組合預測模型在短期風電功率預測中的應用研究

王 靜孫 仙唐 靜方愿捷

(1 巢湖學院機械與電子工程學院，安徽 巢湖 238000）

(2 國網安徽無為縣供電有限責任公司，安徽 蕪湖 241000）

組合預測模型在短期風電功率預測中的應用研究

王 靜1孫 仙2唐 靜1方愿捷1

(1 巢湖學院機械與電子工程學院，安徽 巢湖 238000）

(2 國網安徽無為縣供電有限責任公司，安徽 蕪湖 241000）

為增強風功率預測的準確性，采用基于時間序列模型和支持向量機模型，并且利用最小方差法獲得權重系數，構建組合預測模型對風功率進行預測。仿真結果表明，該組合模型較單項預測模型具有更高的預測精度。

風電功率預測；組合預測;最小方差法;支持向量機

1 引言

20世紀以來，化石燃料大量消耗，人類隨之面臨著資源枯竭的壓力，與此同時也感受到了環境惡化的威脅。隨著中國對清潔和可循環能源的重視，大規模的風力發電站逐漸被運用到電力系統，對于豐富能源結構起到積極的作用。眾所周知，風能和太陽能同屬于清潔可再生能源，可以有效地緩解能源危機的壓力，并且能夠推動低碳經濟，促進可持續發展。但風能同樣不可避免的具有自身的弊端，例如波動性和間歇性。這種弊端在風電場大規模接入電網時表現的尤為突出，會造成風電功率波動，進而破壞電網平衡，降低電力系統的可靠性[1]。所以，提高功率預測的精確性能夠有效提升風電場和電力系統的協調運行能力，進而推動風電的持續發展。當前，用于預測的模型有回歸分析法、神經網絡、灰色預測等，但在解決小樣本、非線性、局部極小點等問題上還存在不足。采用電工杯建模大賽的實際風功率數據，運用最小方差法求取權重，采用基于時間序列法和支持向量機的組合預測模型，以進一步提高預測精度[2]。

2 時間序列模型和支持向量機模型

時間序列模型是風電功率預測常用數學模型。該模型依據大量歷史數據構造數學模型，推導出能夠表達所研究的序列的數學模型，達到預測的目的。

這里期望值的求法要遵循以下原則，如式(2-2）(2-3）：

其預測模型，如圖1∶

依據實際數據，將風電功率數據進行差分，然后根據自相關和偏自相關系數，采用ARIMA模型，表達式如(2-4）：

支持向量機(support vector machine，SVM）最早是由Vapnik等人在20世紀60年代提出的。原理是利用非線性映射φ(·），把輸入向量映射到高維特征空間H，采取結構風險最小化原則形成最優決策函數。最終，采取低維空間的核函數替代點積運算，以線性的方法，解決非線性問題，最優回歸函數表達式[2]：

式中w——權值向量，w∈Rk；b——常數，b∈R。

下面是其預測模型，如圖2：

3 組合預測模型

組合預測法，是指先利用n(n≥2）個單一模型對數據進行預測，參考單一模型的預測結果，結合適當方法進行組合，把不同的單一模型進行整合，構造出組合預測模型進行預測。

實際應用時針對具體問題，首先假設有n(n≥2）種單一模型，記第t期的實際值為Mt，第i種模型在第t期的預測值和預測誤差各為Nit和δit，并且

并且ωi是i第種單項預測的權重，ωi必須符合以下要求：

為保證組合模型預測的無偏性，式中i=1，2，…，n。

記第t期的預測值為Nt，預測誤差為δt，則有：

所以預測誤差為：

組合預測模型的構造，關鍵即計算單一模型的權值。但是，單一模型的預測精度是有偏差的，等權平均法會降低高精度模型在組合預測模型中應起的作用，因此應采用非等權的組合預測法，本文采用最小方差法[4]。

設第種單一模型的絕對誤差為ei，方差為Var(ei），組合預測模型的絕對誤差為e，方差為Var(e）。則有，

式中Cov(ei，ej）為ei和ej的協方差。把最小方差作為優化的目標，獲取權重系數，可轉化成以下問題：

對這一問題采用拉格朗日乘子法求解，在考慮到各預測方法之間相互獨立，則有Cov(ei，ej）=0，那么(3-7）變為：

可以證明Var(e）min≤min(Var(ei）），說明組合預測模型的預測效果優于各單項預測方法的預測效果[5]。

4 實例分析

采用歸一化進行數據處理，本質是經過如下變換把有量綱的量轉化成無量綱量。目的是把數據映射到區間[0，1]，以這種方式來提高模型的收斂速度。如式(4-1）∶

采用2013年“電工杯”建模大賽提供的實際風功率數據。定義每間隔15分鐘進行一次數據采集，每天采集96個功率數據。采用2008年6月10日至2008年6月25日期間風電場機組A的風電功率為模型的訓練樣本，利用6月26日到6月30日作為模型的測試樣本，對7月1日的功率數據進行預測，然后對比當天的實際功率。

定義時間序列模型的權重為lARMA；支持向量機模型的權重為lSVM。利用最小方差法獲取權值，根據(3-9）得：lARMA=0.3806，lSVM=0.6194。根據已求得的權系數，預測值f=lARMAfARMA+lSVMfSVM。

選取ARIMA和SVM兩種單一模型的預測結果，與組合模型進行對比，如圖3和圖4。圖形顯示，該組合模型的預測較其他兩種單一模型更加符合原始功率趨勢，更加接近功率的實際值。另外，圖4表明，組合預測模型的預測誤差較平穩，而且非常小。各種誤差值對比如下表1所示。仿真結果表明，組合預測有效性更強。

5 結論

基于時間序列模型和支持向量機模型，采取最小方差法計算權重，本文建立了組合預測模型，對實際風電功率數據進行仿真預測。仿真結果顯示，構造的組合模型比單項預測方法的精度更高。在實際預測中具有客觀的有效性。本文僅從功率角度采用兩種方法組合進行研究，未來可綜合考慮氣候條件并且多種方法組合的方式，以此改進，提高預測精度。

參考文獻：

[1]杜祥琬.中國可再生能源發展戰略研究叢書（風能卷）[M].北京：中國電力出版社，2008.

[2]王強強，田麗，胡智穎.基于遺傳優化的支持向量機短期風電功率預測研究[J].貴州師范大學學報，2013，（1）∶103-106.

[3]丁明，張立軍，吳義純.基于時間序列分析的風電場風速預測模型[J].電力自動化設備，2005，（8）∶32-34.

[4]戴浪，黃守道，黃科元，等.風電場風速的神經網絡組合預測模型[J].電力系統及其自動化學報，2011，（4）∶27-31.

[5]Sancho，Salcedo-Sanza，Emilio G.&Ortiz-Garciaa.Short term wind speed prediction based on evolutionary support vector regression algorithms[J].Expert Systems with Applications，2011，（38）∶4052-4057.

RESEARCH ON THE APPLICATION OF COMBINATION PREDICTION MODEL TO SHORTTERM WIND POWER PREDICTION

WANG Jing1SUN Xian2TANG Jing1Fang Yuan-jie1
（1 School of Mechanical and Electronic Engineering，Chaohu College，Chaohu Anhui 238000）
（2 State Grid Anhui Wuwei Electric Power Supply Co.，Ltd，Wuhu Anhui 241000）

In order to improve the prediction accuracy of wind power，in this paper，combination prediction model is applied based on the ARIMA and SVW model.The minimum variance method is adopted to achieve the weight coefficient， and the combination prediction is built for wind power prediction.Finally，the results show that∶compared with the predicting outcomes of each single model，the combination model has higher accuracy.

wind power prediction；combination prediction model；minimum variance method；SVM.

TM614

A

1672-2868（2015）06-0067-05

責任編輯：陳小舉

2015-05-26

巢湖學院自然科學基金項目(項目編號：XLY-201302）；安徽省教育廳自然科學研究重點項目(項目編號：KJ2014A173）

王靜(1983-），女，安徽廬江人。巢湖學院機械與電子工程學院，助教。研究方向：智能控制與應用。