風電場功率預測技術研究進展

張飛 習佳 孫曉輝 郭子夢

摘要：指出了風功率預測的研究對保證電力系統安全、經濟運行以及提高電能質量有著重要意義。探討了當前風功率預測的主要方法，論述了風功率預測中的關鍵技術步驟.對短期風功率預測及實時功能率預測的發展趨勢進行了展望。

關鍵詞：功率預測;風力發電;組合預測

中圖分類號：TM614 文獻標識碼：A 文章編號：1674-9944（2019）18-0194-02

1引言

在現代化的建設過程中，我國對于風力發電的重視程度較高，相關技術也越來越成熟，已經創造出了可觀的經濟效益。然而，風力發電具有間隙性、隨機性和波動性的特點，這給整個電力系統的安全、穩定運行帶來了挑戰，直接影響了風電廠在整個電力行業的競爭力。因此，加快風功率預測的研究、提高功率預測的精度顯得尤為重要。

2風功率預測的主要方法

當下風功率預測方法主要分為以下四類。

（1）按照預測時間劃分，可分為長期預測、中期預測、短期預測以及超短期預測。長期預測以年為單位在新風場選址、規劃中起著重要作用。以月為單位的中期預測可以更合理的安排風場大規模檢修。短期預測主要用于優化電網調度，一般提前1～2d進行。以控制風電機組為目的的超短期預測一般是提前幾十分鐘或幾小時進行預測。當下的實時預測也屬于超短期預測的范疇。

（2）按照預測模型的對象不同，可分為間接法和直接法。以風速為對象，實現對風速的精準預測進而根據風功率曲線得到預測功率屬于間接方法;以功率為研究對象不考慮風速的變化過程進行風功率預測則屬于直接方法。

（3）按照所用預測模型差異，可分為統計模型預測和物理模型預測。忽略風速物理變化過程，依據統計學原理，尋求歷史數據和機組輸出功率的映射關系，從而進行功率預測的方法叫做統計模型預測方法。常見的統計模型預測法有卡爾曼濾波法、時間序列法等，和基于智能類模型的人工神經網絡法、小波分析法、SVM回歸法、模糊邏輯法等。

統計方法依賴于歷史數據，這使其在進行長期預測時有一定的局限性，主要體現在大量的數據處理和長期的歷史數據統計這兩方面。但是對于超短期的預測往往有著很好的效果。

物理模型預測法是指根據NWP提供的氣象預測值再結合風機周圍的物理信息得到風電機組輪毅高度的風速和風向信息的預測值，最后根據風功率曲線得出功率預測值。然而，受分辨率的影響，該方法只能滿足于整個風場的功率預測精度，并不能直接用于風電機組的功率預測。

（4）按照功率預測模型個數劃分，可分為單一功率預測和組合功率預測。像小波分析法、時間序列法、神經網絡法等局限在單一的數學模型或物理模型中的預測方法稱為單一功率預測。選擇一定的組合方式把單一模型集成起來進行預測稱為組合功率預測。

單一功率預測往往忽略了其物理影響因素，導致預測精度效果不佳。組合功率預測發揮了各種算法的優勢，在算法的精度和泛化能力上都有了很大提高。例如，基于粗糙集和神經網絡的組合預測、基于PCA和粗糙集的組合預測，這些預測方法都達到了良好的預測效果。

3風功率預測中的關鍵技術步驟

3.1數據預處理

目前數據預處理常用方法包括數據分解、PCA降維、粗糙集等。

（1）目前常用的數據分解法包括小波分解和經驗模態分解（EMD），當涉及到基于數據自身時間尺度的信號分解時小波分解就會失效，而EMD不能很好的處理模態混疊現象。于是一種基于EMD的優化算法EEMD被提出。該算法可有效進行風功率分解，并減輕模態混疊現象。

（2）主成分分析法（PCA）的核心思想是降維。這方法可以減少變量的個數，并且可以保留原數據樣本的關鍵信息。采用PCA降維可以有效降低訓練時間，提高預測速度。

（3）粗糙集理論是一種處理不精確、不一致、不完整信息的有效工具。它不需要任何的先驗知識，可幫助我們在龐大的數據庫中挖掘有用的信息，將數據去粗取精。

（4）針對實測風速和功率數據中包含奇異點以及同一風速下風功率存在較大范圍波動的問題。文獻[5]提出一種數據預處理算法。首先，采用拉依達準則剔除風速和功率奇異點，再使用優化的一次指數平滑法及最大皮爾遜相關系數對風速進行平滑處理，有效的提高了預測精度。

3.2預測模型優化

氣象條件往往是不穩定的，目前單純使用物理模型預測方法進行短期或超短期預測并不多見。本文主要討論統計模型預測的相關預測模型。

（1）時間序列分析是對大量的時間數據序列進行參數估計、模型識別等過程后確定一個數學模型進行預測。風電功率和風速數據通常是非平穩時間序列，應用時間序列分析模型前一般需要經過差分之后才能變為平穩時間序列。文獻[6]采用帶有季節因子的差分自回歸滑動平均模型（SARIMA）對風電場的風速和風功率進行短期預測。預測效果明顯優于差分自回歸滑動平均模型（ARIMA）。

（2）ANN是通過復制人類大腦工作過程的方法，可以處理復雜的非線性問題。防止人工神經網絡算法陷入局部最優和過學習的問題，仍然是其改進的研究方向。目前眾多學者將ANN模型進行了不同的改進，預測精度不斷提高。文獻[7]提出基于動態神經網絡的風電場輸出功率預測模型，仿真結果表明，動態神經網絡在預測具有時間序列特性的風功率時效果優于靜態神經網絡。

（3）SVM是基于結構風險最小化原則，適用于小樣本情形下模型的建立的一種學習方法。SVM預測方法通過核函數，將樣本空間的輸入映射到高維特征空間，解決了傳統方法中的維數災難、學習時間長、模型適應性弱等問題。目前.眾多學者將SVM模型進行了不同的改進。

（4）考慮時空相關性的方法基于多個相互關聯的風電場信息共享的數據平臺，風電功率時間序列在不同空間點之間有很強的關聯性，根據由風電場內風電機組間空間排布關系推導出的空間相關矩陣，得到其他風電機組的風速、風向，進一步可得到風電功率預測值。

（5）單一的功率預測法往往達不到預期的預測精度，于是相關學者提出了組合預測的思想。目前主要有兩種組合預測思想。

第一種組合思想是在傳統的預測模型前增加數據的預處理過程。如文獻[8]采用集合經驗模態分解（EEMD）法將原始風速信號分解為頻域穩定的子序列并對LS-SVM預測模型進行了優化，有效地提高了預測精度。

另一種組合思想是發揮各種單一預測模型的優勢進行預測，最后采用適當的加權方式，把各種模型的預測結果綜合起來。文獻[9]將持續預測法與馬爾可夫預測理論進行相結合，利用熵值法確定了組合模型中的加權系數，從而組建了組合預測模型，提升了風力發電機功率預測精度。

3.3預測結果分析

國家能源部門會對風電場進行的監管，對風電場運行是否滿足調度并網要求進行獎懲。對常規風功率點預測的評價指標主要有平均絕對誤（MAE）、均方誤差（MSE）、均方根誤差（RMSE）、標準差（SDE）、準確率、合格率等。MAE表示預測誤差的實際情況;MSE和RMSE表示誤差的分散程度;SDE表示誤差分布的標準差估計。研究過程中可以通過這些指標先篩選出預測結果準確率較高的預測模型，再根據合格率選出最優的預測模型。

4短期風功率預測及實時功能率預測的發展趨勢

（1）目前，關于風功率的短期預測研究大部分集中在預測算研究上，對模型存在異常輸人的情況考慮不夠周全。優化數據預處理算法，可以有效提升模型預測精度。

（2）優化NWP系統，提高系統的分辨率、更新頻率和預報精度，可以對風電功率預測起到根本性的改善。

（3）發揮單一模型的優勢，采用組合預測的思想，也是提高預測精度的有效途徑。

為了提高預測精度而優化NWP系統、重視數據預處理環節、采用組合預測思想將成為風電預測的發展趨勢。

5結語

電網的經濟性和安全性很大程度上依賴于高精度的風功率預測結果。本文介紹了風功率預測法的主要分類，論述了預測過程的關鍵技術步驟。優化NWP系統、優化數據預處理算法以及采用組合預測的思想，可以進一步提升預測精度。