風(fēng)電場風(fēng)功率預(yù)測模型準(zhǔn)確性探究

摘要：風(fēng)電場輸出功率預(yù)報的準(zhǔn)確性需要風(fēng)功率的精準(zhǔn)預(yù)測來支持，不斷提高風(fēng)電場輸出風(fēng)功率預(yù)測的準(zhǔn)確度是風(fēng)功率精準(zhǔn)預(yù)報的關(guān)鍵。為準(zhǔn)確預(yù)測風(fēng)功率，使風(fēng)電場輸出風(fēng)功率保持較高的穩(wěn)定性，提高風(fēng)能利用效率及電力系統(tǒng)的穩(wěn)定性，文章選用了3種最常見的模型進(jìn)行風(fēng)電輸出功率預(yù)測研究：自回歸求和滑動平均模型（ARIMA）預(yù)測、灰色系統(tǒng)GM（1，1）預(yù)測和BP神經(jīng)網(wǎng)絡(luò)預(yù)測；選取某風(fēng)電場4月份某天的風(fēng)電輸出功率數(shù)值作為樣本進(jìn)行超短期預(yù)測；隨后計算出這3種預(yù)測模型的均方根誤差E_rms、平均絕對誤差E_av以及準(zhǔn)確率r來對比它們的預(yù)測準(zhǔn)確度。通過對比，發(fā)現(xiàn)利用自回歸求和滑動平均模型對風(fēng)功率進(jìn)行短期預(yù)測能得到比較高的預(yù)測精度。

關(guān)鍵詞：風(fēng)功率預(yù)測；灰色系統(tǒng)；BP神經(jīng)網(wǎng)絡(luò)；自回歸求和滑動平均模型

中圖分類號：TK89 文獻(xiàn)標(biāo)志碼：A

0 引言

隨著“雙碳”目標(biāo)的穩(wěn)步推進(jìn)，以風(fēng)能為代表的新型清潔能源正發(fā)揮著越來越重要的作用。近年來，我國風(fēng)電裝機(jī)容量迅速增加，但是風(fēng)能具有波動性和不確定性的特點(diǎn)，這就導(dǎo)致風(fēng)電場的輸出功率也是非常不穩(wěn)定，這樣對電力系統(tǒng)的穩(wěn)定、安全、經(jīng)濟(jì)運(yùn)行造成一定的影響。因此需要對風(fēng)功率進(jìn)行精準(zhǔn)預(yù)測預(yù)報，配合功率平滑技術(shù)的應(yīng)用，從而提高風(fēng)電場輸出功率的穩(wěn)定性，保障電力系統(tǒng)的安全、穩(wěn)定、高效運(yùn)行。

1 風(fēng)電場功率預(yù)測預(yù)報指標(biāo)

國家能源局早在2011年就對風(fēng)電場輸出功率的預(yù)測與預(yù)報做出明確的規(guī)范要求。按照相關(guān)規(guī)定，日預(yù)報是需要在特定時間前及時向當(dāng)?shù)仉娋W(wǎng)調(diào)度部門提交第二天0點(diǎn)到24點(diǎn)按15 min單次的頻次預(yù)測預(yù)報數(shù)據(jù)。實(shí)時預(yù)報指的是按照每15 min為一個時間節(jié)點(diǎn)對將來15 min到4 h的風(fēng)電場輸出風(fēng)電功率的預(yù)測和預(yù)報。同時，規(guī)定了全天預(yù)測預(yù)報的結(jié)果，其均方根誤差應(yīng)當(dāng)控制在20%以下，日預(yù)報的最大誤差也要控制在25%以下，此外規(guī)定實(shí)時預(yù)報誤差應(yīng)控制在15%以下。

2 灰色系統(tǒng)預(yù)測

灰色系統(tǒng)其實(shí)就是指信息不能完全顯示的系統(tǒng)，灰色系統(tǒng)預(yù)測就是對同時包含已知信息和不知信息的灰色過程建模并進(jìn)行預(yù)測。灰色預(yù)測模型GM（1，1）的優(yōu)點(diǎn)是對數(shù)據(jù)量的需求不大，可以利用常見的微分方程來探析灰色系統(tǒng)深層次的本質(zhì)，其優(yōu)點(diǎn)還包括精度高、運(yùn)算方便、檢驗(yàn)容易。但是，該模型的缺點(diǎn)也很明顯，它僅僅適用在中短期的預(yù)測中和對呈現(xiàn)出指數(shù)增長趨勢模型的預(yù)測，這就使得該模型只有相對較窄的適用范圍。風(fēng)功率的變化具有一定的可變性和不確定性，但是其變化過程又可以找到一定的規(guī)律。因此風(fēng)電輸出功率符合灰色系統(tǒng)的特征，因而可以在此基礎(chǔ)上構(gòu)建風(fēng)電輸出功率的灰色預(yù)測模型GM（1，1）^［1］。

灰色系統(tǒng)預(yù)測僅需要少量的數(shù)據(jù)，所以本文結(jié)合某風(fēng)電場現(xiàn)場實(shí)際選取當(dāng)天0點(diǎn)0分至3點(diǎn)45分4 h每15 min 1個數(shù)據(jù)，總計16個原始數(shù)據(jù)來作為樣本數(shù)據(jù)，預(yù)測該風(fēng)電場4 h的輸出風(fēng)功率。建立模型步驟包括級比檢驗(yàn)、使用GM（1，1）建模以及計算平均絕對誤差進(jìn)行模型檢驗(yàn)最后得到預(yù)測結(jié)果。使用建模軟件MATLAB構(gòu)建灰色系統(tǒng)GM（1，1）的預(yù)測模型，對該風(fēng)電場4 h風(fēng)電場的輸出功率進(jìn)行建模預(yù)測并展開分析。

3 BP神經(jīng)網(wǎng)絡(luò)預(yù)測

BP神經(jīng)網(wǎng)絡(luò)預(yù)測的基本原理主要是通過對誤差的逆向傳播算法來反復(fù)多次地訓(xùn)練多層前饋網(wǎng)絡(luò)，其學(xué)習(xí)的規(guī)則通常是采用最速下降的方法，并且通過不斷地反向傳播來調(diào)整BP神經(jīng)網(wǎng)絡(luò)系統(tǒng)的閾值和權(quán)值，從而逐步減小誤差平方和，使得計算到的誤差平方和逐步到達(dá)最小的數(shù)值。BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型作為風(fēng)電場輸出功率預(yù)測的模型。該系統(tǒng)基本的拓?fù)浣Y(jié)構(gòu)包含了輸入層、隱含層和輸出層3個層次^［2］。BP神經(jīng)網(wǎng)絡(luò)通過不斷的訓(xùn)練來調(diào)節(jié)從輸入層到隱含層再到輸出層之間的連接權(quán)值，這樣該模型誤差值的平均值會逐漸減小到最小。該模型預(yù)測的順序包括：（1）網(wǎng)絡(luò)初始化；（2）隨機(jī)選擇輸入樣本及期望輸出；（3）計算隱含層各神經(jīng)元的輸入和輸出；（4）計算誤差函數(shù)對隱含層各神經(jīng)元的偏導(dǎo)數(shù)；（5）修正連接權(quán)值、計算全局誤差；（6）與預(yù)設(shè)精度進(jìn)行比較；（7）選取下一個學(xué)習(xí)樣本及期望輸出；（8）重復(fù)（3）～（7）的步驟。

BP神經(jīng)網(wǎng)絡(luò)模型在學(xué)習(xí)過程中需要充足的原始數(shù)據(jù)才能分析，在建模軟件MATLAB建立仿真預(yù)測模型時，本文選取了同一風(fēng)電場兩天的風(fēng)功率數(shù)值總計768個實(shí)測數(shù)據(jù)作為樣本數(shù)據(jù)來進(jìn)行訓(xùn)練，對同時間段4 h的風(fēng)電場風(fēng)電輸出功率進(jìn)行預(yù)測分析。通過多次反復(fù)訓(xùn)練進(jìn)而預(yù)測得到預(yù)測結(jié)果。

4 自回歸求和滑動平均模型

自回歸求和滑動平均模型是一種常見的基于時間序列的模型，因此被稱為ARIMA（p，d，q）模型，其基本的思想就是將預(yù)測得到的對象隨著時間的分布排列成數(shù)列，并將這樣的數(shù)列看成一個隨機(jī)的序列，用自回歸求和滑動平均模型來表達(dá)這個序列Xt，從而依照這個時間序列的原始數(shù)值來預(yù)測將來值^［3］。

自回歸求和滑動平均預(yù)測模型不需要大量的樣本數(shù)據(jù)來預(yù)測將來的風(fēng)電場風(fēng)電輸出功率，本文采用同一風(fēng)電場同一天全天采集到的96個風(fēng)電功率P作為最原先的時間序列Xt，隨后對時間序列進(jìn)行分析并建立ARIMA模型，進(jìn)而預(yù)測次日0點(diǎn)0分至3點(diǎn)45分的風(fēng)電場輸出功率。

預(yù)測的流程包括以下6個方面。（1）利用ADF單位根檢驗(yàn)的方式對時間序列散點(diǎn)圖的方差、趨勢，自相關(guān)函數(shù)的方差、趨勢及其季節(jié)性變化的規(guī)律和偏自相關(guān)函數(shù)圖的方差、趨勢，以及其季節(jié)性變化的規(guī)律進(jìn)行初步檢測，從而判斷時間序列的平穩(wěn)性^［4］。（2）對模型進(jìn)行平穩(wěn)化的處理：當(dāng)模型檢測到的時間序列出現(xiàn)不穩(wěn)定時，這時需要對數(shù)據(jù)進(jìn)行差分化處理，接著再次進(jìn)行適當(dāng)檢測，直到時間序列趨于穩(wěn)定的狀態(tài)。（3）對模型進(jìn)行進(jìn)一步識別：根據(jù)自相關(guān)函數(shù)（ACF）的“拖尾”與“截尾”和偏自相關(guān)函數(shù)（PACF）的“拖尾”與“截尾”來對模型做進(jìn)一步識別^［3］，其中“拖尾”是指自相關(guān)函數(shù)（ACF）或者偏自相關(guān)函數(shù)（PACF）在運(yùn)算到某一步驟之后將以震蕩衰減或者指數(shù)衰減的形式漸漸趨向于零；“截尾”是指自相關(guān)函數(shù)（ACF）或者偏自相關(guān)函數(shù)（PACF）在運(yùn)算到某步之后變?yōu)榱慊蜃優(yōu)椴伙@著的非零。（4）對參數(shù)進(jìn)行估計和對該模型進(jìn)行定階：該模型首先利用最小二乘法的方法來求能夠使得殘差平方和到達(dá)最小值的自回歸參數(shù)p與滑動平均參數(shù)q，進(jìn)而來對參數(shù)進(jìn)行估計；隨后采用AIC準(zhǔn)則對模型進(jìn)行定階，最后選擇Z值最小的模型來建模^［4］。（5）對模型進(jìn)行檢驗(yàn)：若殘差的序列呈現(xiàn)非自相關(guān)性的特征，那么該模型建設(shè)就是有效的。（6）利用自回歸求和滑動平均函數(shù)對風(fēng)電場輸出功率進(jìn)行預(yù)測，利用MATLAB編寫相對應(yīng)的函數(shù)，從而完成預(yù)測。

5 預(yù)測方法對比分析

從圖1可以看出，灰色系統(tǒng)預(yù)測模型的結(jié)果能夠預(yù)測出樣本數(shù)據(jù)的基本變化趨勢，預(yù)測得到的結(jié)果對模型變化趨勢的判斷具有指導(dǎo)意義，但是從準(zhǔn)確性的角度出發(fā)，該預(yù)測模型預(yù)測到的數(shù)值與樣本數(shù)值之間依然存在不小的誤差。在BP神經(jīng)網(wǎng)絡(luò)仿真計算過程中，該模型設(shè)定了16個隱含層的單元，通過反復(fù)多次訓(xùn)練，但是由于BP神經(jīng)網(wǎng)絡(luò)模型不太理想的收斂性，該模型得到的結(jié)果出現(xiàn)了不太穩(wěn)定的現(xiàn)象。本文選取了相比較而言較為理想的預(yù)測結(jié)果，但是該預(yù)測得到的曲線與原始數(shù)據(jù)曲線的重合度并不高，個別的預(yù)測點(diǎn)相較于原始數(shù)據(jù)依然存在比較大的誤差，如圖1所示。通過對圖像進(jìn)行對比可以直觀地看出，自回歸求和滑動平均（ARIMA）模型預(yù)測到的風(fēng)功率曲線和實(shí)際的風(fēng)功率數(shù)據(jù)曲線具有最高的重合度，因此該模型的預(yù)測結(jié)果也最為準(zhǔn)確。

圖1 3種預(yù)測得到的輸出功率與實(shí)際輸出功率的對比

預(yù)測的精準(zhǔn)度是判斷風(fēng)電場風(fēng)電輸出功率預(yù)測模型準(zhǔn)確性最為重要的方式，本文分別計算出這3種風(fēng)電輸出功率預(yù)測模型的均方根誤差E_rms、平均絕對誤差E_av和準(zhǔn)確率r，以此作為評價這3種預(yù)測模型準(zhǔn)確性的標(biāo)準(zhǔn)，從而從其中選擇最優(yōu)的預(yù)測模型^［5］。國家能源局也將準(zhǔn)確率r作為風(fēng)電場風(fēng)電輸出功率重要的考核指標(biāo)。計算得到3種預(yù)測模型的均方根誤差E_rms、平均絕對誤差E_av和準(zhǔn)確率r，如表1所示。

6 結(jié)語

從表1得到的數(shù)據(jù)可知，灰色預(yù)測GM（1，1）模型雖然不需要大量的樣本數(shù)據(jù)，但是在風(fēng)功率的預(yù)測應(yīng)用中，僅僅適用于中短期的預(yù)測，存在使用范圍相對較窄的缺陷，且主要適用在指數(shù)模型預(yù)測中，若風(fēng)電場風(fēng)電輸出功率的樣本數(shù)據(jù)不是呈現(xiàn)出指數(shù)變化，則灰色預(yù)測模型便不適用。BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型雖然具有一定的自學(xué)習(xí)能力和自適應(yīng)能力，但是在風(fēng)功率預(yù)測模型的應(yīng)用中需要進(jìn)行大量的訓(xùn)練和學(xué)習(xí)，不一樣的訓(xùn)練和學(xué)習(xí)次數(shù)會對訓(xùn)練結(jié)果產(chǎn)生不一樣的影響，所以這樣預(yù)測出來的結(jié)果不能讓人滿意。 而本文采用的自回歸求和滑動平均模型（ARIMA）則可利用歷史數(shù)據(jù)進(jìn)行建模分析，該預(yù)測模型需要的信息少，而且運(yùn)算也非常方便，在風(fēng)功率預(yù)測方面相比于其他兩種預(yù)測模型具有準(zhǔn)確性較高的特點(diǎn)，在風(fēng)電場現(xiàn)場風(fēng)電輸出功率預(yù)測的應(yīng)用中可以使用。

參考文獻(xiàn)

［1］佘昊龍，曹曉宇，趙桓鋒.灰色模型預(yù)測風(fēng)電功率［J］.無線互聯(lián)科技，2012（7）：177.

［2］史博明.基于組合模型的短期風(fēng)電功率預(yù)測研究［D］.石家莊：河北科技大學(xué)，2021.

［3］麻常輝，馮紅霞，蔣哲，等.基于時間序列和神經(jīng)網(wǎng)絡(luò)法的風(fēng)電功率預(yù)測［J］.山東大學(xué)學(xué)報（工學(xué)版），2014（1）：85-89.

［4］黨睿，張俊芳.基于自回歸滑動平均模型的風(fēng)電功率預(yù)測［J］.安徽工業(yè)大學(xué)學(xué)報（自然科學(xué)版），2015（7）：274-275.

［5］孟巖峰，胡書舉，鄧雅，等.風(fēng)電功率預(yù)測誤差分析及預(yù)測誤差評價方法［J］.電力建設(shè)，2013（7）：6-9.

（編輯 李春燕編輯）

Research on the accuracy of wind power prediction model in wind farm

Liu" Zhibing

（Jiangsu Longyuan Wind Power Co.， Ltd.， Nantong 226500， China）

Abstract：" The accuracy of wind farm output power prediction needs the support of accurate wind power prediction， therefore， continuously improving the accuracy of wind power prediction is the key to accurate wind power prediction. In order to predict wind power accurately， keep the output wind power of the wind farm stable and improve the efficiency of wind energy utilization and the stability of power system. In this paper， three most common models are used to predict wind power output： auto regressive summation moving average module（ARIMA）， gray system GM（1，1） and BP neural network module. In this paper， we select the wind power output value of a wind farm on a certain day in April as a sample for ultra short-term prediction. And then， calculate the root mean square error E_rms ， the mean absolute error E_av and the accuracy r of this three prediction models to compare their predictions. By force of contrast， it is found that using auto regressive summation moving average model to predict short-term wind power can obtain relatively high prediction accuracy.

Key words： wind power prediction; gray system; BP neural network; auto regressive summation moving average model