引言

随着我国“3060”双碳国家战略目标的确立以及付诸行动，风电、光伏等可再生能源的电力装机呈快速发展势头，我国能源消费正由以化石能源为主的体系向低碳能源为主的体系转变。风电作为技术成熟、环保、绿色、可再生能源，成为构建以新能源为主体的新型电力系统重要组成部分。当前风力发电成本相对较高背景下，提升风力发电的经济性是保证风电产业可持续发展的重要基础。由于风电的发电成本很大程度上取决风电场的风资源情况，因此风电场风速以及风功率的预测是能使电网提前调度计划、发电企业调整运维任务，是降低风电发电成本和保证电力系统安全稳定运行的有效途径。

由于受气象条件以及地理环境等因素的影响，风速具有较大的间歇性、波动性、随机性等特点，如何达到更准确的预测风速以及风功率是目前研究中的重要任务。研究主要包括数据分析与处理、优化算法、预测理论、建模仿真等，已发展成为多学科交叉、多领域融合的综合性研究。按照预测过程所用具体模型原理 的不同分类，主要有物理方法、统计方法和组合方法。NWP模型是典型的物理方法。首先利用NWP模型（numerical weather prediction中尺度数值天气预报）判定未来时间段气象信息，然后结合风机周围的地理信息计算得到风电机组轮毅高度处的风速和风向等信息最后通过原始功率曲线的映射关系得出风机输出功率。物理方法需要高精度的气象预报数据。统计方法基于历史风电场数据，按照模型识别、参数估计和模型验证等过程建立历史数据和预测值之间的映射关系完成预测，或者通过机器学习方法，通过对数据关系的学习和训练而建立的非线性模型完成预测。组合方法是目前风速及风功率预测研究的主要方向。随着计算机水平的发展，基于数值离散求解的计算流体力学CFD方法被越来越多应用求解微尺度流动问题，可以实现对复杂地形的风电场流动以及运行特性的精细化模拟，更好地探究复杂地形的风电场内部的气体流动细节。因此，基于NWP模型的组合预测方法是目前风力发电预测系统发展的方向，采用物理降尺度等方法对气象部门提供的数值天气预报进行处理以获得风电场微尺度环境下的预测气象信息，并结合统计方法将该信息转化为风电场的功率预测值，指导风电场运营管理。

1、 山地风电场微气象研究

山地风电场微气象研究基于中尺度气象数值预报和微尺度CFD仿真计算的方法，建立基于中、微尺度耦合模式的风资源评估。主要技术方法：提取气象服务机构提供中尺度区域气象再分析数据，作为微尺度的CFD流体力学模拟计算边界条件，通过CFD仿真计算评估地形对风速、风向的影响；最后计算结果用于风电场复杂地形风资源评估。区域气象可以采用气象服务机构提供的中尺度的区域数值模式进行预报，由于风电场地形是稳定不变的，通过采用微尺度CFD模型事先模拟出各种中尺度区域气象背景条件下的风场分布，建立风电场微尺度风场分布基础数据库，然后直接根据中尺度数值天气预报，通过选择对应的风场分布，实现在线快速降尺度的复杂地形风电场风速预报和功率预报，以满足风电场风功率预测的时效要求。

1.1 中尺度区域气象再分析数据

气象服务机构提供的空间分辨率分为9km中尺度区域再分析气象数据，基于再分析数提供的不同位置、不同高度的风速信息，提取微尺度建模计算边界附近的风速廓线，并构建入流边界条件。

1.2 山地风电场地形三维建模

基于公开的全球数字高程数据，下载分辨率为12.5m的风电场区域范围的地形高程数据，通过专门的处理软件裁剪出风电场周围27X27km的高程数据，并导出分辨率为12.5m的高程坐标点云，由三维软件绘制可以被CFD仿真软件使用的山地风电场地形三维模型（如图1）

图1 分辨率为12.5m三维地形

1.3 山地风电场微气象CFD计算

对于近地层风场，空气密度变化幅度相对较小，采用不可压缩流体条件对下垫层流体进行简化，以求解不可压非线性Navier-Stokes方程为基础的计算流体动力学方法能够精确模拟流体的分离、绕流，仿真模拟计算出地形对风速、风向的影响。其雷诺时均控制方程如式(1)和式(2)。

式中，——风速的平均值及脉动部分的时均值；ρ、u——空气密度和动力粘度。

微尺度CFD仿真计算模型为风电场周围27X27km范围，计算高度为海拔2.5km（如图2），水平网格划分辨率12.5m，总共计算网格数近1100万个，采用有限体积法建立非正交网格，能够更好的适应复杂的地形网格划分从而提高计算精度；入流风向等角度划分36个入流风向进行计算，分别为0°，10°、20°、30°…350°，从中尺度气象再分析数据中提取各类气象条件下对应的风速垂直轮廓线作为边界输入条件。由于CFD仿真计算量大，整个计算过程在配置为64线程CPU、128G内存和24G显卡服务器实现。

图2 CFD计算模型范围大小

从CFD仿真计算结果中，导出15台风机、测风塔、气象预报网格点位置以及3600个300X300网格点距地表80m高度的风速、风向数据（如图3），作为风功率预测基础数据。

图3计算结果数据示例

2、 山地风电场风功率预测

风电场风功率预测方式有两种，一种方式采用CFD仿真模拟计算将中尺度的气象数据降尺度建立的风电场微尺度风场分布基础数据库。在区域气象数值预报条件下，实现逐台风机风速、风向预报，通过风机理论风功率曲线乘以空气密度修正值进行每台风机中短期功率预报。另一种方式采用测风塔与每台风机的机舱测风数据以及功率历史数据，通过随机森林算法建立模型。模型输入测风塔的风速、风向，输出每台风机的风速、风向、功率；区域气象数值预报和测风塔之间关系，同样通过数据分析建立关系，预报数据修正后作为输入条件，以达到提高模型的输出精度。

随机森林是一种典型的有监督学习算法，它是在决策树基础上得到的一种集成学习（bagging）算法（如图4）。随机森林既可以作为分类模型，也可以作为回归模型。“随机”主要指两个方面：第一，随机选样本，即从原始数据集中进行有放回的抽样，得到子数据集，子数据集样本量保持与原始数据集一致，不同子数据集间的元素可以重复，同一个子数据集间的元素也可以重复。第二，随机选特征，与随机选样本过程类似，子数据集从所有原始待选择的特征中选取一定数量的特征子集，然后从再已选择的特征子集中选择最优特征的过程。通过每次选择的数据子集和特征子集来构成决策树，最终得到随机森林算法。

图4 随机森林算法

首先，对风电场从时间01/01/2020到07/01/2022的测风塔、风机历史数据按照测风塔的时间序列进行合表；其次，将风机停机、限负荷、信号中断等异常数据通过算法进行清洗。然后，将清洗后的数据按照8:2分成两部分，80%作为训练数据，20%作业测试数据；最后，模型输入测风塔的风速、风向，输出每台风机的预测风速、预测风向、预测功率。以#1号风机测试结果为例，预测风速与实际风速平均相对误差为12.79%，预测风向与实际风向平均相对误差为10.69%，预测风向与实际风向平均相对误差为12.71%，预测的风功率曲线与实际的风功率曲线对比较为相近（如图5、图6）

图5 #1风机实际的风功率曲线

图6 #1风机预测的风功率曲线

3、 研究结论

通过中尺度气象预报、CFD流体力学仿真模拟计算、数理统计方法可以实现每台风机功率预报，提高风电场风功率预报精度，服务于风电场运维管理，研究结果表明：

（1）通过CFD流体力学仿真模拟计算，可以建立覆盖风电场周围的风场分布基础数据，为未来风电场扩容风资源评估具有非常重要的价值。

（2）采用CFD动力降尺度风功率预测和采用历史数据分析建立模型预测风功率进行相比较，采用历史数据分析方法对每台风机逐机位风功率预测误差相对较小。

（3）无论是采用CFD动力降尺度方法，还是采用历史数据分析方法，风功率预测的误差最大来源于中尺度的区域气象数值预报的误差。

参考文献

[1]李艳,成培培.典型复杂地形风能预报的精细化研究.高原气象,2015(2):413-425.

[2]程雪玲,胡非,曾庆存.复杂地形风场的精细数值模拟[J].气候与环境研究,2015(1):1-10.

[3]丁志勇.基于相似日聚类的支持向量机风电功率预测方法[J].电气应用,2013(19):25-28.

[4]廖耀华.基于随机森林算法的风电场出力预测研究[D].长沙理工大学,2016.

[5] 王永翔,陈国初,张鑫.基于 PF-RBF 神经网络改进的短期风电功率预测 [J].上海电机学院学报,2014,7:324-328.