11月22-24日，“2017全国大型风能设备行业年会暨产业发展论坛” 在浙江杭州市召开，本届年会以“绿色制造 绿色发展 绿色未来”为主题。大会共邀请来自业内的四十余位专家、主题对话与分享，参会人数超500人。

　　

　　

　　王东霞：感谢秘书长，感谢陈总，因为他把机会让给我，我的报告作为押轴报告。我的题目与今天的论坛是现代企业能效管理，但是我这个应该是更接近于风电的能效管理。我这个题目是：基于Liga平台中的中尺度数据进行风电厂发电量的实时预测，希望各位嘉宾在我的技术方面的创新上得到一些启发。

　　

　　一，背景以及意义。

　　

　　我们国家十三五规划对电力发展提出了要求，其中有一项对于售电市场自由化的进行了规划。分三步实现规划：16年底完成电力交易市场的组建工作。截止2016年12月底，目前有吉林、黑龙江、新疆等十个省市、自治区成立了电力交易的组建工作完成。18年底完成售电侧市场竞争主体培育工作，基本形成充分竞争的售电侧市场主体。这是今年发布的通知，成立了以内蒙蒙西地区，甘肃四川等八个省市地区作为试点开始进行一个售电市场的建设工作。第三步就是在2020年基本取消优先发电权的非调解性发电计划，全面推进售电侧的改革。这样对于我们风电具有一定挑战的。因为风电本身的特点弊端是间隙性和不稳定性，造成风电上网可控制和调解性较差。基于这个在售电市场开放以后，与水火电相比，竞争性会减弱。这个如何解决？国际上公认是准确的功率预测可以解决这个弊端。

　　

　　我们国家2013年发布了一个风功率预测系统功能规范，而且在14年4月1日实施。风电网上网必须装有功率预测系统，而且功率预测的分辨率是15分钟，分为短期1到3天，超短期就是4小时之内的。而且对误差的计算方法也进行了一个规定。并且要求计算误差小于20%。

　　

　　既然我们国家也有功率预测的，应该是一个规范，大家也在已经开始执行。这一个功率预测对于我们市场化的交易，市场交易的话，有什么作用呢？现在搜集到今年上半年的数据，全国市场交易电量达到了6442亿千瓦时，但是风电只有132亿千瓦 时，风电占比2.05%。

　　

　　这个数据与国际其它国家来比的话，还是有一定差距的。丹麦是我们公认的风力发电的强国，1991年完成了电力市场的一个改革。但是在改革以后，风电占比达到了40%。昨天也有一位领导他的PPT中也有显示。德国是98年完成电力市场的改革，改革以后在风电的占比也能达到25%。美国是1992年进行了电力市场改革，他们改革以后，这个数据是今年美国能源司公布的数据，他们在风电也可以达到20%，我们2.05%的数据跟其它国家相比还是有一定差距的。

　　

　　二，Liga平台介绍。

　　

　　我的发电功能预测是基于我们公司的一个平台来做的一个分析工作，相当于一个技术方面的创新。这个Liga平台是分了三部分：第一部分是大数据平台，第二部分是一个运维平台，实施运维的平台；第三个就是现在所用到的数据的平台，就是风资源的评估平台。这个平台是我们公司今年2月份与国家气侯中心合作开发的，底层数据就是选用了国家气侯中心提供给国家发改委进行全国风电项目规划的权威数据。平台最初的开发目的两个：实现风电场的精准选址。因为我们不只是集成了国家气侯中心的气象数据，还包括了全国的地理信息数据还有已建风电厂的信息数据，电网信息，还有特高压线路信息，等等数据，以这些数据作为基础，进行一个功能算法的开发，最终实现风电厂的精准选址。第二个目标整合风资源评估行业的各种类型的软件工具，最终达到提高电场评估结果和准确性和一致性。这是平台的介绍。

　　

　　分了四大块：数据、服务、业务和管理四大块。

　　

　　这个是这个平台的登录和三维界面，以及具体项目分析的界面。

　　

　　三，发电量预测分析。

　　

　　这个与一般意义上的风电厂发电量评估与功率预测其实是有一些区别的，从四个维度分析。风电厂发电量评估时间是一年，评估的是一年的发电量。功率预测规范有规定15分钟。我们本次的发电量实时预测是间隔1小时。

　　

　　第二个数据源的不同，风电厂采用的是测风大1到2年的实测数据。功率预测用的数值天气预报数据，是每天发送的实时数据。本次的是采用的长年代的中尺度风资源数据。

　　

　　第三个维度分辨率不同。风电厂的发电量评估以一个点的数据，进行一个线性和CFD的计算，分辨率10到50米不等。功率预期天气预报数据据我了解目前是50公里左右。本次的发电量的实时预测是15公里分辨率的，这就是方法上的不同。

　　

　　风电厂评估用的线性或CFD的方法。功率预测一般是分三种方法：物理、统计以及物理统计结合。我们本次的发电量实时预测也是借鉴到目前功率预测中效果最好的方法，就是物理统计结合的方法。

　　

　　为什么选15公里分辨率这个数据？因为平台中集成了很丰富的数据资源，还有1公里的和15公里的，高度也是有多种选择。我们选择15公里分辨率主要考虑到1公里对于风电场范围尺度有点小，不足以代表风电场整个范围。一般风电场的范围几公里到十几公里，所以选择15公里分辨率进行发电量预测。做了尝试最终验证，效果还是不错的，所以将这个过程和大家分享，供大家进行借鉴。

　　

　　这个是15公里分辨率的数据的一个计算过程，以全球管理模式的分析厂资料，常规的气象观测质量作为初厂，输入中尺度当中，最终算出每一天每个小时的结果，这个结果算出以后还进行了天气类型分类方案的校正，最终得到可以使用的15公里分辨率的气象数据。

　　

　　数据源选择好以后，开始要选定风电场，目前方法对于风电场有一定的限制条件的。主要从四个方面来说：

　　

　　坡度，不能太大，大于3%以上，对于整个结果的精确度有影响；

　　

　　地表土地类型，这一块指我们风电厂的地表土地类型和中尺度点类似才可以分析；

　　

　　海拔高度，中尺度数据点的海拔高度与风电场各个机位点的海拔高度差不多；

　　

　　距离，我们是15公里分辨率的数据，风电场距离数据点应该不能超过7.5公里，就是一半。

　　

　　这是一个各个机位点的具体的分析数据。

　　

　　第二步进行数据源模型的建立和预测计算。首先对数据进行整理分类，现在向大家介绍这个案例是我们采用的最简单的方法，线性回归预测法，通过预测分数，通过公式计算出的发电量。第三步通过计算结果与实际运行的结果进行对比。现在给出大家是2月3月5月6月7月的结果，我们做对比的同时，对比了2月份的结果以后，对比情况，对模型也进行了一定的修正。最终的一个对比准确度在95%以上，效果很好的。所以拿来和大家分享一下。整个的准确度都是大于90%以上。

　　

　　通过这个分析，我们是想要在不同的地理环境，建立一个不同的数据处理方法。当然这些方法还将在未来的分析中进行验证。同时结合数据之间的相关性进行分纠正。

　　

　　结论有三个：

　　

　　一，中尺度气象数据和风机数据进行预测，这个方法可行，值得大家进行推广研究。

　　

　　二，因为风的这种特性，随机性较大，所以我们认为选择多数据源进行结合，比方像中尺度数据与风机数据、测风量数据，天气预报的实时数据进行合理的结合，也是有助于提高风流预测准确度的。

　　

　　三，不只做多数据的和信息的融合，还要选用不同的方法，尝试一些神经网络算法等等，或者多种算法结合，不断提升预测的准确度。当然预测准确度提高也可以提升风电在开放后售电市场的竞争力，对于电网的调度也是有帮助的。

　　

　　我的整个报告就到这里，谢谢大家。

　　

　　主持人：还不错，比我想像的好，看来风电行业确实有一大批热爱我们行业事业的一大批人为行业做不懈的努力。大家有什么问题交流，未来的世界，未来的中国都是智能化的，智能化是未来的一个大的趋势。特别是我们未来的智慧能源，发电量的预测是未来智慧能源重要的基础。大家有什么问题提一提，交流交流。如果现场没有下面再交流。

　　

　　谢谢我们今天上午的三位发言人，谢谢还坚持到现在的我们在场的每一位。让我们把掌声送给大家自己。