风电功率预测

为进一步提升短期风电功率的预测精度，提出了一种基于互补集合经验模态分解-样本熵（complementary ensemble empirical mode decomposition-sample entropy，CEEMD-SE）的卷积神经网络（convolutional neural network，CNN）和长短期记忆-门控循环单元（long short term memory-gated recurrent unit，LSTM-GRU）的短期风电功率预测模型。首先，利用互补集合经验模态分解将原始风电功率序列分解为若干本征模态函数（intrinsic mode function，IMF）分量和一个残差（residual，RES）分量，利用样本熵算法将相近的分量进行重构；其次，搭建卷积神经网络和长短期记忆网络的并行网络结构，提取数据的局部特征和时序特征，并将特征融合后输入门控循环单元网络中进行学习预测；最后，通过算例进行验证，结果表明采用该模型后预测精度得到了有效提升，其均方根误差降低了15.06%、平均绝对误差降低了15.22%、决定系数提高了1.91%。

为提高风电功率预测精度，提出了一种有机融合深度反馈学习与注意力机制的短期风电功率预测方法。首先，以风电场数值天气预报(numerical weather prediction, NWP)为原始输入，基于双层长短期记忆网络(long short-term memory, LSTM)模型对风电功率进行初步预测。其次，利用极端梯度提升(eXtreme gradient boosting, XGBoost)算法构建误差估计模型，以便在给定未来一段时间内NWP数据的情况下对初步预测误差进行快速估计。然后，利用自适应白噪声完备集成经验模态分解法(complete ensemble empirical mode decomposition with adaptive noise, CEEMDAN)将初步预测误差分解为不同频段的误差序列，并将其作为附加性反馈输入，对风电功率进行二次预测。进一步在二次预测模型中引入注意力机制，为风电功率预测序列与误差序列动态分配权重，由此引导预测模型在学习过程中充分挖掘学习与误差相关的关键特征。最后，仿真结果表明所提方法可显著提高短期风电功率预测的可靠性。

本项目对海上风电场全景监控和预测性维护技术进行了研究，开发了相关系统。在监视方面，提出一种海上风电全景一体化监控架构，首次建立辅控系统CIM 模型，实现了主辅设备的统一建模及海上升压站全数字化；功率预测方面，提出可在线校正的海上风电功率预测方法，针对高变化率的海风实时修正预测模型，解决传统预测模型自适应差问题，提升了海上风电功率预测精度；功率控制方面，提出计及多因素和约束条件下海上风电有功功率控制方法及计及多时间尺度的无功设备两层协调控制方法，攻克了大惯量风电机组有功功率调节慢且精度不高的问题，实现了风电机组、无功设备功率调节次数的最优化及无功电压精准控制；运维方面，提出一种大数据趋势特征拟合的海上风机故障预测方法，结合海洋环境数据，建立多种风机劣化概率随机模型，风电机组潜在性故障判别有效率可达85%以上，实现海上风电场预测性维护。项目成果通过中国电机工程学会鉴定，结论为：“项目内容具备推广应用价值，填补了国内外空白，整体达到国际领先水平”。 项目成果目前在国内外没有同类产品可以比较。在统一模型、统一监视方面，国内外无相对应技术或产品；在控制和预测方面，技术指标处于国内外领先水平；率先建立的预测性维护体系，实现了海上风电场的智能运维。 项目成果已在25个海上风电项目中应用，对我国海上风电健康发展起到积极促进作用。从海上风力发电企业考虑，有利于降低海上风电场建设和运维成本，改善运维人员工作环境，提升企业运维水平及生产效率，增强企业的市场竞争力，年均节约运维成本约100万元；从整个新能源发电产业考虑，能够提升海上风电场可控性，有利于促进海上风电产业的发展，进而为减少碳排放，降低环境污染做出贡献。 项目成果能够为海上风电项目后期运行维护、系统协调、电网服务、资产管理等方面提供有效的技术手段和管理平台，应用前景广阔。

近年来，国内风电功率预测技术发展迅速，市场竞争趋于激烈，提高科研水准，创新预测技术对风电场功率预测精度提升具有重要推动作用，并将使企业在激烈的市场竞争中获得先发优势。本项目旨在研究集团化风电企业功率预测精度提升和管理平台的技术实现和系统集成，通过持续的研发投入，中能公司相继研发成功了基于集合预报的风电场短期风速预测技术、基于曲线相似的风电功率预测技术、风电场数据实时采集系统、集团化风电功率预测网站等关键技术和子系统，在明确各子系统的功能和边界后，最终建设完成集团化风电功率预测精度提升和管理平台。

项目属于电力系统及其自动化学科，涉及新能源及节能技术领域。 依托国家 863 计划等重大项目，团队历时 7 年产学研联合攻关，针对千万千瓦级新能源调控面临的技术挑战，创新构建适应规模化新能源接入的精细调控技术体系，以气象资源和发电能力预测为基础，针对调控需求定制化功率预测，实现新能源场站精细化调控，有效提升新能源消纳水平。提出基于多气象源的新能源定制化功率预测方法。基于多气象源数据提出多气象源集成并分段建模的风电功率预测方法，针对省调备用优化提出基于预测误差概率分布的短期功率区间预测技术，针对地调有功控制提出计及空间相关性的超短期功率预测技术，提升预测结果调度适用性。提出扩展新能源消纳空间的省级电网多时间尺度调度技术。基于联合概率分布优化中短期旋转备用，基于初始场和气象模式订正动态修正日前发电计划，考虑调峰调频需求滚动优化分钟级控制指令，深度挖掘消纳空间。提出地区电网多层级协同的消纳空间优化分配与控制技术。基于累计均衡指标动态分配和两阶段滚动优化策略，最大化消纳新能源前提下兼顾发电均衡性，通道利用率超 98%，区域弃电率偏差降至 1.9%。提出新能源场站发电设备动态分群的有功功率多模式精确控制方法，场站控制响应时间缩短至 1~3s，控制误差小于 1%，实现电站计划曲线快速精准跟踪和消纳空间尽限利用。 项目授权发明专利 21 项，软件著作权 2 项，发表 SCI/EI 检索论文 20 篇，出版专著 2 本，制定标准 1 项，通过中国电机工程学会鉴定，达到国际先进水平。

影响风/光发电功率预测精度的主要因素是风/光资源的风向、风速、温度、湿度、光照等关键数据。根据海南省的亚热带湿热气候特征，分析风/光发电特征及其时空互补特性，深入分析风/光资源的关键因素对新能源发电功率的影响，得到这些因素与风/光发电功率之间的相关性，在此基础上研究风力发电功率、光伏发电功率的短期和超短期预测模型和方法：针对现有风电/光电功率预测精度不足的问题，提出基于亚热带湿热气候特征的风电功率预测物理模型与统计适配模型相结合的风电功率预测方法，和基于不同风速段的连续时间段聚类的SVM风电功率模型；研究和给出适合海南省亚热带湿热气候特征的风力发电功率、光伏发电功率预测系统设计方案。海南现有的五个风电场，含沿海滩涂和丘陵地带。因此，本研究兼顾了山地丘陵地带的建模方法。 为解决多类型新能源并网下的绿色调度问题，提出了多时间尺度的鲁棒调度方法，该方法通过协调调度水电、火电、风电、气电等多种电源的开机出力，利用多个时间尺度（日前、日内、实时）逐级降低新能源的预测偏差给电网的冲击作用，并采用鲁棒调度方式保证了调度方案的鲁棒性。此外，新能源出力的不确定集直接影响鲁棒调度的经济性和鲁棒性。为解决经济性和鲁棒性的冲突问题，提出了一种不确定集的优化方法，该方法通过计算弃风和切负荷成本将鲁棒性转化为风险成本，优化出使得综合成本最小（发电成本、环境成本和风险成本之和）的最优不确定集。 针对新能源并网带来的无功电压控制方面的问题，并考虑到今后电网向大规模发展的趋势，提出了含多类型新能源的三级电压控制模式，按全网、区域和地区电网划分，分别充当第三、第二和第一级电压控制，各级电压控制之间在时空上相互协调，可根据实际电网规模和网络拓扑结构确定是否采用区域电压控制。在全网电压控制方面，考虑到运行成本和新能源并网点电压波动问题，以网损最小和电压质量最优为目标，建立了多目标无功优化模型，模型中采用了不同的节点类型对新能源机组进行建模；在区域电网电压控制方面，针对日前新能源机组并网引起的长期电压稳定问题，引入电压安全稳定约束，以与全网电压控制的电压偏差和控制成本为目标函数，建立了适应新能源并网的最优协调电压控制模型；在地区电压控制方面，针对新能源机组并网点无功不足的问题，提出了基于微分博弃理论的STATCOM动态无功补偿策略，克服了传统PI解耦控制中直流系统和交流系统的负交互作用，缩短了动态无功补偿后电压的镇定时间。针对目前海南电网AVC系统不能适应大规模新能源机组并网的情况，提出了基于混成电压控制的AVC控制方案。