風電場短期功率預測方法及應用

江水明++居榮++楊凱迪

摘 要風電場輸出功率的預測對一些大規模的風電接入電力系統的正常運行有著較為重要的價值與意義。對此本文主要對其相關預測方式以及實際應用進行了探究，提出了向量機——馬爾科夫鏈的風電短期功率預測方法。

【關鍵詞】風電場 短期功率 預測方法 應用實踐

風能最為一種有效的清潔能源，屬于可再生資源，在過節范圍內得到了人們普遍的重視與利用，但是在實際中一些大規模的電機組在接入過程中會對整個電力系統的正常運行帶來一定的影響面，對此，在實踐中要加強對風電場發電功率的預測工作的重視。

1 風電場短期功率預測方法概述

在實際中對于風電功率的預測方式可以分為中長期、短期、超短期三種預測模式。在現階段的發展過程中，對于風電功率進行的短期預測主要可以氛圍物理以及統計兩種模式。其中物理方式就是基于天氣預報的數據利用相關數學關系對于風電場的實際出力數據進行計算，進而繪制出相關功率預測曲線圖；統計方式則是基于相關歷史數據以及實際的風電場的

出力等相關數據關系，構建系統的數據預測模型，在通過預測參數的方式對于風電場的發電功率進行系統的預測分析。物理方式在實際中基于預測精度等客觀因素的影響，受到的實際風電場的中各種物理條件影響相對較為嚴重；而統計方法在實踐中的預測數據具有一定的精準性。對此在國際領域中主要應用統計方式對其預測。

在現階段的風電功率短期預測的統計方法主要涵蓋了以下幾種：時間序列方式、灰色理論方式、神經網絡方式NNS（neural networks）、支持向量機SVM方式（support vector machine）。其中最為簡單的方式為時間序列方式，但是其在實踐中具有一定的誤差性；灰色理論預測模型具有一定過養性，但是其實際的預測結果為一個區間范圍，并沒有精準的數值；神經網絡方式在實踐中其整體的拓撲結構相對較為緊湊，相對于其他方式來說具有一定的精準性，但是在實際中要通過大量的歷史信息與數據，實際的耗費的時間過大；支持向量機方法在操作中具有一定的簡潔性，其整體的魯棒性能較為優質，實際的預測數值精準度也相對較高，但是在實踐中其對于具體的核函數的實際選擇條件相對較為嚴格，在應用過次匯總中容易出現學習以及局部的最小數值等相關影響。其中相關向量機RVM（relevance vector machine）主要就是通過Tipping提出通過總體貝葉斯框架模式之下的一種稀疏的概率模型，是現階段的研究重點。在實踐中相關向量機與支持向量機的優勢較為相似，但是其在核函數的實際選擇過程中相對較為靈活，可以引入相關超參數、可以有效的降低整體計算的復雜性，其應用的數據相對較小，具有一定的稀疏特征。

預測誤差的產生可以說在整個風電功率預測中是必然的結果，對此在實踐中要對相關誤差問題進行及時的修正以及優化，在根本上提升其整體預測的精準度。對此在實踐中可以通過現有的誤差修正模型ECM（ready-error correction model）方式、自回歸滑動平均模型ARMA（auto-regressive and moving average model）方式、局部模擬近似值方式、周期外推法方式、最小二乘法方式、馬爾可夫鏈等相關方式對其進行修復。其中最小二乘法以及馬爾科夫鏈方式相對于其他方式來說具有一定的精準性，同時馬爾科夫鏈方式對于隨機波動性描述等問題有著較為顯著的效果。

2 風電場短期功率應用實踐微探

本文主要通過對某小型風電場區域范圍內的實際風速、溫度、大氣壓強以及風電場發電功率等相關數據作為主要的訓練樣本開展實踐探究。在操作中保障平均沒十分鐘取一次樣本，且連續進行一百組的數據訓練，然后在通過連續的三十二中數據對其進行測試，在實踐中通過地Matlab軟件對其進行相關編程計算，最終獲得的實際數據曲線如圖1、2、3。

在圖表中，可以了解到實際的風電場的風速、溫度以及壓強數據均為隨機產生的，其沒有內在的規律可以遵循。

在操作過程中，把樣本輸入與輸出導入相關程序之中，首先，根據相關向量機原理對于整個模型進行系統的訓練以及測試，在獲得對應的時間風功率預測數值之后，基于實際的風功率預測值以及實際值，獲得預測相對的誤差序列，然后在通過馬爾可夫鏈對相關預測誤差開展修正操作。

在操作過程中，要基于神經網絡以及支持向量機的相關原理，通過一樣的數據樣本，開展風功率的預測。在實踐中可以了解，相關向量機以及馬爾可夫鏈融合的方式相對于其他方式來說具有一定的精準度，可以在最大程度上降低平均絕對誤差以及平均相對誤差數值。同時，基于實際的結果可以了解，在預測過程中存在的相對誤差以及絕對誤差在實踐中雖然相對于其他方式來說可以有效的降低，但是其現今的誤差率仍為13%，究其原因主要就是因為以下幾點：

（1）風機發電功率以及風速的關系必須在額定的啟動風速以及切出風速范圍之內才可以有效的滿足，在其相對較低的時候，風機輸出功率為零，在其高于相關切出風速的時候，風機輸出功率則為其最大數值；

（2）其原始輸入數據主要就是因為風速、相關大氣壓強以及溫度因素的三維因素，并沒有對于風向因素、地形條件因素以及大氣湍流等相關因素進行分析，其中在RVM-Markov的相關預測模式可以適用于各種維數情況。

3 結束語

本文主要對相關向量機原理在風電場短期功率中的具體預測進行了分析，提出了通過相關向量機以及馬爾可夫鏈共同開展的風電功率預測方式，此種方式在實踐中主要就是通過應用相關向量機的基本原理，獲得既定的風電場短期功率預測模型，然后在通過馬爾可夫鏈以及最小二乘法對其存在的實際誤差進行修通的完善與優化，構建一個風電場短期功率誤差的修復模型，然后在通過側模型開展風電場的功率預測。此種模式可以有效的滿足電力系統調度對于實際的風電場短期功率的相關預測需求。

參考文獻

[1]楊曉萍，王寶，蘭航，武小暄.風電場短期功率預測[J].電力系統及其自動化學報，2015（09）：85-90.

[2]陳潤東.風電場短期功率預測方法研究[D].青島科技大學，2013.

[3]黃帥.風電場超短期功率預測方法的研究[D].電子科技大學，2012.

作者單位

南京師范大學 江蘇省南京市 210042