不同氣象預測數(shù)據(jù)源對山地風電場風速預測準確率的影響分析

吳文倩

（國家電投南寧生產(chǎn)運營中心，南寧 530000）

引言

近年來，由于石油、煤炭等化石能源的緊缺，以及火電等傳統(tǒng)能源對全球氣候變暖帶來不利影響，風電、光伏等新能源迎來“搶裝潮”。目前，國內(nèi)三北地區(qū)適宜的風能資源開發(fā)已接近尾聲，越來越多風電開發(fā)商向IV 類風資源區(qū)邁進，南方地區(qū)山地風電場也隨之拔地而起。由于風電是一種間歇性、波動性的電源，大規(guī)模風電的接入對電網(wǎng)的穩(wěn)定帶來新挑戰(zhàn)［1-2］，風功率輸出不穩(wěn)定而導致風力發(fā)電對電網(wǎng)穩(wěn)定運行的不利影響也逐漸體現(xiàn)出來［3-4］。供電系統(tǒng)需要進行有效的計劃和調(diào)度，就需要風電場開展有效的風電功率預測工作［5］。通過提前預測風電功率的波動，合理安排運行方式和應(yīng)對措施，以提高電網(wǎng)的安全性、可靠性和接納風電的能力。此外，準確的風電功率預測也是指導風電場開展計劃檢修、市場交易等工作的重要依據(jù)。

風電場需定時向電力調(diào)度機構(gòu)報送短期功率預測和超短期功率預測結(jié)果。其中超短期預測時效為未來15min～4h，由于預測時效短，可采用簡單的外推法進行預測，一般不采用數(shù)值天氣預報數(shù)據(jù)［3］。而短期預測時效為未來1～3d，一般以中尺度數(shù)值天氣預報為基礎(chǔ)得出原始風電場風速預測數(shù)據(jù)和風功率預測數(shù)據(jù)，再利用風機歷史運行數(shù)據(jù)等進行統(tǒng)計學校正，才能得到較為準確的風電功率預測結(jié)果。但由于風速是一種很難精確預測的天氣要素，風電功率預測屬于時空高分辨率的精確預報，加之風速的湍流特性和隨機性，預測技術(shù)上存在較大的難度［4］。特別是山地風電場由于地形多變的限制，大多數(shù)風電場風機分散建立在十幾至幾十平方公里范圍內(nèi)，并建立在不同海拔高度上，風速變化機理更為復雜，導致山地風電場風速及風電功率預測難度較平原風電場更大。風電場常因短期風電功率預測準確率達不到電網(wǎng)要求，給風電場帶來運行壓力和經(jīng)濟損失，因此提高風電功率預測準確率一直是風電行業(yè)的重點研究方向。

風電功率預測及風速預測方法已有許多學者開展了相應(yīng)研究，馬文通等［8］基于中尺度數(shù)值預報模式和微尺度計算流體力學模式，建立了風電場短期風電功率動力降尺度預測系統(tǒng)。余江［9］認為基于時間序列的NEW AR 模型可進行6h 的訂正預報。楊光焰［10］建立BP 神經(jīng)網(wǎng)絡(luò)對MM5 數(shù)值預報產(chǎn)品的模擬風速誤差進行動態(tài)訂正，認為風速平均絕對誤差可降低10%～20%。王彬濱等［11］提出一種諧波分析與人工神經(jīng)網(wǎng)絡(luò)（ANN）相結(jié)合的24h 短期風速數(shù)值預報的訂正方法，使得風速數(shù)值預報的系統(tǒng)偏差有明顯下降。汪小明等［12］、李慧玲［13］分別研究了基于小波分解和ELMAN 神經(jīng)網(wǎng)絡(luò)以及基于WRF 模式和聚類分析的短期風電功率預測研究與應(yīng)用，認為可改進風電功率預測準確率。在實際應(yīng)用中，國內(nèi)主流風電功率預測供應(yīng)商主要采用“物理模型＋統(tǒng)計模型”的組合方式進行風電功率預測模型建立，利用風電場地形數(shù)據(jù)、粗糙度數(shù)據(jù)、風速-功率曲線等相對不變的參數(shù)建立一個風電功率物理模型，通過輸入各類定制的風電場中尺度氣象預測數(shù)據(jù)，初步獲得時空分辨率滿足要求的功率預測文件，最后利用歷史預測數(shù)據(jù)、風機運行數(shù)據(jù)等進行人工神經(jīng)網(wǎng)絡(luò)等統(tǒng)計學校正，從而得到符合風電場實際的風電功率預測結(jié)果，一般情況下預測準確率均能達到80%以上。在這個過程中，由于風電場范圍較小，需要將中尺度數(shù)值天氣預報結(jié)果進行降尺度計算，將網(wǎng)格細分至幾公里到十幾公里范圍內(nèi)，在風電場中心或整場范圍內(nèi)均勻選取若干網(wǎng)格點，或通過計算流體力學（CFD）將網(wǎng)格數(shù)據(jù)推算至每臺風機輪轂高度處，或直接進行整場平均風速預測，才能完成數(shù)值天氣預報在風電功率預測中的釋用。要做到較為精準的風速和風電功率預測，不僅需要長期的運行數(shù)據(jù)進行模型訓練，還需要對預測數(shù)據(jù)源的選取、訂正、配比使用進行重點研究應(yīng)用。

目前，風電功率預測供應(yīng)商在實際應(yīng)用中已發(fā)現(xiàn)使用不同的氣象數(shù)據(jù)源對風電功率預測準確率有不同影響，因而基于同一預測模型開展不同數(shù)值天氣預報輸入的風電功率預測已在風電行業(yè)形成共識，但其影響效果和機理分析則少有分析和研究。為研究進一步提高風電功率預測準確率的方法，本文利用風電場實際數(shù)據(jù)進行統(tǒng)計對比，分析同一預測模型下不同數(shù)值天氣預報輸入對風電功率預測準確率的影響及原因，對風電行業(yè)提高風電功率預測準確率，滿足電網(wǎng)對于風電調(diào)度的需求，進一步適應(yīng)國家能源結(jié)構(gòu)改革需要具有一定的實際意義。

1 數(shù)據(jù)和方法

數(shù)據(jù)來源于廣西地區(qū)A、B 兩個山地風電場2020 年2 月1 日至3 月15 日期間全場風機平均輪轂高度實測風速，以及4 種單一氣象預測數(shù)據(jù)源及3 種混合訂正氣象數(shù)據(jù)源全場風機輪轂高度平均預測風速，時間分辨率均為15min。單一氣象預測數(shù)據(jù)源包括GFS（Global Forecast System，美國國家環(huán)境預報中心全球預報系統(tǒng)）、EC（European Centre for Medium-Range Weather Forecasts，歐洲中期天氣預報中心全球模式）、CMA（China Meteorological Administration，中國氣象局全球模式，空間分辨率9km×9km）、CMA-2P5（空間分辨率2.5km×2.5km），混合訂正氣象數(shù)據(jù)源為根據(jù)風電場歷史預測情況和實際情況，將GFS、EC、CMA 等多種單一氣象數(shù)據(jù)源進行混合訂正的預測結(jié)果。其中A 風電場混合訂正1、2、3 以EC 和GFS 為主。B 風電場為混合訂正1以CMA 為主，混合訂正2 以EC 為主。

采用平均絕對誤差（MAE）、均方根誤差（RMSE）衡量預測風速與實測風速之間的偏離程度，其公式為：

其中，xpi為預測風速，xmi為實測風速，n 為樣本數(shù)量。

A 風電場地處廣西東北部，風機較為均勻的分布在東北-西南方向兩條并列的山脊線上，盛行風向上游無高山阻擋，風機海拔高度在850～1070m 之間，風資源較好；A 風電場總裝機容量100MW，共安裝35 臺不同型號風電機組，風機輪轂高度有80m、90m 兩種。B 風電場位于廣西西南部，分布在東北-西南方向山脊線上，且劃分為3 片較為密集的風機群，與北部灣直線距離約100km，易受臺風、熱帶氣旋等影響，風機分散分布在丘陵地貌的山脊線上，風機海拔高度在310～690m 之間，較A 風電場偏低；B 風電場總裝機容量200MW，包含93 臺不同型號風電機組，風機輪轂高度有80m、85m、90m 三種。所選兩個風電場大氣環(huán)流背景有所區(qū)別，便于比較分析。

2 實測風速及預測風速對比

A、B風電場2020年2月1日至3月15日15min日平均預測風速及風機實測風速見圖1。其中預測風速為該時段內(nèi)風電場功率預測系統(tǒng)自動擇優(yōu)選取的風速預測結(jié)果，其中A 風電場為混合訂正3，B 風電場為混合訂正1。由圖1 可看出，山地風電場風速波動較為劇烈，風速日變化區(qū)間集中在1～5m·s-1區(qū)間，個別天數(shù)可超過9m·s-1；A 風電場日平均風速MAE 為1.01m·s-1，B 風電場為0.67m·s-1；除個別天數(shù)外，A、B 風電場預測風速與實測風速曲線吻合度較好，相關(guān)系數(shù)分別達到0.91、0.92。

圖1 A 風電場（a）、B 風電場（b）日平均實測風速及預測風速

3 不同氣象數(shù)據(jù)源風速預測偏差對比

A 風電場、B 風電場2020 年2 月1 日至3 月15日不同氣象數(shù)據(jù)源預測風速RMSE 差對比分析見表1。在統(tǒng)計時間段內(nèi)：

表1 A、B 風電場2020 年2 月1 日至3 月15 日不同氣象數(shù)據(jù)源風速預測RMSE 平均值對比

（1）多種數(shù)據(jù)源混合訂正預測結(jié)果總體優(yōu)于單一氣象數(shù)據(jù)源預測結(jié)果。其中A 風電場三種混合訂正預測RMSE 平均在1.6～1.8 之間，四種單一氣象數(shù)據(jù)預測RMSE 平均在2.3～2.8 之間，混合訂正預測RMSE 平均偏低50.8%；B 風電場兩種混合訂正預測RMSE 在1.2～1.3 之間，四種單一氣象數(shù)據(jù)預測RMSE 在1.2～2.6 之間，混合訂正預測RMSE 平均偏低32.4%。

（2）同一氣象數(shù)據(jù)源在不同場站預測效果不一致，并無絕對優(yōu)勢。其中A 風電場EC 最優(yōu)，CMA 次之，CMA-2P5 最差；而B 風電場則為CMA-2P5 最優(yōu)，CMA 次之，GFS 最差。

（3）高分辨率氣象數(shù)據(jù)源預測效果不一定優(yōu)于低分辨率氣象數(shù)據(jù)源。A 風電場、B 風電場CMA 與CMA-2P5 預測效果相比沒有絕對優(yōu)勢。

此外，對比不同氣象數(shù)據(jù)源風速預測RMSE 日變化曲線圖（圖2、圖3），可看出同一氣象數(shù)據(jù)源在每日不同環(huán)流背景下的預測效果也不盡相同，不能一以概之。而混合訂正氣象數(shù)據(jù)源預測波動性則普遍小于單一氣象數(shù)據(jù)源?？傮w來看，在統(tǒng)計時段內(nèi)，A 風電場使用混合訂正1／2／3 氣象數(shù)據(jù)源預測效果較好，B 風電場使用CMA、CMA-2P5、混合訂正1／2氣象數(shù)據(jù)源預測效果較好。

圖2 A 風電場不同氣象數(shù)據(jù)源預測風速RMSE 日變化

圖3 B 風電場不同氣象數(shù)據(jù)源風速預測RMSE 日變化

4 影響原因分析

理論研究和實際應(yīng)用表明，組合預測模型比單個預測模型具有更高的預測精度，能增強預測的穩(wěn)定性，具有較高的適應(yīng)未來預測環(huán)境變化的能力［14］。主要由于集合預報同時考慮了初值以及數(shù)值模式中物理過程的不確定性，能夠有效地減弱各種不確定性對預報結(jié)果的影響［15］。由于風電場風速預測和功率預測是對時間、空間分辨率要求很高的要素，相對于單一數(shù)據(jù)源，采用組合預測數(shù)據(jù)源的方式能夠在預測模型中發(fā)揮各種單一數(shù)據(jù)源優(yōu)勢，使預測模型最大限度地利用各種單一預測數(shù)據(jù)源的信息，一般能夠避免單一數(shù)據(jù)源可能帶來的隨機誤差，從而增加預測模型的準確性。當然，受計算條件和業(yè)務(wù)時間限制，選擇相對較少的預測數(shù)據(jù)源組合開展風電功率預測是推薦的方法。

另外，對于高分辨率氣象數(shù)據(jù)源預測效果不一定優(yōu)于低分辨率氣象數(shù)據(jù)源這一統(tǒng)計結(jié)果，可以從中尺度數(shù)值天氣預報物理降尺度過程進行分析。中國氣象局9km×9km、2.5km×2.5km 數(shù)據(jù)雖然網(wǎng)格分辨率有高低，但由于其源頭數(shù)據(jù)來自同一機構(gòu)，而降尺度過程中使用的數(shù)學物理方程采用了很多近似和假設(shè)，可能出現(xiàn)高精度網(wǎng)格預測結(jié)果因為某個近似過程放大隨機誤差，或產(chǎn)生系統(tǒng)偏差，從而導致在某一預測時段可能出現(xiàn)原始數(shù)據(jù)預測精度被降低的情形。

5 結(jié)論與討論

通過對比分析不同氣象預測數(shù)據(jù)源對風電場風速的預測準確率，得出主要結(jié)論如下：

（1）多種數(shù)據(jù)源混合訂正預測結(jié)果總體優(yōu)于單一氣象數(shù)據(jù)源預測結(jié)果，在預測模型優(yōu)化過程中可重點研究混合訂正氣象數(shù)據(jù)源的應(yīng)用。

（2）同一氣象數(shù)據(jù)源在不同場站預測效果不一致，并無絕對優(yōu)勢。

（3）高分辨率氣象數(shù)據(jù)源預測效果不一定優(yōu)于低分辨率氣象數(shù)據(jù)源。

綜上，某種氣象數(shù)據(jù)源在風速預測中并不具有絕對優(yōu)勢，需結(jié)合風電場地形地貌、大氣環(huán)流背景等特征，并根據(jù)預測結(jié)果不斷調(diào)整優(yōu)化，才能尋找出最適合現(xiàn)場的氣象數(shù)據(jù)源，確保風電功率預測結(jié)果穩(wěn)定、可靠。同時，由于本文分析選取的數(shù)據(jù)時間段較短，代表性有限，今后將進一步深入分析不同氣象預測數(shù)據(jù)源對風電場風速預測準確率的影響。