风电功率预测综述

王奎 三峡大学电气与新能源学院本科 赵明 三峡大学电气与新能源学院本科 何成君 三峡大学电气与新能源学院本科

随着我国越来越鼓励新能源发电，发电的风电并网规模愈来愈大，而另一方面，风电负荷的不确定性对电力系统的稳定性和安全性的影响也日益彰显。那么对风电功率的预测就显得尤为重要了，风电功率的预测可以加强电力系统的稳定性、安全性以及提高风电功率的消纳能力，同时还可以降低风电场的成本，提高风电场的经济效益和用户对风电的利用率。本文对风电功率的预测方法进行了介绍和总结，以及介绍了提高其预测精度的方法和重要性，为以后的进一步发展和研究提供了参考。

1 风电功率预测的方法

由历史数据通过主成分分析可以找出影响风电场出力的主要因素，然后由实际测量的数据和数值天气预报的数据（NWP）对风电场出力进行短期，中长期，长期的预测，比较常用的预测方法：人工神经网络方法、混合专家经验法、时间序列分析方法、蚁群优化，支持向量机法等。另外，这些年来国内外在数据挖掘算法上发展迅猛，也使得数据挖掘算法在风电功率预测上取得了重大的突破，结合国内外多种预测模型的优点，建立风电功率组合模型也成为时代的研究趋势。而有效地结合物理数值天气预报的预测数据(NWP) 与风电场功率输出的关系可以使得预测的精度得到显著性的提高。

2 确定性预测方法

2.1 持续法

视紧接着的下一时刻的风电功率预测值为当前时刻的风电功率值，

2.2 时间序列分析法

step1：将历史风电数据首先进行两步预先的处理：理想化处理，小波滤波分析。

step2：将经过小波滤波分析后得到的风电出力时间序列划分为两部分：风过程和片段。

step3：将风过程可以近似看作马尔科夫随机过程，对分离出来的片段进行分析，得出片段满足随机分布，并将片段概率分布记录下来。

Step4：通过随机抽样技术抽取风过程和片段的部分片段，用样本来推断总体的情况，最终得到模拟风电出力时间序列。

2.3 人工神经网络法

人工神经网络法适用于短期的风电预测，首先通过主成份分析法筛选出同预测目标（风电出力）相关性较大的影响因素，并收集这些因素的历史数据，然后对训练样本进行模糊聚类，将具有一定相同特征的样本分为一类，分类后可以提高风电功率预测的精度；然后针对每一类样本建立 BP 神经网络模型。首先收集数值天气预报系统的相关气象信息，将气温、气压、风速、风向、湿度作为输入层，风电场出力作为神经网络的输出层进行预测。

3 基于小波包和 CSO-ENN 的预测模型

基于小波包变换和纵横交叉算法的优化神经网络（CSO-ENN）的预测模型：

（1）利用小波分解的方法，将风电功率的时间序列进行一系列分解，可以得到多个频率的子序列。

（2）构建纵横交叉算法优化后的神经网络 (CSO-ENN)预测模型，对具有不同特征的子序列进行分析和预测，记录下各子序列的预测值。

（3）筛选出符合实际的子序列预测值，将筛选后的子序列预测值进行累加，进而得出所求的最终风电功率预测结果。

优势：

（1）CSO 算法具有收敛精度高，全局搜索能力强的特点，弥补了神经网络在预测中，收敛速度较慢，预测精度相对较低的弊端（如BP神经网络），CSO算法明显优于传统的神经网络，预测结果更可靠。

（2）小波包分解可以极大的改善预测的精度，提高预测的准确性，优势更加明显。

4 结束语

风电预测是风力发电领域的一个热点研究方向，而我国的风电场地形，当地气象信息各不一致，需要在因地制宜地开展风电功率预测工作的同时，还需要不断结合国内外的先进预测方法的优点，建立组合风电功率组合模型来提高预测精度，这两个举措都对风力发电的未来发展起到推动作用。预测出来的风电曲线可以提高电力系统的安全性和可控性，还有利于合理的安排机组的出力，降低其发电的成本。

[1]薛禹胜,郁琛,赵俊华,Kang LI,Xueqin LIU,Qiuwei WU,Guangya YANG.关于短期及超短期风电功率预测的评述[J].电力系统自动化,2015,39(06):141-151.

[2]刘纯,吕振华,黄越辉,马烁,王伟胜.长时间尺度风电出力时间序列建模新方法研究[J].电力系统保护与控制,2013,41(01):7-13.

[3]孟安波,卢海明,胡函武,郭壮志.混合小波包与纵横交叉算法的风电预测神经网络模型[J].太阳能学报,2015,36(07):1645-1651.