2023風(fēng)電中長期電量預(yù)測研究現(xiàn)狀

風(fēng)電中長期電量預(yù)測研究現(xiàn)狀引言

20196.5kW2001年底增長2620.12%[1]。而我國2019年2.1kW14%，發(fā)4000kWh，發(fā)展十分迅速[2]。與等帶來了巨大挑戰(zhàn)[3]。預(yù)測技術(shù)可以有效降低風(fēng)電帶來的不確定性，短期風(fēng)電預(yù)測取得了較大進展電功率的時序波動信息實現(xiàn)電量預(yù)測的局限性較大[9]。目前，對于月度以上長期電量預(yù)測，主要考電量預(yù)測，主要是采用數(shù)值天氣預(yù)報(numericalweatherprediction，NWP)數(shù)據(jù)和智能學(xué)習(xí)算法直接

鄰近分類算法(k-nearestneighbor，kNN)、XGBoost(randomvectorregression，SVR)5種機器[18]基于歷史資源再分析數(shù)據(jù)，研究了風(fēng)力發(fā)電處于不3種狀態(tài)下的概率和持續(xù)時間，揭示了電量與氣候變化的關(guān)系。隨著電力市場化改革的不斷深化以及風(fēng)電滲4種不同類型的中長期電量預(yù)測風(fēng)電中長期電量預(yù)測的基本理論電量預(yù)測的概念及分類不同于資源評估中對代表年(多年平均)輸出電1所示的類別。[12-14]。然而，我3種數(shù)據(jù)角度分

不同時間尺度風(fēng) 不同空間尺電中長期 不同輸入數(shù)據(jù)電量預(yù)測 不同預(yù)測對象

中期預(yù)測長期預(yù)測單風(fēng)場預(yù)測區(qū)域風(fēng)場預(yù)測基于歷史電量數(shù)據(jù)的預(yù)測方法考慮未來資源預(yù)報數(shù)據(jù)的預(yù)測方法多種數(shù)據(jù)的組合預(yù)測方法直接預(yù)測間接預(yù)測別進行中長期電量的預(yù)測建模。文獻[16]采用歷史

不同預(yù)測模型

物理方法統(tǒng)計方法

序列分析法灰度模型法的效果，但預(yù)測模型泛在能力有限。文獻[17]基于采用最小絕對收縮和選擇算子(leastabsoluteshrinkageandselectionoperator,LASSO)回歸、k最

多種模型的組合方法神經(jīng)網(wǎng)絡(luò)等智能學(xué)習(xí)法圖1風(fēng)電中長期電量預(yù)測方法Fig.1Mid-longtermwindpowergenerationforecastingmethods電計劃編制或中長期電量交易等[20]。。另外，預(yù)測。2大類。其中，統(tǒng)計方相關(guān)文獻對此進行了詳細闡述[22-24]1

電量預(yù)測的數(shù)據(jù)及其預(yù)處理中長期電量預(yù)測可使用的輸入數(shù)據(jù)包括歷史NWP理，比較常見的方法有小波變換[27]、因子分析[28]及聚類算法[29][30]。文獻[31]利用粗糙集理論分析出影響月平均風(fēng)速預(yù)表1中長期不同預(yù)測模型的性能比較Table1Performancecomparisonofdifferentmid-longtermforecastingmodels預(yù)測模型 模型輸入 主要方法 優(yōu)缺點 適用情景物理模型 NWP/氣候態(tài)預(yù)報數(shù)據(jù) 物理方法

魯棒性較差

適用于新建風(fēng)電場或電量數(shù)據(jù)長度不足1a的場站序列分析模型 析數(shù)據(jù)/電量數(shù)

卡爾曼濾波、3灰度模型等

明顯降低

適用于儲備大量歷史電量數(shù)據(jù)或歷史觀測風(fēng)速數(shù)據(jù)的場站組合模型

NWP/氣候態(tài)預(yù)報數(shù)據(jù)、電量數(shù)據(jù)數(shù)據(jù)、氣候態(tài)預(yù)報數(shù)據(jù)

深度學(xué)習(xí)等熵權(quán)值、協(xié)方差等

需要大量數(shù)據(jù)的學(xué)習(xí)和訓(xùn)練來建預(yù)測結(jié)果在具體時刻下的誤差較大，但中長期變化趨勢預(yù)測效果對不同場站的多種預(yù)測結(jié)果進行優(yōu)化

適用于中長期資源與電量相關(guān)性較高的場站適用于單一模型預(yù)測誤差較大，且多種模型預(yù)測誤差存在一定互補特性的場站獻[32]Copula函數(shù)的非線性相關(guān)和趨勢性相關(guān)到中長期電量預(yù)測數(shù)據(jù)樣本的有限性，文獻[33]和文獻[34]分別使用插值技術(shù)和數(shù)據(jù)集擴充技術(shù)增加[35]H–P濾波(HodrickPrescott電量預(yù)測的兩類建模對象p(v)構(gòu)建電量預(yù)測結(jié)果，如式(1)所示。

小的特點進行月電量周期預(yù)報，而在對年電量進行擬合時，常需要結(jié)合歷史觀測風(fēng)速數(shù)據(jù)對歷史年電動平均(seasonalautoregressiveintegratedmovingaverage,SARIMA)模型對風(fēng)電場月發(fā)電量數(shù)據(jù)進行擬合，達到了較好的預(yù)測效果。究將SVR[42]、長短時記憶網(wǎng)絡(luò)(longshort-termmemory，LSTM)[43]及核密度估計[44]等非線性學(xué)習(xí)方法應(yīng)用到電量時序預(yù)測中。文獻[45]使用LSTMRF算法搭建了中期風(fēng)電預(yù)測模型，在突變的天WTvmaxf(v)p(v)dvvmin

(1)

氣狀況下獲得了較好的預(yù)測性能。上述基于歷史電量數(shù)據(jù)的預(yù)測建模方法相對式中：W為發(fā)電量；T為周期內(nèi)的小時數(shù)；v為再vmin風(fēng)電中長期電量預(yù)測方法分析4種類別的預(yù)測建模方法分別進行介紹?；跉v史電量數(shù)據(jù)的預(yù)測方法方法主要采用自回歸滑動平均(autoregressiveinte-gratedmovingaverage,ARIMA)模型[36]、指數(shù)平滑法[37]及灰度模型(greymodel，GM)[38]等序列推導(dǎo)方

基于歷史資源再分析數(shù)據(jù)的預(yù)測方法歷史資源再分析數(shù)據(jù)是基于歷史觀測數(shù)據(jù)和[49]等時間序列推導(dǎo)方法挖歷史30年資源數(shù)據(jù)資源的分布情況，結(jié)合資源–電量轉(zhuǎn)化模型生成年、月電量結(jié)果。卡爾曼濾波方法根據(jù)建立的系統(tǒng)方程和觀測方程對需要處理的信號做出滿足最小均方誤差的估計，所以在精度上優(yōu)于ARMA歷史30年資源數(shù)據(jù)參數(shù)[50]，電量預(yù)測結(jié)果以威布爾參數(shù)作為預(yù)測目2所示。文獻[51]考慮了不同時高中長期電量預(yù)測的重要方向?？紤]未來資源預(yù)報數(shù)據(jù)的預(yù)測方法時間(數(shù)天至數(shù)年)下的資源進行預(yù)測的數(shù)據(jù)[52-53]。NWP是利用物理信息和拓撲結(jié)構(gòu)來預(yù)測未來風(fēng)資10d

統(tǒng)計學(xué)算法統(tǒng)計學(xué)算法回歸分析數(shù)學(xué)模型場站未來12個月發(fā)電量時間序列分析未來12個月氣候特征參量30a源數(shù)據(jù)場站歷史檢修、故障、裝機變化等信息場站歷史發(fā)電數(shù)據(jù)圖2基于歷史資源再分析數(shù)據(jù)的預(yù)測方法Fig.2Predictionmethodbasedonreanalysisdataofhistoricalresources理論物理中心開發(fā)的區(qū)域氣候模式(regionalclimatemodel-nationalclimatecenter，RegCM-NCC)，西北太平洋國家實驗室開發(fā)的區(qū)域氣候模式(pacificnorthwestnationallaboratory-regionalclimatemodel，PNNL-RCM)及中國科學(xué)院大氣物理所開發(fā)的區(qū)域環(huán)境系統(tǒng)集成模式(regionalintegratedenvironmentmodeling考慮未來資源預(yù)報數(shù)據(jù)的預(yù)測方法主要通過[55]可以更清晰地發(fā)現(xiàn)資源的變化對發(fā)電量的影響機3個月預(yù)測發(fā)電量。文獻[57]提出的深度神經(jīng)網(wǎng)絡(luò)模型提高了中長期風(fēng)速預(yù)測的精度。research，NCAR)開發(fā)的區(qū)域氣候模式(regionalclimatemodel，RegCM)就屬于一種網(wǎng)格化的大氣環(huán)流模式，在氣

包括人工神經(jīng)網(wǎng)絡(luò)(artificialneuralnetwork，ANN)[58]、極限學(xué)習(xí)模型(extremelearningmachine，ELM)[59]、SVR[60]和高斯過程回歸(gaussianprocessregression，GPR)[61]等。其中，基于資源預(yù)報的中長期電量預(yù)測常規(guī)的統(tǒng)計建模流程如圖3所示。圖3基于資源預(yù)報的中長期預(yù)測建模流程Fig.3Modelingflowofmid-longtermforecastingbasedonresourceforecasting2ANN能夠構(gòu)建SVRANN具有更好的泛化能力；且在文獻[17]所提的眾多統(tǒng)計學(xué)習(xí)方法中，SVR是利用日風(fēng)速統(tǒng)計數(shù)據(jù)進行日電量擬合的最fishswarmalgorithm，AFSA)ELMGPRCopulaGPR[64]NWP速–功率轉(zhuǎn)化曲線和扭曲的GPR預(yù)測得到了發(fā)電

10m日風(fēng)能統(tǒng)計數(shù)據(jù)外推50m輪轂高度來間接預(yù)測未來一年的發(fā)電量，多種數(shù)據(jù)的組合預(yù)測方法合預(yù)測可以豐富輸入信息，提高模型的泛在能。目前用到的中長期多種數(shù)據(jù)組合建模預(yù)測4種，這幾種組合方法結(jié)構(gòu)示意圖如圖4所示。將原始數(shù)據(jù)分解成數(shù)個子序列，分別建立預(yù)測模型的組合。利用原始資源數(shù)據(jù)對歷史電量數(shù)據(jù)進行融合擴充，再利用預(yù)測模型進行預(yù)測的組合。根據(jù)原始數(shù)據(jù)的不同特征，使用不同方法基于資源數(shù)據(jù)和電量數(shù)據(jù)利用數(shù)據(jù)處理算法對預(yù)測模型的輸入進行優(yōu)化組合。風(fēng)電場中長期電量數(shù)據(jù)不具有遞增或遞減趨勢，文獻[41]依據(jù)季節(jié)周期性特點將風(fēng)電場發(fā)電量3種不同屬性的子序列進行單獨建模，達到了較好的預(yù)測效果。文獻[69]在對資源數(shù)2種模型進行組合，在一定程度上降低了發(fā)電量數(shù)據(jù)長度對中長期發(fā)電量的影響。文獻[70]使用熵GM(1,1)3次指數(shù)平滑模陷。為了對數(shù)據(jù)集進行擴充，文獻[34]根據(jù)風(fēng)能所Kdtree3種預(yù)測算法的熵權(quán)值組合預(yù)測方法，所提出電量預(yù)測提供了一種可行的解決思路。據(jù)處理算法可以取得較好的效果。文獻[71]指出，未來數(shù)值進行預(yù)測。文獻[72]分析發(fā)現(xiàn)，風(fēng)電出力CopulaLSTM模型的中長期[73]NWP的不同氣風(fēng)電出力預(yù)測中仍具有有效性。普適性，是未來研究的主要趨勢。2010年開始，到10a30a左右，因此數(shù)據(jù)長度的不足制約了中長期電量預(yù)測模型的訓(xùn)練與優(yōu)化，導(dǎo)致預(yù)測精度一直難以提高。另外，實際發(fā)電量數(shù)據(jù)由采集的實際功率數(shù)據(jù)間接得到，實際功率數(shù)據(jù)在采集、傳輸、存儲等過程中不可避免地存在缺數(shù)、死數(shù)、重數(shù)等問題，加之棄風(fēng)限電等因素的影響，使得發(fā)電量序列存在失真等問題，5為西北某風(fēng)電2017—2018年限電對月發(fā)電量序列影響效果的

44種常用風(fēng)電中長期多種數(shù)據(jù)的組合預(yù)測方法Fig.4Combinationforecastingmethodoffourkindsofcom-monmid-longtermmulti-dataofwindpower圖5理論與實際發(fā)電量序列對比Fig.5Comparisonoftheoreticalandpracticalgenerationseries對比，可以看出實際發(fā)電量序列存在失真問題。資源預(yù)報數(shù)據(jù)的處理問題由于中長期氣候預(yù)測的準確性及數(shù)據(jù)成本等問題，針對氣候預(yù)測信息在中長期電量預(yù)測中的應(yīng)用研究較少。但根據(jù)中長期的資源預(yù)報數(shù)據(jù)能有效挖掘出不同年景的氣候特征，從而提高風(fēng)電中長期電量預(yù)測模型的泛在能力。對于應(yīng)用到風(fēng)電中長期電量預(yù)測中的氣候態(tài)預(yù)報數(shù)據(jù)，需要實現(xiàn)高分辨率而基于以往的技術(shù)缺陷，數(shù)據(jù)準確度及分辨率難以保證。而且，中長期電量預(yù)測是一種較長時間的統(tǒng)計數(shù)據(jù)結(jié)果預(yù)測，需要考慮的因素更多，如影響因子的篩選、時間間隔的選擇等都會帶來很大的誤差干擾。這些因素都造成了資源預(yù)報數(shù)據(jù)在中長期電量預(yù)測中的應(yīng)用難度增大。周期規(guī)律中存在的差異性問題目前資源再分析數(shù)據(jù)的有效利用是中長期電62014年—2019年月模型優(yōu)化過程中的局限性目前中長期電量預(yù)測大部分還是基于統(tǒng)計方法建模的，但灰色模型等傳統(tǒng)模型智能自學(xué)能力較差，預(yù)測時無法兼顧各訓(xùn)練樣本，會嚴重影響預(yù)測準確性；且在建模過程中多基于長時間間隔建模，另外，鑒于風(fēng)能發(fā)電本身的復(fù)雜性和不確定性，很難用一種或幾種方法將各種影響因子及其內(nèi)在規(guī)律進行有效處理和深入探究，但大部分場站數(shù)據(jù)量不