《Wind Energy》:Regional Estimation of Wind Power Production in Finland Using k-Means Clustering and Power Curve Fitting
编辑推荐:
风电已成为全球增长最快的可再生能源之一,在芬兰电网系统中发挥核心作用,目前约占总发电量的四分之一。变流器并网风电场(converter-interfaced wind power plants, WPPs)渗透率不断提高,导致系统惯性(system inert
风电已成为全球增长最快的可再生能源之一,在芬兰电网系统中发挥核心作用,目前约占总发电量的四分之一。变流器并网风电场(converter-interfaced wind power plants, WPPs)渗透率不断提高,导致系统惯性(system inertia)降低且风电条件在空间上存在差异,进而对电网稳定性构成挑战。尽管可以获得国家层面的风电生产数据,但芬兰详细的区域风电出力并未公开,限制了对区域发电和电网支撑贡献的评估。本论文提出一种基于区域聚类的风电生产估计方法,利用公开可用的气象数据和区域风电场特定信息。通过四参数逻辑函数(four-parameter logistic function, 4PLF)和多项式回归(polynomial regression)方法对集群特定功率曲线(cluster-specific power curves)进行建模,从而能够估计区域和整体风电出力。所提出的框架有助于深入了解区域功率贡献,并可在风电渗透率不断提高的情况下用于电网稳定性研究和输电规划。
本研究聚焦于芬兰区域风电产量的估计问题。随着风电成为全球增长最快的可再生能源之一,芬兰2025年风电发电量已占总发电量的28%以上,并规划有约100 GW的风电项目。然而,变流器接口风电场大量接入导致系统惯性降低,使电网稳定性面临挑战;同时,芬兰详细的区域风电出力数据不公开,限制了区域贡献评估。为此,研究人员提出一种基于k-means聚类和功率曲线拟合的区域估计方法,旨在利用公开数据估计各区域及全国风电出力。
研究人员利用芬兰气象研究所(Finnish Meteorological Institute, FMI)60个观测站的气象观测数据、Renewables Finland等机构提供的风电场信息(2025年初,全国总装机约8.5 GW),以及Fingrid公布的全国风电生产数据,构建了区域风电估计框架。通过聚类和功率曲线拟合,研究发现所提方法能够合理再现全国风电总产量及其分布,主要产量来自西部沿海区域,从而为电网稳定性研究和输电规划提供了区域级信息。
主要技术方法可概括为:基于FMI观测站的10分钟分辨率气象数据,提取平均风速、标准差、风向三角分量和12扇区风玫瑰等17个特征,采用k-means聚类,通过轮廓分析(silhouette analysis)确定最优聚类数为5。风电场依据逆距离加权(inverse distance weighting, IDW)法分配到各集群。利用对数律将风速从观测高度插值到风电机组轮毂高度,并结合集群总扫风面积和风速计算权重,将Fingrid的全国产量(15分钟分辨率)按物理权重分配至集群,获得集群级风电-风速数据。随后分别采用四参数逻辑函数(4PLF)和多项式回归拟合集群功率曲线,并使用遗传算法最小化平方误差。评价指标包括均方根误差(root mean square error, RMSE)、平均绝对误差(mean absolute error, MAE)、相对RMSE(relative RMSE, rRMSE)、相对MAE(relative MAE, rMAE)和决定系数(coefficient of determination, R
2)。
研究结果如下:
【3.1 聚类结果与轮廓分析】通过轮廓分析,当聚类数k=5时平均轮廓值最高(0.657),表明观测站被划分为紧密且分离良好的簇。特征重要性分析显示风向相关特征(如风玫瑰扇区和平均合成长度)是决定聚类的主要因素。
【3.2 风电场拟合到集群】应用IDW将风电场分配到邻近观测站主导的集群,最终得到5个集群。结果显示西海岸被分为北部C1和南部C2两个集群,东部部分地区属于C3,拉普兰地区分属C4和C5。
【3.3 将风电产量分配到集群】采用基于扫风面积和风速立方比例的物理加权方法,将Fingrid全国产量按集群权重分配。由于C1集群装机容量最大,其产量贡献最多,C2次之,而东部集群C3产量较低,这与观测期内东部风速不高有关。
【4.1 结果与评估】集群级拟合显示,4PLF模型基本呈现预期S形功率曲线,多项式模型在观测风速范围内较好地跟随数据,但在范围外趋于零。高容量集群C1和C2的模型误差主导了聚合比较;集群C5由于可用风速数据范围窄(约1–7.5 m/s),拟合质量较差。将各集群估计求和并与Fingrid测量值比较,4PLF和多项式模型的rRMSE约10.8%–10.9%,rMAE约8.1%–8.2%,R
2约0.75,与已有大型区域风电预测精度相当。持续时间曲线显示模型能够再现生产水平分布,但对低概率极端值的估计偏差较大。在15分钟步长的变化分布中,模型估计的变率明显高于测量值,但在小时分辨率下差异大幅减小,表明模型在最短时间尺度上的波动模拟能力有限。
【4.2 样本外验证】将训练得到的功率曲线应用于2025年3月29日至5月31日的独立时段。由于期间装机容量有所增加(从8411 MW增至8552 MW)且未计入模型,验证结果受到一定影响。在整个验证期内,两种模型的RMSE约14%,MAE约11%,能够复现产量变化的时序形状,但整体水平被高估。
讨论部分指出,区域方法的主要优势在于能够提供全国总量所不具备的空间分布信息。结果显示大部分产量来自西海岸的C1和C2集群,而该区域正是芬兰正在加强400 kV主网输电线路的地区。因此,区域估计可用于评估本地产量接近输电容量的频率和程度,并支持未来电力系统研究,如输电网络负载、阻塞模式、区域间振荡和系统惯性分布等。
研究结论可翻译为:本文聚焦于芬兰区域风电产量的评估,并比较了4PLF和多项式模型在集群级建模中的表现。针对每个集群的产量估计及其聚合总量,与全国风电产量进行了对比。使用所提出的指标发现,可以为每个集群建立合理的模型,聚合估计能够再现全国产量的水平和分布,主要限制出现在最短时间尺度上。区域方法的主要优点是提供了产量空间集中度的估计,而全国产量无法提供这些信息。结果表明,大部分产量来自西海岸的集群C1和C2,而该区域正在进行输电网络加固。区域估计因此可用于评估本地产量接近区域输电容量限制的频繁程度,并可为未来考虑地理位置依赖的系统级现象(如输电线路负载、阻塞模式、区域间振荡和系统惯性分布)的研究提供支撑。