编辑推荐:
本文提出了一种创新的概率性风电功率预测方法,通过分别量化天气预报不确定性(NWP)和天气-功率转换不确定性,实现了从6小时到7天前(6-162 h)预测范围的无缝精准预测。该方法基于梯度提升树(GBT)进行非参数分位数回归,并采用β变换线性意见池(Beta-transformed linear opinion pool)集成集合数值天气预报(Ensemble NWP)成员,在73个英国风电场5年数据验证中显著提升了高天气不确定性时期的短期预测性能,消除了传统模型对短中期预测需分别建模的局限。
引言:风电预测的重要性与挑战
风电作为低碳电力系统的关键技术,其间歇性和随机性给电网运行带来严峻挑战。概率性风电功率预测能够提供预期功率值及不确定性信息,对于电力市场交易和电网调度具有重要意义。传统方法基于确定性数值天气预报(NWP),无法充分量化不确定性;而基于集合NWP的预测方法又缺乏对天气-功率转换不确定性的显式建模。本文首次提出显式建模并结合两种不确定性来源的无缝预测方法。
方法论创新:双阶段概率预测框架
概率性天气-功率建模
采用梯度提升分位数回归树(QGBT)建立非参数概率预测模型,每个分位数独立训练GBT模型。通过贝叶斯优化算法进行超参数调优,并采用排序法解决分位数交叉问题。模型输入使用集合NWP的成员中位数(10米高度风场分量、2米温度等),从最接近风电场的4个网格点提取空间特征,避免使用预报数据以减少NWP不确定性影响。
集合集成与后处理
第二阶段通过核密度估计将每个集合成员转换为概率预测。核函数采用正态分布,其标准差与天气-功率预测的分位数间距(IQR)呈线性关系。使用β变换线性意见池集成所有核函数,解决集合成员间的依赖性问题。参数估计以最小化连续分级概率评分(CRPS)为目标,该评分规则能够同时评估预测的准确性和可靠性。
对比基准方法设计
研究设置了四类基准方法:ENS-GBT-None(直接使用集合成员中位数预测)、ENS-QGBT-None(分位数回归但不进行集合校准)、HRES-QGBT-None(基于高分辨率确定性NWP的分位数回归)和ENS-GBT-EMOS(使用集成模型输出统计进行后处理)。所有方法均采用相同的输入数据和评估框架,确保比较的公平性。
案例研究与数据配置
风电功率与NWP数据
研究使用英国73个风电场(34个陆上、39个海上)2019-2023年的实际发电数据,数据来源于英国平衡机制报告代理(BMRA)。NWP数据采用欧洲中期天气预报中心(ECMWF)的高分辨率确定性预报(HRES)和集合预报(ENS)。预报范围覆盖6-168小时,时间分辨率为6小时。
模型配置与评估
天气-功率模型使用操作分析数据(+0h)和6小时预报数据(+6h)构建连续时间序列。特征工程包含风速立方项等派生变量。采用随机排列交叉验证进行模型评估,并使用CRPS分解分析预测的可靠性和分辨率。
结果分析:性能对比与不确定性解析
基准方法性能比较
短期方法(HRES-QGBT-None)在0-2天预报范围内表现最优,其高时空分辨率NWP能有效捕捉大气细节;而中期方法(ENS-GBT-EMOS)在3-7天表现更优,体现了集合NWP在较长预报期的价值。陆上风电场与海上风电场存在明显差异:海上风电场在更短预报期(约3天)即显现集合NWP的优势,而陆上风电场这一转折点约在4天左右。
不确定性来源的时空演变
分析表明,天气-功率转换不确定性在短期预报中占主导地位,而NWP不确定性随预报时效延长而增加。这种差异源于大气系统的混沌特性:NWP误差随时间累积,而天气-功率关系的不确定性主要受天气条件日变化影响。研究首次通过线性模型量化了两种不确定性主导地位的转换点。
新方法性能优势
提出的ENS-QGBT-βMM方法在全部预报范围内均达到或超过基准方法性能。特别是在高NWP不确定性时期(如锋面过境),新方法显著优于基于确定性NWP的方法。这表明显式建模两种不确定性能够更好地捕捉极端天气事件下的预测不确定性。
高不确定性事件预测表现
当NWP不确定性高于历史75%分位数时,新方法相对于基准方法的改进尤为明显。这种改进在短期预报中可达5%-10%,证明集合NWP信息在高风险决策情境中的特殊价值。传统评估指标可能低估了概率预测在实际应用中的贡献。
计算效率分析
新方法仅需训练3个GBT模型(对应3个关键分位数),而HRES-QGBT-None需要为每个分位数和预报时效训练513个模型。这种设计在保持性能的同时大幅降低了计算复杂度,有利于业务化应用。
结论与展望
本研究通过显式建模NWP不确定性和天气-功率转换不确定性,实现了短中期概率风电预测的无缝衔接。案例研究表明,该方法在不同类型风电场、不同预报时效下均能提供优质的概率预测。未来工作可探索高分辨率集合NWP的应用、核函数间依赖关系建模,以及时空相干性保持等方向。所有数据、代码和结果已公开,支持研究可重复性。
数据可用性声明
包含BMRS数据(Elexon Limited版权)和ECMWF数据(CC BY 4.0许可)的完整数据集已保存在Zenodo平台,总计超过200GB。预处理脚本、预测结果和评估代码均公开可用。