风电场风电功率短期预测技术

风电场风电功率短期预测技术

摘要:风电功率预测是确保电网平衡风电波动，减少备用容量和经济运行的重要技术保障，减少系统的备用容量，降低电力系统运行成本，满足电力市场交易需要，为风力发电竞价上网提供有利条件。

本文基于对常见预测方法的研究和对风速数据的分析，并且针对目前存在的预测方法单一、预测精确度不高等问题，拟使用先进的智能化方法、多种方法综合以达到提高预测精度的目的。

关键词：风电功率预测方法matlab建模时间序列模型

1.文献综述

1.1 国内外风电功率预测现状

国外从事风电功率研究工作起步较早，早在1990 年Landberg 就采用类似欧洲风图集的推理方法开发了一套预测系统[1]，其主要思想是把数值天气预报提供的风速、风向通过一定的方法转换到风电机组轮毂高度的风速、风向，然后根据功率曲线得到风电场的出力，并根据风电场的效率进行修正。这个系统采用了丹麦气象研究院的高精度有限区域模型(high resolution limited area model ，HIRLAM)作为数值天气预报的输入，丹麦里索国家实验室的WAsP 模型把风速、风向转换到轮毂高度的风速、风向；Risø的PARK 模型考虑尾流的影响。1993—1999 年，这个模型分别用在丹麦东部、爱尔兰电力供应委员会和爱荷华州。

风电功率预测工具(wind power prediction tool，WPPT)由丹麦科技大学开发[2]。1994 年以来，WPPT一直在丹麦西部电力系统运行，从1999 年开始WPPT 在丹麦东部电力系统运行。最初这个系统将适应回归最小平方根法与指数遗忘算法相结合，给出了0.536 h 的预测结果。

Prediktor 是Risø开发的风电场功率预测系统，它尽可能使用物理模型。大范围的空气流动数据是由数值天气预报系统高精度有限区域模型(high resolution limited area model，HIRLAM)提供的。根据地心自传拖引定律和风速的对数分布图，把高空的风速转换为地面的风速。对于一个特定的地点，需要更详尽的数据，因此可以用WAsP程序来分析，WAsP 可以考虑障碍物和粗糙度的影响、粗糙度的变化、山头的加速和山谷的减速等。PARK 模型可以考虑风电场尾流的影响。最后还有2 个统计模块来表示未能在物理模型中表示出来的其它因素。

Zephry 是Risø和丹麦科技大学的信息和数学建模学院(informatics and mathematical modeling，IMM)联合开发的新一代短期风功率预测程序[3]。Zephry 集合了

预测程序Prediktor 和WPPT 的功能，能进行短期预测(0—9h)和天前预测(36—48h)。IMM 使用了在线实测数据和先进的统计方法，能够给出很好的短期预测结果，IMM 还使用了如HIRLAM 的气象模型，较大提高了天前预测的精度。

Previento 是一个德国OldenBurg 大学开发的预测系统，它可以对一个较大的区域给出2d 内的功率预测结果[4-5]，其预测方法和Prediktor 类似。

AWPT 是德国太阳能研究所开发的风功率管理系统(wind power management system ，WPMS)的一部分[6]。风功率管理系统包括在线监视系统、短期预测系统(1—8 h)和天前预测系统。该模型的特点如下：根据德国气象局提供的精确数值天气预报进行预测；用人工神经元网络计算风电场的功率输出；用在线外推模型计算注入到电网的总风电功率。

eWind 是美国AWS Truewind 公司开发的风功率预测系统[7-8]。它主要包括一组高精度的三维大气物理数学模型、适应性统计模型、风电场输出模型和预测分发系统。

国内对风电功率预测的研究工作主要是理论探索[9-10]，目前还未提出高精度风电功率预测系统。

1.2 预测方法的分类

预测方法分类见图1。根据使用数值天气预报（numerical weather prediction ，NWP ）与否，短期预测可以分为两类：一类是使用数值天气预报的预测方法，一类是不使用气象预报的预测方法，或者叫做基于历史数据的预测方法。

1.2.1 基于历史数据的风电功率预测

基于历史数据的风电场功率预测，是只根据历史数据，来预测风电场功率的方法，也就是在若干个历史数据（包括功率、风速、风向等参数）和风电场的功率输出之间建立一种映射关系，方法包括：卡尔曼滤波法[11]、持续性算法[12]、ARMA [13]算法、线性回归模型、自适应模糊逻辑算法等。另外还有采用人工神经网络（artificial neural network ，ANN ）方法等人工智能方法。受到预测精度的限制，这中预测方法的时间一般不会太长，例如6h 或8h 。

（1） 卡尔曼滤波法

卡尔曼滤波法的基本原理是从噪声污染的信号中提取真实的信号，估计系统的真实状态信息，然后利用此真实的状态信息对系统进行有效的控制[14]。

卡尔曼状态方程：111,11,-----++=k k k k k k k k W u P x x φ (1-1) 式中：k=1，2，…，n 为卡尔曼滤波的阶数

由卡尔曼滤波原理, 可以得到卡尔曼滤波递推公式。

预测误差协方差：

111,---+=k k k k Q P P (1-2) 最优滤波增益：)(1,1,k k k k k k P P P K +=---1 (1-3) 滤波误差协方差：1,)1(--=k k k k P K P (1-4) 预测算法：11,1'---+=k k k k k u P x x (1-5)

最优滤波值： )'(''k k k k k x Z K x x -+= (1-6) 其最大特点是能够剔除随机干扰噪声, 从而获取逼近真实情况的有用信息, 在变形分析与预报中应用效果明显, 预测误差小。该法递推算法严密, 不需要保留使用过的观测值序列, 而且可把模型的参数估计和预报结合在一起, 是一种变形的动态几何分析方法[15]。

（2） ARMA 算法

ARIMA 由三部分组成：自回归项autoregressive （AR ）、差分项integrated （I ）和滑动平均项moving average （MA ）[16]。ARIMA 是在ARMA 的基础上提出来的，ARMA 的数学表达式是

X t =∑=-p j j t j

X a 1+∑=-q k k t k e b 0 (1-7)

其中，X t 表示时间序列，例如风速序列：∑=-p

j j t j X a 1

表示自回归项AR ，a j 为常数，X t-j 为t-j

时刻的观测值，∑=-p

j j t j X a 1即为过去观测值的线性组合；b k 为常数，e t 为白噪声序列，

∑=-q k k t k e

b 0表示白噪声序列的滑动平均项MA 。该方程表明，AR 模型描述的是系统对过去

自身状态的记忆，MA 模型描述的是系统对过去时刻进入系统的噪声（随机扰动项）的记忆，而ARMA 模型则是系统对过去自身状态以及进入系统的噪声的记忆。一个时间序列在某时刻的值可以用p 个历史观测值的线性组合加上一个白噪声序列的q 项滑动平均来表示，则该时间序列即为ARMA （p ，q ）过程[17-18]。其中需要对时间序列的参数进行了解，大致按照9个流程：

（a ）从文件读取数据，定义读取参数data ；

（b ）显示数据的整体函数曲线；

（c ）抽取数据的趋势项；

（d ）显示整体自相关函数曲线；

（e ）显示整体偏相关函数曲线；

（f ）由（d ）（e ）判断模型的类型（AR ，MA ，ARMA ，多项式），选择合适的模型及参数，以ARMA 模型为例（其他方法类似），继续；

（g ）计算分段数据的ARMA 模型参数；

（h ）显示分段数据的ARMA 模型拟合曲线；

（i ）计算预测的残差值e ，若e<阀值，则结束；否则跳至（g ）；

其中还需要预留的参数有：

（a ）数据的长度；

（b ）数据分段的长度L ；