关于提高中长期风功率预测准确性的研究

刘克华

（大唐新疆清洁能源有限公司，新疆 乌鲁木齐 830011）

0 引言

随着石化能源逐渐消耗，人们开始考虑环保可再生能源——风能。工业化的社会，电力是不可缺失一部分，因此，未来的电力市场形式将是先预测后决策，风功率的预测对电力部门发电计划起着举足轻重的作用。对于风功率预测方面的精力和研究更多投入于短期预测，而对于中长期预测准确性方面的研究较少，且风力等因素随时间推移增加使中长期预测准确性面临严峻挑战，因此，随着风电行业的快速，将中长期风力发电功率从未知变为已知，进一步增加预测精度，对电力系统及风电场的运行和维护具有重要意义。

目前国内外学者对于风功率的预测大体上采用以下三种方法，如图1。

物理模型的优点在于可实现较长时间的功率变化预测，缺点是预测精度难以保证。统计模型常用的有灰色理论模型，神经网络模型和支持向量机、时间序列法等方法。组合模型则是两种或者两种以上模型、方法的优势组合。

图1 风功率的预测三种方法Fig.1 Three methods of wind power prediction

1 预测模型及客观评价

1.1 灰色（GM）模型

1982年3月我国学者在国际上首先提出灰色模型，被后来学者广泛应用于各种研究中。上述我们提及风力发电具有波动性、随机性和间歇性以及诸多的不确定因素，这些不确定因素可以看作其具有灰色性，这符合应用灰色预测模型的条件，因此将其也常用于风功率预测中。目前风功率预测方法虽然有很多，但是这些预测方法都大量数据样本，困难且耗时，而GM不需要。

首先讨论近年来研究中较为常用的单变量一阶灰色预测模型——GM(1,1)的一些应用，文献［2］利用灰色新陈代谢模型以及Origin 函数拟合工具和风能转换理论[3]，应用两组实验测试数据，得到结论：GM的风电功率预测精度并非随着样本输入量的维度的增加而增加，而是存在一个最佳样本输入维度。此外，在对灰色模型进行优化以期提高精度时，文献［4］把握住了灰色模型预测精度提升的重要点即初始值和背景值，并在此基础上提出两种策略，结果数据表明均提高了预测精度。

文献［5］中GM（1.1）模型有多种形式，其中白化微分方程：

其中a为发展系数。文献［5］中有命题如下：

（1）GM(1,1)发展系数|a|≥2时，模型不存在价值，随着发展系数增加，预测精度迅速下降。

（2）GM(1,1)发展系数|a|≤0.3时，预测精度可以达到百分之九十八以上，此时适用于中长期预测。

中长期预测与短期和超短期预测不同，由于时间跨度较长，中长期的气压、气温等其他多种因素变化差异较大，造成的影响也较大。但是GM(1,1)模型只考虑一个变量的变化，没有考虑各个因素之间的联系。模型的复杂性是由输入量的多少确定，如果要考虑多重数据因素之间的联系和影响，可以利用融合关联分析方法的GM(1,n)模型，GM(1,n)模型包含传统灰色模型的多种优点，又可以动态构建的系统的发展过程，进一步提高预测精度[6]。

文献［6］提出了基于灰色理论的多变量故障预测方法，针对GM（1，1）预测模型无法综合考虑多个参数的缺点提出了改进方案，将关联度计算融入模型，对所有参数进行关联分析，按大小排序，选择关联性大的影响参数作为模型输入。文献［6］以此为基础剔除相关性小的影响参数，将关联度大的参数作为影响因素，作为多变量灰色预测模型的输入参数，经验证，该模型精度合格，达到良好等级。

1.2 神经网络模型

神经网络模型具有很强的非线性映射能力、自学适应能力和并行信息处理能力。主要有三种神经网络模型：混沌神经网络模型、粗糙集神经网络模型和持续模型。

文献［7］用粗糙集的方法，确定决策表，其中由条件属性（各种影响因子）和决策属性（风相关属性）所构成。利用粗糙集理论对决策表进行离散处理和属性约简分析，最终得到影响风功率的主因子，将其作为额外输入加入到混沌神经网络预测模型，建立起加入了风速的影响因子的粗糙集神经网络预测模型。对于应用在的中长期的预测中，粗糙集神经网络模型相较于其它两种，得到的预测效果和精度都较高。

与文献［7］类似，文献［8］采用约简分析和聚类方法，首先确定各属性的重要性，之后采用加权欧式距离对各属性聚类分析，建立起模糊粗糙集与改进聚类的神经网络风速预测模型，相对于传统神经网络预测方法，预测精度得到显著提高。

神经网络也存在一个问题就是预测结果受训练样本数量影响，所以如何控制样本和防止训练时“过拟合”现象是下一步研究重点。

1.3 组合模型

组合模型预测法是一种综合性的预测方法，也是目前风功率预测方法的研究趋势，由多种预测模型组合构成，包含不同模型的优点，能够保证预测模型更加可靠。文献［2］列出了灰色新陈代谢模型、粗糙集神经网络模型、混沌神经网络模型和持续模型两两组合得到的六种组合预测模型。其中以灰色新陈代谢模型和主成分神经网络模型组合的预测精度最高。由此证明，组合模型可以有效提升的预测准确度。

文献［9］将遗传算法与神经网络相结合，形成遗传神经网络，通过遗传算法的寻优能力优化神经网络的权值和阈值，取得了优于单一神经网络的预测成果。

除了关联分析法，常用于对于数据预处理的还有主成分分析法（PCA）。其以防止数据在某种程度上有重叠，降低预测模型的精度。PCA常与神经网络模型结合为组合模型，例如文献［10］，其既可以降低输入变量维数又可以提高输入变量之间的相关程度，使得网络结构简单。因此基于PCA的神经网络模型预测精确度高且时间短。

因此，考虑到现实情况，目前使用最多的是建立优化的组合模型功率预测系统来满足需求。

2 现存问题及发展趋势

2.1 现存问题

（1）灰色模型等传统模型智能自学能力较差，预测时无法兼顾各训练样本，会严重影响预测准确性。

（2）风电机组运行环境较为恶劣，外界因素使得数据不可靠，影响整个数据序列的规律，增加预测难度和准确性。

（3）长期运行的预测模型常存在技术、运维成本过高、无优化更新等问题，导致日常运行稳定性无法保证。

（4）鉴于风能发电本身的复杂性和不确定性,很难用一种或几种方法将各种影响因子及其内在规律进行有效处理和深入探究，更近一步的提高风电功率预测的准确性受到一定限制。

2.2 发展趋势

（1）首先需要增强数据采集能力、完善输入因子，对于风电功率预测模型采用各类的输入。模型的复杂性是由输入量的多少确定，选择合适的方法，如数据融合技术、对随机信号进行剔除，增强参数规律性，以提高预测精度。

（2）在ABC技术(A是人工智能，B是大数据，C是云计算)的大背景下，应该与最先进其他学科技术进行结合，建立高效率模型，使智能技术在风电行业要发挥更大的作用，实现人工只能，大幅度提高生产力。

（3）建立海上的风电场是我国“十三五”新能源发展重点，海上风力与内陆风力有较大差别，对风电机组设备等各方面提出更高要求，因此建立适合海上的云平台远程风电功率预测系统是未来发展趋势之一。

（4）对神经网络、灰色理论、遗传算法等模型深入研究，探求一个在超短期、短期、中长期三种时间跨度风电功率预测中保持高精度、良好相关性的预测模型。

3 结论

为了探讨提高中长期风电功率预测准确性，本文对大量文献进行梳理分析，从中长期风电预测中常用的有效模型：灰度模型、神经网络模型和组合模型的相关研究入手，总结了一些提高中长期风电功率预测准确性的可行方法，提出了三点风电功率预测模型当前存在的问题，并提出了未来研究方向，希望对中长期预测方面的相关研究者有所帮助。

风电功率预测技术当下正处于能源转型时期，更多关注“做什么”和“怎么做”，这需要用智慧创新引领，将当下新技术、新理念与新能源相结合，实现经济与技术的突破，创造更多奇迹。在未来，风电功率预测相关研究将引入更多新的因素条件，进一步提高预测精度。