基于自回歸模型的短期海上風電功率預測

王鋒 楊榮 黃攀 田智捷 陳靜

摘要：由于煤炭資源匱乏和環境污染，人類逐漸開始發掘風電能的利用價值。然而風速的強不確定性導致其很難預測，鑒于此，基于自回歸模型進行風電功率建模與仿真研究。經過NAR神經網絡訓練選擇合適的自回歸階數，繼而選擇該階數及對應隱藏節點重新訓練，最后代入數據仿真得到結果進行分析比對。通過比較預測值與實際值，總結自回歸模型的特點，得出基于該模型的海上風電機組功率預測方法在海上風電場具有實際應用價值和意義這一結論。

關鍵詞：海上風電；神經網絡；自回歸模型；功率預測

中圖分類號：TM614? ? 文獻標志碼：A? ? 文章編號：1671-0797（2023）12-0024-03

DOI：10.19514/j.cnki.cn32-1628/tm.2023.12.007

0? ? 引言

風力發電逐漸成為世界各國能源開發的重點。2021年，中國風電裝機創歷史新高，新增吊裝海上機組2 603臺，新增裝機容量達到1 448.2萬kW，同比增長276.7%。規模化發展、深海漂浮式大功率海上裝備、智能運維正在為海上風電發展注入強勁的動力。在“雙碳”背景下，海上風電發展潛力巨大，機遇和挑戰并存。

為測試和比較不同風電機組功率預測方法的精度，國內外學者開展了大量研究。文獻[1]采用模糊綜合評價法對陸上風電機組的運行狀態進行評估。文獻[2]首先采用經驗模態分解（Empirical Mode Decomposition，

EMD）對風速序列進行分解，然后結合支持向量機（Support Vector Machine，SVM）對短期風速進行預測，但SVM的核函數以及參數的選擇對預測結果具有一定影響。文獻[3]利用距離分析法篩選出與風電出力相關性最高的氣象因素作為長短期記憶（Long Short-Term Memory，LSTM）網絡的輸入特征來進行超短期風電功率預測，但該模型忽略了其余氣象因素與風電出力的相關性，難以提高預測精度。文獻[4]使用卷積神經網絡（Convolutional Neural Network，CNN）挖掘氣象變量的數據特征，結合門控循環單元進行功率預測，提高了氣象變量與功率預測的相關性，但該模型僅是單通道卷積層與門控循環單元的簡單拼接，未能有效保留輸入數據的時間結構，且考慮的氣象因素較少，難以直接推廣到受多種復雜氣象因素影響的海上。

針對上述難題，本文提出了一種基于自回歸模型的海上風電功率預測方法，采用時間序列自回歸算法對風力發電進行預測，并結合實際SCADA數據對方法進行驗證。結果表明，時間序列自回歸算法能夠有效預測海上風電機組功率。

1? ? 海上風電機組功率預測

除控制和優化風電場運行外，預測風電資源的行為可以為能源管理、能源政策制定者和電力交易商提供有價值的信息。此外，預測信息也有助于風力發電機和轉換線的運行、維修和更換。風力發電的功率預測有以下不同分類和各種方法。

1.1? ? 海上風電功率預測分類

（1）基于時間尺度的分類。

根據預測時間，風電預測通常分為超短期、短期、中期和長期預測四種。

（2）基于空間范圍的分類。

在預測空間尺度下，可以將風力預測分為三部分：單一機器預測、單一風電場預測、區域風電場預測。

（3）基于建模對象的分類。

基于建模對象劃分，風電預測分為基于風速和基于風力兩種方法。前者觀察單個風機的風速變化，預測未來風速；后者為基于風力發電機輸出功率的預測方法，直接使用統計模型預測風力發電機的輸出功率。

1.2? ? 海上風電功率預測方法

目前，國內外的風電機組故障預測方法主要分為兩類：確定性風電預測、概率性風電預測。確定性風電預測方法可以預測出未來某時刻的風電功率值，而概率性風電預測方法是一種衍生方法，因為確定性風電預測可能不夠準確，它結合了預測結果與概率分布的性質，從而可以更準確地預測。

本文主要討論確定性風電功率預測[5-6]。確定性風電功率預測方法可根據是否含有數值天氣預報（NWP）分為統計學方法與物理模型法，前者不涉及NWP而后者涉及。而是否涉及NWP模型取決于預測范圍，長時間范圍考慮使用NWP的模型，而短時間范圍（小于24 h）考慮時間序列方法。后一種模型對于傳統電廠的優化非常有用，其中合理的預測范圍可以在3～10 h之間變化，這取決于系統的大小和包括的傳統機組類型。通常，物理模型用于大空間尺度預測，而時間序列方法更適用于某一點的預測。

2? ? 自回歸模型建立

風力發電機的整體工作狀況是以發電功率的出力為指標，它反映了風機的風速與出力之間的關系，往往用來評價風機將風能轉換為電能效率的優劣以及風電質量的優劣。

2.1? ? 數據預處理

風機運行過程中，SCADA系統負責采集并記錄機組數據，除去故障部分外，異常數據中還有很多不符合實際運行情況的，比如風力機的啟停數據，所以實驗數據都應進行預處理。該風電場的SCADA系統每隔10 min采集并記錄一次機組數據，所采集數據主要包括電機有功功率、轉子轉速、風速等參數，該單臺風機額定功率為2 000 kW。

對風電功率預測的WPF離群值采用四分位法進行檢驗和處理。四分位法的定義是：先把一組數據從小到大排序，然后平均分成4份，每份占總數的25%。Q1稱下四分位數，Q2稱中位數，Q3稱上四分位數，在所有數據中，有25%的數據值小于Q1，有25%的數據大于Q3，Q1與Q3之差稱為四分位數間距IQR，由該間距可得數據異常范圍，剔除不在內限范圍的離群值，內限范圍為[Q1-1.5IQR，Q3+1.5IQR]。對天氣預報的風速與風電功率均進行離群值的檢驗和處理，對≥Q3+1.5IQR的值用Q3+1.5IQR代替，≤Q1-1.5IQR的值用Q1-1.5IQR代替。

2.2? ? 自回歸模型

自回歸模型（Autoregression）是統計上的一種處理時間序列的方法，公式如下：

式中：c為常數項；εt被假設為平均數等于0、標準差等于σ的隨機誤差值，εt被設為對于任何的t都不變。

在許多應用中，時序數據Xt通常可由歷史數據的加權和隨機擾動的疊加來表示：

式中：aj為常系數；εt為隨機擾動（噪聲）項。

自回歸模型就是用這個公式來描述時序數據的時間序列模型。本文主要介紹基于時間序列的自回歸模型的求解，即給定自回歸模型，求解符合要求的時間序列{Xt}，并根據所求得的時間序列模型來分析。

自回歸模型用一個常系數線性差分方程對時間序列{Xt}給出了描述，對于差分方程的求解屬于數學問題，在此不多贅述。

學習時間序列的自回歸數學模型后，可歸入風電場模型中。對應于時間序列的考量，風力發電廠對風速在固定時間段內測量一次。本文中風速每10 min測量一次，將每次測量時間做一個記錄，測量100次之后，生成一個時間序列。以時間序列尺度為橫坐標，以風速或功率為縱坐標繪制預測圖，將預測值與實際值比較后進行具體分析。

3? ? 風電機組功率預測案例分析

以某海上風電機組為例，本文基于實際SCADA數據驗證了所提出基于自回歸模型的海上風電機組功率預測方法的有效性。

3.1? ? 模型參數設置

本文的海上風電機組功率預測模型，只需對已獲得的風電功率數據進行篩選及預處理即可代入時間序列NAR模型進行仿真。

NAR全稱為“非線性自回歸神經網絡”，作為一種預測方法，NAR最重要的是先建立一個訓練集，需要尋找最佳延遲步數及隱含層節點數，隨著延遲步數的增加，系統的預測能力提高，隱含層節點數主要用于提高預測精度，但并非越多越好。同樣，在該訓練集中人為設置訓練集占比、測試集占比、驗證集占比、學習率、最大訓練次數、訓練要求精度等參數，如表1所示。

3.2? ? 數據處理

經四分位法數據預處理后得篩選后的正常數據散點圖如圖1所示。該圖將大部分被判定為異常數據的值移除掉后，保留了主要部分的正確數據，總體來說效率很高，盡管還遺留著較為緊湊的一部分低功率的異常數據，但已經能夠達到部分效果，所保留的正常數據也具有更好的分辨性和價值。

3.3? ? 功率預測建模仿真

根據海上風電機組SCADA數據，選取風電機組功率處于300～1 500 kW之間的100個數據，大部分該段風機并未達到滿發額定功率狀態，仿真得表2。

由表2可見，所取數據中的最佳自回歸階數是2，其對應均方誤差為35 104.282 4。所以后面的模型采用二階自回歸模型并繼續仿真，得對比圖2和相對誤差圖3。

由圖2、圖3可以看出，在風速波動較小的區域，預測值非常準確，趨勢相同；但在風速波動較大的區域，預測值與實際值相差較大，趨勢不夠準確。原因很簡單，對于二階自回歸，當進入下一個時間節點時的波動較大時，即X2值較大，前一個值也會影響后續的預測值。從圖2中的數據點可以看出，在預測出現誤差后的兩個點內，誤差振蕩衰減，當過了第二個值后預測值趨于回歸正常值。

4? ? 結論

本文提出了一種基于自回歸模型的短期海上風電功率預測方法，主要解決海上風電功率預測問題。采用時間序列自回歸模型和大量風速、風電功率歷史數據對短期內的風電功率進行預測，得出實際值與預測值之間的誤差，對該方法的準確性進行評估和分析。

在研究海上風電功率建模時，NAR同時具備了非線性與自回歸的幾大特點：誤差較小，所需數據不多，能夠利用自身變量進行預測，最為關鍵的是其略去了復雜的建模過程，使用先進的人工智能代替人腦訓練。

基于自回歸模型的海上風電機組功率預測方法在環境穩定、風速變化小的地方可以發揮良好的預測效果，具體體現為預測值與真實值的低誤差和優秀準確的趨勢；但在一些環境較差的地方，如風速（風電功率）值大、風速（風電功率）變化率大的地方，具有一定的偶然性，僅使用自回歸模型未必能起到很好的預測效果，因此必須與其他方法配合使用。

[參考文獻]

[1] 李輝，胡姚剛，唐顯虎，等.并網風電機組在線運行狀態評估方法[J].中國電機工程學報，2010，30（33）：103-109.

[2] ZHANG C，WEI H K，ZHAO J S，et al.Short-term wind speed forecasting using empirical mode decomp-osition and feature selection[J].Renewable energy，2016，96（Part A）：727-737.

[3] 朱喬木，李弘毅，王子琪，等.基于長短期記憶網絡的風電場發電功率超短期預測[J].電網技術，2017，41（12）：3797-3802.

[4] 殷豪，歐祖宏，陳德，等.基于二次模式分解和級聯式深度學習的超短期風電功率預測[J].電網技術，2020，44（2）：445-453.

[5] 劉立陽，吳軍基，孟紹良.短期風電功率預測誤差分布研究[J].電力系統保護與控制，2013，41（12）：65-70.

[6] 楊正瓴，馮勇，熊定方，等.基于季風特性改進風電功率預測的研究展望[J].智能電網，2015，3（1）：1-7.

收稿日期：2023-02-15

作者簡介：王鋒（1983—），男，江蘇鹽城人，工程師，主要從事海上風電工程管理及技術研究工作。