下载掌阅APP，畅读海量书库
立即打开
1.超短期功率预测
根据国家标准GB/T 40607—2021《调度侧风电或光伏功率预测系统技术要求》，超短期功率预测是指预测风电场或光伏电站未来15min到4h的有功功率，时间分辨率为15min，要求每15min滚动上报预测数据。超短期功率预测主要用于旋转备用优化配置和电力系统实时调度，在电力市场环境下也为发电企业的市场行为决策提供参考依据。超短期功率预测技术主要关注功率和气象的复杂相依性以及功率序列的时序自相关性，用到的模型主要有自回归滑动平均模型、支持向量机和人工神经网络等。
2.短期功率预测
国家标准GB/T 40607—2021对短期功率预测也有相关技术要求，标准规定短期预测是指预测风电场或光伏电站次日零时起到未来72h的有功功率，时间分辨率为15min，要求每日至少上报两次。短期功率预测主要用于机组组合确定、日前发电计划制订以及冷热备用优化配置，电力市场环境下短期功率预测也被用于市场竞价或备用采购。数值天气预报是短期功率预测重点考虑的影响因素，常用的短期功率预测模型有支持向量机、极端梯度提升树、深度学习等。
3.中期功率预测
国家标准GB/T 40607—2021规定的中期功率预测是指预测风电场或光伏电站次日零时起到未来240h（10天）的有功功率，时间分辨率是15min，要求每日至少上报两次。中期功率预测将短期预测的时长从未来3天延伸至未来10天，可以用于场站侧合理安排检修计划，能够有效支撑调度侧更长尺度调度计划的制订。目前中期功率预测的针对性研究还较少，随着预测时长的延长，数值天气预报的精准性和可用性逐渐降低，成为限制中期功率预测精度的主要原因。
4.长期电量预测
长期电量预测前瞻时长进一步延伸，国家标准GB/T 40607—2021规定长期电量预测是预测风电场或光伏电站未来12个月的逐月电量以及总电量。在数值气象上，长期电量预测需要中长期气候预测提供基础数据支撑。此外，季节波动特性也是长期电量预测考虑的因素之一。
1.单机功率预测
单机功率预测是空间尺度最小的功率预测，其以单个发电单元，如风机、光伏组件为研究对象进行功率预测，通常采用物理建模或统计分析的方法进行预测，预测结果常用于内部频率或电压控制以及设备健康监测与评估。对于风电场内部风机来说，在预测时需要考虑尾流效应对风机输出功率的影响。
2.场站级功率预测
场站级功率预测是针对单个新能源发电场站，如单个风电场或光伏电站进行整体出力的预测。对于运行数据积累充足的风光场站来说，通常采用统计方法进行预测。对于风电场，整体功率建模可以忽略风机分布导致的尾流效应等问题，相比单机预测难度有所降低，精度也有一定程度的提升。并网风光场站需配置一套功率预测系统，按要求定时向调度机构上报不同时间尺度的功率预测结果，并接受调度机构的精度考核。
3.集群级功率预测
集群级功率预测是对更大空间范围内多个新能源发电场站组成的发电集群进行整体出力的预测。由于天气系统具有时空连续性，临近场站的输出功率之间存在强烈的时空相关性，成为提升集群级功率预测精度的重要因素。因此相比场站级功率预测，集群级功率预测可利用的信息量更多，同时也带来了数据冗余现象突出的问题。事实上对于电力调度机构，一片区域总的新能源发电功率情况更值得关注，目前常用的集群功率预测方法主要有累加法、空间资源匹配法、统计升尺度法等。
4.分布式功率预测
随着分布式发电尤其是分布式光伏发电装机容量的不断提升，其强随机性和波动性对电力系统安全经济运行的影响不断加深。提前准确掌握分布式发电的功率信息能够在一定程度上缓解其大规模并网带来的冲击。目前我国分布式发电以分布式光伏为主，其空间分布范围广泛，且计量设备不足，数据缺失严重，难以直接移植集中式场站预测方法。目前针对分布式功率预测的研究较少，现有研究思路有聚类统计法和网格预测法等。
1.物理模型
物理模型是基于数值天气预报结果，采用物理计算或模型仿真的方式将其转换为发电功率的方法。物理预测模型的优点是不需要历史运行数据的支持，适用于新建风光场站，同时可以对涉及的各物理过程进行分析，并根据分析结果优化预测模型。缺点是对初始信息带来的系统误差非常敏感，模型参数过于理想化，物理原理复杂且技术门槛较高。
对于风电功率预测，物理预测方法首先引入数值天气预报数据，经过理论公式处理后得到风机轮毂高度处的风速、风向，然后利用风速-功率转化曲线得到风机的输出功率预测值，最后考虑风电场的尾流效应累加，得到风电场整体的功率预测值。
对于光伏功率预测，物理预测方法首先利用数值天气预报提供的辐照度预报数据，经过预处理后结合光伏电站的地理位置及光伏电池板倾角等信息，采用太阳位置模型得到光伏电池板接收的有效辐照强度，然后通过构建光伏转换效率物理模型，将光伏电池的有效辐照强度转化为输出功率，进而累加获得整个光伏电站的输出功率预测结果。
2.统计模型
统计模型不考虑新能源发电的物理过程，其直接从数据出发，通过一种或多种算法建立数值天气预报、历史功率数据与待预测时段功率数据之间的映射模型。风光新能源发电预测中常用的统计方法主要有持续法、自回归移动平均法。此外，近些年涌出的机器学习、深度学习等人工智能模型的本质也为统计模型，为了更好地区分，本书后续内容的统计模型特指基础的统计方法。统计模型优点是直接从数据出发，简洁方便，不需要考虑复杂的物理原理即可直接得到新能源发电功率的预测结果，缺点是需要大量历史运行数据作为模型的训练样本，难以适用于缺乏数据积累的新建风光场站。
3.组合模型
在实际的应用中，不同原理的模型通常展现出不同的优势，同时也不可避免地存在相应的缺陷，即不存在某一种预测模型能在各种应用场景下都优于其他预测模型。在此背景下，研究人员提出了组合模型，通过选取多个子模型，采取合理的策略对子模型的预测结果进行加权组合，以充分融合各子模型的优势，能够有效地提高预测结果的鲁棒性与精准性。
1.单值预测
单值预测（也称为点预测、确定性预测）是指通过构建预测模型对未来风光新能源发电功率的期望值进行预测，预测结果为具体的点值。单值预测方法简单，便于分析数据，目前仍然是应用于电力调度机构的主流预测形式。
2.概率预测
概率预测的功率预测结果形式是一个概率分布或者一定置信度下的区间。受数值天气预报误差、量测数据质量、预测模型缺陷等因素影响，单值预测不可避免地会产生预测误差，在此基础上就提出了概率预测，用于度量预测不确定性，在功率预测期望值的基础上提供预测误差的不确定性信息，可为电力调度机构优化决策提供更为全面的信息。
3.爬坡事件预测
新能源发电功率在短时间内发生的大幅度变化被称作爬坡事件。爬坡事件会导致电力系统发用电不平衡，易造成电网频率波动、电能质量恶化，严重威胁电网安全运行，甚至会导致切负荷或大面积停电等事故，造成重大经济损失。实现对爬坡事件的精准量化与准确预警，对辅助调度部门优化机组出力、合理配置备用、缓解功率剧烈波动对电网的冲击、增强系统运行的安全稳定性具有重要意义。
爬坡事件预测方法可分为间接法和直接法两类。间接法首先对新能源发电功率曲线进行预测，然后根据爬坡定义进行事件的检测与识别。然而功率预测方法为了降低整体预测误差，往往会忽略极端样本，从而造成部分爬坡信息的损失，引发爬坡事件的漏报。与之相比，直接法无功率预测环节，通过建立相关因素与爬坡事件之间的映射关系来预测爬坡事件，具有较好的捕捉与识别能力。