国家电投集团广西电量有限公司运营服务分公司 吴文倩 侯梦玲

由于风电是一种间歇性、波动性的电源，大规模风电的接入对电网的稳定带来新挑战[1-2]。因此，电网想要合理安排运行方式和应对措施，就要求风电场必须开展风电功率预测工作[3]，提前预测风电功率的波动，以提高电网的安全性、可靠性和接纳风电的能力。但由于风速是一种很难精确预测的天气要素，风电功率预测属于时空高分辨率的精确预报，加之风速的湍流特性和随机性，技术上存在较大的难度[4]。在我国南方，山地风电场受到局地小气候影响，风机尾流效应、局地狭管效应等造成风速突变、波动，风速变化规律更是难以捕捉，因此准确的风电功率预测一直是风电行业的重点研究方向。

根据南方电网2020版《南方区域风电场并网运行及辅助服务管理实施细则》[5]对风电功率预测的有关要求，并网风电场需定时向电力调度机构报送短期功率预测和超短期功率预测结果，其中短期风电功率预测时效为未来1～3d，预测准确率需达到80%以上，超短期风电功率预测时效为未来15min～4h，预测准确率应达到85%以上，否则将产生相应的电量考核。但实际上，由于数值天气预报对于短期风速预测的精准捕捉还普遍存在技术上的难度，因而风电场常因短期风电功率预测准确率达不到电网要求发生考核事件，严格的考核措施给风电企业带来运行压力和经济损失。

风电功率预测及风速预测方法已有许多学者开展相关研究，Emilio G[6]等利用支持向量机（Support Vector Machines）方法在风电功率预测系统中增加了回归步骤以提高预测准确率，Julija Tastu[7]等提出了能够捕获风力发电预测误差的非线性模型，并讨论了模拟这种结构的能力，余江[8]等在风速预测方面提出了持续法和基于时间序列的超短期风速的修订方法——AR模型以及短期风速订正预报方法——NEW AR模型，王彬滨[9]等提出了一种谐波分析与人工神经网络（ANN）相结合的24h短期风速数值预报的订正方法，蔡祯祺[10]利用神经网络自学习功能对数值天气预报风速序列进行修正，并利用曲线拟合及BP神经网络方法对短期风电输出功率进行预测。以上研究主要针对预测的统计校正方法，但由于风电功率预测在电力行业中具有广泛、长期的实际应用，风电功率预测准确率除了数值天气预报数据、风电功率预测模型等原理性因素相关，还与风电场现场诸多因素密切相关，其主要影响因素包括实时输入数据、风机运行状态、风电场管理、信息对称性等。主要影响因素及具体影响因子划分如下。

实时输入数据：风机运行数据、测风塔数据；风机运行状态：覆冰、限电、风机越限运行、风机设备老化（偏航误差、启停延误、出力不足）、风机通讯故障（软件、硬件）；风电场管理：计划检修、运行策略调整、故障排查处理、风机投产进度；信息对称性：预测厂家数据、主机厂家数据、中调上传数据。

在风电功率预测诸多影响因素中，风电场投产进度、即风电场装机容量对风功率预测准确率影响十分显著，根据南方电网《南方区域风电场并网运行及辅助服务管理实施细则》，短期风电功率预测准确率及考核电量计算公式如下：

1 风电场装机容量对短期风电功率预测准确率影响

1.1 数据和方法

获取广西地区A、B、C三个山地风电场短期风电功率预测准确率、风机投产时间、装机容量数据，其中A风电场于2015年投产，短期风电功率预测准确率及装机容量数据时间为2017年10月1日至2020年12月1日；B风电场和C风电场于2019年投产，短期风电功率预测准确率及装机容量数据时间为2020年1月1日至12月31日。对装机容量与短期风电功率预测准确率之间的关系进行横向、纵向比较分析，首先比较同一时期不同装机容量风电场短期风功率预测准确率关系；其次以风机投产时间为节点，分析不同时期平均短期风电功率预测准确率和装机容量的关系。

1.2 装机容量与短期风电功率预测准确率相关性

不同装机容量风电场短期风电功率预测准确率分析。统计A、B、C三个风电场2020年短期风电功率预测准确率及其装机容量分别如下：平均短期风电功率预测准确率89.57%、85.84%、84.81%；风电场装机容量（MW）597.5、200、100。可看出风电场装机容量越大，平均短期风电功率预测准确率也越高。

其次，对同一风电场不同时期装机容量与短期风电功率预测准确率的关系进行分析。其中，A风电场、B风电场因装机容量较大，风机投产时间长，其中A风电场风机分9批次投产，B风电场则为7批次。C风电场因装机容量较小，风机投产批次少，样本数据不足，暂不开展分析。可看出，在不同时期装机容量与短期风电功率预测准确率具有良好的正相关性（图1），相关系数分别为0.83、0.75，由此可知，同一风电场随着风电场装机容量不断增加，短期风电功率预测准确率有相对应的上升趋势。

图1 A（左）、B（右）风电场在不同时期装机容量与短期风电功率预测准确率相关性

2 影响机理

短期风电功率预测准确率受风电场装机容量影响明显，其原因可从预测尺度、功率波动容纳能力等方面进行分析。

2.1 预测尺度原因

中期数值天气预报是所有气象预测（包括风电功率预测）的基础数据，其预测模式为网格预测。目前常见的中期数值天气预报有GFS（美国国家环境预报中心）、ECMWF（欧洲中期天气预报中心）以及CMA（中国气象局）等，其预报产品的网格尺度一般在25～50km左右。由于风功率预测尺度一般在1km以下，因此需对中期数值天气预报结果进行物理降尺度计算（图2）。

图2 中期数值天气预报降尺度过程示意图

降尺度可理解为通过数学物理方法将大网格数据降为小网格数据，需大型计算机进行层层计算，且计算中使用的数学方程采取了很多近似和假设过程。风电场装机容量越大，意味着风电场的面积也越大，在风电功率预测过程中，预测对象尺度越大，需进行降尺度计算的次数越少，初始场数据（即中期数值天气预报）的预测精度能够最大限度地保留，因此计算难度较小，预测精度可以得到保证；而预测对象尺度越小，降尺度计算次数越多、计算难度越大，预测精度也就越难把控。

同时，由于在降尺度过程中使用了近似和假设过程，当预测对象需要进行多次降尺度计算时，可能出现降尺度网格预测结果因为某个近似过程放大随机误差或产生系统偏差，从而导致在某一预测时段出现数据预测精度被降低的情形。对此，部分风电功率预测供应商也采取有效应对措施，采用CFD（计算流体力学）将网格预测风速推演至风机点预测风速，结合人工神经网络等数学统计方法得出单台风机的功率预测数值，使得网格气象预测误差得到有效改善，从而进一步减少短期风电功率预测偏差。

2.2 功率波动容纳能力原因

功率波动的容纳能力是装机容量对短期风电功率预测准确率影响的主要原因。由于风是不确定的，山地风电场受到地形因素影响，经常产生局地强对流天气、湍流、狭管效应等现象。若风电场容量和面积小，应对山地小气候引起的功率波动容纳能力不足，容易造成实测功率和预测功率偏差加大，预测准确率降低；而风电场容量和面积越大，山地小气候引起的局部风速、功率陡升容易被整个风电场平均，因此出现整体风速突变的概率较小，从而使风电功率预测准确率随之提高。

2.3 其他原因

在管理方面，相对于小容量风电场，大容量风电场风机和集电线路众多，即使出现部分风机故障、集电线路跳闸等情况时，对风电场总体出力影响也比较小，因此引起风电功率预测偏差扩大的风险较小。而小容量风电场集电线路少，部分风电场可能仅有2条集电线路，出现某条集电线路跳闸时，可能会影响风电场近半的出力，因此容易导致风电功率预测偏差加大。在设备方面，大容量风电场一般会建立3～4座测风塔，以全面掌握风电场实际测风数据，对风电功率预测模型校正带来一定的提升效果，小容量风电场一般建立1座测风塔甚至不建立测风塔，可能会对风电功率预测模型校正效果带来一定影响。

除此之外，大容量风电场在特定时段对风电功率预测也可能带来不利影响。风机有效历史运行数据是风电功率预测模型校正的重要因素，由于大容量风电场建设期较长，一般可长达2～3年，随着风电场建设过程中装机容量不断增长，同一风速下风电场所对应的风电出力持续增加，导致风机历史运行数据只能在装机容量相对稳定的某个时段内有效应用于风电功率预测模型校正，否则可能引起风电功率预测偏差。在风电场建设完成后，风机历史运行数据才能长期稳定应用于模型校正。而在小容量风电场，由于建设周期短，这种风电出力不稳定的情况则可能只持续半年或一年左右。

从上文结果来看，装机容量对风电功率预测准确率主要还是正面影响，对于装机容量大、建设周期长而导致风电功率预测不稳定的情况，主要解决办法是加强风电场设备管理，确保风机在分批投产的各个时段内风机运行数据的有效性。同时通过提高风电功率预测模型校正的频率，及时将有效风机运行数据应用于风电功率预测模型中，以提高建设期风电功率预测准确率。

综上，随着清洁能源装机容量的不断扩大，电网对于风电企业的管理也日趋规范，准确的短期风电功率预测对提高风电企业竞争力有着不可忽视的作用。通过对短期风电功率预测准确率影响因素及机理进行研究，有助于风电企业采取有效应对措施，不断提高短期风电功率预测准确率。