基于t Location-Scale分布的风电功率概率预测研究
风电机组风电功率波动概率分布分析
风电机组风电功率波动概率分布分析【摘要】本文应用概率分布函数的方法对河南三门峡清源风电场五台机组的风电功率波动特性从时间和空间的角度进行分析，对不同的时间尺度下以及单个和总体的数据进行拟合，得出最佳的概率分布函数，从其数值特征上来描述风电功率的波动性。
【关键词】t location-scale分布；时间序列；移动平均法；SPSS风电机组发出的功率主要与风速有关。
由于风的不确定性、间歇性以及风电场内各机组间尾流的影响，使得风力发电机不能像常规发电机组那样根据对电能的需求来确定发电。
大规模风电基地通常需接入电网来实现风电功率的传输与消纳。
风电功率的随机波动被认为是对电网带来不利影响的主要因素。
研究风电功率的波动特性，不论对改善风电预测的精度还是克服风电接入对电网的不利影响都有重要意义。
本文选取了河南三门峡清源风电场五台机组进行了两方面的研究：（1）在30天的范围内，分析机组i的风电功率Pi5s（tk）波动符合的概率分布情况。
分别计算数值特征并进行检验，找出最佳概率分布，并比较5个机组分布的异同。
（2）用以上确定的最佳概率分布，以每日为时间窗宽，对5个风电功率分别计算30个时段的概率分布参数并做出检验；比较不同机组（空间）、不同时段（时间）风电功率波动的概率分布以及与30天总体分布之间的关系。
一、问题分析通过对数据的分析，发现有缺失值，首先需要对数据进行预处理，然后找到，处理后形成频率直方图，再用MATLAB软件拟合出和频率直方图相似的各种概率分布函数。
计算其参数后，建立检验模型。
然后比较出最好的概率分布函数。
从图像和函数参数的角度比较五组数据的异同。
二、数据的预处理运用线性插值法，对数据中的缺失值进行补足，当缺失值为一个时候，取为前后的平均数，当一连缺失两个或两个以上就为缺失值前后两个值所建立的直线函数上的等距取值。
三、模型的建立由于现行的行业并没有对风电输出功率有统一的量化指标，综合已查阅的文献和此题的实际背景，对于5秒取得实际数据，我们以15分钟为滑动时段长度，将每15分钟内的实际数据加总后求平均，然后取实际数据与平均值的差值，记为功率波动值Pi。
基于机器学习的风力发电功率预测研究
基于机器学习的风力发电功率预测研究1. 引言风力发电是一种可再生的清洁能源，在全球能源结构中起着日益重要的作用。
然而，风力发电的不稳定性和风速的不确定性给电网的稳定性和可靠性带来了挑战。
因此，准确地预测风力发电功率对于提高风电系统的运行效率和优化发电计划至关重要。
机器学习技术已经在预测中取得了显著的成果，本文将探讨基于机器学习的风力发电功率预测研究。
2. 风力发电功率预测的挑战风力发电功率的预测面临着以下几个挑战：一是风速信号的噪声和非线性关系使得风力发电功率的预测较为复杂；二是风速的不确定性导致风力发电功率存在较大的波动，需要采用合适的模型进行预测；三是电网状况和负荷变化也对风力发电功率的预测带来一定的影响。
3. 机器学习在风力发电功率预测中的应用机器学习技术在风力发电功率预测中得到了广泛应用。
常用的机器学习算法包括支持向量机（SVM）、人工神经网络（ANN）和随机森林（RF）等。
3.1 支持向量机（SVM）支持向量机是一种非常强大的机器学习算法，能够处理复杂且非线性的问题。
在风力发电功率预测中，SVM通过构建风速与功率之间的关系，建立预测模型。
然后利用训练集对模型进行训练，进而预测未知的风力发电功率。
3.2 人工神经网络（ANN）人工神经网络是一种模拟人脑神经元网络的机器学习模型。
在风力发电功率预测中，ANN通过构建输入层、隐藏层和输出层的连接关系，建立神经网络。
通过对训练集的迭代训练，神经网络能够学习到输入风速与输出功率之间的非线性映射关系，从而实现风力发电功率的预测。
3.3 随机森林（RF）随机森林是一种集成学习算法，由多个决策树组成。
在风力发电功率预测中，RF通过构建多个决策树，并且通过随机选择特征和样本进行训练，从而实现风力发电功率的预测。
随机森林具有较高的预测精度和鲁棒性。
4. 风力发电功率预测案例研究以某个风电场为例，选取历史的风速和功率数据进行风力发电功率的预测实验。
采用三种机器学习模型进行预测并比较预测结果的准确度和稳定性。
基于机器学习的风电功率预测技术研究
基于机器学习的风电功率预测技术研究风电是一种清洁、可再生的能源，其在能源领域具有广泛的应用前景。
然而，由于风力发电的不稳定性和不可控性，准确预测风电功率成为提高风电发电效率和可靠性的重要问题。
机器学习作为一种能够从数据中学习和提取规律的方法，被广泛应用于风电功率预测任务中。
本文将探讨基于机器学习的风电功率预测技术，并介绍相关研究进展和应用情况。
首先，基于机器学习的风电功率预测技术主要分为传统机器学习方法和深度学习方法两大类。
传统机器学习方法包括回归方法、支持向量机、决策树等；而深度学习方法则包括多层感知机、卷积神经网络和循环神经网络等。
这些方法不仅可以预测短期的风电功率，还可以预测长期的发电情况。
其次，基于机器学习的风电功率预测技术需要大量的数据作为训练样本。
这些数据包括历史风速、风向、温度、湿度等气象数据，同时还需要纳入一些风电场的特征参数，例如发电机转速、叶片角度等。
通过对这些数据的采集和处理，可以建立起准确的预测模型。
另外，在风电功率预测中，特征选择和模型的选择非常关键。
特征选择是指从海量的原始数据中选择与功率预测相关性较高的特征，以降低模型复杂度和提高预测准确率。
常用的特征选择方法包括方差分析、互信息和主成分分析等。
模型的选择则需要根据实际情况和需求来确定，不同的模型有着不同的预测性能和适用范围。
此外，基于机器学习的风电功率预测技术还面临一些挑战。
首先，风电功率受多个因素影响，包括气象条件、风电场参数以及运维管理等，这些因素之间存在复杂的非线性关系，需要建立精确的模型来描述。
其次，数据的稀疏性和噪声问题也对预测的准确性提出了要求。
最后，模型的可解释性和通用性也是需要考虑的因素，这样才能使得预测结果能够为风电场的运维决策提供参考依据。
目前，基于机器学习的风电功率预测技术已取得了一定的研究进展和应用成果。
例如，在短期风电功率预测中，卷积神经网络和循环神经网络等深度学习方法在预测准确性和泛化能力方面具有优势。
基于功率预测误差修正的日前风电出力分布估计
法，该方法使用ቤተ መጻሕፍቲ ባይዱt location-scale 函数拟合风电 预测误差的概率分布曲线。该方法适用于精确 获取风电场预测误差的概率分布函数。文献 [5] 在有限的历史运行数据基础之上，基于蒙特卡 罗方法建立了风电场的风速 - 风电功率模型，并 利用随机优化方法对含有风电并网的电力系统 运行方式做了优化。文献 [6] 采用风电功率预测 误差的方均根值 std 作为修正因子，在原始点功 率预测结果的基础之上，通过加减 std 来得到风 电场预测出力的上下限，该方法在风电预测误 差较大的情况下容易使包络曲线变宽。文献 [7, 8] 证明了柯西分布和双曲线分布对风电预测误 差的拟合效果要明显优于正态分布，但是柯西 分布和双曲线分布的参数拟合较为复杂，而且
13
2019 年第 3 期
云南电力技术
第 47 卷
对风电预测误差“尖峰厚尾”的分布特点拟合 得不够准确。
另一方面，由于影响风机实际出力的因素 有很多，使用不同模型描述风电场预测误差分 布的效果会有所不同。所以，研究影响风电功 率预测误差的因素对提高风电功率预测精度具 有十分重要的意义，国内外在这方面也取得了 许多研究成果。
第 47 卷 2019 年 6 月
云南电力技术 YUNNAN ELECTRIC POWER
Vol.47 No.3 Jun.2019
基于功率预测误差修正的日前风电出力分布估计
吴晓刚1，鲁宗相2，乔颖2
（1.云南电力调度控制中心，昆明 650011；2.清华大学，北京 海淀 100084）
摘要：风电功率预测是整个风电运行与控制体系的基础支撑技术模块。基于功率预测误差的修正结果，提出了一种风 电场日前有功出力分布的估计方法。首先验证了风电功率的预测误差水平受到风速大小的三次方、风电功率的峰度、 风电功率的大小和功率预测相关性等多个因素的影响；然后利用多元线性回归法建立风电功率预测误差的估计模型， 并对风电场日前的点功率预测值进行修正；最后利用广义误差分布模型估计出风电出力的上下限。以华北地区某座风 电场作为测试算例进行分析，验证了该出力分布估计方法的有效性。 关键词：风电预测；功率修正；分布估计；多元线性回归；广义误差分布
风电场风速和发电功率预测研究
风电场风速和发电功率预测研究风电场是利用风能进行发电的设施，风速是决定风能转化为发电功率的重要因素。
因此，风速和发电功率的预测研究对于风电场的运行和管理具有重要意义。
本文将重点介绍风速和发电功率预测的研究现状和方法，并探讨其在风电场运营中的应用。
目前，风速和发电功率预测已成为风电场运营管理中的重要环节。
它可以为风电场提供提前预测的风速和发电功率信息，以便做出相应的调度和控制决策。
常见的预测方法包括数学模型方法和机器学习方法。
数学模型方法是常用的风速和发电功率预测方法之一、这种方法基于对风场物理特性的理解，通过建立数学模型来预测风速和发电功率。
例如，常见的模型包括Weibull 分布模型和Rayleigh 分布模型。
这些模型通过统计分析历史数据来估计风速和发电功率的概率分布，然后根据当前的气象条件进行预测。
数学模型方法可以提供较为准确的预测结果，但其对气象条件的要求较高，而且对于非线性和非平稳的风场具有一定的局限性。
机器学习方法是近年来在风速和发电功率预测中得到广泛应用的一种方法。
这种方法利用大量历史数据来训练模型，然后根据当前的气象条件进行预测。
常见的机器学习方法包括支持向量机（SVM）、人工神经网络（ANN）和随机森林（RF）。
这些方法可以处理非线性和非平稳的风场数据，具有较高的灵活性和预测准确度。
然而，机器学习方法对于数据的质量和数量有一定要求，并且对于模型的选择和参数的调整需要一定的经验和技巧。
风速和发电功率的预测在风电场的运营中发挥着重要的作用。
首先，它可以为风电场提供准确的风速和发电功率的预测信息，帮助决策者合理安排发电计划和调度。
其次，预测结果可以用于风场的运维管理，比如维护和设备检修的安排，以减少因风速变化带来的不确定性对发电量的影响。
另外，风速和发电功率的预测还可以为电网的调度和电力市场的运行提供参考，帮助平衡电力供需，优化电网能源调度。
总之，风速和发电功率的预测研究对风电场的高效运营和管理具有重要意义。
基于重尾分布的风电功率波动特性概率分布
2
第 41 卷
电 力 自 动 化 设 备
稳定分布又称为雷维 α-稳定分布或者分形分
布。假设 X1 和 X2 是 2 个独立的随机变量，它们与随
机变量 X 满足相同的分布，并且 aX1+bX2 与 cX+d（a、
b、c、d 为常数）满足相同的分布，则随机变量 X 是稳
定分布的。由于稳定分布的概率密度函数没有统一
Fig.4 Skewness and kurtosis of wind power fluctuation
rate under different spatial scales
逐步增加，当机组数量达到一定数值后，偏度值及峰
度值均不再随着机组数量的增加而变化，而是在某
个固定值附近小范围波动。风电功率偏度值均大于
ïï
exp -σ α | x | 1+ jβ ( sign ( x )) ln | x | + j μx
î
[
]
（4）
其中，sign（·）为符号函数；α 为幂指数；β 为偏度参
数。一个稳定分布用如下 4 个参数来表示。
a. 尺度参数 σ，它描述了分布的宽度，其取值范
围为 σ≠0。
b. 位置参数 μ，它描述了分布的位置，其取值范特征，即更容来自出现极端值或大的波动，故采用正态
分布来描述重尾分布数据效果不佳，常见的重尾分
布函数如下。
（1）学生 t 分布。
学生 t 分布又称为 t 分布，其概率密度函数为：
v+1
v+1
Γ
x2 2
2
f (x) =
1+
（2）
v
v
vπ Γ
基于机器学习的风力发电功率预测
基于机器学习的风力发电功率预测随着对可再生能源的需求日益增长，风力发电作为最常见的可再生能源之一已经得到广泛应用和发展。
然而，由于风力发电受到气象条件的限制，其功率输出存在一定的波动性和不确定性。
为了更好地管理和优化风力发电系统的运营，预测风力发电功率成为了一项重要的课题。
而基于机器学习的风力发电功率预测成为了当前研究的热点之一。
一、机器学习在风力发电功率预测中的应用机器学习作为一种能够从数据中学习、发现规律并做出预测的技术，已经被广泛应用于风力发电功率预测中。
与传统的物理模型相比，机器学习模型不需要对风力发电系统的物理过程进行建模，而是通过对历史数据的学习和分析，能够自动发现影响风力发电功率的因素，并做出相应的预测。
机器学习模型有多种类型，包括线性回归、决策树、支持向量机、神经网络等。
这些模型在风力发电功率预测中各有优势，可以根据实际需求选择合适的模型进行应用。
基于机器学习的风力发电功率预测主要包括两个步骤：特征提取和模型训练。
二、特征提取在风力发电功率预测中的重要性特征提取是基于机器学习的风力发电功率预测中一个关键的步骤。
风力发电功率受多个因素的影响，包括风速、风向、温度、湿度等。
在特征提取过程中，需要通过对历史数据的分析，提取与风力发电功率相关的特征，并建立特征向量。
传统的特征提取方法主要依赖于经验和领域知识，人工选择和设计特征。
然而，这种方法存在着主观性和局限性，无法全面考虑到不同因素之间的相互影响。
近年来，随着机器学习技术的发展，特征提取逐渐向数据驱动的方向演变。
基于机器学习的特征提取方法能够自动从数据中学习和发现特征，减少了人为因素的干扰，并能够更好地反映出不同特征之间的复杂关系。
三、模型训练与风力发电功率预测精度模型训练是基于机器学习的风力发电功率预测中的另一个关键环节。
通过将历史数据划分为训练集和测试集，可以利用训练集对机器学习模型进行训练，然后通过测试集对模型的预测精度进行评估。
风电场风电功率预测方法研究
风电场风电功率预测方法研究风电场风电功率预测方法研究一、引言随着全球能源需求的不断增长和环境问题的日益凸显，可再生能源成为解决这些问题的重要手段之一。
风能作为一种广泛分布、可再生的能源资源，受到了越来越多的关注。
风电场作为利用风能发电的重要设施，如何准确预测风电功率对于风电场的运营和管理具有重要意义。
二、风电功率预测的重要性风电场的风电功率预测是指根据过去的风速、风向、气象条件等数据，利用数学模型和算法，预测未来一段时间内风电场的发电功率。
准确的风电功率预测可以有效指导风电场的运营和管理，优化发电计划，提高发电效率，降低能源成本。
同时，风电功率预测也对电力系统的调度、储能设备的优化配置和稳定运行等方面有着重要作用。
三、现有的风电功率预测方法目前，风电功率预测方法主要包括物理模型法、统计模型法和混合模型法。
1. 物理模型法物理模型法是基于对风电场发电过程的物理原理进行建模和计算的方法。
常用的物理模型包括功率曲线模型、时间序列模型等。
物理模型法通常需要较多的测量数据和复杂的计算方法，依赖于对发电过程的深入了解，适用于风电场具有相对稳定的运行环境和较长时间的预测。
2. 统计模型法统计模型法通过对历史数据进行统计分析，建立数学模型进行预测。
常用的统计模型包括回归模型、时间序列模型等。
统计模型法不需要对物理过程进行深入研究，建模过程相对简单，适用于风电场具有周期性和规律性的运行环境和中短期预测。
3. 混合模型法混合模型法是将物理模型和统计模型相结合的方法，旨在综合利用两者的优势。
混合模型法通过对不同模型结果的加权综合或者模型融合等方式，提高风电功率预测的准确性和稳定性。
四、风电功率预测方法的研究进展随着风电场规模的不断扩大和数据采集技术的进步，风电功率预测方法也在不断创新和改进。
目前，一些先进的方法和技术已经被应用于风电场的风电功率预测中。
比如，基于神经网络的方法可以通过对大量历史数据的训练，实现更精确的预测结果；基于机器学习算法的方法可以挖掘出隐藏在数据中的规律和趋势，提高预测的准确性；基于气象模型的方法可以通过对气象条件的模拟，优化风电功率的预测。
基于机器学习的风电功率预测方法研究
基于机器学习的风电功率预测方法研究一、引言风能是一种可再生的能源，风力发电已经成为世界各地广泛应用的一种清洁能源形式。
然而，风电发电有一定的不确定性，而功率预测是风电场运行管理的关键因素之一。
因此，研究基于机器学习的风电功率预测方法对于提高风电场的运行效率具有重要意义。
二、机器学习在风电功率预测中的应用1. 数据集准备风电功率预测需要大量的历史电力数据、气象数据以及风电场特征参数。
这些数据的质量和准确性对于预测模型的训练和结果的准确性至关重要。
2. 特征工程特征工程是机器学习中的一个重要环节，它通过对原始数据进行处理和转换，提取出更具有代表性的特征，为模型提供更好的输入。
在风电功率预测中，特征工程包括对历史电力数据和气象数据进行时间序列分析、频谱分析等，以及针对风电场特征参数进行的维度选择和降维处理。
3. 模型选择与训练在机器学习中，有多种经典的模型可用于功率预测，如线性回归模型、支持向量机、决策树、神经网络等。
根据数据的特点和预测需求，选择合适的模型进行训练和调优。
4. 模型评估与预测通过使用历史数据进行训练，得到的预测模型需要通过一定的评估方法进行准确性验证，常见的评估指标包括均方根误差（RMSE）、平均绝对误差（MAE）等。
在模型评估通过后，即可进行风电功率的实时预测。
三、常见的基于机器学习的风电功率预测方法1. 基于统计模型的方法基于统计模型的方法主要利用历史数据的统计特性，通过建立相应的数学模型进行预测。
例如，自回归移动平均模型（ARMA）等，它通过对历史电力数据的自相关性和移动平均性进行分析，建立起一个线性模型。
该方法简单易用，但对于复杂非线性问题的适应性有限。
2. 基于人工神经网络的方法人工神经网络（ANN）是机器学习中的一种经典模型，其模拟了人脑的神经元网络结构，可以用于模拟非线性系统的建模和预测。
在风电功率预测中，ANN模型可以通过对历史电力数据进行训练，实现对未来功率的预测。
风电功率波动特性的概率分布研究_林卫星
t location-scale 分布源自 t 分布，式 (2)— (4)
风电功率波动特性的概率分布研究
林卫星 1，文劲宇 1，艾小猛 1，程时杰 1，李伟仁 2
(1．强电磁工程与新技术国家重点实验室(华中科技大学)，湖北省 武汉市 430074； 2．美国德克萨斯大学阿灵顿校区能源系统研究中心，美国 阿灵顿 TX 76019)
Probability Density Function of Wind Power Variations
中
国 电 机 工 程 学 Proceedings of the CSEE 中图分类号：TM 76
报
Vol.32 No.1 Jan.5, 2012 ©2012 Chin.Soc.for Elec.Eng. 学科分类号：47040
文章编号：0258-8013 (2012) 01-0038-09
文献标志码：A
( / 2)
(1
x2
) ( 1)/ 2
(2)
式中 ν 为形状参数。
f ( x) 1
2
e
( x )2 2 2
(3)
式中： µ 为均值；为方差。
f ( x)
( 1 / 2) ( x / ) 2 1/ 2 [ ] ( / 2)
(4)
式中： µ 为位置参数；为尺度参数；ν 为形状参 数。通过对 t 分布进行适当的位移及伸缩变换，可 以得到 t location-scale 分布。 为推导 t 分布与 t location-scale 分布之间的 关 系 ， 令 yg (x)(x )/ ， 则 g (x) 的 反 函 数 为
基于神经网络的风电功率预测
其 中： ｑ＝（ Ｎ ／ ） ， Ｎ为初 始序列 长度 ； 互 表示 第 ｉ 个期 望 时间间 隔输 出功率 的平 均值 ．
张 泽麟 ， 徐金玉 ， 杨
负荷的神经网络预测模型 （ １ ４ Ｃ Ｓ Ｃ Ｄ － Ｑ Ｎ － ０ ８ ）
作者简介 ： 张泽麟 （ １ ９ ８ ３ 一） ， 男， 四川成都人 ， 四川师范大学成 都学院数 理教研 室讲师 ， 理学硕士 ， 主要从 事随机信号 处
理研究．
０ 引 言
近年 来 ， 可再 生 能源开 发 的热潮 遍及全 球 ． ＿ １ ］ 我 国的风 电发展 取得 了举世 瞩 目的成 就 但 总体 来看 ， 我
２ ０ １ ５年 １ 月 第３ ０卷 第 ２期
渭 南师 范学院学报
Ｊ ｏ ｕ ｒ ｎ ａ ｌ ｏ ｆ Ｗｅ ｉ ｎ ａ ｎ Ｎｏ ｒ ｍａ ｌ Ｕｎ ｉ ｖ ｅ ｒ ｓ ｉ ｔ ｙ
Ｊ ａ ｎ ． ２ ０ １ ５
Ｖ０ ｌ ＿ ３ ０ Ｎｏ ． ２
【 现代应用技术研究】
基 于 神 经 网 络 的 风 电 功 率 预 测
张泽麟 ， 徐金 玉 ， 杨 新
（ 四川师范大学成都学院 ａ ． 数理教研室 ． ｂ ． 通信工程学 院 ， 成都 ６ １ １ ７ ４ ５ ） 摘 要： 根据风 电功率 的波动特性 ， 提出一种基于 Ｂ Ｐ神经 网络模型 的预测方法 ． 利用某 风电场 的实测数据 ， 首先采 用
，
国风电产业还存在着一些明显的挑战． ［ ２ ］ 风 电机组发 出的功率主要与风速有关 ， 由于风的不确定性 间歇 性 以及风 电场 内各 机组 间尾流 的影 响 ， 使 得风 力发 电机 不能 像 常规 发 电机 组那 样 根据 对 电能 的需 求来 确
基于机器学习的风电发电功率预测技术研究
基于机器学习的风电发电功率预测技术研究随着全球对新能源的需求不断增长，风电作为一种清洁可再生能源逐渐得到了广泛的应用和推广。
而随着风电的发展，如何准确、高效地预测风力发电的功率，成为了风电行业的一大难题。
近年来，基于机器学习的风电发电功率预测技术引起了广泛的关注和研究。
一、机器学习在风电发电功率预测中的应用机器学习是一种通过网络算法、数据处理和调整，使计算机具有自我学习、预测和推理能力的技术手段。
在风电发电功率预测中，机器学习可以根据过往的数据和经验，训练出适用于当前环境的模型，从而实现对未来功率的预测。
机器学习在风电发电功率预测中的主要应用方法包括：基于神经网络的预测方法、基于支持向量机的预测方法、基于决策树的预测方法、基于聚类的预测方法等。
这些方法都有各自的特点和优势，可以根据不同的需求进行选择和应用。
二、机器学习在风电发电功率预测中的优势相比传统的风力发电功率预测方法，机器学习具有以下优势：1. 更准确的预测结果。
传统方法往往只依靠经验和规则，无法对真实环境的变化做出及时、有效的调整和优化。
而机器学习可以通过对历史数据的学习和分析，不断优化和调整模型，提高预测准确度。
2. 更高效的数据处理。
传统方法需要大量的人工操作和数据处理，且很难处理大规模数据。
而机器学习可以通过算法和程序自动处理海量数据，大大提高数据处理的效率。
3. 更广泛的适用性。
机器学习可以适应不同的环境和数据类型，且可以随时进行调整和优化，具有更广泛的适用性。
三、机器学习在风电发电功率预测中的挑战与对策虽然机器学习在风电发电功率预测中具有很多优势，但也存在着一些挑战和难点，如：数据质量问题、过拟合问题、算法选择问题等。
为了克服这些问题，需要做以下工作：1. 数据预处理和清洗。
在机器学习中，数据的质量和准确度非常重要，需要对数据进行预处理和清洗，排除异常值和噪声干扰，提高数据的准确性和可信度。
2. 模型优化和调整。
在机器学习中，过拟合和欠拟合是常见问题，需要通过模型的优化和调整来避免这些问题的发生，提高预测的准确度和可信度。
风电功率预测研究
风电功率预测研究风电功率预测研究引言：随着全球能源需求的不断增长，可再生能源的利用越来越受到关注。
其中，风能作为一种环保且可再生的能源来源，得到了广泛的研究和应用。
然而，由于风能的不稳定性和不可控性，风电场的功率预测成为了提高风能利用率和电网稳定性的关键技术之一。
风电功率预测研究旨在通过分析历史风速和功率数据，建立一种精确可靠的预测模型，为风电场运营和电网调度提供参考依据。
一、风能特点及其影响因素1.1 风能特点风能具有不稳定、不可控、时空变化等特点。
受气象条件、地形地貌、海洋环境等因素的影响，风速会发生大幅度的变化，从而导致风能的波动性极高。
1.2 影响因素风能的波动性取决于多种因素，包括气象条件、地理位置、风场特性、风机布局、系统故障等。
同时，也受到季节、日变化、大气透明度等因素的影响。
二、风电功率预测方法2.1 基于统计学方法的预测模型基于统计学方法的风电功率预测主要包括时间序列分析、回归分析、自回归模型等。
这些方法通过分析历史风速和功率数据，建立数学模型并进行预测。
然而，由于风电场的复杂性和非线性特点，这些方法在准确性和可靠性上存在一定的局限性。
2.2 基于人工智能的预测模型人工智能方法在风电功率预测中得到广泛应用。
其中，人工神经网络、支持向量机、遗传算法等方法被证明在某些情况下能够取得较好的预测效果。
这些方法通过训练算法，识别出风速和功率之间的模式，从而实现准确的预测。
2.3 混合模型的应用近年来，混合模型在风电功率预测中得到了广泛的研究。
混合模型融合了多种预测方法，并通过适当的权衡和组合，提高了预测准确性和稳定性。
常见的混合模型包括统计学方法与人工智能方法的结合、多模型组合等。
三、风电功率预测实践与应用3.1 风电场运营风电功率预测为风电场的日常运营提供了重要的参考依据。
通过准确预测风电功率，运营人员可以及时调整发电机组运行状态，提高发电效率，降低成本，确保风电场的安全稳定运行。
3.2 电网调度风电功率预测对电网调度也起到了重要的作用。
基于数据挖掘的风电功率预测技术研究
基于数据挖掘的风电功率预测技术研究概述：风电是一种清洁能源，正逐渐成为世界各国能源结构调整的重要选择。
然而，风电的波动性导致风电场的功率输出存在一定的不确定性，这对电网的稳定运行提出了挑战。
因此，研究风电功率预测技术对于提高风电场的运行效率和电网的调度能力至关重要。
本文将探讨基于数据挖掘的风电功率预测技术的研究和应用。
一、风电功率的特点风电场的功率输出受到多种因素的影响，例如风速、风向、温度、湿度等。
风电功率具有以下几个特点：1. 非线性：风电功率与风速之间存在非线性关系，受到气象条件的复杂影响。
2. 时序性：风电功率的变化具有明显的时序性，存在周期性和趋势性变化。
3. 多变性：风速和其他气象因素的变化导致风电功率的多变性，不同时间段、地点可能存在差异。
二、风电功率预测的重要性风电功率预测具有重要的学术研究价值和实际应用意义，主要体现在以下几个方面：1. 电网调度：准确预测风电功率可以为电网调度提供可靠的参考，合理调度电力资源，保障电网的稳定运行。
2. 电力市场：风电功率预测作为风电发电量的预测，对电力市场交易和电价的决策具有重要影响，提高行业参与者的收益。
3. 储能设备：根据风电功率预测结果，可以合理规划和调度储能设备的使用，提高储能利用率。
4. 维护管理：准确预测风电功率有助于优化风电场的维护计划和故障预警，提高设备的运行效率和可靠性。
三、常用的风电功率预测方法1. 基于统计学方法：如时间序列分析、回归分析等。
这些方法通过对历史风电功率和气象数据进行拟合建模，来预测未来的风电功率。
但是，统计学方法忽略了风电功率与气象因素之间的复杂非线性关系。
2. 基于机器学习方法：如人工神经网络、支持向量机、决策树等。
这些方法通过对大量历史风电功率和气象数据进行训练，建立预测模型，然后对未来的气象数据进行预测计算。
机器学习方法能够更好地处理非线性和多变性的问题。
3. 基于深度学习方法：如循环神经网络（RNN）、长短期记忆网络（LSTM）等。
基于神经网络的风电功率预测
基于神经网络的风电功率预测张泽麟;徐金玉;杨新【摘要】根据风电功率的波动特性,提出一种基于BP神经网络模型的预测方法.利用某风电场的实测数据,首先采用不同的分布拟合风电功率波动的阶跃变化和平稳系数的概率密度函数,发现采用t location-scale(tls)分布拟合效果最佳;其次利用tls分布的位置参数、尺度参数、形状参数和变异系数,对不同时间间隔的风电功率波动的阶跃变化和平稳系数进行分析,发现最佳预测时间间隔为10 min;最后通过神经网络预测检验,得出采用10 min间隔进行预测效果最好,此时的平均绝对误差为243 668,平均绝对百分误差为65.43％,标准误差为19 694.【期刊名称】《渭南师范学院学报》【年(卷),期】2015(030)002【总页数】8页(P41-48)【关键词】风电功率波动特性;t location-scale分布;变异系数;BP神经网络【作者】张泽麟;徐金玉;杨新【作者单位】四川师范大学成都学院数理教研室,成都611745;四川师范大学成都学院通信工程学院,成都611745;四川师范大学成都学院数理教研室,成都611745【正文语种】中文【中图分类】TP18;TM715近年来，可再生能源开发的热潮遍及全球.[1]我国的风电发展取得了举世瞩目的成就，但总体来看，我国风电产业还存在着一些明显的挑战.[2]风电机组发出的功率主要与风速有关，由于风的不确定性、间歇性以及风电场内各机组间尾流的影响，使得风力发电机不能像常规发电机组那样根据对电能的需求来确定发电.大规模风电基地通常需接入电网来实现风电功率的传输与消纳，但是，风电功率的随机波动会对并网带来不利影响.因此，根据风电功率的波动特性，许多学者提出了相应的预测方案，如：基于灰色系统的风电功率预测法[3]、基于模式识别和PSO优化的风电功率预测法[4]等.考虑到风电功率波动的概率特性，本文提出一种基于BP人工神经网络的风电功率预测方法(BPANNP，BP Artificial Neural Networks Prediction)，可以提高预测的准确性.BPANNP主要分为两个部分：第一部分是对不同时间间隔的实测风电功率波动的阶跃变化和平稳参数进行概率密度函数拟合，分析波动量化指标的概率分布，得出最佳预测时间间隔；第二部分则按照此时间间隔，利用BP神经网络建立风电功率预测模型.以下主要对这两个部分进行解释.1.1 波动量化指标选用阶跃变化和平稳参数作为风电输出功率波动的量化指标.[5]阶跃变化yi是描述风电功率波动最常用的量化指标，它可以衡量风电功率波动的大小.计算方法为：设TS为输出功率采样时间，Td为期望的阶跃变化时间间隔，则其中：q=(NTS/Td)，N为初始序列长度；i表示第i个期望时间间隔输出功率的平均值.阶跃变化反映了两个时刻i+1和i之间输出功率的变化，忽略了时间间隔内变量变化的细节.由于某个区间数据的平均值不大于其最大值，所以采用阶跃变化作为某个时间间隔内风电输出功率波动的量化指标，得到的结果偏小，以此为量化指标会低估相应时间间隔内实际风电输出功率的波动.平稳系数揭示了给定时窗内输出功率变化的平稳程度，我们将其简化为:先将全部时刻按照Td进行分隔，产生n个时间间隔区间，再令其中：Pi+1为数据当前时间间隔区间采样的平均值；Pi为前一时刻所在时间间隔区间采样的平均值，单位为MW；Pc为研究对象(单台风机或风场)的额定容量，单位为MW；T为采样风电变化率数据的周期，单位为min；T的取值根据要研究的是短时或较长时间功率波动可以为min级或h级.1.2 概率密度拟合分别采用正态、极值和t location-scale分布[6]，对时间间隔为1 min、5 min、10 min和15 min的风电功率序列P1m(tk)，P5m(tk)，P10m(tk)，P15m(tk)的阶跃变化和平稳参数进行拟合，判断拟合程度最好的分布.为定量比较各分布函数的拟合效果，定义拟合指标[7]：其中:i)，i=1,2,3,…,m.m为频率分布直方图的分组数，i和i分别为第i个直方柱的高度及中心位置，f为拟合的概率密度函数，i)为在中心位置i上拟合的概率密度函数对应的值.拟合指标Fit_ind越小，代表拟合精度越高.1.3 最佳预测时间间隔根据1.2中的Fit_ind，找到最佳拟合分布.据实测数据，估计不同时间间隔下最佳拟合分布的期望、方差并计算变异系数，变异系数最小的时间间隔即为最佳预测时间间隔.1.4 BP神经网络的预测模型1.4.1 BP神经网络BP神经网络是一种多层前馈神经网络[8]，该网络的主要特点是信号前向传递，误差反向传播.在向前传递中输入信号从输入层经隐含层逐层处理，直至输出层.每一层的神经元状态只影响下一层神经元状态.如果输出层得不到期望输出，则转入反向传播，根据预测误差调整网络权值和阈值，从而使BP神经网络预测输出不断逼近期望输出.BP神经网络的拓扑结构如图1所示.BP神经网络预测前首先要训练网络[9]，通过训练使网络具有联想记忆和预测能力.BP神经网络的训练过程包括以下几个步骤:步骤1：网络初始化.根据系统输入输出序列(X,Y)确定网络输入层节点数n，隐含层节点数l，输出层节点数m，初始化输入层、隐含层和输出层神经元之间的连接权值ωij,ωjk，初始化隐含层阈值a，输出层阈值b，给定学习速率和神经元刺激函数.步骤2：隐含层输出计算.根据输入向量X，输入层和隐含层间连接权值ωij以及隐含层阈值a，计算隐含层输出H.其中：l为隐含层节点数，f为隐含层激励函数.该函数有多种表达形式，本文所选函数为：步骤3：输出层输出计算.根据隐含层输出H，连接权值ωjk和阈值b，计算BP神经网络预测输出O.步骤4：误差计算.根据网络预测输出O和期望输出Y，计算网络预测误差e.步骤5：权值更新.根据网络预测误差e更新网络连接权值ωij,ωjk.其中：η为学习效率.步骤6：阈值更新.根据网络预测误差e更新网络节点阈值a,b.步骤7：判断算法迭代是否结束，若没有结束，返回步骤2.1.4.2 BP神经网络模型的建立典型的BP神经网络[10]是三层网络，包括输入层、隐含层和输出层.算法流程如图2所示.采用某风电场一个月内按5 s间隔采样所获得的20台风电机组功率数据进行仿真验证.2.1 数据预处理记风电机组i产生的风电功率矩阵FengPi=(FengPi(j))，其中i是机组序号，FengPi(j)对应第i号机组功率数据的第j列(含有3天的功率采样数据)，将风电功率矩阵FengPi=(FengPi(j))按照时间先后顺序排列成时间间隔为5 s的列矩阵，相应的时间节点序号为.采用线性插值的方式补充缺失的功率,得到补充后的功率序列.找出无功部分，计算阶跃变化序列，再删除无功部分的功率值，得有功部分阶跃变化序列，对应序号记为ni.类并计算有功部分平稳参数序列.2.2 tls分布拟合首先需介绍一种重要的分布：tls 分布.它源自t分布，其密度函数为：其中：μ为位置参数；σ为尺度参数；v为形状参数.从20个风电机组中选取6号、14号、16号、18号、19号进行分布拟合.拟合时间间隔为5 s的风电功率波动的阶跃变化和平稳参数的概率密度函数.以6号风电机组的有功阶跃变化为例，采用MATLAB的概率密度拟合工具箱，对的概率密度函数进行拟合，如图3所示.从图3中可以看出，tls分布更适合于拟合时间间隔为5 s的阶跃变化的概率密度函数.对图3所示的概率分布拟合情况，固定取500 个分组，计算对应不同概率密度函数的拟合指标值Fit_ind，结果如表1所示.tls分布的拟合指标最小，表明它比其他分布更适合描述时间间隔为5 s的阶跃变化的分布特性，与图3显示的结果吻合.采取相似的办法，对6号机组平稳参数进行概率分布拟合，结果如图4所示.三种分布的拟合指标值如表2所示.将另外4台机组的数据进行类似拟合，结果如表3、表4所示.从表4可以看出，总是采用tls分布进行拟合效果最好.令PZ(t)=∑Pi(t)，得到20个机组总功率，仿照单个机组拟合的方式，分别采用正态、极值和tls进行拟合，得到表5.从表5中数据可知，tls仍然是拟合20台机组总功率波动最好的分布，但是优势不明显，说明在1 min到15 min的时间间隔以内，总功率波动的阶跃变化和平稳系数的统计规律性加强.另外，注意到15 min时间间隔处的拟合程度下降明显，这意味着超过15 min的话将会导致总功率波动的统计规律性下降.计算对应的分布参数，得表6、表7.分析表6数据可知，可以发现时间间隔增大时，阶跃变化的均值、方差均有所增加，代表功率波动性增强，但是从5 min间隔到15 min间隔时，变异系数CV1却有所下降，结合上边的分析结果(拟合效果15 min最差)，这意味着如果在5 min或者15 min间隔采样时，风电功率的阶跃变化的变异程度可能处于一个局部极小值附近.从表7数据可知，时间间隔为1 min时，功率波动的平稳系数很大，说明以此间隔采样，获得功率的波动性极强，很难分析其数据特性.5 min所对应平稳系数的均值、标准差、变异系数相比1 min显著下降，15 min相对5 min也明显下降，说明15 min间隔的功率波动的平稳分量比较稳定，功率波动较小，变异可能性也较小.最后，综合以上分析，一方面风电场总功率PZ(t)的波动的平稳性强于单个风电机功率Pi(tk)波动的平稳性；另一方面，以5 min或者15 min时间间隔采样，获得的数据最稳定，我们可以认为，采用风电场5 ～15 min的间隔以内的时间间隔采样功率数据，建立数学模型对风电场功率进行预测效果应该最好.2.3 最佳间隔时间选择及预测我们采用神经网络的方法进行预测，根据预测的误差选择最佳时间间隔.根据5 s间隔采样数据(tk)分段计算平均值，可得所需5 min和15 min间隔功率波动序列(tk)和(tk).将最后7天设为预测部分，设预测模型为：即用前面32个采样点的数据作为输入变量，实现对未来4 h进行滚动预报.设定迭代次数为100次，建立神经网络拓扑图，如图5所示.为了衡量预测效果，选用平均绝对误差MAE，平均绝对百分误差MAPE，标准误差RMSE作为误差判断标准，计算公式为：平均绝对误差：平均绝对百分误差：标准误差：上面三式中，i为预测值；yi为实际值；n为个数.经过神经网络训练，对(tk)进行预测，所得预测图如图6、图7.对应的误差为：从表8预测误差分析，采取5 min的预测效果好于15 min功率预测.考虑到问题四中的分析，在5～15 min中可能存在一个局部最小值，我们在6～15 min中搜索之后，发现当时间间隔为10 min时，预测误差明显下降，如表9所示.通过仿真分析可知，可以得到以下两个结论：tls分布最适合于描述风电功率的波动特性；(2)按照10 min间隔预测平均功率准确性最高.【相关文献】[1] 庄楚强，何春雄.应用数理统计基础[M].广州：华南理工大学出版社，2006.[2] 张德峰.中国风电产业发展现状[EB/OL].(2012-07-01)[2012-11-20]..[3] 史冀.灰色系统在风力预测中的应用[J].科技创新与应用,2014，(32)：77-81.[4] 叶小岭，刘波，邓华，等.基于小波分析和PSO优化神经网络的短期风电功率预测[J].可再生能源,2014，32(10)：1486-1492.[5] 杨志凌.风电场功率短期预测方法优化的研究[D].北京：华北电力大学博士学位论文，2011.[6] 杨树德，同向前.风电功率波动特性描述方法比较研究[C].第三届全国电能质量学术会议暨电能质量行业发展论坛，2013.[7] 师洪涛，杨静玲，丁茂生，等.基于小波—BP神经网络的短期风电功率预测方法[J].电力系统自动化，2011，35(16)：44-48.[8] 张德丰.MATLAB神经网络应用设计[M].北京：机械工业出版社，2009.[9] 史峰，王辉，郁磊，等.智能算法[M].北京：北京航空航天大学出版社，2011.[10] 李海涛，邓樱.MATLAB程序设计教程[M].北京：高等教育出版社，2002.[11] 林卫星，文劲宇，艾小猛，等.风电功率波动特性的概率分布研究[J].中国电机工程学报，2012，32(1)：38-46.[12] 催杨，穆钢，刘玉，等.风电功率波动的时空分布特性[J].电网技术，2011，35(2)：110-114.。
基于机器学习的风电场功率预测模型研究
基于机器学习的风电场功率预测模型研究随着可再生能源的快速发展，风能作为一种清洁、可持续的能源逐渐得到了广泛应用。
风力发电已经成为全球电力系统中重要的能源来源之一。
然而，由于风速的不稳定性和不确定性，风电场的功率输出存在一定的波动性，这给电力系统的运营和调度带来了一定的挑战。
因此，准确预测风电场的功率输出对于电力系统的稳定运行和经济调度非常重要。
传统的风电场功率预测方法主要基于气象数据，如风速、风向、温度等，通过建立数学模型来预测风电场的功率输出。
然而，这些方法在准确性和稳定性方面存在很大的局限性。
近年来，机器学习技术的快速发展为风电场功率预测提供了新的解决方案。
机器学习是一种基于数据的建模方法，通过从历史数据中学习模式和规律，来预测未来的结果。
在风电场功率预测中，机器学习方法可以利用历史的气象数据和实时的风电场功率数据，通过训练模型来预测未来的功率输出。
首先，机器学习方法可以通过特征选取来选择最相关的气象数据作为输入变量。
这可以帮助减少冗余信息和降低模型的复杂性。
常见的特征包括风速、风向、气温等气象参数，以及日期、时间等时间相关的特征。
选取适当的特征可以提高模型的预测能力。
其次，机器学习方法可以利用不同的算法来建立预测模型。
常见的机器学习算法包括决策树、支持向量机、神经网络等。
这些算法有各自的优缺点，可以根据具体的问题选择合适的算法。
同时，还可以采用集成学习方法，如随机森林、Adaboost等，来提高模型的泛化能力和稳定性。
此外，为了提高预测模型的性能，可以采用交叉验证和模型参数调优来优化模型。
交叉验证可以评估模型在未知数据上的性能，以避免模型的过拟合。
模型参数调优可以通过搜索算法和网格搜索方法来寻找最优的参数组合，以提高模型的准确性。
最后，机器学习方法还可以结合其他辅助数据和先验知识来提高预测模型的性能。
例如，可以利用地理信息数据和风电场的布局图来优化模型的预测结果。
此外，还可以利用历史维护数据和故障数据来改进模型的健壮性和故障诊断能力。
基于机器学习的风力发电功率预测研究
基于机器学习的风力发电功率预测研究随着环境保护意识的提高和对可再生能源需求的增加，风力发电作为一种清洁、可持续的能源形式受到了广泛关注。
然而，由于风力发电的波动性和不确定性，准确预测风力发电功率成为了一项重要而具有挑战性的任务。
为了解决这一问题，研究人员开始利用机器学习方法进行风力发电功率预测研究。
本文旨在探讨利用机器学习方法进行风力发电功率预测的研究进展，并对当前存在的问题与挑战进行分析。
首先，机器学习方法在风力发电功率预测中的应用已经取得了一定的成果。
传统的时间序列模型往往无法处理非线性的关系，而机器学习方法通过使用大量的数据样本，并结合各种特征工程技术，可以更好地捕捉数据的非线性关系和特征，从而提高预测准确性。
目前，常用的机器学习方法包括支持向量机（SVM）、人工神经网络（ANN）、回归树（RT）等，这些方法在风力发电功率预测中得到了广泛应用。
例如，研究者基于长短期记忆网络（LSTM）和卷积神经网络（CNN）构建了复合神经网络模型，对风速、风向等多个因素进行融合预测，取得了较好的预测效果。
然而，要实现准确的风力发电功率预测仍面临着一些挑战。
首先，风力发电数据的特点使其容易受到噪声的干扰，例如设备故障、温度变化等因素会导致数据的异常。
这些异常数据对于预测模型的训练会产生较大的影响，进而影响预测结果的准确性。
其次，风力发电数据的稀疏性也是一个挑战。
由于风力发电站设备的限制和使用的测量设备的成本，获得的数据通常是有限的，难以涵盖各种可能的情况，这导致预测模型的泛化能力较弱。
此外，风力发电功率预测涉及到多个变量之间的复杂关系，仅仅通过少数几个特征很难捕捉到全部的相关信息，这也是一个挑战。
为了解决以上问题，研究人员提出了一些改进的方法。
首先，针对数据噪声的问题，研究人员可以采用异常值检测和数据清洗等技术，剔除异常数据或者通过插补的方式填补缺失数据，从而提高数据质量。
其次，在数据稀疏性问题上，研究人员可以通过获取更多的数据样本，或者利用不同地区的数据进行集成分析，以提高模型的泛化能力。
基于机器学习的风电功率预测研究
基于机器学习的风电功率预测研究概述：随着气候变暖和环境问题日益严重，可再生能源成为了全球能源领域的热门话题。
其中，风能作为一种比较成熟、可再生的能源形式，被广泛用于发电。
然而，由于风速的不稳定性和风电场的复杂性，风电功率的准确预测成为了一个重要而具有挑战性的研究方向。
本文旨在基于机器学习的方法研究风电功率的预测，通过对历史数据和气象数据的分析，提出一种准确可靠的风电功率预测模型。
一、研究背景电力系统运行和调度对功率的准确预测有着重要的需求。
风电作为一种不可控、不可调度的能源，其功率的预测尤为重要。
准确的风电功率预测可以帮助电力系统实现更好的调度，提高能源利用效率，减少对传统能源的依赖。
目前，许多研究通过利用机器学习方法来预测风电功率，获得了较好的预测准确性。
二、数据采集与预处理为了进行风电功率预测的研究，首先需要收集历史的风电功率数据和相关的气象数据。
风电功率数据包括每小时的功率输出情况，气象数据包括风速、气温、湿度等信息。
一般来说，可以通过风电场的监测系统和气象站来收集这些数据。
然后，对数据进行预处理，包括缺失值处理、异常值检测和数据标准化等步骤，确保数据的质量和可用性。
三、特征选择与提取在进行风电功率预测之前，需要对原始数据进行特征选择和提取。
特征选择的目标是从大量的特征中选择出与风电功率相关性较高的特征，以减少模型的复杂性和提高预测准确性。
特征提取是将原始数据转化为更有意义的特征表示，以便于机器学习算法的理解和处理。
常用的特征选择方法包括相关系数分析、方差分析和基于模型的特征选择方法，特征提取方法包括主成分分析、独立成分分析等。
四、建立预测模型基于机器学习的风电功率预测模型可以采用多种算法，如支持向量机（SVM）、人工神经网络（ANN）和随机森林（Random Forest）等。
这些算法能够通过学习历史数据的模式和规律，对未来的风电功率进行预测。
在选择合适的模型时，需要考虑模型的预测性能、计算复杂度和实际应用的可行性。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
法 ．但 是 并 没 有 给 出 该 新 模 型 的 具 体 分 布 情 况 文献 ｆ ７ １ 提 出 了一 种 基 于 贝塔 分 布 的风 电功 率 区间
测 区间 ．但 是 文 中采 用 的是 风 电功率 间接 预测 法 ．
风 速转 化 为 风 电 功率 模 型 ．其 次 采 用 非 参 数 估 计
高 斯 核 核 函数 建 立 预 测误 差 概 率 分 布 函数 ．进 而
得 出 预 测 区 间 ．并 给 出 了 高 斯 核 函数 窗 宽 的抉 择 方 法 即 交 错 鉴 定 法来 选 择 最 佳 窗 宽 文 献『 ５ １ 采用 正态 分 布来 拟 合 风 电功 率 预 测误 差 概 率 分 布 曲线 ．
０ 引言
风 能 的 形 成 源 于 大 气 对 流 ．其 本 身 具 有 不 确 定性 因 素 ．故 风力 发 电所 产 生 的 风 电 功 率 具 有 强 烈 的 随 机 波 动性 基 于本 身 固有 特 性 ．风 电并 网
将 会 给 电能质 量 及 电力 系统 安 全 运 行严 重 的负 担
但 是 拟 合 效 果 不 佳 。 文 献『 ６ １ 在 已有 风 电 功 率 预 测
误 差 正 态 分 布 模 型 基 础 上 ．运 用 最 小 二 乘 法 的 相 关 理 论 提 出 了一 种 描 述 预 测 误 差 分 布模 型 的 新 方
献ｆ ２ １ 利用 神 经 网络 法 对风 速 和 风 向数据 进 行 预测 ， 通 过 建 立 模 型将 风 速 数 据 转 化 为 风 电 功 率 预 测 数
为 了提 高 风 电 并 网 容量 ，准确 、可 靠 的 风 电功 率
预 测 对 于 电力 系 统 调 度 人 员是 必 不 可 少 的 为此 开 发 了 持 续 法 、时 间 序 列 法 、指 数 平 滑 法 、线 性
回归 法 、神 经 网 络法 、支 持 向量 机 等 多 种 风 电功 率点 预测 方法 ．但 这些 方法 预测 精度 不高 ．且 随着
预 测 步 骤 比直 接 预 测 法 繁 琐 ，且 并 没 有 给 出 风 速 转 化 为 风 电功 率 的具 体 模 型 ．在 区 间 预 测 中引 进 非 参 数 估 计 法 采 用 高 斯 核 函数 表 示 风 电功 率 预 测 误 差 的 概 率 分布 ．但 没有 给 出高 斯 核 函数 中带 宽 具 体 的选 定 方 法 。文 献 『 ３ １ 采 用 直 接 预 测 法 对 风 电 功率 进 行 预 测 ，采用 非 参 数 估 计 法 ．利 用 高 斯 核 函数 来 描述 预测 误 差 的概 率 分 布 ．高 斯 核 密 度 估 计 性 能 的好 坏取 决 于 带 宽 的 抉择 ．但 是 同样 没 有 给 出 高 斯 核 函 数 的带 宽 的具 体 抉 择 方 法 文献 『 ４ １ 采用 间 接 预测 法 ．首 先 基 于 非 参 数 回归 模 型 建 立
致 使 风 电场 弃 风 现 象 严 重 基 于 风 电 功 率 点 预 测 的 基 础 上 ．风 电 功 率 概 率 预 测 可 以预 测 出 风 电 功 率 的 波 动 范 同 ．为 电力 系 统 的安 全 运 行 以 及 电 网调 度 运 行 给 出 不 确 定 信 息 和 可 靠 性 评 估 依 据 提 出 了一 种 基 于 ｔ ｌ ｏ ｃ ａ ｔ ｉ ０ ｎ ． ｓ ｃ ａ ｌ ｅ分 布 的 风 电功 率 概 率 预 测 方 法 ， 即 采 用 ｔ ｌ ｏ ｃ ａ ｔ ｉ ｏ ｎ ． ｓ ｃ ａ ｌ ｅ函数 来 描 述 风 电 功 率 预 测 误 差 概 率 分 布 ．并 以 此 建 立 误 差 分 布 ，基 于 已建 立 的误 差 分 布 可 以进 行 概 率 预 测 并 引 进 了 覆 盖 率 和 平 均 带 宽 来 评 价 预 测 区间 的 优
薰哥
鞠 努 灏 溯 煮
杨茂 ， 杜 刚
（ 东 北 电力 大 学 电 气工 程 学 院 ， 吉林 吉林 １ ３ ２ ０ １ ２ ）
霸 熏 蒸 随 机 波 动 性 ，导 致 风 电 功 率 点 预 测 方 法 的 预 测 精 度 不 高 ．增 加 了风 电 并 网 的 难 度 ．
划项 目（ ２ ０ １ ４ ０ ５ ２ ０ ｌ ２ ９ Ｊ Ｈ） ；吉 林 省 教 育厅 “ 十二五” 科 学 技 术 研 究 项 目（ 吉教科合字［ ２ ０ １ ４ １ 第４ ７ ４号 ） ；吉 林 省 产 业 技
风 电场 地 理位 置 的差 异 ．预 测 精 度起 伏 较大… 电 力 系 统 调 度 人 员更 希 望 得 到 未 来 时 问段 内 风 电功 率 的波 动 区间 ．并 以此 为 根 据 提 前 进 行 风 险 评 估 ， 以保 证 系 统 经 济 、安 全 地 运 行 。风 电功 率 概 率 预 测 分 为 非 参 数 估 计 法 和 参 数 估 计 法 文
收 稿 日期 ：２ ０１ ６ — １ ０ — ２ ０
基金 项 目 ：同家 重点 基 础 研 究 发 展 计划 项 目（ ９ ７ ３计 划 ） （ ２ ０ １ ３ Ｃ Ｂ ２ ２ ８ ２ ０ １ ） ； 同家 自然 科 学 基 金 （ ５ １ ３ ０ ７ ０ １ ７ ） ；吉 林 省 科 技 发 展计
劣 程 度 利 用 吉 林 省 西 部 某 风 电 场 历 史 数 据 验 证 了 该 方 法 的 可靠 性
关 键 词 ：风 电 ；风 电功 率 ；弃 风 ；风 电并 网 ；风 功 率 预 测
中图 分 类 号 ：Ｔ Ｍ６ １ ５ 文 献标 志码 ：Ａ Ｄ０Ｉ ：１ ０ ． １ １ ９ ３ ｏ ／ ｊ ． ｉ ｓ ｓ ｎ ． １ ０ ０ ４ — ９ ６ ４ ９ ． ２ ０ １ ７ ． ０ １ ． １ ４ ０ ． ０ ６