風電功率預測綜述

王奎 三峽大學電氣與新能源學院本科 趙明 三峽大學電氣與新能源學院本科 何成君 三峽大學電氣與新能源學院本科

隨著我國越來越鼓勵新能源發電，發電的風電并網規模愈來愈大，而另一方面，風電負荷的不確定性對電力系統的穩定性和安全性的影響也日益彰顯。那么對風電功率的預測就顯得尤為重要了，風電功率的預測可以加強電力系統的穩定性、安全性以及提高風電功率的消納能力，同時還可以降低風電場的成本，提高風電場的經濟效益和用戶對風電的利用率。本文對風電功率的預測方法進行了介紹和總結，以及介紹了提高其預測精度的方法和重要性，為以后的進一步發展和研究提供了參考。

1 風電功率預測的方法

由歷史數據通過主成分分析可以找出影響風電場出力的主要因素，然后由實際測量的數據和數值天氣預報的數據（NWP）對風電場出力進行短期，中長期，長期的預測，比較常用的預測方法：人工神經網絡方法、混合專家經驗法、時間序列分析方法、蟻群優化，支持向量機法等。另外，這些年來國內外在數據挖掘算法上發展迅猛，也使得數據挖掘算法在風電功率預測上取得了重大的突破，結合國內外多種預測模型的優點，建立風電功率組合模型也成為時代的研究趨勢。而有效地結合物理數值天氣預報的預測數據(NWP) 與風電場功率輸出的關系可以使得預測的精度得到顯著性的提高。

2 確定性預測方法

2.1 持續法

視緊接著的下一時刻的風電功率預測值為當前時刻的風電功率值，

2.2 時間序列分析法

step1：將歷史風電數據首先進行兩步預先的處理：理想化處理，小波濾波分析。

step2：將經過小波濾波分析后得到的風電出力時間序列劃分為兩部分：風過程和片段。

step3：將風過程可以近似看作馬爾科夫隨機過程，對分離出來的片段進行分析，得出片段滿足隨機分布，并將片段概率分布記錄下來。

Step4：通過隨機抽樣技術抽取風過程和片段的部分片段，用樣本來推斷總體的情況，最終得到模擬風電出力時間序列。

2.3 人工神經網絡法

人工神經網絡法適用于短期的風電預測，首先通過主成份分析法篩選出同預測目標（風電出力）相關性較大的影響因素，并收集這些因素的歷史數據，然后對訓練樣本進行模糊聚類，將具有一定相同特征的樣本分為一類，分類后可以提高風電功率預測的精度；然后針對每一類樣本建立 BP 神經網絡模型。首先收集數值天氣預報系統的相關氣象信息，將氣溫、氣壓、風速、風向、濕度作為輸入層，風電場出力作為神經網絡的輸出層進行預測。

3 基于小波包和 CSO-ENN 的預測模型

基于小波包變換和縱橫交叉算法的優化神經網絡（CSO-ENN）的預測模型：

（1）利用小波分解的方法，將風電功率的時間序列進行一系列分解，可以得到多個頻率的子序列。

（2）構建縱橫交叉算法優化后的神經網絡 (CSO-ENN)預測模型，對具有不同特征的子序列進行分析和預測，記錄下各子序列的預測值。

（3）篩選出符合實際的子序列預測值，將篩選后的子序列預測值進行累加，進而得出所求的最終風電功率預測結果。

優勢：

（1）CSO 算法具有收斂精度高，全局搜索能力強的特點，彌補了神經網絡在預測中，收斂速度較慢，預測精度相對較低的弊端（如BP神經網絡），CSO算法明顯優于傳統的神經網絡，預測結果更可靠。

（2）小波包分解可以極大的改善預測的精度，提高預測的準確性，優勢更加明顯。

4 結束語

風電預測是風力發電領域的一個熱點研究方向，而我國的風電場地形，當地氣象信息各不一致，需要在因地制宜地開展風電功率預測工作的同時，還需要不斷結合國內外的先進預測方法的優點，建立組合風電功率組合模型來提高預測精度，這兩個舉措都對風力發電的未來發展起到推動作用。預測出來的風電曲線可以提高電力系統的安全性和可控性，還有利于合理的安排機組的出力，降低其發電的成本。

[1]薛禹勝,郁琛,趙俊華,Kang LI,Xueqin LIU,Qiuwei WU,Guangya YANG.關于短期及超短期風電功率預測的評述[J].電力系統自動化,2015,39(06):141-151.

[2]劉純,呂振華,黃越輝,馬爍,王偉勝.長時間尺度風電出力時間序列建模新方法研究[J].電力系統保護與控制,2013,41(01):7-13.

[3]孟安波,盧海明,胡函武,郭壯志.混合小波包與縱橫交叉算法的風電預測神經網絡模型[J].太陽能學報,2015,36(07):1645-1651.