風電場風功率預測模型準確性探究

摘要：風電場輸出功率預報的準確性需要風功率的精準預測來支持，不斷提高風電場輸出風功率預測的準確度是風功率精準預報的關鍵。為準確預測風功率，使風電場輸出風功率保持較高的穩定性，提高風能利用效率及電力系統的穩定性，文章選用了3種最常見的模型進行風電輸出功率預測研究：自回歸求和滑動平均模型（ARIMA）預測、灰色系統GM（1，1）預測和BP神經網絡預測；選取某風電場4月份某天的風電輸出功率數值作為樣本進行超短期預測；隨后計算出這3種預測模型的均方根誤差E_rms、平均絕對誤差E_av以及準確率r來對比它們的預測準確度。通過對比，發現利用自回歸求和滑動平均模型對風功率進行短期預測能得到比較高的預測精度。

關鍵詞：風功率預測；灰色系統；BP神經網絡；自回歸求和滑動平均模型

中圖分類號：TK89 文獻標志碼：A

0 引言

隨著“雙碳”目標的穩步推進，以風能為代表的新型清潔能源正發揮著越來越重要的作用。近年來，我國風電裝機容量迅速增加，但是風能具有波動性和不確定性的特點，這就導致風電場的輸出功率也是非常不穩定，這樣對電力系統的穩定、安全、經濟運行造成一定的影響。因此需要對風功率進行精準預測預報，配合功率平滑技術的應用，從而提高風電場輸出功率的穩定性，保障電力系統的安全、穩定、高效運行。

1 風電場功率預測預報指標

國家能源局早在2011年就對風電場輸出功率的預測與預報做出明確的規范要求。按照相關規定，日預報是需要在特定時間前及時向當地電網調度部門提交第二天0點到24點按15 min單次的頻次預測預報數據。實時預報指的是按照每15 min為一個時間節點對將來15 min到4 h的風電場輸出風電功率的預測和預報。同時，規定了全天預測預報的結果，其均方根誤差應當控制在20%以下，日預報的最大誤差也要控制在25%以下，此外規定實時預報誤差應控制在15%以下。

2 灰色系統預測

灰色系統其實就是指信息不能完全顯示的系統，灰色系統預測就是對同時包含已知信息和不知信息的灰色過程建模并進行預測?；疑A測模型GM（1，1）的優點是對數據量的需求不大，可以利用常見的微分方程來探析灰色系統深層次的本質，其優點還包括精度高、運算方便、檢驗容易。但是，該模型的缺點也很明顯，它僅僅適用在中短期的預測中和對呈現出指數增長趨勢模型的預測，這就使得該模型只有相對較窄的適用范圍。風功率的變化具有一定的可變性和不確定性，但是其變化過程又可以找到一定的規律。因此風電輸出功率符合灰色系統的特征，因而可以在此基礎上構建風電輸出功率的灰色預測模型GM（1，1）^［1］。

灰色系統預測僅需要少量的數據，所以本文結合某風電場現場實際選取當天0點0分至3點45分4 h每15 min 1個數據，總計16個原始數據來作為樣本數據，預測該風電場4 h的輸出風功率。建立模型步驟包括級比檢驗、使用GM（1，1）建模以及計算平均絕對誤差進行模型檢驗最后得到預測結果。使用建模軟件MATLAB構建灰色系統GM（1，1）的預測模型，對該風電場4 h風電場的輸出功率進行建模預測并展開分析。

3 BP神經網絡預測

BP神經網絡預測的基本原理主要是通過對誤差的逆向傳播算法來反復多次地訓練多層前饋網絡，其學習的規則通常是采用最速下降的方法，并且通過不斷地反向傳播來調整BP神經網絡系統的閾值和權值，從而逐步減小誤差平方和，使得計算到的誤差平方和逐步到達最小的數值。BP神經網絡預測模型作為風電場輸出功率預測的模型。該系統基本的拓撲結構包含了輸入層、隱含層和輸出層3個層次^［2］。BP神經網絡通過不斷的訓練來調節從輸入層到隱含層再到輸出層之間的連接權值，這樣該模型誤差值的平均值會逐漸減小到最小。該模型預測的順序包括：（1）網絡初始化；（2）隨機選擇輸入樣本及期望輸出；（3）計算隱含層各神經元的輸入和輸出；（4）計算誤差函數對隱含層各神經元的偏導數；（5）修正連接權值、計算全局誤差；（6）與預設精度進行比較；（7）選取下一個學習樣本及期望輸出；（8）重復（3）～（7）的步驟。

BP神經網絡模型在學習過程中需要充足的原始數據才能分析，在建模軟件MATLAB建立仿真預測模型時，本文選取了同一風電場兩天的風功率數值總計768個實測數據作為樣本數據來進行訓練，對同時間段4 h的風電場風電輸出功率進行預測分析。通過多次反復訓練進而預測得到預測結果。

4 自回歸求和滑動平均模型

自回歸求和滑動平均模型是一種常見的基于時間序列的模型，因此被稱為ARIMA（p，d，q）模型，其基本的思想就是將預測得到的對象隨著時間的分布排列成數列，并將這樣的數列看成一個隨機的序列，用自回歸求和滑動平均模型來表達這個序列Xt，從而依照這個時間序列的原始數值來預測將來值^［3］。

自回歸求和滑動平均預測模型不需要大量的樣本數據來預測將來的風電場風電輸出功率，本文采用同一風電場同一天全天采集到的96個風電功率P作為最原先的時間序列Xt，隨后對時間序列進行分析并建立ARIMA模型，進而預測次日0點0分至3點45分的風電場輸出功率。

預測的流程包括以下6個方面。（1）利用ADF單位根檢驗的方式對時間序列散點圖的方差、趨勢，自相關函數的方差、趨勢及其季節性變化的規律和偏自相關函數圖的方差、趨勢，以及其季節性變化的規律進行初步檢測，從而判斷時間序列的平穩性^［4］。（2）對模型進行平穩化的處理：當模型檢測到的時間序列出現不穩定時，這時需要對數據進行差分化處理，接著再次進行適當檢測，直到時間序列趨于穩定的狀態。（3）對模型進行進一步識別：根據自相關函數（ACF）的“拖尾”與“截尾”和偏自相關函數（PACF）的“拖尾”與“截尾”來對模型做進一步識別^［3］，其中“拖尾”是指自相關函數（ACF）或者偏自相關函數（PACF）在運算到某一步驟之后將以震蕩衰減或者指數衰減的形式漸漸趨向于零；“截尾”是指自相關函數（ACF）或者偏自相關函數（PACF）在運算到某步之后變為零或變為不顯著的非零。（4）對參數進行估計和對該模型進行定階：該模型首先利用最小二乘法的方法來求能夠使得殘差平方和到達最小值的自回歸參數p與滑動平均參數q，進而來對參數進行估計；隨后采用AIC準則對模型進行定階，最后選擇Z值最小的模型來建模^［4］。（5）對模型進行檢驗：若殘差的序列呈現非自相關性的特征，那么該模型建設就是有效的。（6）利用自回歸求和滑動平均函數對風電場輸出功率進行預測，利用MATLAB編寫相對應的函數，從而完成預測。

5 預測方法對比分析

從圖1可以看出，灰色系統預測模型的結果能夠預測出樣本數據的基本變化趨勢，預測得到的結果對模型變化趨勢的判斷具有指導意義，但是從準確性的角度出發，該預測模型預測到的數值與樣本數值之間依然存在不小的誤差。在BP神經網絡仿真計算過程中，該模型設定了16個隱含層的單元，通過反復多次訓練，但是由于BP神經網絡模型不太理想的收斂性，該模型得到的結果出現了不太穩定的現象。本文選取了相比較而言較為理想的預測結果，但是該預測得到的曲線與原始數據曲線的重合度并不高，個別的預測點相較于原始數據依然存在比較大的誤差，如圖1所示。通過對圖像進行對比可以直觀地看出，自回歸求和滑動平均（ARIMA）模型預測到的風功率曲線和實際的風功率數據曲線具有最高的重合度，因此該模型的預測結果也最為準確。

圖1 3種預測得到的輸出功率與實際輸出功率的對比

預測的精準度是判斷風電場風電輸出功率預測模型準確性最為重要的方式，本文分別計算出這3種風電輸出功率預測模型的均方根誤差E_rms、平均絕對誤差E_av和準確率r，以此作為評價這3種預測模型準確性的標準，從而從其中選擇最優的預測模型^［5］。國家能源局也將準確率r作為風電場風電輸出功率重要的考核指標。計算得到3種預測模型的均方根誤差E_rms、平均絕對誤差E_av和準確率r，如表1所示。

6 結語

從表1得到的數據可知，灰色預測GM（1，1）模型雖然不需要大量的樣本數據，但是在風功率的預測應用中，僅僅適用于中短期的預測，存在使用范圍相對較窄的缺陷，且主要適用在指數模型預測中，若風電場風電輸出功率的樣本數據不是呈現出指數變化，則灰色預測模型便不適用。BP神經網絡預測模型雖然具有一定的自學習能力和自適應能力，但是在風功率預測模型的應用中需要進行大量的訓練和學習，不一樣的訓練和學習次數會對訓練結果產生不一樣的影響，所以這樣預測出來的結果不能讓人滿意。 而本文采用的自回歸求和滑動平均模型（ARIMA）則可利用歷史數據進行建模分析，該預測模型需要的信息少，而且運算也非常方便，在風功率預測方面相比于其他兩種預測模型具有準確性較高的特點，在風電場現場風電輸出功率預測的應用中可以使用。

參考文獻

［1］佘昊龍，曹曉宇，趙桓鋒.灰色模型預測風電功率［J］.無線互聯科技，2012（7）：177.

［2］史博明.基于組合模型的短期風電功率預測研究［D］.石家莊：河北科技大學，2021.

［3］麻常輝，馮紅霞，蔣哲，等.基于時間序列和神經網絡法的風電功率預測［J］.山東大學學報（工學版），2014（1）：85-89.

［4］黨睿，張俊芳.基于自回歸滑動平均模型的風電功率預測［J］.安徽工業大學學報（自然科學版），2015（7）：274-275.

［5］孟巖峰，胡書舉，鄧雅，等.風電功率預測誤差分析及預測誤差評價方法［J］.電力建設，2013（7）：6-9.

（編輯 李春燕編輯）

Research on the accuracy of wind power prediction model in wind farm

Liu" Zhibing

（Jiangsu Longyuan Wind Power Co.， Ltd.， Nantong 226500， China）

Abstract：" The accuracy of wind farm output power prediction needs the support of accurate wind power prediction， therefore， continuously improving the accuracy of wind power prediction is the key to accurate wind power prediction. In order to predict wind power accurately， keep the output wind power of the wind farm stable and improve the efficiency of wind energy utilization and the stability of power system. In this paper， three most common models are used to predict wind power output： auto regressive summation moving average module（ARIMA）， gray system GM（1，1） and BP neural network module. In this paper， we select the wind power output value of a wind farm on a certain day in April as a sample for ultra short-term prediction. And then， calculate the root mean square error E_rms ， the mean absolute error E_av and the accuracy r of this three prediction models to compare their predictions. By force of contrast， it is found that using auto regressive summation moving average model to predict short-term wind power can obtain relatively high prediction accuracy.

Key words： wind power prediction; gray system; BP neural network; auto regressive summation moving average model