基于大数据的多种能源功率预测技术研究及应用

２０１７年８月第２０卷第８期　Ａｕｇｕｓｔ．２０１７，Ｖｏ１．２０，Ｎｏ．８　电力大数据　

ＰｏＷＥＲ　ＳＹＳＴＥＭＳ　ＡＮＤ　ＢＩＧ　ＤＡＴＡ　发电研究　

Ｐｏｗｅｒ　Ｇｅｎｅｒａｔｉｏｎ　

基于大数据的多种能源功率预测技术研究及应用　范　强　，文贤馗　，林呈辉　，潘　华　，张建侠　，冯永生　，陈和龙。，罗治松　，杨　刚　，张　俨　，　（１．贵州电网有限责任公司电力科学研究院，贵州贵阳５５０００２；　２．贵州电网有限责任公司威宁供电局，贵州威宁５５３１００；　３．贵州创星电力科学研究院有限责任公司，贵州贵阳５５０００２；　４．贵州电网有限责任公司研究生工作站，贵州贵阳５５０００２；　５．贵州大学电气工程学院，贵州贵阳５５００２５）　

摘要：对比分析了大数据功率预测和传统功率预测的区别，并指出大数据技术在功率预测中的应用将更加有效提　高功率预测精度。开展风光、小水电功率预测技术研究及应用，分析了功率预测系统的总体结构框架和功能框架，　最后分析了功率预测系统的应用效果，有效地提高了风电和小水电的功率预测精度，从而更合理安排次日的发电计　划水平，减少系统的旋转备用容量，提高系统运行的经济性，提高分析影响系统安全稳定运行风险及时采取措施，提　高系统运行的经济性和可靠性，从而确保电网的安全经济运行。　关键词：大数据；多种能源；风光；小水电；功率预测　文章编号：１００８一ｏ８３ｘ（２０１７）ｏ８—００３６—０５　中图分类号：ＴＭ６１４文献标志码：Ｂ　

能源资源匮乏、温室效应、环境污染等一系列　伴随世界经济发展产生的问题日趋严峻　１１。随着　对这些问题的进一步重视，风电、光伏以及数量众　多的小水电在内的间歇性能源的广泛应用得以预　见。由于这些间歇性能源出力固有的随机性和间　歇性，与传统负荷预测结果相比，其功率预测结果　的误差较大，这就必然会给电力系统调度与控制、　安全与防御等各方面带来不利影响＿２　Ｊ。随着大数　据技术的提出和快速发展，具有４　Ｖ和３Ｅ特征的　大数据在强调数据规模巨大的同时，还具有更深　层次的含义，例如数据复杂多样化、数据时效性以　及对数据的分析、处理的快速化等，大数据的最终　目的是要从复杂多变的数据中获得有效的信　息　。若充分利用和挖掘这些数据的潜在信息，　将会使这些间歇性能源功率预测误差大的问题得　以解决。　１　大数据技术在功率预测中的作用　随着风电、光伏数量的剧增，无论是电场／电站　还是电网调度，在设计、生产运行、设备评估等环节，　每时每刻都产生大量数据。而运行控制区域的增　加、控制策略的细化、时间的增长、数据采集范围的　扩大、数据采集点的增加等因素，产生的数据将是海　量的。原有的功率预测技术难以满足大量数据的存　储、处理等要求　Ｊ。基于大数据的预测和传统预测　的对比　见表１。　表１　大数据的预测和传统预测的对比情况表　Ｔａｂ．１　Ｃｏｍｐａｒｉｓｏｎ　ｏｆ　ｐｒｅｄｉｃｔｉｏｎ　ａｎｄ　ｔｒａｄｉｔｉｏｎａｌ　ｐｒｅｄｉｃｔｉｏｎ　ｏｆ　ｂｉｇ　ｄａｔａ　

从表中可以看出，大数据技术在功率预测中的　应用将有效提高功率预测精度。一方面，根据功率　・３６・　预测结果合理的安排次Ｅｔ的发电计划，有利于减少　系统的旋转备用容量，合理安排机组的维护和检修，　第８期　范强，等：基于大数挖掘的多种能源功率预测技术研究及应用　降低电力系统的运行成本，提高系统运行的经济性，　达到降低生产成本、优化资源的配置，为电网的安全　经济运行、节省能源、减少设备的损失和浪费，为国　民经济带来巨大的经济效益。另一方面，有利于调　度运行人员事先掌握间歇性能源的功率输出情况，　及时调整调度计划，同时对可能存在的影响系统安　全稳定运行风险及时采取措施，避免功率波动造成　重大事故的发生，以提高系统运行的经济性和可靠　性，从而确保电网的安全经济运行。　率预测系统，是解决风电大规模并网运行问题的　关键措施之一。贵州高原山区受该地特有的地形　和气候影响，其风况与国内其它风能资源带相比，　随机性、间歇性和不稳定性问题更为突出，功率预　测难度较大。　风光功率预测系统以风电场／光伏电站的历史　功率数据、地理信息和参数信息等为基础建立预测　模型，利用气象部门发布的数值天气预报数据和来　自调度ＳＣＡＤＡ系统的实时运行数据，计算风电／光　２风光功率预测技术研究及应用　答　辜　盏　短期功率预测结果，并生成对应　

建设较高预测精度、功能较为完备的风电功　风光功率预测用数据统计情况　见表２。　表２风光功率预测用数据统计表　Ｔａｂ．２　Ｓｔａｔｉｓｔｉｃ　ｄａｔａ　ｏｆ　ｗｉｎｄ—ｓｏｌａｒ　ｐｏｗｅｒ　ｐｒｅｄｉｃｔｉｏｎ　

功率预测对输入数据的要求，以及各类数据对主站预测精度的影响如表３所示。　表３　站风电功率预测对数据的依赖性　Ｔａｂ．３　Ｄｅｐｅｎｄｅｎｃｅ　ｏｆ　ｓｔａｔｉｏｎ　ｗｉｎｄ　ｐｏｗｅｒ　ｐｒｅｄｉｃｔｉｏｎ　ｆｏｒ　ｔｈｅ　ｄａｔａ　

风光功率预测系统建设总体架构如图１所示。　风光功率预测系统包括采集与处理层、预测层、　考核分析层。采集与处理层核心实现功率预测系统　所需要数据的采集和处理。采集与处理层主要包括　子站预测上报接收、测风塔／气象数据上报接收、运行　状态数据上报接收、实时上网功率采集、ＮＷＰ（数值天　气预报）采集、数据处理等功能模块；预测层核心实现　功率的预测。预测层主要包括风电短期功率预测、风　

・３７・　『乜力大数据　第２０卷　电超短期功率预测、光伏短期功率预测、光伏超短期　功率预测等功能模块；考核分析层核心实现功率预测　的误差评价、考核及统汁分析．　考核分析层主要包括　子站功率预测上报考核、子站测风塔／气象数据Ｊ　报　考核、预测结果误差综合评价、统计分析等功能模块　，　ｌ　Ｉ　ＩＩ　…　图１　风光功率预测系统总体逻辑架构图　Ｆｉｇ．１　Ｏｖｅｒａｌｌ　ｈ￣ｇｉ（’ａｒｃｈｉｔｅｃｔｕｒｅ　ＩＩｆ　ｗｉｎｄ—ｓｏｌａ］‘ｐｏｗｅｒ　ｐｒｅｄｉｃｔｉｏｎ　ｓｙｓｔｅｍ　３　小水电功率预测技术及应用　小水电分为径流式和非径流式，目．大多数是径　流式　径流式水电站即为无调节水库的水电站，全　年不能满负荷运行，一般仪达到ｌ８０天左有的正常　运行．．枯水期发电量急剧下降，小于５０％，有时甚　至发不出电；小水电既受河道天然流量的制约，同时　丰水期又有大鼍的弃水．　目前，罔１人】外针对小水电功率预测的研究还相对　较少，主要原ｌ＿大Ｊ是小水电　力受季节、气候、地理环境　等多种因素影响，输ｆｎ功率呈现较大的不确定性，使　得准确地发电预测难度非常大。在考虑径流式小水　电…力对降雨量具有累积效应和滞后效应的基础Ｊ二，　将处于同一流域或接入同一变电站的多个径流式小　水电视为一个集群，通过对集群整体ｆ｛５力进行预测，　避免了单个小水电…力波动性较大的问题　在小水电功率预测模型研究成果的基础上，以　Ｏｒａｃｌｅ　ｌ０ｇ作为数据库，以Ｔｏｍ（１ａｔ作为应用服务器，　遵循Ｊ２ＥＥ框架，采用ＳＳＨ技术设计并实现了小水　电集群短期功率预测系统。该系统根据历史小水电　站的　力和气象信息，进行全省小水电集群短期功　率预测，为调度运行提供有效辅助决策信息　小水　电集群短期功率预测系统分为数据库、数据访问层、　业务逻辑层和表示层　小水电功率预测需要以下数据：　（１）全省各小水电的基本信息，包括小水电的　名称，调度部门，所在地区（需要精确到县级　域），　装机容量，接入变电站等信息　・３８・　（２）变电站的基本信息、拓扑结构和调度部门　上下级关系。　（３）全省各县市历史气象数据，包括各县级区　域每日逐时的降雨量，最高气温，最低气温的实测数　据（频度每小时）。　（４）预测日全省各县市的气象预报数据，包括　各县级区域每日的降雨量，最高气温，最低气温，天　气类型（晴、阴、雨等）信息（频度每日）。　（５）全省各小水电发电功率数据，至少连续一　年，每日９６点数据，且数据完整率不小于９５％（频　度每Ｉ５　ｍｉｎ）、　小水电功率预测系统建设总体架构和功能架构　如图２所示　、　

－　一—　登　一一一一　｛　一　｜ｌＩ●　｛　

．￣ｌｌＩ　・硼聃曩ｔ基　Ｉ　●●●ｎ　ｉ●■●●■　●尊●栩　．●■■０箭　

■一■　■■＋裔　：　＋　蘸　一怍　ｊ　圜圈嘲．－　一　

图２小水电功率预测系统建设总体架构和功能架构　Ｆｉｇ．２（）ｖｅｒａｌｌ　ｎｌｃｔｕｒｅｓ　ａｎｄ　ｆｕｎｃｔｉｏｎａｌ　ｓｔｒｕｃｔｕｒｅｓ　ｏｆ　ｓｍａｌｌ　ｈｙ（Ｉｒｏ　ｐｏｗｅｒ　ｐｒｅｄｉｃｔｉｏｎ　ｓｙｓｌｅｍ　小水电功率预测系统包括业务逻辑层、数据访　问层、表示层等。其中，业务逻辑层用于实现系统的　核心功能　基础数据管理模块实现小水电的基本信　息管理、变电站的基本信息管理、小水电集群管理　．　气象数据管理模块实现数据导入、异常数据纠错填　补功率数据管理模块实现各子站上报的功率数据　进行预处理、查询各小水电的功率数据根据设定的　集群所属关系，计算每个小水电集群的功率数据。　集群功率预测模块用于实现预测参数设置，预测集　群的功率数据、确认预测结果生效并发布数据至指　定的位置　预ｉ贝４结果管理模块用于实现计算预｛＿９１４结　果与实际功率数据的误差和准确率评价。　

４风光和小水电功率预测系统应用　风／光发电功率预测系统部署于主站端，系统接收　风电场功率预测子系统、光伏电站功率预测子系统上　送的测风塔／气象站等相关数据，对风电场／光伏电站　第８期　范强，等：基于大数挖掘的多种能源功率预测技术研究及应Ｈ｛　进行短期、超短期功率预测，从而为调度管理机构提供　所需要的风电场／光伏电站预测结果。系统目前已实　现９个风电场和１个光伏电站的短期与超短期功率预　测。风光功率预测系统的系统界面、气象数据展示、月　准确率统计和预测功率曲线与实际功率对比见图３．．　吨￣…ｌｌｌ＇／ｌ～＇ｎｌ１．一ｌｌｌ　（ａ）　系统界面　－・＿，　目：Ｈ　■一　●●一　ｎｉ　■■｜●—‘蛔■　■■■■蝴‘蚺　蚺　删ｎ一　蚺　聃　—■■■■啪｜脚　脚　珥●囊●■　蛐　ｌ，■■　｝ｎ　ｌ’　＋　一　■●一　￣－ｔｌＩ／ＩＮＩ　脚　－　－　ｍ■帅　相■＿　璐日　ＩＪ　帅　■　＿■囊■－曲　目一　￣ａ－ｌｂ￣ｌ，＂ｌｍ　脚　丑ｌ　一■一■鼬　■　＿　■　●Ｉ■　－　ｍ　（ｂ）气象数据展示　＿　・－　■　－　Ｉｎ　■　ｍ　－　＿　－　ｕ　（ｔ・）　月度准确牢统汁　－●篡蔓螂¨・＿ｍ．．－吣　广‘胛”～”　………－・‘●　～　・～　一　——————————————————————＝—————————————————　＇－　—　——　、—＝：一　：●－－　Ｊ　Ｌ　－＿　一　，　■　Ｊｔ’●　・－ｒ●¨　●　■　一　………●　日…日　…Ｈ＾　－－＾　＾ｍ＾　…　‘＿　－●　・●　（ｄ）　预测功率曲线与实际功率对比　图３风光功率预测系统　Ｆｉｇ．３　Ｗｉｎｄ—ｓｏｌａｒ　ｐｏｗｅｒ　ｐｒｅｄｉｃｔｉｏｎ　ｓｙｓｔｅｍ　贵州全省共１　２２６个径流式小水电站，装机容　量为２　６８９　ＭＷ，由于小水电站数量众多，以电站调　度关系对小水电站进行集群划分。系统已实现以各　县为集群的全省小水电日前功率预测，并定时发送　预测曲线至调度机构。在预测过程中，采用由下到　上逐层预测的方式，依次得到县级、地市级和全省预　测结果，并将９个地市级和全省预测结果曲线整理　成Ｅ格式文件，支持通过Ｗｅｂ服务调阅和查询。示　范应用为制定合理的调度计划，提供数据支撑。小　水电功率预测系统的月准确率统计和预测功率曲线　与实际功率对比见下图４。