第2章
第3章
第4章
4.1
4.2
4.3新能源发电预测
新能源发电预测用于提高新能源电场/站的出力可预见性，为发电计划制订与电网调度提供决策支持，缓解电力系统调峰、调频压力，使得电网能够在安全稳定运行的前提下，增强新能源发电的竞争力，提高新能源发电的消纳水平。同时，新能源发电预测在电站发电量评估、检修计划制订以及智能运维等方面都将发挥重要作用。
根据预测的时间尺度，新能源发电预测可分为超短期和短期，超短期预测的时效为未来15分钟至4小时，短期预测的时效为未来0至72小时。随着预测技术发展和应用场景的丰富，新能源发电预测有了新的需求，延伸出中长期电量预测、爬坡预测等。
4.3.1超短期功率预测
常用的预测方法有卡尔曼滤波法、自回归滑动平均法（ARMA）、指数平滑法、人工神经网络、支持向量机、模糊逻辑法等，其中卡尔曼滤波法是利用有限时间内的观测数据进行预测建模，这种方法适用于噪声信号服从高斯分布的情况；ARMA方法可以利用风电场单一风速或功率的时间序列建立预测模型；指数平滑法建立的模型较简单，需要存贮的数据少，预测结果依赖于平滑初值和平滑系数；人工神经网络方法应用最为广泛，具有较强的容错性以及自组织和自适应能力，对非线性问题的求解十分有效，但存在训练速度慢，容易陷入局部极小等缺点。支持向量机具有全局收敛性，样本维数不敏感，不依赖于经验信息等优点，但最佳核变换函数及其相应的参数确定较为复杂。单纯的模糊逻辑法用于风电功率预测，效果往往不佳，通常要与其他方法配合使用，如遗传算法、人工神经网络等。
在超短期预测技术的实用化方面，德国太阳能技术研究所(ISET，Institute for Solar Energy Supply Technology)开发的WPMS (Wind Power Management System)中包括了基于人工神经网络(ANN)的超短期预测模型，丹麦科技大学开发的WPPT (Wind Power Prediction Tool)使用自回归(AR)预测模型实现风速和功率的预测建模。
目前，国内外的风电场超短期功率预测主要是基于历史数据来预测风电场功率，也就是在若干个历史数据( 包括功率、风速、风向等参数)和风电场的功率输出之间建立一种映射关系，主要包括: 持续法、线性法、人工神经网络法等。
（1）持续法
这是最简单的预测方法，是把最近一点的风速或功率观测值作为下一点的预测值，该法适用于3 ～ 6 h 以下的预测． 该法通常采用时间序列模型，其预测误差较大且预测结果不稳定。其改进后的方法为卡尔曼滤波法，这一预测法具有可以动态修改预测权值的优点，且预测精度较高，但是建立卡尔曼状态方程和测量方程较为困难，此算法只适用于在线风力发电功率预测。
采用时间序列法可以对风速进行时间序列分析，然后将其转换成风电场输出功率，也可直接对风电场的输出功率进行时间序列分析。 输入数据通常包含风速、风向、气温、气压等SCADA实时数据。
（2）线性法
在线性预测法中，应用较为广泛的是ARMA法。ARMA 法优于持续法，通常采用一组不同阶数的ARMA 的模型组合，对提前1 ～ 6 h 的风速及风电场功率进行研究。该法利用大量的历史数据来建模，经过模型识别、参数估计、模型检验来确定一个能够描述所研究时间序列的数学模型，再由该模型推导出预测模型。该法计算精度较高，其中训练数据和验证数据的选取很重要。
根据Box-Jenkins 方法，可将随机时间序列的模型分为4 类: 自回归模型( AR)；滑动平均模型( MA)；自回归-滑动平均模型( ARMA)；累积式自回归-滑动平均模型( ARIMA)。对于AR 模型当前时刻的观测值由过去几个历史时刻的观测值和一个当前时刻的随机干扰来表示；对于MA 模型，当前时刻的观测值由称作随机干扰的白噪音序列的线性组合来表示；将AR 模型与MA 模型结合起来，就可以得到ARMA 模型。
（3）人工神经网络法
人工神经网络是模仿人脑结构及其功能，由大量简单处理元件以某种拓扑结构大规模连接而成的，对复杂问题的求解比较有效，已有人将其用于风电场风速和发电功率预测。目前广泛应用于风电场风速及功率预测的神经网络为多层前馈神经网络，即BP 神经网络，它包括一个输入层、一个或多个隐层和一个输出层，层间的神经元进行单向连接，层内的神经元则相互。隐层神经元的映射函数常采用S 型函数，输出层采用线性函数。网络的学习训练过程就是权值的调整过程，由信号的正向传播与误差的反向传播两个步骤来实现。经过良好训练的网络，对于不是训练集中的输入也能给出合适的输出，具有泛化能力，这种能力为预测提供了可能性。神经网络法的优点在于能并行计算、有自适应性，可充分逼近复杂的非线性关系。
4.3.2短期功率预测
由于国外的风力发电开发较早以及其电力市场较为成熟，风功率预测相关软件亦得到广泛的应用。20世纪80年代，Notis等科学家最早提出了基于天气预报模式预测未来24小时、时间分辨率为1小时的风速预测方法。这一时期科学家的研究主要集中在改进风速预测模型上，先后提出了持续时间序列法、多元回归模型、马尔科夫模型、卡尔曼滤波以及ARMA模型等风速预测方法，同时也提出了将风向、气压、温度等加入风速预测中提高预测精度的设想。20世纪90年代初，丹麦Risø研究室研发了Prediktor风功率预报系统，同一时期丹麦科技大学也开发了WPPT风电功率预测系统，开启了风电功率预测的商业化模式；20世纪90年代中期，美国AWS Truewind公司推出了eWind预测系统，其物理和统计方法相结合的混合模型保证较高的预测精度，大大减少了风电场的发电计划考核，优化了风机检修计划，给风电调度提供了较好的辅助决策，因此在北美得到了较好的推广和应用。进入21世纪，风力发电短期功率预测模型的在线更新和预测不确定性分析得到了深入研究。有学者对风速预测的线性模型和非线性模型进行了对比，研究表明非线性模型的预测效果整体要优于线性模型。在各种非线性模型中，神经网络模型预测效果最好。在预测不确定性分析研究方面，德国奥登堡大学在2003年Previento系统的研究中，发现风速短期预测的不确定性于预测风速的等级，功率预测的不确定性是风-功率曲线和相关风速预测误差的函数。Risø实验室研发的Prediktor在线系统的研究表明，采用优化的数值天气预报系统能够有效提高风电场的短期功率预测精度。
目前较为成熟的商业软件有以下14种，分别应用于9个国家和地区的电力系统，如表3所示：
表3 国外各种风功率预测系统的应用情况
| 国家地区 | 预测系统 | 备注 |
| 德国 | WPMS | ISET开发，应用于德国四个电网公司 |
| 德国 | Previento | 奥尔登堡大学开发，德国气候服务部门(DWD）提供NWP模型 |
| 丹麦/加州 | Prediktor | 应用于SCADA系统CleverFarm中实现维护时序安排功能 |
| 丹麦 | WPPT | 0.5小时至36小时，Hirlam气象预测输入，应用在丹麦东部 |
| 丹麦 | Zephyr | 集合WPPT模型和Prediktor模型，应用在丹麦西部 |
| 爱尔兰/葡萄牙 | MORE-CARE | 同时支持Hirlam,Skiron的气象预测输入 |
| 法国/爱尔兰 | AWPPS | 统计方法的短期预测，适应性模糊神经网络的中期预测模式 |
| 宾州 | eWind | 采用ForeWind数字天气模块 |
| 西班牙 | Sipreolico | 西班牙的Hirlam气象预测输入 |
| 西班牙 | LocalPred | 西班牙可再生能源中心开发(CENER) |
| 希腊 | NTUA | 希腊国立理工大学(Athens)开发 |
| 希腊 | AUTH | 希腊亚里士多德大学(Thessaloniki)开发 |
| 英国 | Forecaster | 基于自适应回归的统计方法 |
| 爱尔兰 | HIRPOM | 由科克大学，爱尔兰，丹麦气象学院合作 |
（1）统计模型
统计模型方法在系统的输入中包含了数值天气预报模型、风电场的测量数据等，并和风电场功率建立了一种映射关系，其中包含线性和非线性函数的关系。其优点是预测具有自适应性，可以自发调节风电场位置，且系统误差自动减小。缺点是需要长期测量数据及进行额外的训练和计算。另外，在极端天气状况下需要进行修正，否则会产生很大的预测误差。
（2）物理模型
物理模型方法一般采用时间序列模型，其输入数据包含数值天气预报系统的风速、风向、气温、气压等数据。该方法可以根据风电场周围的地形数据( 如等高线、粗糙度、障碍物、温度分层等)得到风电机组轮毂高度的风速、风向等信息，并根据风电场的功率曲线计算得到风电场的输出功率。物理模型方法通常采用中尺度或微尺度模型在数值天气预报模型与当地风之间建立映射关系，这一方法包含两个步骤：一是从天气预报点水平外推到风电机组坐标处; 二是从气象预报提供的高度转换到轮毂高度。该方法的优点在于不需要大量的、长期的测量数据，且更适用于复杂地形。缺点是需要丰富的气象知识，且建立的模型较为复杂。
以Prediktor系统为例，阐述商业化风电功率预测系统的基本模块：首先通过数值天气预报导入需要的风速风向等气象数据；然后根据地表粗糙度和障碍物及轮毂高度对风速风向进行校正；最后根据考虑尾流效应的电功率曲线模型进行出力预测。其预测流程如下图3所示：
图3 Prediktor预测系统示意框图
4.3.3中长期电量预测
新能源中长期电量预测是指未来月、季、年尺度的电量预测，对优化中长期电量计划和提升新能源消纳有重要的作用，还能为新能源跨区域电力交易、新能源电场/站经济效益提供参考。目前，国内新能源中长期电量预测尚处于起步阶段。
中长期电量预测一般是利用气象资源中长期预测结果，通过功率曲线对未来发电量进行估算。气象资源中长期预测可分为动力方法和统计方法。动力方法是通过对描述地球气候系统的状态、运动和变化的物理方程进行数值求解，再现过去、现在和将来的气候状态和各种变化特征，对未来可能发生的气候状态做出估计；统计方法是通过分析历史数据，选取预测因子及预测对象，采用统计方法建立统计预测模型，预测未来可能发生的气候状态。与短期功率预测方法类似，国内较为常见的中长期气象资源预测方法是动力-统计集成方法，既考虑了统计方法充分利用实况历史资料的特点，又结合了动力方法充分利用物理规律的特点，将二者预测结果分配不同权重，得到最终预测结果。
4.3.3.1资源中长期预测
中长期电量预测一般基于气象资源中长期预测结果，通过功率曲线对未来发电量进行估算。气象资源中长期预测以月、季、年为时间尺度，预测时间较长，一直以来都是世界性的难题，预测结果的准确率普遍不高。目前，气象资源中长期预测以统计方法为主，动力方法结果作为重要参考。
（1）动力方法
资源中长期预测的动力方法一般通过气候模式来实现。在短期功率预测中已经介绍过数值天气预报模式，用于资源中长期预测的模式也是数值天气预报模式的一种，称为气候模式。气候模式与中尺度模式一样，要依靠能够模拟大气和海洋的三维网格，在连续的空间间隔或网格格点上，模式运用物理定律去计算大气和环境变量，模拟大气中气体、粒子和能量的传递；也具有相同的描述大气运动的数学物理模型：大气运动方程组、大气中的水循环过程（凝结降水过程）、辐射传输过程、湍流混合过程、陆气相互作用和海气相互作用等。
气候模式与天气模式关注的对象不同，二者在研究内容、分析方式上有明显区别。天气模式主要关注大气的短期变化，故常用对陆气相互作用等过程考虑较少的中尺度模式，气候模式必须考虑地球系统各圈层间的相互作用；天气研究关注的目标是尽可能细致的瞬时天气现象，气候研究重点是一定时间尺度、空间尺度的平均状态；天气研究关注的内容是天气的精确演变过程，气候研究内容是能量的收支、转换和平衡等。气候模式可分为全球气候模式和区域气候模式。
早期的气候模式称为大气环流模式（GCM），其中大气模式称为AGCM（Atmospheric General Circulation Model），海洋模式称为OGCM（Oceanic General Circulation Model），陆面模式为LSM（Land Surface Model，例如CLM（Community Land Model）、CoLM（Common Land Model）等路面模块）等，全部考虑在内的模式称为耦合模式CGCM（Coupled General Circulation Model）。GCM等动力学气候模式能对不同时间尺度的大范围气候变化做模拟，但是这类模式在区域气候的模拟和预测中不是很好。其原因是水平分辨率低，不能细致描述区域内中小尺度地形、地表特征和其他因子对区域气候变化的强迫和影响。
大尺度的环流模式往往不能较好的模拟区域气候特征，动力降尺度模式RegCM具有分辨率高、对大地形模拟较精细等优点，能够较好的模拟区域气候变化特征，在世界范围内应用广泛。
区域气候模式RegCM (Regional Climate Model)模式是在美国国家大气研究中心(NCAR)开发的。第一代NCAR RegCM是由 Dickinson和Giorgi等在1980s后期在NCAR-宾夕法尼亚大学(PSU)的中尺度模型MM4的基础上建立起来的。其动力学分量源自MM4，它是一个可压缩的，有限差分模型，并带有流体静力学平衡和垂直S坐标，且加入了显式积分方案，以及一个减少在较大地形梯度时产生的水平辖射的算法。
区域气候模式RegCM4是由意大利国际理论物理研究中心(The Abdus Salam International Center for Theoretical Physics，ICTP)发展的RegCM系列的最新版RegCM4。RegCM4是在RegCM3的基础上发展起来的。RegCM4模式的动力结构是采用MM5物理框架，它与MM4类似。相比于RegCM3，最新版本的RegCM4成功实现了与化学模块、新的陆面模式CLM3.5的耦合，并且加入了新的混合方案，比如对流参数化方案Tiedtke，边界层方案UW-PBL等。并且允许用户选择和海洋的表识功能。其中的陆面模块CLM3.5是一种发展很成熟的陆面模式，它能较好模拟陆面过程。
（2）统计方法
统计方法在资源中长期预测中得到广泛的应用，主要方法有：回归分析、方差分析、概率转移、判别和聚类分析、神经网络、各种改进的经验正交函数展开等。统计方法需特别注意预报时效的问题，预报时效指发布预测结果与预测起报点之间的时间间隔。一般统计方法的步骤可分为预测对象、预测因子、建立模型、后报实验。
预测对象可根据气象要素和现象的特点取为：平均值（例如风速）、总量（例如太阳辐射）、或者距平（例如位势高度场）等。有时，仅预测骑在预测时段内的倾向，趋势或等级。例如对于某站太阳辐射，我们可以预测日辐射量，也可以预测日辐射量距平。
资源中长期预测的预测因子是极端重要的，预测因子的选取直接影响到预测结果的好坏，应该选择那些与预测对象关系密切，并且有物理意义的要素作为预测因子。预测因子既可以是大气内部的因子，也可以是外部的强迫因子，甚至可以使地球系统外的因子。此外，由于短期气候预测室对月、季和年的预测，因而我们还应该注意预测因子的预报时效性。
建立模型就是使用预测因子和预测对象以前的历史资料，依照采用的预测方法，求解预测因子和预测对象之间关系的过程。建立预测模型时，采用的方法有多种，主要包括线性方法（多元线性回归方法、逐步回归方法、主分量分析（PCA）与多元线性回归相结合的方法，PCA与CCA、SVD相结合的方法和非线性方法（人工神经网络方法等）。在建立预测模型这一步骤中，是知道预测因子和预测对象的结果，去求解他们之间关系的过程，这就是我们所说的求解“反问题”过程。
后报试验就是利用建立模型的物理预测因子数据，代入建立好的模型中去计算，将算出的结果与真实的观测结果进行比较，检验该预测模型对历史拟合的能力。一般来说后报试验对历史拟合的准确率都较好。试报试验是利用选择的物理预测因子实时数据，代入到预测模型中去计算预测结果，然后与观测资料进行对比来检验该模型的实时预测能力。由于在试报中，使用的是物理预测因子的实时数据来做预测，它的预测准确率可以较好的反映所选择的物理预测因子以及预测模型的好坏。在这一步骤中，知道实时预测因子以及预测因子和预测对象之间的关系（即预测模型），求解预测结果的过程，这就是我们所说的求解“正问题”过程。
4.3.3.2发电量转换
发电量转化主要是建立气象要素与电站发电量的映射模型，能够通过统计方法实现，其目的是建立风速/太阳辐射与电站发电量之间的对应关系。下面介绍风速/太阳辐射-电量曲线拟合方法。
风电场/光伏电站历史电量数据会受到限电、发电单元损坏等情况的干扰，从而导致发电量不能正确表示资源的利用情况。因此，在拟合风速/太阳辐射-电量曲线时，应排除这些干扰，即选取非受控时段、稳定运行的风电场/光伏电站历史电量数据和历史气象监测数据作为样本，建立日平均风速/日辐射量与日发电量的对应关系：
（3-25）
其中，为历史日发电量；为日平均风速/日辐射量；为拟合函数，可参考前面提到的神经网络、支持向量机、线性回归等方法。
利用拟合的风速/太阳辐射-电量曲线，以资源中长期预测结果为输入样本，即得到预测日发电量。以预测日发电量为基础，按月、年算术求和可得预测月、年发电量。
4.3.4爬坡预测
爬坡预测技术用来预测某一风电场或者某一区域风电出力的上、下波动。出力上爬坡是指一段时间内（通常1小时）风电出力的增加量超过装机容量的指定阈值比例（通常是20％），出力急剧上升大多由强低压系统或气旋、低空急流、雷暴雨等天气引起；出力下爬坡是指一段时间内风电出力的减少量超过装机容量的指定阈值比例（通15%），出力急剧下降主要由气压坡度的急剧放缓以及大风切机两种情况引起。
随着风电装机容量的快速增加，风电出力的波动性尤其是急剧爬坡对电网的安全稳定运行带来很大影响。在风电出力急剧上升的时候，若常规火电机组无法短期内减少相应出力，则需要对风电场的部分出力进行；在风电出力急剧下降的情况下，调度机构需及时开启水电等快速启动机组，否则会造成切负荷事故。因此爬坡预测技术在风电功率预测系统中的作用非常重要，随着风电出力占比越来越大，更需要准确的爬坡预测算法，给调度人员提供辅助决策。
与常规短期和超短期预测相比，爬坡预测更有挑战性。爬坡预测的误差主要体现在时间误差、爬坡速率误差及爬坡量误差三个方面。
风电爬坡事件预测研究较为成熟，风电爬坡事件预测作为＂事件预测＂，其预测对象是一个风电功率的变化过程，因此与针对单个时间点的常规风电功率预测有所区别。目前，根据预测模型和方法的不同，可以大致将爬坡预测分为两类，
一类是基于物理方法。极端气象条件下风速快速变化是引发风电爬坡事件的主要原因，因此，可采用物理方法，基于数值天气预报模型对风速进行预测，进而依据风电机组的功率持性曲线计算风电场输出功率。
另一类基于统计学习方法。风电爬坡事件可视为一段风电功率时序变化过程，因而可采用时间序列、机器学习等统计方法进行预测。并预测模型的输入数据除应包括风电功率历史数据外，结合风电爬坡事件与气象条件的统计关系，以提高预测准确度。
通常物理方法相对适合做长期预测，统计方法则在短期/超短期时间尺度上预测精度较好。物理方法因为其不需要历史数据，比较适合新建或新规划的风电场的鹏坡预测，但是采用物理方法需要考虑气象变量及地形、粗趟度、尾流效应等的影响，模型会比较复杂。而统计方法只需要了解输入和输出之间的统计关系，相对易于实施。
另外，引起爬坡事件的气象因素多种多样，主要分为水平气象过程和垂直气象过程。水平气象过程包括冷暖锋、海陆风、山谷风等，依靠现有的数值天气预报技术可较好的进行预测；而垂直气象过程，如对流、雷暴等，发生较为突然，时间尺度小，且对某些气象变量敏感度高，采用现有的NWP技术难预测出准确的发生时间和地点。下一小节，将进一步展示讨论。
4.3.5极端天气对预测影响
在我国的北方、西北地区，出现-20℃以下的气温及大雪、大风并不会是偶然的。对于全球来说，俄罗斯、美国北部、加拿大、欧洲北部等，极端低温和风雪更是常事。而影响风光场站发电的天气现象不仅只有低温和大雪，还包括台风、暴雨、洪涝、雷暴、冰雹、沙暴、雾霾、降雪、极寒等极端天气。
如沙暴天气在我国西部则时常发生，沙暴所带来的大量积尘会遮蔽达到组件的光线，会严重影响发电量，同时还影响组件散热，进一步影响转换效率，并且带有酸碱性的灰尘长时间沉积在组件表面，侵蚀板面造成板面粗糙不平。
在我国的东部和北部地区，雾霾天气也较为严重。由于雾霾中悬浮颗粒物和二氧化氮浓度较高，对太阳光吸收和反射增强，导致光伏组件表面接收到的太阳光辐照强度降低，从而导致光伏电站发电量降低。而且如果雾霾天气频繁持续出现，电池组件表面的颗粒物不断累积，在组件表面会形成难以清洗的积尘遮挡，造成电池组件表面污染，影响组件寿命。
大家都知道高温会影响光伏组件的发电输出，就是温度上升1℃，晶体硅太阳电池：最大输出功率下降0.04%，开路电压下降0.04%（-2mv/℃），短路电流上升0.04%。但是，低温也会对光伏组件有何影响，光伏组件的材料中，像玻璃、铝边框、电池片等无机材料，一般来讲对温度的依赖性较小，最怕的或许是低温冰雹对玻璃的撞击，而组件材料中的封装材料、背板、接线盒等有机材料，往往是最怕极高或极低的温度的，通常会组件材料的脆化温度和玻璃化转变温度发生变化，从而影响光伏组件转换效率。
传统的极端天气预测研究主要对月和季节的平均气候状况，通过对平均气候异常的预测，可以对极端事件的发生有一定程度的展望。通常采用统计方法、动力方法和动力统计相结合方法。
（1）统计方法即利用历史观测数据，应用各种统计方法建立预报量与预报因子之间的转换函数，预测诸如强降水日数、高温日数、低温日数等极端气候要素。转换函数包括线性回归、非线性回归、人工神经网络、典型相关分析或主成分分析等。
（2）动力方法即首先利用大气模式或海气耦合模式的回报序列，统计所预报的极端气候变量阈值，然后根据气候模式数值模拟结果，预报极端气候的强度、发生概率或频次。
（3）动力统计相结合方法，即采用模式输出统计预报的释用方法，近年统计方法进一步发展，如与随机天气发生器结合进行极端气候变量的预测。
将极端天气事件预报应用于新能源发电功率预测，将会在一程度上提升功率预测精度水平，增强极端天气条件下新能源场站管理水平。
光伏功率预测对天气类型和空气质量要求比较高，一旦雾霾天气发生时，发电量会急剧的下降。以在2016年11月4日发生在我国北方地区一场雾霾事件为例，通过某天气网APP客户端查出当日该地区正处于雾霾较为严重，区域内雾霾指数为中度污染。
天气实时天气状况截图
通过区域内网公司调度平台的发电功率预测系统，定位到该地区由于受雾霾影响，该区域光伏实际出力水平一般，发电效率低下，如下图所示，红色曲线为光伏实发出力。
图 雾霾影响下的区域光伏出力曲线
由上图可以看出区域光伏的实际出力，与没有考虑雾霾事件影响的光伏理论预测出力差距非常大。由图分析可见，雾霾对光伏发电的影响非常严重，可以让光伏出力跌落到正常出力的30%以下，以地区电网运行安全带来风险。
图 雾霾影响下的某光伏电站出力曲线
如上图所示，为前面遭受雾霾侵袭区域里的某光伏电站，通过连续多天的数据监测，较为完整的记录了一次雾霾侵袭该光伏电站的影响过程。可以发现2016年11月1日该北方地区地区没有雾霾，该光伏电站的光伏出力较为平稳，可以达到正常的发电水平。从2016年11月2日开始，该光伏电站所处区域大气质量可以变得不稳定，雾霾事件开始发生。2016年11月3日开始，该光伏电站地区受雾霾侵袭，光伏电站实际出力下降，严重影响该光伏光伏发电效率，给光伏发电造成损失，同时也给地区电网带来运行风险。同时，雾霾天气也给光伏发电预测来难预测难度，导致光伏预测误差偏大，其主要原因是由于中尺度数值天气预报没有准确预测出受雾霾影响的空气指数。而雾霾的区域特性和形成机理复杂，其组成成份的不同，对光伏发电的影响也会不同。所以，如果要想提高预测精度，需要针对雾霾发生机理、雾霾监测手段与数值预报模型相结合，开展联合建模预报技术研究。
4.4预测误差评价及应用
新能源发电与气象紧密相关，结合气象预测的特性，预测必然会产生误差。如何正确的理论新能源预测误差，分析评价误差，增强新能源发电预测的可用性，显得尤为重要。以风光发电为主的可再生能源大规模并网，以及风光出力的不确定性，给电网的调度运行方面带来了严峻的挑战。本节将分别在新能源发电预测评估、预测不确定度估计、预测结果的相应用展示叙述。力求可以恰当地说明新能源出力不确定性评估是如何应用到电力系统调度领域，服务于电网生产运行。
4.4.1新能源发电预测评价指标
4.4.1.1场站评价指标
评价指标包括95%分位数偏差率、准确率、合格率、平均绝对误差率、极大误差率以及预测数据上报率。
95%分位数偏差率包括95%分位数正偏差率和95%分位数负偏差率。95%分位数正偏差率指将评价时段内单点预测正偏差率由小到大排列，选取位于95%位置处的单点预测正偏差率，按如下公式计算：
| （3-26） |
| （3-27） |
1）准确率CR按如下公式计算：
| （3-28） |
2）合格率QR指预测合格点数占评价时段总点数的百分比，合格点数是指预测绝对偏差小于给定阈值的点数，计算公式如下：
| （3-29） |
3）平均绝对误差率MAE按如下公式计算：
| （3-30） |
| （3-31） | |
| （3-32） |
5）预测数据上报率Rr按如下公式计算：
| （3-33） |
4.4.1.2机构评价指标
评价指标包括95%分位数偏差率、准确率、合格率、平均绝对误差率、极大误差、极大误差率以及预测数据上报率。
95%分位数偏差率、准确率、合格率和预测数据上报率统计方法与风电场评价指标相同。
1）平均绝对误差率MAE按如下公式计算：
| （3-34） |
2）极大误差和极大误差率按如下公式计算：
| （3-35） | |
| （3-36） |
4.4.2新能源发电资源评价
4.4.2.1风光资源预报综合评价
风光资源预报评价的对象为数值天气预报中的预报风速和辐照度，统计指标包括平均准确率和相关系数，评价指标为风速预报指数和太阳辐照度预报。
风速的平均准确率通过统计预报风速与实测风速的相对偏差得到，计算方法如下：
| （3-37） |
| （3-38） |
以风速预报指数综合评价单一预报风速的精度，风速预报指数由平均准确率和相关系数加权获得：
| （3-39） |
以区域风速预报指数综合评价特定区域内风速的预报精度，计算方法如下：
| （3-40） |
太阳辐照度的平均准确度、趋势的一致性和预报指数综合评价方法，则是通过统计预报辐照度与实测辐照度的相对偏差计算得到，其计算方法与风速的平均准确率相同，风速与太阳辐照度计算的差别在于太阳辐照度需要对太阳近地面短波辐射的直接辐射、散射辐射和总辐射进行分别计算评价。
4.4.2.2风光发电资源与预测评价
风光场站功率预测评价主要对短期预测功率和超短期预测功率进行评价。
短期功率预测的误差指标包括极大误差率、准确率、合格率、相关系数等，各指标的计算方法如下：
极大误差率
| （3-41） |
| （3-42） |
| （3-43） |
| （3-44） |
4.4.2.3超短期预测精度评价
短期预测综合评价指数用于评价短期预测功率的整体精度水平，计算方法如下：
| （3-46） |
超短期功率预测误差指标包括超短期预测合格率、极大误差率、准确率和相关系数。
超短期预测合格率定义如下：单次预测功率中第1点预测结果的绝对误差小于持续法（以上一时刻实测功率作为下一时刻预测功率的方法），且单次16点预测序列的准确率大于对应时段短期预测结果的预测称为合格预测，合格预测次数与预测总次数之比的百分数定义为超短期预测合格率：
| （3-47） |
其余指标的计算方法如下：分别提取单次16点预测功率中的第1点、第2点、……、第16点，构造16个不同预测提前时间的预测功率序列，针对各序列分别进行误差指标的统计，误差计算方法与短期误差指标相同。
超短期预测综合评价指数用于评价提前4小时（第16点）的超短期预测精度水平，计算方法如下：
| （3-48） |
4.4.3预测结果应用研究
4.4.3.1高峰低谷时段预测误差
高峰低谷区间误差用于评价短期预测功率中系统负荷高峰区间的最大正向误差和负荷低谷区间的最大负向误差，计算方法如下：根据系统负荷曲线确定高峰、低谷区间，以高峰、低谷时刻前后1.5小时以内的区间作为高峰、低谷评价区间，取区间内的实测功率和预测功率，分别统计高峰区间正向误差的最大值和低谷区间负向误差的最大值，其中：
最大正向误差
| （3-49） |
| （3-50） |
由于数值天气预报的误差和预测模型的随机性，风电功率预测呈现出较强的不确定性。相比较常规的确定性预测，风电功率的概率预测则包含了更多的有效信息，因此可以更好地应用于辅助决策和发电计划。目前比较常用的概率预测方法有分位数预测和区间预测，两者之间存在着一一对应的关系。
θ分位数预测是指在某一时段风电预测的平均出力小于指定阈值的概率为θ。β区间预测则是对应于[(100-β)/2,(100+β)/2]之间的分位数预测，对于某一99MW装机容量的风电场，分位数预测和区间预测的示意图如图4所示。
分位数预测和区间预测示意图
概率预测的应用主要包括两个方面：
1）国外主要应用于最优出力上报，由于国外风电场参与电力市场竞价，若某一时段上报参与竞价的出力为Pbid，而实际出力为P，日前市场电价为Cspot，上下误差处罚电价分别为C+、C-，其最终受益函数如式(5)所示：
(3-45)
考虑实际出力的随机性，则可以计算出最优的竞价出力应按照C+ /( C++ C-)的分位数预测结果上报。
2）国内主要将区间预测应用于风电调度，根据短期预测和超短期预测的区间，由上下限的出力水平制定相应的日前计划和日内滚动实时电力平衡，为风电调度人员提供了较好辅助决策作用。
数值天气预报数据对基于NWP的风电功率预测至关重要，在NWP数据转化为风电输出功率的过程会带来一定的误差，理论上风电功率预测的误差来源有以下2个方面，
1）数值天气预报
数值天气预报（NWP）是在一定的初始和边界条件下，通过数值求解大气运动方程，从而预知大气运动状态的技术。受初/边界条件及地形、粗糙度描述的准确性，次网格尺度物理过程的引入和数值方法自身的误差等因素的，数值天气预报的误差是客观存在的，并具有较大的不确定性。数值天气预报的准确性也是影响风电功率预测精度最主要的因素。
2）风电机组功率曲线。
风电功率预测本质上是模拟风机的风电转换过程，因此无论物理模型或统计模型都不可避免地显式或隐式包含风电机组功率曲线信息。而典型的风机功率曲线为非线性曲线，因此在风电转化过程中必然会出现对风误差的放大或缩小效应。同时，预测采用的功率曲线一般为风机理率曲线，受设备工况、气象条件等因素的影响，理率曲线与实际功率曲线会有一定的差别，因此功率曲线的不准确也将在一定程度上影响功率预测误差。
一般来说，NWP数据的不确定性随着预报时长的增加而增大。为分析不同预报时长对预测风速不确定的影响，需要构建不同预报时刻的NWP序列，与相同时刻测风塔风速序列数据进行误差计算，针对每一个误差序列进行分析，分别计算其平均误差和标准差。以各个误差点的点平均误差绘制误差曲线，计算95%置信度下的置信区间，以评价NWP风速的系统性偏差。以标准差评价样本与其均值的偏离程度，标准差越大，误差分布越离散，风速预报的不确定越大。
通过大量的数据验证，可以得到以下结论，
1）NWP风速与风机功率曲线是影响风电功率预测不确定性的重要因素。
2）不同预报时长、不同预报风速水平下的NWP风速误差总体满足正态分布，且预报不确定度随着预报时长的增加、预测风速水平的增大而增大。
3）风机理率曲线、实际运行功率曲线的不确定性以及功率曲线的固有特性都会对功率预测结果的不确定性产生影响。
另外，风电功率预测方法本身也会引入误差，其理论上是通过确定性数值预测，计算得到的预测结果为确定性数值，由于风能具有波动性和随机性的特点，确定性的预测结果难以满足电网和风电场运行风险决策的要求，单一而确定的预测结果往往不适应风险分析与的需要。因此，应该对功率预测值包含的风险做出合理的评估，对风电功率进行概率性预测将有助于决策者在电网规划、风险分析、可靠性评估等方面更好地把握数据的变化情况。
从不同角度和不同方法，通常对风电功率不确定性技术的研究应用主要有以下几种，
（1）将风电功率样本根据预测值大小进行分区，对每个分区内预测误差的概率密度函数进行建模。
（2）通过对实测功率以及不同高度的气象数据对功率预测结果的影响分析， 建立了基于神经网络的误差带预测模型，实现了误差带预测。
（3）对历史功率的预测误差及其特性分析，采用非参数区间估计风电功率预测值的置信区间。
（4）利用历史数据求得历史的预测误差及其分布特性，将预测误差按风电场功率值大小划分区间，在已建预测模型的基础上应用蒙特卡罗随机模拟原理，进行风电场功率短期预测不确定性分析，得到不同置信水平下的预测波动范围。
这些预测方法可以在不同场景的应用中，在一定程度上的置信度水平下，反映风电功率整体变化波动情况的概率性区间预测结果，为电网企业在风险评估和可靠性研究中提供了前提条件和分析依据。
参考文献
[1]风力发电资源评估方法（试行）
[2]太阳能发电资源评估方法（试行）
[3]风电功率预测评价管理规定（试行）
[4]光伏功率预测评价管理规定（试行）
[5]风资源及风电功率预测评价办法下载本文
