复杂地形风电场的风功率预测技术创新

　随着全球能源高速增长，气候变化和生态环境问题日益突出，风能作为一种可再生能源，受到各国重视。2013年，中国新增装机容量16088.7MW，累计装机容量91412.89MW，新增装机和累计装机均居世界第一，风电已成为我国继火电、水电后的第三大能源。风能具有独特的波动性、间歇性和反调峰特性，大量风电场并网为电网的安全、稳定及正常运行带来挑战。通过风功率预测系统的预测结果，可提供电网的安全性和可靠性和电网接纳风电的能力。《风电场接入电力系统技术规定》（GB19963-2011）中对风电场功率预测做了强制性规定，《风电场并网标准》中也对风速及风功率预测的分辨率和准确性提出了要求，风电场应向电网调度部门提供未来15分钟～4 小时、次日24 小时的风电场输出功率预测值（时间分辨率为15分钟），预测误差（平均相对误差）应不大于25%。现阶段国外内学者提出了各种理论来进行风功率预测，典型的预测模型有统计模型、物理模型、动态时空的相关模型以及基于人工神经网络的智能模型。
　　1 各预测模型评价
　　1.1 统计模型
　　统计模型也称为时间序列模型，主要基于测风历史数据，依据统计学的参数估计的方法并结合模式识别来建立数学模型，该模型适合小时尺度的短期（6h以内）预测。
　　1.2 物理模型
　　典型的物理模型为数值天气预报，主要依据取得的大气风向、风速数据，通过给定初始、边界条件，依据流体力学和热力学的方程，进行数据计算后的结果，该方法比较适合中期（一般大于6h）的风速预测。
　　1.3 动态时空模型
　　该模型需要考虑风电场与周边测风点的风速时间序列情况，依据周边测风点风速与风电场的相关性进行预测。一般需要在风电场周围设置几个远程监测点，依据风速和风向的相关性结果，预测误差更小，一般在短时间（1～4h）内预测效果较好。事实上，其误差主要和风电场的监测点的数量有关。
　　1.4 人工神经网络的智能模型
　　人工智能的发展得益于人工神经网络、模糊逻辑及向量计算技术的发展。通过模糊逻辑与向量机学习理论的方法，以历史数据、气压、温度作为输入，对风速建立预测模型，结果表明，预测值与实测值基本一致。构建的风速预测结果比时间序列法更好。
　　1.5 组合预测模型
　　各预测模型都有理论上的局限，为了优化预测流程和提供预测精度，组合预测在实际应用中越来越广。如优化的物理模型和人工智能模型组合的双模型，采用CFD方法，结合风电场信息数据，将数值天气预报作为输入，进行计算的物理模型，并利用人工智能模型中系统主动自适应的捕捉电场风电机组的运行模式，输出结合现实运行情况和未来风资源情况的功率预报。该双模型可以实现未来72小时短期预测精度大于80%；未来4小时超短期预测精度大于90%；未来168小时中期预测精度大于75%。
　　2 复杂地形条件下的风功率预测特点
　　复杂地形风电场，以山地风场为例，因地形复杂，风机标高差别较大，风速、风向差别显著，尾流影响更无规律，湍流影响结果也不同，从而导致风速和发电量的差异变化较大，这些因素使复杂地形下的风电场风电功率预测难度更大。一般预测模型在地形相对简单的地区，效果较好，但在复杂地形地区，需要针对风电场进行优化调整。
　　一般在大型山地风电场中，由于各机位所处微观环境差别较大，各机位高度也不同，风速差别较大，上网电量最高的机位比最低的机位高出约50%～80%。受微地形影响，风向差别可在20～90度，风向差别较大。而山区地形湍流强度更易受地形和地表粗糙度影响，各机位湍流强度差别也较大，在风电场设计时，采用CFD模拟结果看，从IEC C级到A级都有，加上运行后各位尾流影响，风速和风功率更呈现出无规律性。
　　如在高海拔地区，特有的条件（海拔高、雷暴频繁、风密度低、平均风速偏低、风向变化频繁、山地风电场地形条件复杂）使风电场风功率预测难度更大。
　　3 复杂地形条件下的风功率预测方法
　　无论采用单一模型方法还是组合模型预测方法，均需对复杂地形条件下的风电场进行专门优化，以适应风电场风功率预测精度的要求。
　　以优化的物理模型+人工智能模型为例，采用微观气象学和计算流体力学（CFD）分析软件，以风电场的地理数据（地形、地表粗糙度）、风电机组坐标和轮毂高度、风廓线、热效应、风机功率曲线作为边界条件；建立包含湍流、尾流、风速、发电量结果的预测物理模型，再以数值天气预报作为输入数据，通过数学方法外推，得出每一台风机轮毂处的风速，进而得到每一台风机的输出功功率。
　　此外，如风电场处于限负荷运行状态，系统会主动自适应的捕捉电场风电机组的运行模式，从而给出结合了现实运行情况和未来风资源情况的功率预报。
　　一般，设置在风场主导风向上的即使位于3公里范围内的单独测风塔的数据也无法代表整个风场的风资源情况，为提供准确的预测结果，不仅需要采集实时测风塔数据，也要采集各风机的SCADA数据，对每台风机，结合CFD计算模型，经过数据修正算法消除了尾流、湍流、风向等影响因素。
　　在建立针对山区的优化的风电场物理模型后，还需要人工智能模型进行修正，根据现场的发电情况，需要根据现场是否限电、各风机的运行状况，对各台风机进行计算，从而得出全场的预测功率。另外，还要考虑到检修计划，电网调度以及其他受限情况进行人工输入已知边界情况，对风电场上网预测功率实时调整。
　　通过人工智能和优化物理模型，即可满足电网对测风数据以及其他气象数据的采集和上传要求，时间分辨率可以根据计算模型要求选取，从而使预测精度大幅提高。
　　4 结论
　　复杂地形条件下，风功率预测需要根据复杂地形下风况特点、风功率变化情况，结合CFD计算方法，采用优化的物理模型，结合人工智能模型，满足复杂地形条件下预测精度的要求。
　　参考文献
　　[1]肖洋，陈树勇.风电场风速和发电功率预测研究[J].中国电机工程学报，2005，25（1I）：1-5.
　　[2]周海，王文鹏等.风电场输出功率超短期预测结果分析与改进[J].电力系统自动化，2011，35（15）：30-33.
　　[4]张臻.风电场功率短期预测方法研究[D].广州：华南理工大学，2010.
　　作者单位
　　云南省电力设计院 云南省昆明市 650051