基于動態權重的風電功率組合預測方法研究

龐欣，董志國，魏萬俊

（國家能源集團甘肅公司，甘肅 蘭州 730000）

大規模發展風電能源，能夠大大緩解環境污染以及能源短缺的問題。風電能源存在固有的波動性和間接性的特性，大規模開發風電會直接影響電力系統的經濟安全。為了降低風電功率預測風險，還能夠保證風電功率樣本數據預測的精準度，有必要提出基于動態權重的風電功率組合預測方法。確定風電功率組合的權重系數是預測方法的關鍵。

1 風電功率組合預測方法

1.1 清洗風電預測數據

關于風電功率組合預測主要是針對風電場歷史數據進行處理，因此風電功率原始數據的精準度直接影響著組合預測的最終結果。受自然因素和機組運行狀態的影響，會導致風電功率的監測數據存在部分異常。因此，清洗處理風電功率的異常數據，能夠有效處理風電功率監測數據，大大提高組合預測結果的正確性。通過計算風電數據的功率密度實現異常數據的處理，并比較正常風電功率密度，以及風電處理數據的功率密度的差異，來判斷該數據是否為風電功率異常數據。

1.2 確定風電功率參數

小波分解是將風電機組運行過程中的風電功率時域信號轉換為頻域信號；并將提取的正常風電功率數據通過平移、伸縮等計算方式劃分風電功率密度。小波包分解是對風電功率組合的一種特殊小波分解方式，可以根據機組內風電功率原始數據進行自動調節，并自適應風電功率密度分解。

對于在特定的機組內，風電功率組合預測中原始風速，以及風電功率信號都具有很大的波動性。通過小波包分解的方法，能夠對風電功率原始數據的高頻分量和低頻分量進行同時分解。這不僅能夠精細劃分風電功率組合中的各部分，還能夠減少計算量，提高計算效率。在風電功率組合預測的過程中，能夠根據風電功率原始數據自身特性進行分解，不需要設定另外分解參數值。經過小波包分解，得到風電功率的組合預測結果，進而重構頻率信號，得到具體的表達式為：

式中，h為小波包分解過程中低通分解濾波器；g為小波包分解過程中高通分解濾波器；k為常數；n為分解次數；i為分量信號。風電功率中原始數據信號，經過小波包的分解與重構，能夠分解為相同的風電功率分量數據，進而確定基于動態權重的風電功率組合預測的計算參數值。

1.3 應用動態權重組合預測算法

基于動態權重的風電功率組合預測，關于預測結果的誤差評價指標主要包括平均絕對誤差、均方根誤差以及相關系數。而單一定權重的風電功率組合預測，對部分風電功率數據的精準度差，不能及時對組合預測的結果作出調整，具有一定局限性。因此，基于動態權重的風電功率預測，為避免組合預測的風電功率密度數據丟失，通過平均絕對誤差，以及均方根誤差建立基于動態權重的組合預測結果誤差評價體系。

平均絕對誤差表達公式為：

均方根誤差表達公式為：

式中，tx為t時刻的預測值；ty為t時刻的實測值；為xt的平均值；為yt的平均值。

計算風電功率的單一預測算法的平均絕對值、均方根誤差，以及風電功率實測值的相關系數。協調各動態權重下風電功率的參數誤差值，根據風電功率的實測值，完成預測篩選。基于動態權重的風電功率組合預測方法，不僅使訓練誤差達到最小，還能夠獲取更精準的風電功率組合預測值，減少誤差。

2 實驗分析

2.1 實驗準備

基于動態權重的風電功率組合預測實驗，其實驗工具為計算機；而操作系統為Windows XP、Windows 2003，或是Windows 7。本次實驗的硬件配置要求內存為2G以上，其硬件可用空間需達10GB以上；關于瀏覽器的使用需要是IE7.0及其以上版本，或是Google Chrome。因此，基于動態權重的風電功率組合預測的方法，是以數據庫為核心，C/S數據采集與B/S數據顯示相結合應用的計算結構。

根據既定的風電功率預測參考點位置，獲取提前72h，并在15min范圍內的風電功率的NWP數據信息。動態權重下風電功率的組合預測，通過輸入NWP數據，定時分析其樣本數據，進而得出組合預測的結果。

2.2 實驗過程及結果

先選取既定機電組運行狀態下風電功率的樣本參數值N，并根據既定時間內各單一預測數據形成的組合預測值，以及風電功率實際參數值。

圖1 N值大小與組合預測誤差關系曲線

根據上圖可以看出，隨著N值的增加，風電功率組合預測誤差呈現先減后增的趨勢。基于動態權重的風電功率組合預測，選取的風電功率參數值，直接影響著組合預測的最終結果；而為了選擇合適的參數值，便需要將基于動態權重的組合預測與傳統、單一的預測方法相比較，進而得到風電功率組合預測的結果對比。

由表1可知，基于動態權重組合預測方法，對風電功率原始數據的分解、重構，能夠有效降低原始風速對風電功率數據波動的影響。

表1 不同預測方法誤差對比

3 結語

風電功率組合預測的輸入數據動態變量較多，直接導致風電功率組合預測算法的計算量增大，甚至造成風電功率組合預測變量之間存在冗余問題。基于動態權重的風電功率組合預測方法，在減少預測變量輸出的前提下，不僅提高了風電功率組合計算效率，還能夠保證風電功率原始數據的預測精準度。