风电场功率预测技术研究进展

张飞 习佳 孙晓辉 郭子梦

摘要：指出了风功率预测的研究对保证电力系统安全、经济运行以及提高电能质量有着重要意义。探讨了当前风功率预测的主要方法，论述了风功率预测中的关键技术步骤.对短期风功率预测及实时功能率预测的发展趋势进行了展望。

关键词：功率预测;风力发电;组合预测

中图分类号：TM614 文献标识码：A 文章编号：1674-9944（2019）18-0194-02

1引言

在现代化的建设过程中，我国对于风力发电的重视程度较高，相关技术也越来越成熟，已经创造出了可观的经济效益。然而，风力发电具有间隙性、随机性和波动性的特点，这给整个电力系统的安全、稳定运行带来了挑战，直接影响了风电厂在整个电力行业的竞争力。因此，加快风功率预测的研究、提高功率预测的精度显得尤为重要。

2风功率预测的主要方法

当下风功率预测方法主要分为以下四类。

（1）按照预测时间划分，可分为长期预测、中期预测、短期预测以及超短期预测。长期预测以年为单位在新风场选址、规划中起着重要作用。以月为单位的中期预测可以更合理的安排风场大规模检修。短期预测主要用于优化电网调度，一般提前1～2d进行。以控制风电机组为目的的超短期预测一般是提前几十分钟或几小时进行预测。当下的实时预测也属于超短期预测的范畴。

（2）按照预测模型的对象不同，可分为间接法和直接法。以风速为对象，实现对风速的精准预测进而根据风功率曲线得到预测功率属于间接方法;以功率为研究对象不考虑风速的变化过程进行风功率预测则属于直接方法。

（3）按照所用预测模型差异，可分为统计模型预测和物理模型预测。忽略风速物理变化过程，依据统计学原理，寻求历史数据和机组输出功率的映射关系，从而进行功率预测的方法叫做统计模型预测方法。常见的统计模型预测法有卡尔曼滤波法、时间序列法等，和基于智能类模型的人工神经网络法、小波分析法、SVM回归法、模糊逻辑法等。

统计方法依赖于历史数据，这使其在进行长期预测时有一定的局限性，主要体现在大量的数据处理和长期的历史数据统计这两方面。但是对于超短期的预测往往有着很好的效果。

物理模型预测法是指根据NWP提供的气象预测值再结合风机周围的物理信息得到风电机组轮毅高度的风速和风向信息的预测值，最后根据风功率曲线得出功率预测值。然而，受分辨率的影响，该方法只能满足于整个风场的功率预测精度，并不能直接用于风电机组的功率预测。

（4）按照功率预测模型个数划分，可分为单一功率预测和组合功率预测。像小波分析法、时间序列法、神经网络法等局限在单一的数学模型或物理模型中的预测方法称为单一功率预测。选择一定的组合方式把单一模型集成起来进行预测称为组合功率预测。

单一功率预测往往忽略了其物理影响因素，导致预测精度效果不佳。组合功率预测发挥了各种算法的优势，在算法的精度和泛化能力上都有了很大提高。例如，基于粗糙集和神经网络的组合预测、基于PCA和粗糙集的组合预测，这些预测方法都达到了良好的预测效果。

3风功率预测中的关键技术步骤

3.1数据预处理

目前数据预处理常用方法包括数据分解、PCA降维、粗糙集等。

（1）目前常用的数据分解法包括小波分解和经验模态分解（EMD），当涉及到基于数据自身时间尺度的信号分解时小波分解就会失效，而EMD不能很好的处理模态混叠现象。于是一种基于EMD的优化算法EEMD被提出。该算法可有效进行风功率分解，并减轻模态混叠现象。

（2）主成分分析法（PCA）的核心思想是降维。这方法可以减少变量的个数，并且可以保留原数据样本的关键信息。采用PCA降维可以有效降低训练时间，提高预测速度。

（3）粗糙集理论是一种处理不精确、不一致、不完整信息的有效工具。它不需要任何的先验知识，可帮助我们在庞大的数据库中挖掘有用的信息，将数据去粗取精。

（4）针对实测风速和功率数据中包含奇异点以及同一风速下风功率存在较大范围波动的问题。文献[5]提出一种数据预处理算法。首先，采用拉依达准则剔除风速和功率奇异点，再使用优化的一次指数平滑法及最大皮尔逊相关系数对风速进行平滑处理，有效的提高了预测精度。

3.2预测模型优化

气象条件往往是不稳定的，目前单纯使用物理模型预测方法进行短期或超短期预测并不多见。本文主要讨论统计模型预测的相关预测模型。

（1）时间序列分析是对大量的时间数据序列进行参数估计、模型识别等过程后确定一个数学模型进行预测。风电功率和风速数据通常是非平稳时间序列，应用时间序列分析模型前一般需要经过差分之后才能变为平稳时间序列。文献[6]采用带有季节因子的差分自回归滑动平均模型（SARIMA）对风电场的风速和风功率进行短期预测。预测效果明显优于差分自回归滑动平均模型（ARIMA）。

（2）ANN是通过复制人类大脑工作过程的方法，可以处理复杂的非线性问题。防止人工神经网络算法陷入局部最优和过学习的问题，仍然是其改进的研究方向。目前众多学者将ANN模型进行了不同的改进，预测精度不断提高。文献[7]提出基于动态神经网络的风电场输出功率预测模型，仿真结果表明，动态神经网络在预测具有时间序列特性的风功率时效果优于静态神经网络。

（3）SVM是基于结构风险最小化原则，适用于小样本情形下模型的建立的一种学习方法。SVM预测方法通过核函数，将样本空间的输入映射到高维特征空间，解决了传统方法中的维数灾难、学习时间长、模型适应性弱等问题。目前.众多学者将SVM模型进行了不同的改进。

（4）考虑时空相关性的方法基于多个相互关联的风电场信息共享的数据平台，风电功率时间序列在不同空间点之间有很强的关联性，根据由风电场内风电机组间空间排布关系推导出的空间相关矩阵，得到其他风电机组的风速、风向，进一步可得到风电功率预测值。

（5）单一的功率预测法往往达不到预期的预测精度，于是相关学者提出了组合预测的思想。目前主要有两种组合预测思想。

第一种组合思想是在传统的预测模型前增加数据的预处理过程。如文献[8]采用集合经验模态分解（EEMD）法将原始风速信号分解为频域稳定的子序列并对LS-SVM预测模型进行了优化，有效地提高了预测精度。

另一种组合思想是发挥各种单一预测模型的优势进行预测，最后采用适当的加权方式，把各种模型的预测结果综合起来。文献[9]将持续预测法与马尔可夫预测理论进行相结合，利用熵值法确定了组合模型中的加权系数，从而组建了组合预测模型，提升了风力发电机功率预测精度。

3.3预测结果分析

国家能源部门会对风电场进行的监管，对风电场运行是否满足调度并网要求进行奖惩。对常规风功率点预测的评价指标主要有平均绝对误（MAE）、均方误差（MSE）、均方根误差（RMSE）、标准差（SDE）、准确率、合格率等。MAE表示预测误差的实际情况;MSE和RMSE表示误差的分散程度;SDE表示误差分布的标准差估计。研究过程中可以通过这些指标先筛选出预测结果准确率较高的预测模型，再根据合格率选出最优的预测模型。

4短期风功率预测及实时功能率预测的发展趋势

（1）目前，关于风功率的短期预测研究大部分集中在预测算研究上，对模型存在异常输人的情况考虑不够周全。优化数据预处理算法，可以有效提升模型預测精度。

（2）优化NWP系统，提高系统的分辨率、更新频率和预报精度，可以对风电功率预测起到根本性的改善。

（3）发挥单一模型的优势，采用组合预测的思想，也是提高预测精度的有效途径。

为了提高预测精度而优化NWP系统、重视数据预处理环节、采用组合预测思想将成为风电预测的发展趋势。

5结语

电网的经济性和安全性很大程度上依赖于高精度的风功率预测结果。本文介绍了风功率预测法的主要分类，论述了预测过程的关键技术步骤。优化NWP系统、优化数据预处理算法以及采用组合预测的思想，可以进一步提升预测精度。