基于自回归模型的短期海上风电功率预测

王锋 杨荣 黄攀 田智捷 陈静

摘要：由于煤炭资源匮乏和环境污染，人类逐渐开始发掘风电能的利用价值。然而风速的强不确定性导致其很难预测，鉴于此，基于自回归模型进行风电功率建模与仿真研究。经过NAR神经网络训练选择合适的自回归阶数，继而选择该阶数及对应隐藏节点重新训练，最后代入数据仿真得到结果进行分析比对。通过比较预测值与实际值，总结自回归模型的特点，得出基于该模型的海上风电机组功率预测方法在海上风电场具有实际应用价值和意义这一结论。

关键词：海上风电；神经网络；自回归模型；功率预测

中图分类号：TM614    文献标志码：A    文章编号：1671-0797（2023）12-0024-03

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

0    引言

风力发电逐渐成为世界各国能源开发的重点。2021年，中国风电装机创历史新高，新增吊装海上机组2 603台，新增装机容量达到1 448.2万kW，同比增长276.7%。规模化发展、深海漂浮式大功率海上装备、智能运维正在为海上风电发展注入强劲的动力。在“双碳”背景下，海上风电发展潜力巨大，机遇和挑战并存。

为测试和比较不同风电机组功率预测方法的精度，国内外学者开展了大量研究。文献[1]采用模糊综合评价法对陆上风电机组的运行状态进行评估。文献[2]首先采用经验模态分解（Empirical Mode Decomposition，

EMD）对风速序列进行分解，然后结合支持向量机（Support Vector Machine，SVM）对短期风速进行预测，但SVM的核函数以及参数的选择对预测结果具有一定影响。文献[3]利用距离分析法筛选出与风电出力相关性最高的气象因素作为长短期记忆（Long Short-Term Memory，LSTM）网络的输入特征来进行超短期风电功率预测，但该模型忽略了其余气象因素与风电出力的相关性，难以提高预测精度。文献[4]使用卷积神经网络（Convolutional Neural Network，CNN）挖掘气象变量的数据特征，结合门控循环单元进行功率预测，提高了气象变量与功率预测的相关性，但该模型仅是单通道卷积层与门控循环单元的简单拼接，未能有效保留输入数据的时间结构，且考虑的气象因素较少，难以直接推广到受多种复杂气象因素影响的海上。

针对上述难题，本文提出了一种基于自回归模型的海上风电功率预测方法，采用时间序列自回归算法对风力发电进行预测，并结合实际SCADA数据对方法进行验证。结果表明，时间序列自回归算法能够有效预测海上风电机组功率。

1    海上风电机组功率预测

除控制和优化风电场运行外，预测风电资源的行为可以为能源管理、能源政策制定者和电力交易商提供有价值的信息。此外，预测信息也有助于风力发电机和转换线的运行、维修和更换。风力发电的功率预测有以下不同分类和各种方法。

1.1    海上风电功率预测分类

（1）基于时间尺度的分类。

根据预测时间，风电预测通常分为超短期、短期、中期和长期预测四种。

（2）基于空间范围的分类。

在预测空间尺度下，可以将风力预测分为三部分：单一机器预测、单一风电场预测、区域风电场预测。

（3）基于建模对象的分类。

基于建模对象划分，风电预测分为基于风速和基于风力两种方法。前者观察单个风机的风速变化，预测未来风速；后者为基于风力发电机输出功率的预測方法，直接使用统计模型预测风力发电机的输出功率。

1.2    海上风电功率预测方法

目前，国内外的风电机组故障预测方法主要分为两类：确定性风电预测、概率性风电预测。确定性风电预测方法可以预测出未来某时刻的风电功率值，而概率性风电预测方法是一种衍生方法，因为确定性风电预测可能不够准确，它结合了预测结果与概率分布的性质，从而可以更准确地预测。

本文主要讨论确定性风电功率预测[5-6]。确定性风电功率预测方法可根据是否含有数值天气预报（NWP）分为统计学方法与物理模型法，前者不涉及NWP而后者涉及。而是否涉及NWP模型取决于预测范围，长时间范围考虑使用NWP的模型，而短时间范围（小于24 h）考虑时间序列方法。后一种模型对于传统电厂的优化非常有用，其中合理的预测范围可以在3～10 h之间变化，这取决于系统的大小和包括的传统机组类型。通常，物理模型用于大空间尺度预测，而时间序列方法更适用于某一点的预测。

2    自回归模型建立

风力发电机的整体工作状况是以发电功率的出力为指标，它反映了风机的风速与出力之间的关系，往往用来评价风机将风能转换为电能效率的优劣以及风电质量的优劣。

2.1    数据预处理

风机运行过程中，SCADA系统负责采集并记录机组数据，除去故障部分外，异常数据中还有很多不符合实际运行情况的，比如风力机的启停数据，所以实验数据都应进行预处理。该风电场的SCADA系统每隔10 min采集并记录一次机组数据，所采集数据主要包括电机有功功率、转子转速、风速等参数，该单台风机额定功率为2 000 kW。

对风电功率预测的WPF离群值采用四分位法进行检验和处理。四分位法的定义是：先把一组数据从小到大排序，然后平均分成4份，每份占总数的25%。Q1称下四分位数，Q2称中位数，Q3称上四分位数，在所有数据中，有25%的数据值小于Q1，有25%的数据大于Q3，Q1与Q3之差称为四分位数间距IQR，由该间距可得数据异常范围，剔除不在内限范围的离群值，内限范围为[Q1-1.5IQR，Q3+1.5IQR]。对天气预报的风速与风电功率均进行离群值的检验和处理，对≥Q3+1.5IQR的值用Q3+1.5IQR代替，≤Q1-1.5IQR的值用Q1-1.5IQR代替。

2.2    自回归模型

自回归模型（Autoregression）是统计上的一种处理时间序列的方法，公式如下：

式中：c为常数项；εt被假设为平均数等于0、标准差等于σ的随机误差值，εt被设为对于任何的t都不变。

在许多应用中，时序数据Xt通常可由历史数据的加权和随机扰动的叠加来表示：

式中：aj为常系数；εt为随机扰动（噪声）项。

自回归模型就是用这个公式来描述时序数据的时间序列模型。本文主要介绍基于时间序列的自回归模型的求解，即给定自回归模型，求解符合要求的时间序列{Xt}，并根据所求得的时间序列模型来分析。

自回归模型用一个常系数线性差分方程对时间序列{Xt}给出了描述，对于差分方程的求解属于数学问题，在此不多赘述。

学习时间序列的自回归数学模型后，可归入风电场模型中。对应于时间序列的考量，风力发电厂对风速在固定时间段内测量一次。本文中风速每10 min测量一次，将每次测量时间做一个记录，测量100次之后，生成一个时间序列。以时间序列尺度为横坐标，以风速或功率为纵坐标绘制预测图，将预测值与实际值比较后进行具体分析。

3    风电机组功率预测案例分析

以某海上风电机组为例，本文基于实际SCADA数据验证了所提出基于自回归模型的海上风电机组功率预测方法的有效性。

3.1    模型参数设置

本文的海上风电机组功率预测模型，只需对已获得的风电功率数据进行筛选及预处理即可代入时间序列NAR模型进行仿真。

NAR全称为“非线性自回归神经网络”，作为一种预测方法，NAR最重要的是先建立一个训练集，需要寻找最佳延迟步数及隐含层节点数，随着延迟步数的增加，系统的预测能力提高，隐含层节点数主要用于提高预测精度，但并非越多越好。同样，在该训练集中人为设置训练集占比、测试集占比、验证集占比、学习率、最大训练次数、训练要求精度等参数，如表1所示。

3.2    数据处理

经四分位法数据预处理后得筛选后的正常数据散点图如图1所示。该图将大部分被判定为异常数据的值移除掉后，保留了主要部分的正确数据，总体来说效率很高，尽管还遗留着较为紧凑的一部分低功率的异常数据，但已经能够达到部分效果，所保留的正常数据也具有更好的分辨性和价值。

3.3    功率预测建模仿真

根据海上风电机组SCADA数据，选取风电机组功率处于300～1 500 kW之间的100个数据，大部分该段风机并未达到满发额定功率状态，仿真得表2。

由表2可见，所取数据中的最佳自回归阶数是2，其对应均方误差为35 104.282 4。所以后面的模型采用二阶自回归模型并继续仿真，得对比图2和相对误差图3。

由图2、图3可以看出，在风速波动较小的区域，预测值非常准确，趋势相同；但在风速波动较大的区域，预测值与实际值相差较大，趋势不够准确。原因很简单，对于二阶自回归，当进入下一个时间节点时的波动较大时，即X2值较大，前一个值也会影响后续的预测值。从图2中的数据点可以看出，在预测出现误差后的两个点内，误差振荡衰减，当过了第二个值后预测值趋于回归正常值。

4    结论

本文提出了一种基于自回归模型的短期海上风电功率预测方法，主要解决海上风电功率预测问题。采用時间序列自回归模型和大量风速、风电功率历史数据对短期内的风电功率进行预测，得出实际值与预测值之间的误差，对该方法的准确性进行评估和分析。

在研究海上风电功率建模时，NAR同时具备了非线性与自回归的几大特点：误差较小，所需数据不多，能够利用自身变量进行预测，最为关键的是其略去了复杂的建模过程，使用先进的人工智能代替人脑训练。

基于自回归模型的海上风电机组功率预测方法在环境稳定、风速变化小的地方可以发挥良好的预测效果，具体体现为预测值与真实值的低误差和优秀准确的趋势；但在一些环境较差的地方，如风速（风电功率）值大、风速（风电功率）变化率大的地方，具有一定的偶然性，仅使用自回归模型未必能起到很好的预测效果，因此必须与其他方法配合使用。

[参考文献]

[1] 李辉，胡姚刚，唐显虎，等.并网风电机组在线运行状态评估方法[J].中国电机工程学报，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] 朱乔木，李弘毅，王子琪，等.基于长短期记忆网络的风电场发电功率超短期预测[J].电网技术，2017，41（12）：3797-3802.

[4] 殷豪，欧祖宏，陈德，等.基于二次模式分解和级联式深度学习的超短期风电功率预测[J].电网技术，2020，44（2）：445-453.

[5] 刘立阳，吴军基，孟绍良.短期风电功率预测误差分布研究[J].电力系统保护与控制，2013，41（12）：65-70.

[6] 杨正瓴，冯勇，熊定方，等.基于季风特性改进风电功率预测的研究展望[J].智能电网，2015，3（1）：1-7.

收稿日期：2023-02-15

作者简介：王锋（1983—），男，江苏盐城人，工程师，主要从事海上风电工程管理及技术研究工作。