期和長期預(yù)測兩方面介紹風(fēng)力發(fā)電預(yù)測方法的難點,并針對這些難點,介紹相應(yīng)的研究成果.

2.2.1 短期預(yù)測

當(dāng)預(yù)測未來24h以內(nèi)的發(fā)電量時,天氣一般不會有突發(fā)性的劇烈變化,除非遇到導(dǎo)致強風(fēng)降雨的鋒面.由于鋒面預(yù)測一般屬于長期預(yù)測,本節(jié)主要考慮無鋒面情形下風(fēng)力變化過程的短期預(yù)測.

風(fēng)的變化過程與洛倫茲方程組有自然的聯(lián)系.一些研究認為預(yù)測精度無法提高與測量數(shù)據(jù)的偏差有關(guān),因而在傳統(tǒng)的預(yù)測方法中加入一種洛倫茲擾動,并以一定比例的擾動項修正預(yù)測結(jié)果,以減小預(yù)測誤差.這類方法屬于利用經(jīng)驗?zāi)Ｊ椒治稣`差序列的變化趨勢.文獻[101]通過數(shù)據(jù)擬合計算洛倫茲擾動與小波神經(jīng)網(wǎng)絡(luò)預(yù)測結(jié)果偏差的相關(guān)性系數(shù),并以此模擬預(yù)測偏差的變化情況,修正預(yù)測結(jié)果,實現(xiàn)基于迭代的短期風(fēng)速預(yù)測.

由于增加了氣溫、濕度、氣壓以及數(shù)值天氣預(yù)報結(jié)果等氣象信息,找到與風(fēng)電變化過程更相關(guān)因素的可能性也變大.對數(shù)據(jù)驅(qū)動的預(yù)測方法來說,提高輸入數(shù)據(jù)的維度,更有利于尋找風(fēng)能動態(tài)系統(tǒng)的變化規(guī)律.文獻[102]利用遺傳編程和符號回歸,分析各個天氣變量與風(fēng)電場風(fēng)電輸出功率的關(guān)系.文獻[103]針對三維風(fēng)速和氣溫組成的四元組,運用自適應(yīng)濾波預(yù)測單步風(fēng)速.有研究運用前節(jié)提到的特征分析方法,通過譜聚類或k近鄰,從歷史數(shù)據(jù)中找到相似的風(fēng)力變化過程,并根據(jù)不同的過程設(shè)計不同的預(yù)測模型,實現(xiàn)風(fēng)速或風(fēng)電的預(yù)測.文獻[104]針對風(fēng)速和溫度的觀測數(shù)據(jù),運用譜聚類和回聲狀態(tài)網(wǎng)絡(luò),分別訓(xùn)練不同類型的數(shù)據(jù),實現(xiàn)風(fēng)速的預(yù)測.文獻[105]在利用距離測度分析了相似的天氣模式后,運用幾種不同的軟計算方法,建立不同天氣時風(fēng)速的預(yù)測模型,然后根據(jù)當(dāng)前的天氣模式,選擇合適的模型預(yù)測風(fēng)速.文獻[106]利用k近鄰學(xué)習(xí)風(fēng)速、風(fēng)向、氣壓、氣溫及其歷史數(shù)據(jù)組成的多維向量代表的多種風(fēng)速變化模式,并根據(jù)當(dāng)前向量匹配最接近的模式,實現(xiàn)風(fēng)速預(yù)測.文獻[41]通過圖學(xué)習(xí)方法獲得風(fēng)力發(fā)電機的發(fā)電模式,根據(jù)不同季節(jié)和風(fēng)力爬坡現(xiàn)象獲得狀態(tài)轉(zhuǎn)移矩陣,從而預(yù)測出數(shù)小時內(nèi)的風(fēng)電功率.圖6總結(jié)了利用豐富氣象數(shù)據(jù)預(yù)測風(fēng)電場風(fēng)電的方法框架.1)將不同類型的數(shù)據(jù)用相同的重采樣間隔做預(yù)處理,組成了基于歷史數(shù)據(jù)的高維輸入向量;2)利用相關(guān)性分析、主成分分析、經(jīng)驗?zāi)Ｊ椒治龊妥V分析等方法分析向量及其延時矩陣具有的高維回歸特征,從而確定預(yù)測器的參數(shù);3)將當(dāng)前序列經(jīng)過特征分析后,輸入到訓(xùn)練的預(yù)測器中,得到風(fēng)速或風(fēng)電的預(yù)測結(jié)果.

基于氣象學(xué)定律的數(shù)值天氣預(yù)報可以幫助提供與真實風(fēng)速更準(zhǔn)確、更相關(guān)的風(fēng)速預(yù)測數(shù)據(jù).由于數(shù)值天氣預(yù)報一般每1～3h更新一次,且預(yù)報網(wǎng)格尺度與風(fēng)電場相當(dāng),所以可用于預(yù)測未來24h風(fēng)電場的風(fēng)速或風(fēng)電.這里對數(shù)值天氣預(yù)報的運用,既可以與單臺風(fēng)力發(fā)電機的數(shù)值天氣預(yù)報預(yù)測方法類似,即先得到降尺度到風(fēng)機輪轂處高度的風(fēng)速,再將風(fēng)速轉(zhuǎn)化為風(fēng)電;也可以有所不同,即直接根據(jù)預(yù)報的風(fēng)速和氣象信息,找到與風(fēng)電預(yù)測值之間的映射關(guān)系.如果利用風(fēng)速–功率轉(zhuǎn)化曲線,則會發(fā)現(xiàn)由于風(fēng)電場的風(fēng)力發(fā)電機數(shù)量多、效率各異,整體的風(fēng)速–功率轉(zhuǎn)化曲線的隨機性比單臺風(fēng)力發(fā)電機更大.文獻[107]提出了兩個利用數(shù)值天氣預(yù)報預(yù)測風(fēng)電的方法.其中一個將數(shù)值天氣預(yù)報預(yù)測的風(fēng)速,根據(jù)不同的風(fēng)速–功率曲線轉(zhuǎn)化為風(fēng)電,再與自回歸方法預(yù)測的結(jié)果組合,得到最終的風(fēng)電預(yù)測結(jié)果.另一個則將數(shù)值天氣預(yù)報的結(jié)果與歷史觀測數(shù)據(jù)一起作為輸入,選擇不同預(yù)測方法以適應(yīng)不同的時間尺度,再將各尺度預(yù)測結(jié)果組合,得到了高分辨率的風(fēng)電預(yù)測結(jié)果.文獻[108]利用神經(jīng)網(wǎng)絡(luò),將數(shù)值天氣預(yù)報提供的風(fēng)速及其他氣象變量一起作為輸入預(yù)測風(fēng)電,并評價不同天氣變量對風(fēng)電預(yù)測結(jié)果的影響.

圖6 利用豐富氣象數(shù)據(jù)預(yù)測風(fēng)電場短期風(fēng)電方法框架Fig.6 Framework of short-term wind power forecasting methods for a wind farm with abundant meteorological information

2.2.2 長期預(yù)測

當(dāng)預(yù)測未來24h以上的發(fā)電量時,數(shù)值天氣預(yù)報更加有用,因為所用的氣象學(xué)微分方程與只利用風(fēng)力信息的預(yù)測模型相比,系統(tǒng)誤差更小.然而,數(shù)值天氣預(yù)報預(yù)測的風(fēng)速通常不能直接使用,需要修正.文獻[109-110]采用受限的高斯過程、高斯過程及組合協(xié)方差函數(shù),修正數(shù)值天氣預(yù)報提供的風(fēng)速結(jié)果.文獻[111]將數(shù)值天氣預(yù)報提供的高空風(fēng)速與地面測量得到的真實風(fēng)速用人工神經(jīng)網(wǎng)絡(luò)擬合,得到二者之間的關(guān)系.文獻[38]利用基于地理信息的風(fēng)速分布模型,將數(shù)值天氣預(yù)報預(yù)測的風(fēng)速轉(zhuǎn)化為地面各個點的風(fēng)速.文獻[112]研究不同季節(jié)的天氣模式對數(shù)值天氣預(yù)報預(yù)測結(jié)果的影響,以便可以根據(jù)季節(jié),利用天氣變化過程輔助風(fēng)力發(fā)電預(yù)測.文獻[113]根據(jù)數(shù)值天氣預(yù)報系統(tǒng)提供的預(yù)測結(jié)果,利用非參數(shù)自適應(yīng)重采樣方法,預(yù)測風(fēng)電的概率置信區(qū)間.

研究風(fēng)電場的風(fēng)速–功率曲線特征也是利用氣象信息預(yù)測風(fēng)力發(fā)電的關(guān)鍵.風(fēng)速–功率曲線除了根據(jù)風(fēng)機參數(shù)或風(fēng)電場的實際測量值擬合得到外,也可以利用神經(jīng)網(wǎng)絡(luò)等非線性函數(shù)將風(fēng)速及環(huán)境參數(shù)組成的向量映射為風(fēng)電[38,114].與單臺風(fēng)力發(fā)電機不同,風(fēng)電場的風(fēng)速–功率曲線受風(fēng)向影響較大.由于風(fēng)電場的多臺風(fēng)力發(fā)電機根據(jù)地勢按一定的規(guī)律排列,前排風(fēng)力發(fā)電機用葉片切割風(fēng),產(chǎn)生了包含復(fù)雜旋渦的尾流,嚴(yán)重影響尾流后方風(fēng)力發(fā)電機的發(fā)電效率.雖然風(fēng)電場在最初設(shè)計時,充分考慮了在主風(fēng)向上避開前排風(fēng)機的尾流對后排風(fēng)機的影響,但當(dāng)風(fēng)向發(fā)生改變時,風(fēng)機主機受感應(yīng)而轉(zhuǎn)向,尾流的影響仍不可避免.因此,將數(shù)值天氣預(yù)報提供的風(fēng)速轉(zhuǎn)化為風(fēng)電時,需要根據(jù)不同的風(fēng)向擬合不同的風(fēng)速–功率轉(zhuǎn)化曲線,以實現(xiàn)較精確的風(fēng)電預(yù)測.這被稱作模型輸出統(tǒng)計.文獻[37,115]利用模型輸出統(tǒng)計,消除利用數(shù)值天氣預(yù)報預(yù)測風(fēng)電的系統(tǒng)誤差.文獻[109]利用受限的高斯分布,擬合出不同風(fēng)速風(fēng)向?qū)?yīng)的風(fēng)電功率分布,減小風(fēng)速–功率的轉(zhuǎn)化誤差.圖7總結(jié)了利用數(shù)值天氣預(yù)報預(yù)測風(fēng)電場風(fēng)電的方法框架,與處理單臺風(fēng)力發(fā)電機的發(fā)電預(yù)測問題主要有兩方面不同.1)在風(fēng)速轉(zhuǎn)化為風(fēng)電方面,需要利用模型輸出統(tǒng)計來分別得到不同風(fēng)速風(fēng)向和其他氣象條件下的風(fēng)電轉(zhuǎn)化關(guān)系,而不僅僅是單一的關(guān)系或者單一種類的轉(zhuǎn)化關(guān)系;2)在對風(fēng)機輪轂處風(fēng)速修正方面,不僅可以利用風(fēng)速風(fēng)向信息進行誤差擬合,也可以且需要根據(jù)其他氣象條件進行高維統(tǒng)計擬合.這樣可以更充分地利用已有信息,使得風(fēng)速或風(fēng)電的預(yù)測結(jié)果更可靠.

圖7 利用數(shù)值天氣預(yù)報預(yù)測風(fēng)電場長期風(fēng)電方法框架Fig.7 Framework of long-term wind power forecasting methods for a wind farm using numerical weather prediction

基于氣象數(shù)據(jù)和數(shù)值天氣預(yù)報的長期預(yù)測也需考慮如何提取數(shù)據(jù)中隱藏的可預(yù)測特征.文獻[116]結(jié)合數(shù)值天氣預(yù)報提供的風(fēng)速數(shù)據(jù)與歷史觀測數(shù)據(jù),用最大似然方法估計模型的參數(shù),建立針對某一時間尺度的自動調(diào)諧時變模型,動態(tài)預(yù)測風(fēng)力發(fā)電.文獻[117]利用風(fēng)力變化過程的相似性,通過k近鄰搜索尋找相似過程的結(jié)果,并將多個預(yù)測結(jié)果加權(quán)得到風(fēng)速預(yù)測值.文獻[118]通過聚類分析,找出風(fēng)速與氣溫、氣壓、濕度等天氣因素的關(guān)聯(lián)性,利用混沌時間序列預(yù)測1個月內(nèi)的風(fēng)速,并用相似天氣模式下天氣變量的聚類值和風(fēng)速的聚類值,修正風(fēng)速的預(yù)測結(jié)果.文獻[119]利用不同的軟計算方法分別預(yù)測風(fēng)速,獲得隱含在數(shù)據(jù)中的特征.然后融合這些方法的預(yù)測結(jié)果,得到目標(biāo)點的風(fēng)速預(yù)測值.文獻[120-123]基于數(shù)值天氣預(yù)報研究自適應(yīng)風(fēng)電預(yù)測方法.通過運用資源分配型網(wǎng)絡(luò),預(yù)測方法利用的新數(shù)據(jù)多于舊數(shù)據(jù),從而可以快速適應(yīng)風(fēng)電場結(jié)構(gòu)的變化.不同的是,文獻[120,122]根據(jù)風(fēng)速幅度將輸入分成三種類型,而文獻[121]根據(jù)向量的相似度對輸入分類,文獻[123]根據(jù)天氣模式對輸入分類.

雖然數(shù)值天氣預(yù)報可以提供多種氣象變量的預(yù)測結(jié)果,但并非每一種氣象變量對即時風(fēng)電的擬合或未來風(fēng)電的預(yù)測都有作用,有些變量與預(yù)測結(jié)果的相關(guān)性并不大.因此,一些研究挑選輸入變量的種類,壓縮輸入數(shù)據(jù)集.文獻[124]通過相關(guān)性分析和冗余分析,精簡了輸入數(shù)據(jù)維度.文獻[108]分析了不同天氣變量對風(fēng)電預(yù)測結(jié)果的影響.需要強調(diào)的是,輸入變量的相關(guān)性分析和冗余分析對預(yù)測效果有重要影響.文獻[32]指出,特定的模型下,不同的輸入維度(包括僅考慮風(fēng)力信息方法中的相關(guān)歷史步數(shù)和輸入維度)對應(yīng)不同的吸引子.引入無關(guān)變量和冗余變量會導(dǎo)致預(yù)測的變化過程對應(yīng)的吸引子和真實過程對應(yīng)的吸引子有系統(tǒng)性偏差;而過少的變量則會導(dǎo)致輸入不能完全反映吸引子的特征,也會導(dǎo)致風(fēng)電預(yù)測模型產(chǎn)生系統(tǒng)性偏差.

一些成熟的商業(yè)軟件也涉及風(fēng)電長期預(yù)測,這些軟件通常集成多種方法以滿足不同天氣模式和地理位置風(fēng)電場的風(fēng)電預(yù)測需求[125-127].這樣的集成有局限性,因為一般來說,風(fēng)電預(yù)測算法需要根據(jù)風(fēng)電場的實際環(huán)境和測量數(shù)據(jù)進行差別化設(shè)計[118].

2.3 風(fēng)電場的風(fēng)力發(fā)電預(yù)測方法小結(jié)

目前,絕大多數(shù)的風(fēng)力發(fā)電預(yù)測工作是針對風(fēng)電場風(fēng)力發(fā)電機組完成的.與單臺風(fēng)力發(fā)電機相比,風(fēng)電場的區(qū)域范圍較大,整體發(fā)電變化過程具有對地形環(huán)境的平均效應(yīng),沒有單臺風(fēng)機那樣復(fù)雜.雖然無需過多考慮氣候環(huán)境的細節(jié)因素,但風(fēng)的慣性、間歇性、非平穩(wěn)性、周期性、多尺度等特點依然存在并影響風(fēng)電場風(fēng)電預(yù)測方法的研究進展.表2和表3分別對比了只利用風(fēng)力信息、綜合利用風(fēng)力信息及其他氣象信息的風(fēng)電場風(fēng)電預(yù)測方法.

只用風(fēng)力信息做輸入時,數(shù)據(jù)和模型的選擇非常重要.由于風(fēng)力變化過程非常復(fù)雜,且具有混沌效應(yīng),很難完全復(fù)現(xiàn).一般只能根據(jù)已有數(shù)據(jù)和方法,盡可能找到接近真實風(fēng)力變化的過程.數(shù)據(jù)方面,主要考慮數(shù)據(jù)的種類和尺度.合適的數(shù)據(jù)種類會使得輸入與預(yù)測值的相關(guān)性增加,有利于對影響風(fēng)力變化因素的逼近;合適的數(shù)據(jù)尺度會降低數(shù)據(jù)序列的波動性,有利于發(fā)現(xiàn)數(shù)據(jù)中包含的風(fēng)力變化特征.模型方面,主要考慮如何發(fā)現(xiàn)數(shù)據(jù)中存在的特征和如何針對特征找到相應(yīng)的預(yù)測方法.除了逐一嘗試外,自回歸積分滑動平均、主成分分析等方法都可以主動發(fā)現(xiàn)風(fēng)速風(fēng)電序列隱藏的特征,為相空間重構(gòu)提供了參數(shù)參考.如果已經(jīng)發(fā)現(xiàn)風(fēng)的慣性、間歇性、非平穩(wěn)性、周期性、多尺度等針對性特點,則需要根據(jù)不同特征選擇合適的模型,或組合適合不同特征的模型.結(jié)合選取的數(shù)據(jù)和模型,便有機會模擬風(fēng)力風(fēng)電的動態(tài)變化過程,實現(xiàn)優(yōu)質(zhì)的風(fēng)電預(yù)測.

表2 只利用風(fēng)力信息的風(fēng)電場的部分發(fā)電預(yù)測方法對比Table 2 Comparison among part of wind power forecasting methods merely using wind information for a wind farm

表3 利用風(fēng)力信息及其他氣象信息的風(fēng)電場的部分發(fā)電預(yù)測方法對比Table 3 Comparison among part of wind power forecasting methods using wind information and meteorological information for a wind farm

如果利用其他氣象信息,數(shù)據(jù)的豐富度會大大提高,找到與風(fēng)電變化過程更相關(guān)數(shù)據(jù)的可能性也變大.基于氣象學(xué)定律的數(shù)值天氣預(yù)報可以幫助提供更準(zhǔn)確、更相關(guān)、尺度更大周期更長的風(fēng)速預(yù)測數(shù)據(jù).在此基礎(chǔ)上,只需考慮如何將預(yù)測數(shù)據(jù)轉(zhuǎn)化為風(fēng)機輪轂高度的風(fēng)速,以及如何將輪轂高度的風(fēng)速轉(zhuǎn)化為風(fēng)電,便可以得到更精確的風(fēng)電預(yù)測結(jié)果.

3 區(qū)域風(fēng)電場群的風(fēng)力發(fā)電預(yù)測

區(qū)域風(fēng)電場群通常指地理空間范圍內(nèi)一定規(guī)模風(fēng)電場的集合.這些風(fēng)電場往往在相近或相關(guān)聯(lián)的地理位置上,所發(fā)出的風(fēng)電通常整體打包并網(wǎng)傳輸.風(fēng)電場群中各風(fēng)電場的發(fā)電量因區(qū)域天氣變化過程的連續(xù)性而產(chǎn)生相關(guān)性.

對于大范圍的風(fēng)電場群風(fēng)電預(yù)測而言,如果將風(fēng)電場群視作風(fēng)電場個體的組合,則需要針對每個風(fēng)電場設(shè)計獨立的風(fēng)電預(yù)測方法,再將預(yù)測結(jié)果相加,即疊加法.這類方法的核心是精確預(yù)測每一個風(fēng)電場的發(fā)電情況,其方法在第2節(jié)已經(jīng)敘述.本節(jié)主要考慮將風(fēng)電場群視作整體的發(fā)電預(yù)測方法.

3.1 基于風(fēng)力信息的區(qū)域風(fēng)電場群風(fēng)力發(fā)電預(yù)測

風(fēng)電場群的風(fēng)電變化過程也具有隨機性和間歇性.與風(fēng)電場不同的是,風(fēng)電場群風(fēng)電的間歇性和隨機性一般由區(qū)域太陽輻射水平和溫差決定,具有對區(qū)域的平均效應(yīng).有數(shù)據(jù)顯示,區(qū)域風(fēng)電場群風(fēng)電變化過程的波動性比單個風(fēng)電場小[128].因此,可以將風(fēng)電場群視作整體,用整體平均參數(shù)預(yù)測風(fēng)力發(fā)電.由于風(fēng)電場群中各風(fēng)電場的發(fā)電量具有相關(guān)性,總體風(fēng)電變化過程也與各風(fēng)電場相關(guān),可以通過相關(guān)性研究提高風(fēng)電場群的發(fā)電預(yù)測水平.下面從短期預(yù)測和長期預(yù)測兩方面介紹基于風(fēng)力信息的預(yù)測方法.

3.1.1 短期預(yù)測

風(fēng)電場群短期預(yù)測的尺度為0～24h,為區(qū)域性的能源管理、交易和調(diào)度服務(wù),并為負載平衡、調(diào)節(jié)提供參考.此時將風(fēng)電場群視作整體,其部分風(fēng)電預(yù)測方法與風(fēng)電場類似.在風(fēng)速預(yù)測方面,文獻[129]分析主序列的相關(guān)性和殘余序列依季節(jié)變化的自相關(guān)性,獲取風(fēng)速的變化特征,消除噪聲影響.繼而通過極限學(xué)習(xí)機預(yù)測特征成分,得到針對大范圍區(qū)域的平均風(fēng)速預(yù)測結(jié)果.在風(fēng)電預(yù)測方面,文獻[130-133]利用小波變換提取非平穩(wěn)風(fēng)電序列的特征,再用神經(jīng)網(wǎng)絡(luò)預(yù)測特征子序列,最后用小波逆變換得到風(fēng)電預(yù)測值.其中,文獻[131-133]使用基于粒子群優(yōu)化的自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)預(yù)測特征子序列以替代多層感知器.文獻[134]用貝葉斯框架訓(xùn)練神經(jīng)網(wǎng)絡(luò)以控制網(wǎng)絡(luò)的復(fù)雜性和預(yù)測結(jié)果的不確定性,文獻[135]利用時間自適應(yīng)的核密度估計風(fēng)電的概率置信區(qū)間,并以均值代表風(fēng)電的預(yù)測結(jié)果.

3.1.2 長期預(yù)測

風(fēng)電場群長期預(yù)測的尺度為24h以上,為風(fēng)電機組最優(yōu)的修理保養(yǎng)時間、機組組合方案和不同類型能源分配方案提供參考.對此,已有成果較為匱乏,研究者大多使用基于神經(jīng)網(wǎng)絡(luò)的預(yù)測方法[136-137],用長期區(qū)域內(nèi)觀測的風(fēng)速平均值作為輸入預(yù)測風(fēng)力發(fā)電,以區(qū)別于短期預(yù)測.文獻[138]根據(jù)不同地理位置和海拔上的平均風(fēng)速,利用人工神經(jīng)網(wǎng)絡(luò),擬合出一張區(qū)域范圍內(nèi)不同位置各個月份的平均風(fēng)速分布圖.

當(dāng)建設(shè)新的風(fēng)電場時,需要通過長期預(yù)測評估區(qū)域的長期風(fēng)力資源.這種評估往往需要預(yù)測未來數(shù)年乃至數(shù)十年的風(fēng)力資源,因而需要時間范圍大致相當(dāng)?shù)臍v史觀測數(shù)據(jù)作為參考.然而,由于產(chǎn)業(yè)的實際需要,一般針對評估區(qū)域的風(fēng)速測量期不超過1年,而1年內(nèi)的數(shù)據(jù)很難反映該區(qū)域風(fēng)力資源的長期變化情況.可利用的數(shù)據(jù)有周圍已經(jīng)建成的氣象測量點(包括氣象站、飛機場、衛(wèi)星、探空氣球、浮標(biāo)等)的觀測數(shù)據(jù),以及針對評估區(qū)域的短期觀測數(shù)據(jù).于是,一種基于測量–關(guān)聯(lián)的預(yù)測方法受到重視[15].

圖8 測量—關(guān)聯(lián)—預(yù)測方法示意圖Fig.8 Schematic diagram of measure-correlation-prediction methods

測量–關(guān)聯(lián)–預(yù)測的意思是,利用其他參考點的測量數(shù)據(jù),根據(jù)與目標(biāo)地點測量數(shù)據(jù)的相關(guān)性,預(yù)測目標(biāo)地在未能測量的時間范圍內(nèi)相應(yīng)變量的數(shù)值[14].測量–關(guān)聯(lián)–預(yù)測的思路主要包含兩種:1)利用參考點和目標(biāo)點之間短期可利用的測量數(shù)據(jù),建立二者間的相關(guān)性,并以此關(guān)系,根據(jù)參考點的長期數(shù)據(jù),預(yù)測目標(biāo)點的長期風(fēng)速或風(fēng)電;2)利用參考點短期和長期觀測數(shù)據(jù),估計其推演關(guān)系,并將此關(guān)系用于目標(biāo)點,預(yù)測目標(biāo)點的長期風(fēng)速或風(fēng)電,如圖8所示.兩種思路各有缺點,第1種思路沒有考慮目標(biāo)點的長期預(yù)測值與短期觀測值之間的關(guān)系;而第2種思路直接假設(shè)目標(biāo)點和參考點的風(fēng)速風(fēng)電與參考點的演化關(guān)系相同,而這種假設(shè)不具有普適性[14].目前,第1種思路應(yīng)用范圍較廣.文獻[139-140]均采用第1種測量–關(guān)聯(lián)–預(yù)測的思路,估計目標(biāo)點的長期風(fēng)速變化.文獻[139]還嘗試將用于仿真風(fēng)速的韋伯分布代替統(tǒng)計回歸模型,并比較與統(tǒng)計回歸方法的優(yōu)劣.文獻[141]嘗試分配可移動測量設(shè)備1年內(nèi)在不同目標(biāo)點的測量時間,以實現(xiàn)同時估計多點風(fēng)速.在此基礎(chǔ)上,根據(jù)估計的歷史風(fēng)速數(shù)據(jù)和測量得到的風(fēng)速數(shù)據(jù),就可以利用已有的預(yù)測方法預(yù)測風(fēng)速的變化趨勢,從而得到未來風(fēng)力資源的變化情況.

3.2 綜合風(fēng)力與其他氣象信息的區(qū)域風(fēng)電場群風(fēng)力發(fā)電預(yù)測

本節(jié)中的其他氣象信息與第1.2節(jié)基本一致.由于區(qū)域風(fēng)電場群的風(fēng)電過程具有比單臺風(fēng)力發(fā)電機和風(fēng)電場尺度更好的平穩(wěn)性,且可利用的數(shù)據(jù)種類增多,相同的預(yù)測方法可能會有更好的預(yù)測效果.當(dāng)利用數(shù)值天氣預(yù)報時,既可以將風(fēng)電場群看作風(fēng)電場的總和,分別預(yù)測各個風(fēng)電場的發(fā)電功率并累加;也可以充分利用風(fēng)電場群的整體性,擬合出適合風(fēng)電場群的風(fēng)速–功率轉(zhuǎn)化曲線.下面從短期和長期預(yù)測兩方面介紹風(fēng)力發(fā)電預(yù)測方法的難點,并針對這些難點,介紹相應(yīng)的研究成果.

3.2.1 短期預(yù)測

如果從整體角度考慮,則可以忽略地形的影響,利用單一特征模式預(yù)測并進行誤差修正.這類思路包括整體高維擬合方法和子區(qū)域升尺度方法.預(yù)測方法包括:1)利用人工神經(jīng)網(wǎng)絡(luò)擬合各種天氣變量和風(fēng)速預(yù)測值的關(guān)系[142];2)利用局部與整體風(fēng)力變化模式的相似性,升尺度預(yù)測區(qū)域整體風(fēng)力發(fā)電[143];3)利用數(shù)值天氣預(yù)報的輸出值[144],組合輸出值[145]預(yù)測區(qū)域范圍內(nèi)的平均風(fēng)速并用最優(yōu)的卡爾曼濾波[146]或次優(yōu)的粒子濾波[35]修正風(fēng)速預(yù)測結(jié)果,繼而根據(jù)風(fēng)速–功率曲線或統(tǒng)計風(fēng)速–功率轉(zhuǎn)化特征[147]預(yù)測目標(biāo)區(qū)域的風(fēng)電功率.

3.2.2 長期預(yù)測

由于擁有數(shù)值天氣預(yù)報結(jié)果,對于考慮空間相關(guān)性的測量–關(guān)聯(lián)–預(yù)測方法來說,可以獲得更多天氣變量的參考值.文獻[148-149]利用數(shù)值天氣預(yù)報提供的數(shù)據(jù),根據(jù)測量–關(guān)聯(lián)–預(yù)測方法,得到目標(biāo)點的風(fēng)速,繼而利用風(fēng)速–功率轉(zhuǎn)化曲線和扭曲的高斯過程預(yù)測風(fēng)電.針對新數(shù)據(jù)的重點利用可以幫助尋找風(fēng)電的時變特征,以實現(xiàn)自適應(yīng)風(fēng)電預(yù)測.

根據(jù)豐富的氣象數(shù)據(jù),在長期平均濾波的幫助下,人工神經(jīng)網(wǎng)絡(luò)等數(shù)據(jù)擬合方法可以用來預(yù)測未來1年至幾年的區(qū)域風(fēng)速[150]和風(fēng)電[151].在數(shù)值天氣預(yù)報結(jié)果和多角度觀測數(shù)據(jù)的幫助下,測量–關(guān)聯(lián)–預(yù)測方法可以更好地展示目標(biāo)風(fēng)速或風(fēng)電與某些天氣變量的相關(guān)性[152].如果目標(biāo)區(qū)域與參考點的相關(guān)性不明顯,可以利用多主成分的最小二乘法等數(shù)據(jù)特征提取方法尋找相關(guān)性,并以此預(yù)測目標(biāo)區(qū)域的風(fēng)力資源變化趨勢[153].

3.3 區(qū)域風(fēng)電場群的風(fēng)力發(fā)電預(yù)測方法小結(jié)

目前,由于建模難度較大、數(shù)據(jù)相對缺失,針對區(qū)域風(fēng)電場群的風(fēng)力發(fā)電預(yù)測研究較少,但其對我國風(fēng)力資源的合理運用和電網(wǎng)的安全運營有重要意義[7].風(fēng)電場群具有對風(fēng)電場的平均效應(yīng),其風(fēng)電變化過程的波動性比風(fēng)電場更小,平穩(wěn)性比風(fēng)電場更好.在選取合適尺度的數(shù)據(jù)后,針對風(fēng)電場的預(yù)測方法可以直接用于風(fēng)電場群的發(fā)電預(yù)測.真實測量數(shù)據(jù)可以輔助修正基于風(fēng)電場疊加、模式外推和統(tǒng)計升尺度的預(yù)測方法,從而將針對風(fēng)電場的發(fā)電預(yù)測方法應(yīng)用到風(fēng)電場群的發(fā)電預(yù)測中.由于風(fēng)能評估和風(fēng)電場選址的需要,基于測量–關(guān)聯(lián)–預(yù)測的風(fēng)速或風(fēng)電估計方法有了較大的發(fā)展,并根據(jù)環(huán)境因素、輸入數(shù)據(jù)和相關(guān)方法的不同而產(chǎn)生了較多成果.由于數(shù)值天氣預(yù)報的空間尺度與區(qū)域風(fēng)電場群的空間尺度相匹配,數(shù)值天氣預(yù)報結(jié)果被廣泛用于區(qū)域風(fēng)電場群的風(fēng)力發(fā)電預(yù)測中.表4對比了風(fēng)電場群的風(fēng)電預(yù)測方法.

4 多時空尺度方法分析

風(fēng)電的預(yù)測,本質(zhì)上是尋找目標(biāo)地風(fēng)電變化過程的規(guī)律,并用數(shù)學(xué)方法近似描述這種規(guī)律,以實現(xiàn)對風(fēng)電變化過程的推演.因此,需要根據(jù)不同的空間和時間尺度,選擇合適的數(shù)據(jù)和方法分析風(fēng)電變化過程的特點,并針對這些特點選擇合適的數(shù)學(xué)模型來描述.

4.1 不同空間尺度的預(yù)測方法分析

不同空間尺度具有不同的空間特征,主要包括地理和氣候特征.對于單臺風(fēng)力發(fā)電機的空間尺度來說,風(fēng)力發(fā)電機的風(fēng)速和風(fēng)電變化特征受其所處的特定地理位置或地理環(huán)境影響較大,這使得同一風(fēng)電場中不同風(fēng)力發(fā)電機的風(fēng)力細節(jié)變化規(guī)律不完全相同甚至大不相同,包括間歇性規(guī)律和波動性規(guī)律.由于波動性和間歇性是影響風(fēng)力預(yù)測模型建立的重要因素,針對風(fēng)電機尺度的預(yù)測模型與針對風(fēng)電場尺度的預(yù)測模型理應(yīng)不完全相同[128].針對風(fēng)電機尺度的預(yù)測模型應(yīng)多考慮局地的間歇性變化規(guī)律[27],利用風(fēng)電機周圍的環(huán)境測量數(shù)據(jù)生成并驗證預(yù)測模型[38];針對風(fēng)電場尺度的預(yù)測模型應(yīng)多考慮風(fēng)電場的平穩(wěn)性變化規(guī)律[83]和風(fēng)速–功率轉(zhuǎn)化的統(tǒng)計規(guī)律[37],利用多點測量數(shù)據(jù)或總體平均數(shù)據(jù)生成并驗證預(yù)測模型[124].但在實際工作中,由于針對單臺風(fēng)力發(fā)電機尺度的研究較少,一些研究并沒有區(qū)別其方法與風(fēng)電場尺度中相同預(yù)測方法的差異.

相對于區(qū)域風(fēng)電場群的空間尺度來說,風(fēng)電場的尺度屬于局地尺度.由于局部地形和相對位置的差異,組成區(qū)域風(fēng)電場群的各個風(fēng)電場的發(fā)電變化規(guī)律可以相同也可以截然不同.有數(shù)據(jù)顯示區(qū)域風(fēng)電場群風(fēng)電變化過程的波動性比單個風(fēng)電場小[128],這使得風(fēng)電場群被視作整體時,其風(fēng)電預(yù)測更加容易,預(yù)測方法也可以直接套用風(fēng)電場的預(yù)測方法.由于這類數(shù)據(jù)一般在歐美的研究中有所體現(xiàn),上述規(guī)律并不一定適用于中國.目前針對風(fēng)電場群風(fēng)電預(yù)測的方法主要包括疊加法、模式外推法和統(tǒng)計升尺度法[7].測量–關(guān)聯(lián)–預(yù)測彌補了風(fēng)電預(yù)測時數(shù)據(jù)缺失的不足,成為評估風(fēng)電場群風(fēng)資源普遍使用的模式.

表4 風(fēng)電場群的部分發(fā)電預(yù)測方法對比Table 4 Comparison among part of wind power forecasting methods for wind farm group

4.2 不同時間尺度的預(yù)測方法分析

不同時間尺度的數(shù)據(jù)擁有截然不同的規(guī)律和統(tǒng)計特征.根據(jù)數(shù)據(jù)分析,風(fēng)速的間歇性通常發(fā)生在較短時間尺度上;風(fēng)速的方差和能量波動性隨著時間尺度增加,先增大后減小;風(fēng)速的概率密度分布不隨時間尺度而改變;風(fēng)向的一致性變化發(fā)生在較長的時間尺度上,風(fēng)向的突變發(fā)生在較短時間尺度上[24].

由此可見,在短期預(yù)測中,風(fēng)速風(fēng)電的慣性和間歇性是主要特點.慣性一般可用自回歸滑動平均、卡爾曼濾波等方法描述,而預(yù)測方法可以通過自相關(guān)分析,選擇合適的數(shù)據(jù)尺度和重構(gòu)步長[62].間歇性規(guī)律一般可用馬爾科夫鏈、貝葉斯推斷等方法來尋找,并根據(jù)幅度大小疊加到風(fēng)電預(yù)測過程中[44].當(dāng)預(yù)測尺度逐漸增大后,風(fēng)速風(fēng)電的波動性增加,非平穩(wěn)性提高,此時滑動平均的預(yù)測效果變差,需要使用對非線性描述能力較強的神經(jīng)網(wǎng)絡(luò)來預(yù)測風(fēng)電[76].一些研究希望通過主成分分析、小波分解、經(jīng)驗?zāi)B(tài)分解等方法來尋找相關(guān)變量或可預(yù)測序列[85],以提高輸入數(shù)據(jù)在選定模型下的可預(yù)測性[154].在長期預(yù)測中,如果數(shù)據(jù)時間尺度較大,風(fēng)速風(fēng)電的波動性減弱,可以利用滑動平均和卡爾曼濾波直接預(yù)測長期趨勢[112].如果數(shù)據(jù)時間尺度較小,則利用數(shù)據(jù)融合[93]或方法綜合[97],同時描述風(fēng)電的長期變化趨勢和短期變化細節(jié)特征.對日周期和季節(jié)周期的考慮也可融入到風(fēng)電長期預(yù)測方法中[94].

5 結(jié)束語

本文根據(jù)空間尺度、時間尺度和輸入數(shù)據(jù),劃分了近期風(fēng)力發(fā)電預(yù)測和風(fēng)速預(yù)測的研究成果,總結(jié)了不同時空尺度和輸入數(shù)據(jù)時,預(yù)測方法重點關(guān)注的科學(xué)問題和側(cè)重使用的技術(shù)手段.由于時空尺度本身是連續(xù)變化的,為了更清晰地展示時空尺度的變化對風(fēng)電預(yù)測方法的影響,本文重點總結(jié)了相同時間尺度不同空間尺度、不同時間尺度相同空間尺度上預(yù)測方法的關(guān)聯(lián)和差異.由于風(fēng)電預(yù)測一般針對特定的空間范圍和時間跨度,并在有限信息資源的條件下完成,本文希望通過這樣的思路,幫助風(fēng)電預(yù)測研究人員找到適合不同風(fēng)電預(yù)測任務(wù)的預(yù)測方法,也希望這些方法可以幫助研究人員完成信息物理融合能源系統(tǒng)的各項研究,例如高精度傳感器布設(shè)位置優(yōu)化[155]、建筑群微電網(wǎng)系統(tǒng)建模與效益優(yōu)化[156-157]等.

除了找到可用的預(yù)測方法,研究人員還需要思考如何提高風(fēng)電預(yù)測水平.針對預(yù)測目標(biāo)固定的工程任務(wù)來說,可以改進的要素主要包括可利用的信息資源和可使用的預(yù)測模型兩部分.1)在可利用的信息資源方面,需要與氣象部門聯(lián)合積累當(dāng)?shù)夭煌瑫r間尺度和不同空間分辨率的數(shù)值天氣預(yù)報信息,需要建設(shè)更多測量點以積累豐富、可靠、分辨率高的氣象測量信息.充分的信息可以幫助提取更多的映射特征,從而便于研究人員篩選主要影響因素,過濾冗余因素,提高給定模型下預(yù)測關(guān)系擬合的準(zhǔn)確性.2)在可使用的預(yù)測模型方面,需要積累不同模型在多種時間和空間尺度上提取的風(fēng)力變化特征和映射特征,建立基于模型的特征庫.充分的特征有助于匹配當(dāng)前風(fēng)力發(fā)電的變化模式,在地理環(huán)境相對不變的情況下,便于研究人員從模型庫中篩選適合當(dāng)前特征的預(yù)測模型,從而有助于動態(tài)篩選并組合模型以提高風(fēng)電預(yù)測水平.