王奎 三峽大學(xué)電氣與新能源學(xué)院本科 趙明 三峽大學(xué)電氣與新能源學(xué)院本科 何成君 三峽大學(xué)電氣與新能源學(xué)院本科

隨著我國(guó)越來(lái)越鼓勵(lì)新能源發(fā)電，發(fā)電的風(fēng)電并網(wǎng)規(guī)模愈來(lái)愈大，而另一方面，風(fēng)電負(fù)荷的不確定性對(duì)電力系統(tǒng)的穩(wěn)定性和安全性的影響也日益彰顯。那么對(duì)風(fēng)電功率的預(yù)測(cè)就顯得尤為重要了，風(fēng)電功率的預(yù)測(cè)可以加強(qiáng)電力系統(tǒng)的穩(wěn)定性、安全性以及提高風(fēng)電功率的消納能力，同時(shí)還可以降低風(fēng)電場(chǎng)的成本，提高風(fēng)電場(chǎng)的經(jīng)濟(jì)效益和用戶對(duì)風(fēng)電的利用率。本文對(duì)風(fēng)電功率的預(yù)測(cè)方法進(jìn)行了介紹和總結(jié)，以及介紹了提高其預(yù)測(cè)精度的方法和重要性，為以后的進(jìn)一步發(fā)展和研究提供了參考。

1 風(fēng)電功率預(yù)測(cè)的方法

由歷史數(shù)據(jù)通過(guò)主成分分析可以找出影響風(fēng)電場(chǎng)出力的主要因素，然后由實(shí)際測(cè)量的數(shù)據(jù)和數(shù)值天氣預(yù)報(bào)的數(shù)據(jù)（NWP）對(duì)風(fēng)電場(chǎng)出力進(jìn)行短期，中長(zhǎng)期，長(zhǎng)期的預(yù)測(cè)，比較常用的預(yù)測(cè)方法：人工神經(jīng)網(wǎng)絡(luò)方法、混合專(zhuān)家經(jīng)驗(yàn)法、時(shí)間序列分析方法、蟻群優(yōu)化，支持向量機(jī)法等。另外，這些年來(lái)國(guó)內(nèi)外在數(shù)據(jù)挖掘算法上發(fā)展迅猛，也使得數(shù)據(jù)挖掘算法在風(fēng)電功率預(yù)測(cè)上取得了重大的突破，結(jié)合國(guó)內(nèi)外多種預(yù)測(cè)模型的優(yōu)點(diǎn)，建立風(fēng)電功率組合模型也成為時(shí)代的研究趨勢(shì)。而有效地結(jié)合物理數(shù)值天氣預(yù)報(bào)的預(yù)測(cè)數(shù)據(jù)(NWP) 與風(fēng)電場(chǎng)功率輸出的關(guān)系可以使得預(yù)測(cè)的精度得到顯著性的提高。

2 確定性預(yù)測(cè)方法

2.1 持續(xù)法

視緊接著的下一時(shí)刻的風(fēng)電功率預(yù)測(cè)值為當(dāng)前時(shí)刻的風(fēng)電功率值，

2.2 時(shí)間序列分析法

step1：將歷史風(fēng)電數(shù)據(jù)首先進(jìn)行兩步預(yù)先的處理：理想化處理，小波濾波分析。

step2：將經(jīng)過(guò)小波濾波分析后得到的風(fēng)電出力時(shí)間序列劃分為兩部分：風(fēng)過(guò)程和片段。

step3：將風(fēng)過(guò)程可以近似看作馬爾科夫隨機(jī)過(guò)程，對(duì)分離出來(lái)的片段進(jìn)行分析，得出片段滿足隨機(jī)分布，并將片段概率分布記錄下來(lái)。

Step4：通過(guò)隨機(jī)抽樣技術(shù)抽取風(fēng)過(guò)程和片段的部分片段，用樣本來(lái)推斷總體的情況，最終得到模擬風(fēng)電出力時(shí)間序列。

2.3 人工神經(jīng)網(wǎng)絡(luò)法

人工神經(jīng)網(wǎng)絡(luò)法適用于短期的風(fēng)電預(yù)測(cè)，首先通過(guò)主成份分析法篩選出同預(yù)測(cè)目標(biāo)（風(fēng)電出力）相關(guān)性較大的影響因素，并收集這些因素的歷史數(shù)據(jù)，然后對(duì)訓(xùn)練樣本進(jìn)行模糊聚類(lèi)，將具有一定相同特征的樣本分為一類(lèi)，分類(lèi)后可以提高風(fēng)電功率預(yù)測(cè)的精度；然后針對(duì)每一類(lèi)樣本建立 BP 神經(jīng)網(wǎng)絡(luò)模型。首先收集數(shù)值天氣預(yù)報(bào)系統(tǒng)的相關(guān)氣象信息，將氣溫、氣壓、風(fēng)速、風(fēng)向、濕度作為輸入層，風(fēng)電場(chǎng)出力作為神經(jīng)網(wǎng)絡(luò)的輸出層進(jìn)行預(yù)測(cè)。

3 基于小波包和 CSO-ENN 的預(yù)測(cè)模型

基于小波包變換和縱橫交叉算法的優(yōu)化神經(jīng)網(wǎng)絡(luò)（CSO-ENN）的預(yù)測(cè)模型：

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

（2）構(gòu)建縱橫交叉算法優(yōu)化后的神經(jīng)網(wǎng)絡(luò) (CSO-ENN)預(yù)測(cè)模型，對(duì)具有不同特征的子序列進(jìn)行分析和預(yù)測(cè)，記錄下各子序列的預(yù)測(cè)值。

（3）篩選出符合實(shí)際的子序列預(yù)測(cè)值，將篩選后的子序列預(yù)測(cè)值進(jìn)行累加，進(jìn)而得出所求的最終風(fēng)電功率預(yù)測(cè)結(jié)果。

優(yōu)勢(shì)：

（1）CSO 算法具有收斂精度高，全局搜索能力強(qiáng)的特點(diǎn)，彌補(bǔ)了神經(jīng)網(wǎng)絡(luò)在預(yù)測(cè)中，收斂速度較慢，預(yù)測(cè)精度相對(duì)較低的弊端（如BP神經(jīng)網(wǎng)絡(luò)），CSO算法明顯優(yōu)于傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)，預(yù)測(cè)結(jié)果更可靠。

（2）小波包分解可以極大的改善預(yù)測(cè)的精度，提高預(yù)測(cè)的準(zhǔn)確性，優(yōu)勢(shì)更加明顯。

4 結(jié)束語(yǔ)

風(fēng)電預(yù)測(cè)是風(fēng)力發(fā)電領(lǐng)域的一個(gè)熱點(diǎn)研究方向，而我國(guó)的風(fēng)電場(chǎng)地形，當(dāng)?shù)貧庀笮畔⒏鞑灰恢拢枰谝虻刂埔说亻_(kāi)展風(fēng)電功率預(yù)測(cè)工作的同時(shí)，還需要不斷結(jié)合國(guó)內(nèi)外的先進(jìn)預(yù)測(cè)方法的優(yōu)點(diǎn)，建立組合風(fēng)電功率組合模型來(lái)提高預(yù)測(cè)精度，這兩個(gè)舉措都對(duì)風(fēng)力發(fā)電的未來(lái)發(fā)展起到推動(dòng)作用。預(yù)測(cè)出來(lái)的風(fēng)電曲線可以提高電力系統(tǒng)的安全性和可控性，還有利于合理的安排機(jī)組的出力，降低其發(fā)電的成本。

[1]薛禹勝,郁琛,趙俊華,Kang LI,Xueqin LIU,Qiuwei WU,Guangya YANG.關(guān)于短期及超短期風(fēng)電功率預(yù)測(cè)的評(píng)述[J].電力系統(tǒng)自動(dòng)化,2015,39(06):141-151.

[2]劉純,呂振華,黃越輝,馬爍,王偉勝.長(zhǎng)時(shí)間尺度風(fēng)電出力時(shí)間序列建模新方法研究[J].電力系統(tǒng)保護(hù)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(fēng)電預(yù)測(cè)神經(jīng)網(wǎng)絡(luò)模型[J].太陽(yáng)能學(xué)報(bào),2015,36(07):1645-1651.