摘要：風(fēng)具有波動(dòng)與間歇性的特點(diǎn)，隨著電網(wǎng)中風(fēng)電裝機(jī)容量比例的提高，電網(wǎng)運(yùn)行面臨的挑戰(zhàn)變得越來越大，準(zhǔn)確可靠的風(fēng)功率預(yù)測可削弱風(fēng)電不穩(wěn)定性的影響。本文基于MLP（Multi-layerPerception）神經(jīng)網(wǎng)絡(luò)模型針對山東某山地風(fēng)電場進(jìn)行功率預(yù)測，采用不同風(fēng)速預(yù)報(bào)策略以研究功率預(yù)測準(zhǔn)確率對風(fēng)速預(yù)報(bào)質(zhì)量（均方根誤差、相關(guān)性系數(shù)）的敏感性。結(jié)果顯示：風(fēng)速預(yù)報(bào)質(zhì)量的提高下功率預(yù)測準(zhǔn)確率有提升的趨勢，但功率預(yù)測準(zhǔn)確率的提升比例與風(fēng)速預(yù)報(bào)質(zhì)量的提升比例僅呈弱線性關(guān)系。關(guān)鍵詞：風(fēng)速預(yù)報(bào)；功率預(yù)測；MLP神經(jīng)網(wǎng)絡(luò)模型；敏感性分析引言風(fēng)具有波動(dòng)性、間歇性等特點(diǎn)，從風(fēng)中獲取能量產(chǎn)生的功率必然也繼承了這一特點(diǎn)。當(dāng)風(fēng)力發(fā)電在電網(wǎng)中所占的比例較小時(shí)，上述特點(diǎn)不會(huì)對需保持負(fù)荷端和發(fā)電端平衡的電網(wǎng)帶來明顯影響。但隨著風(fēng)電在電網(wǎng)中的比例不斷增加，風(fēng)的不確定性增加了電網(wǎng)要保持安全可靠運(yùn)行的難度，一旦電力系統(tǒng)發(fā)生故障，將會(huì)對正常的經(jīng)濟(jì)運(yùn)行和人民生活造成影響。通過準(zhǔn)確的風(fēng)功率預(yù)測系統(tǒng)，電網(wǎng)可合理調(diào)整發(fā)電計(jì)劃，削弱不穩(wěn)定發(fā)電量對電網(wǎng)的影響。同時(shí)，隨著各省市陸續(xù)開展電力市場交易，風(fēng)電電量預(yù)測也成為交易的基礎(chǔ)信息。風(fēng)電場功率預(yù)測所采用的建模方法不同，所需的數(shù)據(jù)源不同，總體上包括氣象預(yù)報(bào)數(shù)據(jù)、風(fēng)功率預(yù)測塔數(shù)據(jù)、機(jī)組發(fā)電量及風(fēng)電場基本信息等。預(yù)測的誤差主要有氣象預(yù)報(bào)誤差和預(yù)測模型誤差。氣象預(yù)報(bào)數(shù)據(jù)的時(shí)空分辨率較低，通常為1h、9km/3km/1km，僅反映特定區(qū)域、特定高度天氣數(shù)據(jù)的平均值，忽略了小尺度下局地不同地表粗糙度、地形等地表環(huán)境因素對天氣的影響，不能準(zhǔn)確代表機(jī)組位置處的氣象數(shù)據(jù)。功率預(yù)測模型根據(jù)氣象預(yù)報(bào)和歷史實(shí)測數(shù)據(jù)進(jìn)行功率預(yù)測，得到最終的功率預(yù)測結(jié)果。根據(jù)傳統(tǒng)風(fēng)機(jī)的能量轉(zhuǎn)換模型，功率與風(fēng)速的三次方成正比關(guān)系，風(fēng)速的預(yù)測偏差將顯著影響功率預(yù)報(bào)的準(zhǔn)確率。本文將采用不同風(fēng)速預(yù)報(bào)策略，基于多層感知器MLP（Multi-layerPerception）神經(jīng)網(wǎng)絡(luò)模型探討風(fēng)速預(yù)報(bào)質(zhì)量對功率預(yù)報(bào)準(zhǔn)確率的影響。研究方法常見功率預(yù)測模型一般采用統(tǒng)計(jì)方法直接建立氣象預(yù)報(bào)與全場功率的關(guān)系，每日更新氣象預(yù)報(bào)后得到功率預(yù)報(bào)結(jié)果。但由于氣象預(yù)報(bào)時(shí)空分辨率較低，難以對微尺度下的風(fēng)電場進(jìn)行較為準(zhǔn)確的預(yù)報(bào)，通常在風(fēng)電場建設(shè)時(shí)會(huì)建立風(fēng)功率預(yù)測塔作為對氣象預(yù)報(bào)數(shù)據(jù)的補(bǔ)充與修正。本文以山東某丘陵地形50MW風(fēng)電場為研究對象，收集到2019年全年氣象預(yù)報(bào)、SCADA數(shù)據(jù)。由于未獲取風(fēng)電場風(fēng)功率測塔數(shù)據(jù)，本次選取尾流損失小且機(jī)組風(fēng)速與全場功率相關(guān)性最高的機(jī)組作為“虛擬風(fēng)功率預(yù)測塔”，并以此機(jī)組的風(fēng)速風(fēng)向數(shù)據(jù)將作為模型訓(xùn)練的輸入。氣象預(yù)報(bào)風(fēng)速與全場功率的相關(guān)性系數(shù)為0.68，“虛擬測風(fēng)塔”與全場功率的相關(guān)性為0.89，說明所選取“虛擬風(fēng)功率預(yù)測塔”的有效性。本文重點(diǎn)研究風(fēng)速預(yù)報(bào)質(zhì)量對功率預(yù)測準(zhǔn)確率的影響，主要是基于兩種風(fēng)速預(yù)報(bào)策略，均采用多層感知器MLP（Multi-layerPerception）神經(jīng)網(wǎng)絡(luò)模型建立風(fēng)速與功率之間的關(guān)系。兩種策略所采用數(shù)據(jù)的差異詳見表1，策略2中增加了機(jī)組實(shí)際風(fēng)速風(fēng)向信息作為“虛擬風(fēng)功率預(yù)測塔”，得到另一組可輸入模型的風(fēng)速預(yù)報(bào)值。通過分析策略1和策略2在功率預(yù)測階段輸入的風(fēng)速預(yù)報(bào)的質(zhì)量，可一窺功率預(yù)測對風(fēng)速預(yù)報(bào)質(zhì)量的敏感性。在歷史氣象預(yù)報(bào)數(shù)據(jù)和歷史虛擬風(fēng)功率預(yù)測塔風(fēng)速建模的過程中，為提高風(fēng)速預(yù)報(bào)的準(zhǔn)確性，采用分風(fēng)速段的方法精細(xì)化建模。具體而言，每個(gè)月的數(shù)據(jù)按2m/s風(fēng)速區(qū)間劃分風(fēng)速段，建立該風(fēng)速段內(nèi)氣象預(yù)報(bào)和虛擬風(fēng)功率預(yù)測塔的風(fēng)速關(guān)系，建模采用sklearn機(jī)器學(xué)習(xí)工具包，在此不過多贅述。表1兩種功率預(yù)測策略介紹評價(jià)指標(biāo)預(yù)測結(jié)果的好壞通常采用均方根誤差、均方誤差、相關(guān)性系數(shù)、平均絕對誤差等指標(biāo)，本文以均方根誤差和相關(guān)性系數(shù)作為分析的基礎(chǔ)。1）預(yù)報(bào)風(fēng)速月度均方根誤差：2）預(yù)報(bào)風(fēng)速相關(guān)性系數(shù)：3）功率預(yù)測準(zhǔn)確率：其中N為月度樣本總量，為第i個(gè)樣本點(diǎn)的預(yù)測值，為第i個(gè)樣本點(diǎn)的實(shí)際值，C為裝機(jī)容量。分析與討論1.風(fēng)速預(yù)報(bào)質(zhì)量分析將策略一和策略二的風(fēng)速預(yù)報(bào)結(jié)果和實(shí)測值進(jìn)行誤差分析，結(jié)果如圖1和圖2所示。策略二中引入機(jī)組“虛擬風(fēng)功率預(yù)測塔”后，風(fēng)速平均均方根誤差從1.82m/s下降到1.51m/s、相關(guān)性系數(shù)從0.68上升到0.75，變化比例分別為-17.23%和10.58%，風(fēng)速預(yù)報(bào)質(zhì)量明顯提高，但風(fēng)速偏差仍在1.4m/s以上。圖1兩種策略下各月預(yù)報(bào)風(fēng)速的均方根誤差圖2兩種策略下各月預(yù)報(bào)風(fēng)速與實(shí)測值的相關(guān)性系數(shù)2.功率預(yù)測準(zhǔn)確率分析圖3兩種策略下各月功率預(yù)測準(zhǔn)確率兩種策略下的功率預(yù)測準(zhǔn)確率如圖3所示，策略二相比策略一在風(fēng)速預(yù)報(bào)質(zhì)量上有明顯提升，相應(yīng)的功率預(yù)測的準(zhǔn)確率也得到了提升，全年平均準(zhǔn)確率平均從81.5%提升到了83.5%。但總體來說提升有限。通常認(rèn)為風(fēng)速預(yù)報(bào)和實(shí)測值的相關(guān)性比較好的情況下，風(fēng)速絕對值的差異可通過功率預(yù)測模型在一定程度上抵消，保證功率預(yù)報(bào)的準(zhǔn)確性。綜合圖2-圖3可見，3月和8月下兩種策略的風(fēng)速相關(guān)性系數(shù)近乎相等，約0.78上下，策略二3月的風(fēng)速預(yù)報(bào)均方根誤差相較策略一降低了9.4%，功率預(yù)測準(zhǔn)確率提升了1.74%；8月則是風(fēng)速預(yù)報(bào)均方根誤差降低24.84%的情況下功率預(yù)測準(zhǔn)確率提升了1.7%。進(jìn)一步分析兩種策略功率預(yù)測準(zhǔn)確率與風(fēng)速預(yù)報(bào)的均方根誤差、相關(guān)性系數(shù)的關(guān)系。圖4顯示風(fēng)速預(yù)報(bào)的均方根誤差越低、與實(shí)測的相關(guān)性越高，功率預(yù)測準(zhǔn)確率總體呈越來越高的趨勢，部分月份盡管風(fēng)速預(yù)報(bào)的均方根誤差較小或與實(shí)測值的相關(guān)性較高，但功率預(yù)測的準(zhǔn)確率并不高。

圖4功率預(yù)測準(zhǔn)確率與風(fēng)速預(yù)報(bào)均方根誤差（上）相關(guān)性系數(shù)的關(guān)系（下）風(fēng)速預(yù)報(bào)質(zhì)量提升比例和相應(yīng)功率預(yù)測準(zhǔn)確率提升比例之間的關(guān)系如圖5和圖6所示，可見功率預(yù)測準(zhǔn)確率的提升與風(fēng)速預(yù)報(bào)質(zhì)量的提升呈現(xiàn)弱線性相關(guān)。圖5各月風(fēng)速預(yù)報(bào)和功率預(yù)報(bào)準(zhǔn)確率提升比例圖6風(fēng)速預(yù)報(bào)質(zhì)量提升比例與功率預(yù)測準(zhǔn)確率提升比例結(jié)論本文以山東某山地風(fēng)電場為例，基于MLP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行功率預(yù)測，采用不同風(fēng)速預(yù)報(bào)策略分析了功率預(yù)測準(zhǔn)確率對風(fēng)速預(yù)報(bào)質(zhì)量（均方根誤差、相關(guān)性系數(shù)）的敏感性。結(jié)果表明：以均方根誤差與相關(guān)性系數(shù)評價(jià)的風(fēng)速預(yù)報(bào)質(zhì)量提升時(shí)，功率預(yù)測準(zhǔn)確率總體呈提