论文部分内容阅读
摘要：近年来风电发展迅速，风电具有波动性和间歇性，大规模风电接入系统对电网的安全稳定运行也带来了挑战，风电高精度风功率预测是解决大规模风电接入问题的关键技术，本文采用中尺度数值模拟和微尺度CFD流体计算模型相结合的技术，以中尺度模式的结果驱动小尺度模型、中尺度与小尺度相嵌套的气象数据计算方法，对基地流场进行精细化模拟，以达到对逐台风机处的风速进行模拟预报的能力，供大家研究和参考。
关键词：风机发电;功率预测;系统;应用研究
中图分类号：TM614 文献标识码：A 文章编号：
风電具有间歇性、随机性和波动性。风电场出力不稳，给电网调度、调峰、安全等带来一系列问题。准确的风电功率预测是解决以上问题的有效方法。风电功率预测系统可以有效掌握和利用风能资源，为电网调度充分安排风电上网电量提供重要依据;对风电场输出功率进行预测是缓解电力系统调峰、调频压力，提高风电接纳能力的有效手段之一。同时，风电功率预测还可以指导风电场的检修计划，提高风能利用率，提高风电场的经济效益。发电功率预测系统对于电网能够起到节约调峰成本、保障电网安全、更多消纳风电的作用;对于风电场能够起到减小弃风、科学运营风电场、更多送出风电的作用[1-2]。
1 影响风功率预测准确率的因素
1.1 数值天气预报
影响风电场风电功率预测准确率的因素有很多，其中数值天气预报的影响最大。数值天气预报预测的是风速、风向、气温、气压等气象数据，是风电场开展风电功率预测的基础和输入，能否得到准确的数值天气预报对风电功率预测准确率有很大影响。但是，由于风的随机性、不确定性，再加上我国很多风电场都建在边远地区，地形差异较大，短时间会有风的快速变化，导致近地面的风速数值预报难度很大。风功率与风速的三次方成正比，所以风速数值预报的准确性会直接影响风功率预测的准确率。
1.2 风电功率预测方法
风电功率预测方法也是影响预测的准确率的关键因素。目前国内风功率预测方法主要有基于统计的方法和基于物理建模的方法。
统计方法是指不考虑风速变化的物理过程，而根据历史统计数据找出天气状况与风场出力的关系，然后根据实测数据和数值天气预报数据对风电场输出功率进行预测;物理方法是指根据数值天气预报模式的风速、风向、气压、气温等气象要素预报值以及风电场周围等高线、粗糙度、障碍物等信息，采用微观气象学理论或计算流体力学的方法计算得到风电机组轮毂高度的风速、风向等气压信息，然后根据风电机组的功率曲线计算得到每台风电机组的功率，再考虑风电机组间的尾流影响，最后对所有风电机组的预测功率求和得到风电场的预测功率。因统计方法和物理方法都对数据都有很高要求，如果数据本身不是很完整，或者经过人为影响，或者得到的数据是错误的，都会影响到风电功率预测结果的准确度。
2 风功率预测系统设计目标
风电基地东西长约100公里，南北宽约60公里，范围大，地形地貌差异较明显。对该风电基地进行风功率预测，运算量大，需要大量的计算资源，尤其是对于数值天气预报模式和CDF模式的运算。针对这一问题，风功率预报系统依托超算中心的计算资源，利用多种输入数据源（全球模式、EC数据、资料同化），针对基地不同地块设置精细化优化的参数化方案，经过多种后处理方式，提升中尺度风速模拟、CFD模式模拟的精度，同时对预测系统、功率模型不断进行优化，让模拟更加“智慧”，最终提高风功率预测系统的预报精度，以达到电网的要求。
3 高精度风功率预测方法
根据风功率预测系统预报的流程分析，可以从数值气象模式、CFD微尺度模式和功率模型等方面分别采取相应的技术措施来提高风功率预测系统的预测能力，以实现高精度的风功率预测。
3.1 数值气象预报
数值天气预报是指根据大气实况，在一定的初值和边值条件下，通过计算机求解表示天气变化过程的流体力学和热力学方程组，预测未来天气状况的定量和客观的方法。
目前，国内满足电网调度要求的风电场功率预测系统均是基于中尺度气象预报模式输出设计开发的。因此模式预测输出精度很大程度上决定了风电场短期功率预测的精度。但由于数值气象预报模式输入的初值和边值条件存在偏差;模式输出网格分辨率较低，散点预报值不能较好地代表全场气象特征;局地天气类型复杂多变，数值模式本地输入资料欠缺;数值气象模式对复杂剧烈天气条件下风速爬坡、扰动等评估相对薄弱，因此基于数值气象预报模式开发设计的风电场功率预测系统具有较大不确定性。为提高数值气象模式预报准确性，分别从初始背景场、参数化方案两个主要方面进行改进。
3.1.1初始背景场
数值天气预报是利用基于大气动力学方程及其相应的数值计算方法和物理参数化方案建立起来的数值模式，以给定的某时刻大气状态（即初值）为起点，来预报未来某个时刻的大气运动状态。因此初始场能否正确地反应真实大气运动直接影响到模式的预报结果。图3.1.1-1为数值天气模式预报过程及相应的初始背景场资料情况。
（1）测风数据
根据《风电功率预测系统测风塔数据测量技术要求》（NB/T 31079），风电功率预测系统需进行现场气象数据观测，目前国内满足电网调度要求的风电场功率预测系统均是基于中尺度气象预报模式输出设计开发的。而中尺度数值气象模式输入的初值和边值条件是否准确直接影响模式预测输出结果的准确性。但由于该风电基地地区地广人稀，气象观测站稀少且分布不均匀，仅依靠气象站及中尺度再分析数据，很难提高数值气象模式的初始场的准确性。为此，为获取该风电基地准确的气象观测数据，需在场址区域增加风功率预测测风塔。现今，该风电基地场址区域及附近已建有55座测风塔，基地南部测风塔数量较多，而北部基本没有测风塔，场址现有测风塔不能满足基地风功率预测的需求。[3-4] 根据已有测风塔、拟建测风塔分布及基地区域划分情况，选取其中28座测风塔作为风功率预测测风塔，进行实时测风。
（2）激光雷达
由于风电基地场区面积大、测风塔分布不均匀，地形、地貌有较大差异，对于地形相对复杂的区域，仅靠测风塔难以满足风功率预测实测数据的要求。而激光雷达正可以弥补测风塔短缺造成的数据不足的问题。
激光雷达测风作为新型的移动测风技术，利用激光的多普勒频移原理，通过测量光波反射在空气中遇到风运动的气溶胶粒子所产生的频率变化得到风速、风向信息，从而计算出相应高度的矢量风速和风向数据。和传统的测风塔获取风速数据方式相比，激光雷达具有以下特点：数据更丰富;可同时测得不同高度的水平、垂直風速、风向数据，入流角等;激光雷达数据获取方便灵活，可满足各种地形项目数据测试;测量性能强大，满足40m～300m，12个高度层风参数据测量;测试精度高，数据完整率更高;测量数据更安全可靠。
（3）再分析数据
前期大气环流再分析数据作为数值气象预报模式的输入初值，由于得到该数据的模式、观测数据、处理方法的差异，导致各国得到的再分析数据存在差异。而为了提高数值气象模式输入初值的准确性，分别与国家气象局、中科院大气物理研究所、香港科技大学、丹麦、西班牙等多个专业气象机构建立的战略合作，为项目集中预报平台提供科研实验及业务化气象预报数据支持。同时根据风电基地区域特点，分析、选取适合该基地的多套气象预报数据源（主要的气象预报数据源见表3.1.1-1），并与实测数据进行智能对比，按优切换。
同时采用同化技术，将基地测风塔、激光雷达观测的气象数据同化入中尺度再分析数据中，进一步提高模式输入初值的准确性，以提高数值气象模式的预报能力。
3.1.2 局地定制参数化
在边界层研究中，由于在技术上对湍流运动的观测十分困难，相应的理论还不很成熟，且大量的研究是基于半理论半经验之上，再者目前的大尺度、中小尺度模式的水平格距均比边界层湍流输送的特征尺度大得多，但在模式模拟预报中必须得考虑这种次网格尺度的效应。针对边界层的物理过程和能量交换过程，模式中对多采用参数化进行处理。
由于风电基地面积宽广，地形地貌、边界层条件差异较大，而模式中具有多种参数化方案，因此选择适合风电基地的参数化方案成为该区域风场模拟预报准确与否的关键。针对这一问题，根据风电基地不同区域地形特点，设置精细化优化的参数方案，利用超算，经过多种后处理方式，提升中尺度风速模拟预报能力。
3.2 CFD微尺度模式
（1）高精度地形数据
地形数据、下垫面的变化会使得风速发生变化，因此在气象数值模拟过程中，如果地形数据精度较差，直接导致模式模拟的近地面气象要素存在较大偏差。
针对地形数据精度较差的问题，利用便携式无人机等技术获得高精度的场区地形信息，以此高精度地形数据作为输入从而以此提高模式的预报能力。
（2）CFD微尺度模式
中尺度气象模式预报的结果空间尺度较大，即使采用多重嵌套的方式，其空间尺度也只能达到1-3km。因此很难满足风场精细化数值模拟预报的要求。针对这一问题，以往应用于空气动力学精细流场计算的CFD模式越来越多的用于风场的预测模拟中。由于具有成熟的网格生成模块，能够自适应地生成各种复杂地形上的贴体网格，以及强大的后处理模块显示局部的复杂流动，CFD模式更适应于复杂地形条件下边界层精细流场的模拟。
因此，风电基地风功率预测系统中，采用中尺度数值模拟和微尺度CFD流体计算模型相结合的技术，以中尺度模式的结果驱动小尺度模型、中尺度与小尺度相嵌套的气象数据计算方法，对基地流场进行精细化模拟，以达到对逐台风机处的风速进行模拟预报的能力。
3.2 功率预测模型
风功率预测水平不仅受到数值气象预报的影响，同时还受到功率模型的影响。由于风电基地采用机组类型多，对功率模型的自适应能力要求高;发电规律和气象特征的局地差异大，要求模型要具有多样化特征;同时实测数据质量、风机故障、特殊气象条件等的影响导致实测功率的变化影响模型的适应能力。众多因素的存在直接影响到功率模型模拟的准确性。
针对功率模型模拟中面对的各类难题，主要采取以下方法，以提高功率曲线的模拟能力：（1）高精度天气预报结果与现场SCADA数据相结合;（2）机组历史运行数据拟合风电场理论功率曲线;（3）基于机器学习的多预报方案融合预测算法;（4）稳定的自动建模和预测平台。通过以上方法，搭建智能功率预测模型，融和多机型、多地貌/多气候特征，以风电场的历史功率、历史风速、地形地貌、数值天气预报、风电机组运行状态等数据建立电场输出功率的预测模型，以风速、功率、数值天气预报数据作为模型的输入，结合电场机组的设备状态及运行工况，得到风电场未来的输出功率，实现自学习、自优化，以达到精确的功率预报能力。
4 结束语
随着环境的污染和传统资源的枯竭，可再生能源受到越来越多的关注。作为一种无污染的可再生能源，风力发电在全球范围内得到了快速发展。然而与常规能源相比，风力发电具有间歇性、波动性和随机性等特性，该特性对电力系统的安全稳定、电能质量均有影响。[3-4]
为了提高功率预测系统的预测准确率，分别从数值气象预报模式、CFD微尺度模式、功率预测模型等方面采取相应的技术方法对模式进行改进，以实现风电基地的高精度风功率预测，即预测准确率除达到相关标准规范的的要求，还能精准预测每台风机的出力，未来72小时准确率达到88%，4小时达到92%。
该高精度风功率预测系统的建立，可为风电场现场制定更合理、更有效的生产运行计划提供可靠的数据支撑，并合理安排场内风机的检修和定期维护计划，降低新能源场站的弃风、弃光电量损失，提高整体发电能力。同时，电力生产调度机构根据风功率预测模型预测的风电输出功率，提前掌握风电场的出力变化，及时调整运行策略，提高电网运行的安全性和经济性。
参考文献
[1] 李文鹤，风机发电风功率预测系统的研究与应用[J]，动力与电气工程，2016（22）.
[2] 刘兴杰，风电输出功率预测方法与系统[J]，华北电力大学，2011.
[3] 钟宏宇等，组合预测技术在风电中的研究分析[J]，分布式电源与并网技术，2018（16）.
[4] 国家电网公司.风电场接入电网技术规定：Q/GDW1392—2015[S].2015.
国核电力规划设计研究院有限公司 北京 100095
关键词：风机发电;功率预测;系统;应用研究
中图分类号：TM614 文献标识码：A 文章编号：
风電具有间歇性、随机性和波动性。风电场出力不稳，给电网调度、调峰、安全等带来一系列问题。准确的风电功率预测是解决以上问题的有效方法。风电功率预测系统可以有效掌握和利用风能资源，为电网调度充分安排风电上网电量提供重要依据;对风电场输出功率进行预测是缓解电力系统调峰、调频压力，提高风电接纳能力的有效手段之一。同时，风电功率预测还可以指导风电场的检修计划，提高风能利用率，提高风电场的经济效益。发电功率预测系统对于电网能够起到节约调峰成本、保障电网安全、更多消纳风电的作用;对于风电场能够起到减小弃风、科学运营风电场、更多送出风电的作用[1-2]。
1 影响风功率预测准确率的因素
1.1 数值天气预报
影响风电场风电功率预测准确率的因素有很多，其中数值天气预报的影响最大。数值天气预报预测的是风速、风向、气温、气压等气象数据，是风电场开展风电功率预测的基础和输入，能否得到准确的数值天气预报对风电功率预测准确率有很大影响。但是，由于风的随机性、不确定性，再加上我国很多风电场都建在边远地区，地形差异较大，短时间会有风的快速变化，导致近地面的风速数值预报难度很大。风功率与风速的三次方成正比，所以风速数值预报的准确性会直接影响风功率预测的准确率。
1.2 风电功率预测方法
风电功率预测方法也是影响预测的准确率的关键因素。目前国内风功率预测方法主要有基于统计的方法和基于物理建模的方法。
统计方法是指不考虑风速变化的物理过程，而根据历史统计数据找出天气状况与风场出力的关系，然后根据实测数据和数值天气预报数据对风电场输出功率进行预测;物理方法是指根据数值天气预报模式的风速、风向、气压、气温等气象要素预报值以及风电场周围等高线、粗糙度、障碍物等信息，采用微观气象学理论或计算流体力学的方法计算得到风电机组轮毂高度的风速、风向等气压信息，然后根据风电机组的功率曲线计算得到每台风电机组的功率，再考虑风电机组间的尾流影响，最后对所有风电机组的预测功率求和得到风电场的预测功率。因统计方法和物理方法都对数据都有很高要求，如果数据本身不是很完整，或者经过人为影响，或者得到的数据是错误的，都会影响到风电功率预测结果的准确度。
2 风功率预测系统设计目标
风电基地东西长约100公里，南北宽约60公里，范围大，地形地貌差异较明显。对该风电基地进行风功率预测，运算量大，需要大量的计算资源，尤其是对于数值天气预报模式和CDF模式的运算。针对这一问题，风功率预报系统依托超算中心的计算资源，利用多种输入数据源（全球模式、EC数据、资料同化），针对基地不同地块设置精细化优化的参数化方案，经过多种后处理方式，提升中尺度风速模拟、CFD模式模拟的精度，同时对预测系统、功率模型不断进行优化，让模拟更加“智慧”，最终提高风功率预测系统的预报精度，以达到电网的要求。
3 高精度风功率预测方法
根据风功率预测系统预报的流程分析，可以从数值气象模式、CFD微尺度模式和功率模型等方面分别采取相应的技术措施来提高风功率预测系统的预测能力，以实现高精度的风功率预测。
3.1 数值气象预报
数值天气预报是指根据大气实况，在一定的初值和边值条件下，通过计算机求解表示天气变化过程的流体力学和热力学方程组，预测未来天气状况的定量和客观的方法。
目前，国内满足电网调度要求的风电场功率预测系统均是基于中尺度气象预报模式输出设计开发的。因此模式预测输出精度很大程度上决定了风电场短期功率预测的精度。但由于数值气象预报模式输入的初值和边值条件存在偏差;模式输出网格分辨率较低，散点预报值不能较好地代表全场气象特征;局地天气类型复杂多变，数值模式本地输入资料欠缺;数值气象模式对复杂剧烈天气条件下风速爬坡、扰动等评估相对薄弱，因此基于数值气象预报模式开发设计的风电场功率预测系统具有较大不确定性。为提高数值气象模式预报准确性，分别从初始背景场、参数化方案两个主要方面进行改进。
3.1.1初始背景场
数值天气预报是利用基于大气动力学方程及其相应的数值计算方法和物理参数化方案建立起来的数值模式，以给定的某时刻大气状态（即初值）为起点，来预报未来某个时刻的大气运动状态。因此初始场能否正确地反应真实大气运动直接影响到模式的预报结果。图3.1.1-1为数值天气模式预报过程及相应的初始背景场资料情况。
（1）测风数据
根据《风电功率预测系统测风塔数据测量技术要求》（NB/T 31079），风电功率预测系统需进行现场气象数据观测，目前国内满足电网调度要求的风电场功率预测系统均是基于中尺度气象预报模式输出设计开发的。而中尺度数值气象模式输入的初值和边值条件是否准确直接影响模式预测输出结果的准确性。但由于该风电基地地区地广人稀，气象观测站稀少且分布不均匀，仅依靠气象站及中尺度再分析数据，很难提高数值气象模式的初始场的准确性。为此，为获取该风电基地准确的气象观测数据，需在场址区域增加风功率预测测风塔。现今，该风电基地场址区域及附近已建有55座测风塔，基地南部测风塔数量较多，而北部基本没有测风塔，场址现有测风塔不能满足基地风功率预测的需求。[3-4] 根据已有测风塔、拟建测风塔分布及基地区域划分情况，选取其中28座测风塔作为风功率预测测风塔，进行实时测风。
（2）激光雷达
由于风电基地场区面积大、测风塔分布不均匀，地形、地貌有较大差异，对于地形相对复杂的区域，仅靠测风塔难以满足风功率预测实测数据的要求。而激光雷达正可以弥补测风塔短缺造成的数据不足的问题。
激光雷达测风作为新型的移动测风技术，利用激光的多普勒频移原理，通过测量光波反射在空气中遇到风运动的气溶胶粒子所产生的频率变化得到风速、风向信息，从而计算出相应高度的矢量风速和风向数据。和传统的测风塔获取风速数据方式相比，激光雷达具有以下特点：数据更丰富;可同时测得不同高度的水平、垂直風速、风向数据，入流角等;激光雷达数据获取方便灵活，可满足各种地形项目数据测试;测量性能强大，满足40m～300m，12个高度层风参数据测量;测试精度高，数据完整率更高;测量数据更安全可靠。
（3）再分析数据
前期大气环流再分析数据作为数值气象预报模式的输入初值，由于得到该数据的模式、观测数据、处理方法的差异，导致各国得到的再分析数据存在差异。而为了提高数值气象模式输入初值的准确性，分别与国家气象局、中科院大气物理研究所、香港科技大学、丹麦、西班牙等多个专业气象机构建立的战略合作，为项目集中预报平台提供科研实验及业务化气象预报数据支持。同时根据风电基地区域特点，分析、选取适合该基地的多套气象预报数据源（主要的气象预报数据源见表3.1.1-1），并与实测数据进行智能对比，按优切换。
同时采用同化技术，将基地测风塔、激光雷达观测的气象数据同化入中尺度再分析数据中，进一步提高模式输入初值的准确性，以提高数值气象模式的预报能力。
3.1.2 局地定制参数化
在边界层研究中，由于在技术上对湍流运动的观测十分困难，相应的理论还不很成熟，且大量的研究是基于半理论半经验之上，再者目前的大尺度、中小尺度模式的水平格距均比边界层湍流输送的特征尺度大得多，但在模式模拟预报中必须得考虑这种次网格尺度的效应。针对边界层的物理过程和能量交换过程，模式中对多采用参数化进行处理。
由于风电基地面积宽广，地形地貌、边界层条件差异较大，而模式中具有多种参数化方案，因此选择适合风电基地的参数化方案成为该区域风场模拟预报准确与否的关键。针对这一问题，根据风电基地不同区域地形特点，设置精细化优化的参数方案，利用超算，经过多种后处理方式，提升中尺度风速模拟预报能力。
3.2 CFD微尺度模式
（1）高精度地形数据
地形数据、下垫面的变化会使得风速发生变化，因此在气象数值模拟过程中，如果地形数据精度较差，直接导致模式模拟的近地面气象要素存在较大偏差。
针对地形数据精度较差的问题，利用便携式无人机等技术获得高精度的场区地形信息，以此高精度地形数据作为输入从而以此提高模式的预报能力。
（2）CFD微尺度模式
中尺度气象模式预报的结果空间尺度较大，即使采用多重嵌套的方式，其空间尺度也只能达到1-3km。因此很难满足风场精细化数值模拟预报的要求。针对这一问题，以往应用于空气动力学精细流场计算的CFD模式越来越多的用于风场的预测模拟中。由于具有成熟的网格生成模块，能够自适应地生成各种复杂地形上的贴体网格，以及强大的后处理模块显示局部的复杂流动，CFD模式更适应于复杂地形条件下边界层精细流场的模拟。
因此，风电基地风功率预测系统中，采用中尺度数值模拟和微尺度CFD流体计算模型相结合的技术，以中尺度模式的结果驱动小尺度模型、中尺度与小尺度相嵌套的气象数据计算方法，对基地流场进行精细化模拟，以达到对逐台风机处的风速进行模拟预报的能力。
3.2 功率预测模型
风功率预测水平不仅受到数值气象预报的影响，同时还受到功率模型的影响。由于风电基地采用机组类型多，对功率模型的自适应能力要求高;发电规律和气象特征的局地差异大，要求模型要具有多样化特征;同时实测数据质量、风机故障、特殊气象条件等的影响导致实测功率的变化影响模型的适应能力。众多因素的存在直接影响到功率模型模拟的准确性。
针对功率模型模拟中面对的各类难题，主要采取以下方法，以提高功率曲线的模拟能力：（1）高精度天气预报结果与现场SCADA数据相结合;（2）机组历史运行数据拟合风电场理论功率曲线;（3）基于机器学习的多预报方案融合预测算法;（4）稳定的自动建模和预测平台。通过以上方法，搭建智能功率预测模型，融和多机型、多地貌/多气候特征，以风电场的历史功率、历史风速、地形地貌、数值天气预报、风电机组运行状态等数据建立电场输出功率的预测模型，以风速、功率、数值天气预报数据作为模型的输入，结合电场机组的设备状态及运行工况，得到风电场未来的输出功率，实现自学习、自优化，以达到精确的功率预报能力。
4 结束语
随着环境的污染和传统资源的枯竭，可再生能源受到越来越多的关注。作为一种无污染的可再生能源，风力发电在全球范围内得到了快速发展。然而与常规能源相比，风力发电具有间歇性、波动性和随机性等特性，该特性对电力系统的安全稳定、电能质量均有影响。[3-4]
为了提高功率预测系统的预测准确率，分别从数值气象预报模式、CFD微尺度模式、功率预测模型等方面采取相应的技术方法对模式进行改进，以实现风电基地的高精度风功率预测，即预测准确率除达到相关标准规范的的要求，还能精准预测每台风机的出力，未来72小时准确率达到88%，4小时达到92%。
该高精度风功率预测系统的建立，可为风电场现场制定更合理、更有效的生产运行计划提供可靠的数据支撑，并合理安排场内风机的检修和定期维护计划，降低新能源场站的弃风、弃光电量损失，提高整体发电能力。同时，电力生产调度机构根据风功率预测模型预测的风电输出功率，提前掌握风电场的出力变化，及时调整运行策略，提高电网运行的安全性和经济性。
参考文献
[1] 李文鹤，风机发电风功率预测系统的研究与应用[J]，动力与电气工程，2016（22）.
[2] 刘兴杰，风电输出功率预测方法与系统[J]，华北电力大学，2011.
[3] 钟宏宇等，组合预测技术在风电中的研究分析[J]，分布式电源与并网技术，2018（16）.
[4] 国家电网公司.风电场接入电网技术规定：Q/GDW1392—2015[S].2015.
国核电力规划设计研究院有限公司 北京 100095