張飛 習(xí)佳 孫曉輝 郭子夢

摘要：指出了風(fēng)功率預(yù)測的研究對保證電力系統(tǒng)安全、經(jīng)濟運行以及提高電能質(zhì)量有著重要意義。探討了當(dāng)前風(fēng)功率預(yù)測的主要方法，論述了風(fēng)功率預(yù)測中的關(guān)鍵技術(shù)步驟.對短期風(fēng)功率預(yù)測及實時功能率預(yù)測的發(fā)展趨勢進行了展望。

關(guān)鍵詞：功率預(yù)測;風(fēng)力發(fā)電;組合預(yù)測

中圖分類號：TM614 文獻標(biāo)識碼：A 文章編號：1674-9944（2019）18-0194-02

1引言

在現(xiàn)代化的建設(shè)過程中，我國對于風(fēng)力發(fā)電的重視程度較高，相關(guān)技術(shù)也越來越成熟，已經(jīng)創(chuàng)造出了可觀的經(jīng)濟效益。然而，風(fēng)力發(fā)電具有間隙性、隨機性和波動性的特點，這給整個電力系統(tǒng)的安全、穩(wěn)定運行帶來了挑戰(zhàn)，直接影響了風(fēng)電廠在整個電力行業(yè)的競爭力。因此，加快風(fēng)功率預(yù)測的研究、提高功率預(yù)測的精度顯得尤為重要。

2風(fēng)功率預(yù)測的主要方法

當(dāng)下風(fēng)功率預(yù)測方法主要分為以下四類。

（1）按照預(yù)測時間劃分，可分為長期預(yù)測、中期預(yù)測、短期預(yù)測以及超短期預(yù)測。長期預(yù)測以年為單位在新風(fēng)場選址、規(guī)劃中起著重要作用。以月為單位的中期預(yù)測可以更合理的安排風(fēng)場大規(guī)模檢修。短期預(yù)測主要用于優(yōu)化電網(wǎng)調(diào)度，一般提前1～2d進行。以控制風(fēng)電機組為目的的超短期預(yù)測一般是提前幾十分鐘或幾小時進行預(yù)測。當(dāng)下的實時預(yù)測也屬于超短期預(yù)測的范疇。

（2）按照預(yù)測模型的對象不同，可分為間接法和直接法。以風(fēng)速為對象，實現(xiàn)對風(fēng)速的精準(zhǔn)預(yù)測進而根據(jù)風(fēng)功率曲線得到預(yù)測功率屬于間接方法;以功率為研究對象不考慮風(fēng)速的變化過程進行風(fēng)功率預(yù)測則屬于直接方法。

（3）按照所用預(yù)測模型差異，可分為統(tǒng)計模型預(yù)測和物理模型預(yù)測。忽略風(fēng)速物理變化過程，依據(jù)統(tǒng)計學(xué)原理，尋求歷史數(shù)據(jù)和機組輸出功率的映射關(guān)系，從而進行功率預(yù)測的方法叫做統(tǒng)計模型預(yù)測方法。常見的統(tǒng)計模型預(yù)測法有卡爾曼濾波法、時間序列法等，和基于智能類模型的人工神經(jīng)網(wǎng)絡(luò)法、小波分析法、SVM回歸法、模糊邏輯法等。

統(tǒng)計方法依賴于歷史數(shù)據(jù)，這使其在進行長期預(yù)測時有一定的局限性，主要體現(xiàn)在大量的數(shù)據(jù)處理和長期的歷史數(shù)據(jù)統(tǒng)計這兩方面。但是對于超短期的預(yù)測往往有著很好的效果。

物理模型預(yù)測法是指根據(jù)NWP提供的氣象預(yù)測值再結(jié)合風(fēng)機周圍的物理信息得到風(fēng)電機組輪毅高度的風(fēng)速和風(fēng)向信息的預(yù)測值，最后根據(jù)風(fēng)功率曲線得出功率預(yù)測值。然而，受分辨率的影響，該方法只能滿足于整個風(fēng)場的功率預(yù)測精度，并不能直接用于風(fēng)電機組的功率預(yù)測。

（4）按照功率預(yù)測模型個數(shù)劃分，可分為單一功率預(yù)測和組合功率預(yù)測。像小波分析法、時間序列法、神經(jīng)網(wǎng)絡(luò)法等局限在單一的數(shù)學(xué)模型或物理模型中的預(yù)測方法稱為單一功率預(yù)測。選擇一定的組合方式把單一模型集成起來進行預(yù)測稱為組合功率預(yù)測。

單一功率預(yù)測往往忽略了其物理影響因素，導(dǎo)致預(yù)測精度效果不佳。組合功率預(yù)測發(fā)揮了各種算法的優(yōu)勢，在算法的精度和泛化能力上都有了很大提高。例如，基于粗糙集和神經(jīng)網(wǎng)絡(luò)的組合預(yù)測、基于PCA和粗糙集的組合預(yù)測，這些預(yù)測方法都達到了良好的預(yù)測效果。

3風(fēng)功率預(yù)測中的關(guān)鍵技術(shù)步驟

3.1數(shù)據(jù)預(yù)處理

目前數(shù)據(jù)預(yù)處理常用方法包括數(shù)據(jù)分解、PCA降維、粗糙集等。

（1）目前常用的數(shù)據(jù)分解法包括小波分解和經(jīng)驗?zāi)B(tài)分解（EMD），當(dāng)涉及到基于數(shù)據(jù)自身時間尺度的信號分解時小波分解就會失效，而EMD不能很好的處理模態(tài)混疊現(xiàn)象。于是一種基于EMD的優(yōu)化算法EEMD被提出。該算法可有效進行風(fēng)功率分解，并減輕模態(tài)混疊現(xiàn)象。

（2）主成分分析法（PCA）的核心思想是降維。這方法可以減少變量的個數(shù)，并且可以保留原數(shù)據(jù)樣本的關(guān)鍵信息。采用PCA降維可以有效降低訓(xùn)練時間，提高預(yù)測速度。

（3）粗糙集理論是一種處理不精確、不一致、不完整信息的有效工具。它不需要任何的先驗知識，可幫助我們在龐大的數(shù)據(jù)庫中挖掘有用的信息，將數(shù)據(jù)去粗取精。

（4）針對實測風(fēng)速和功率數(shù)據(jù)中包含奇異點以及同一風(fēng)速下風(fēng)功率存在較大范圍波動的問題。文獻[5]提出一種數(shù)據(jù)預(yù)處理算法。首先，采用拉依達準(zhǔn)則剔除風(fēng)速和功率奇異點，再使用優(yōu)化的一次指數(shù)平滑法及最大皮爾遜相關(guān)系數(shù)對風(fēng)速進行平滑處理，有效的提高了預(yù)測精度。

3.2預(yù)測模型優(yōu)化

氣象條件往往是不穩(wěn)定的，目前單純使用物理模型預(yù)測方法進行短期或超短期預(yù)測并不多見。本文主要討論統(tǒng)計模型預(yù)測的相關(guān)預(yù)測模型。

（1）時間序列分析是對大量的時間數(shù)據(jù)序列進行參數(shù)估計、模型識別等過程后確定一個數(shù)學(xué)模型進行預(yù)測。風(fēng)電功率和風(fēng)速數(shù)據(jù)通常是非平穩(wěn)時間序列，應(yīng)用時間序列分析模型前一般需要經(jīng)過差分之后才能變?yōu)槠椒€(wěn)時間序列。文獻[6]采用帶有季節(jié)因子的差分自回歸滑動平均模型（SARIMA）對風(fēng)電場的風(fēng)速和風(fēng)功率進行短期預(yù)測。預(yù)測效果明顯優(yōu)于差分自回歸滑動平均模型（ARIMA）。

（2）ANN是通過復(fù)制人類大腦工作過程的方法，可以處理復(fù)雜的非線性問題。防止人工神經(jīng)網(wǎng)絡(luò)算法陷入局部最優(yōu)和過學(xué)習(xí)的問題，仍然是其改進的研究方向。目前眾多學(xué)者將ANN模型進行了不同的改進，預(yù)測精度不斷提高。文獻[7]提出基于動態(tài)神經(jīng)網(wǎng)絡(luò)的風(fēng)電場輸出功率預(yù)測模型，仿真結(jié)果表明，動態(tài)神經(jīng)網(wǎng)絡(luò)在預(yù)測具有時間序列特性的風(fēng)功率時效果優(yōu)于靜態(tài)神經(jīng)網(wǎng)絡(luò)。

（3）SVM是基于結(jié)構(gòu)風(fēng)險最小化原則，適用于小樣本情形下模型的建立的一種學(xué)習(xí)方法。SVM預(yù)測方法通過核函數(shù)，將樣本空間的輸入映射到高維特征空間，解決了傳統(tǒng)方法中的維數(shù)災(zāi)難、學(xué)習(xí)時間長、模型適應(yīng)性弱等問題。目前.眾多學(xué)者將SVM模型進行了不同的改進。

（4）考慮時空相關(guān)性的方法基于多個相互關(guān)聯(lián)的風(fēng)電場信息共享的數(shù)據(jù)平臺，風(fēng)電功率時間序列在不同空間點之間有很強的關(guān)聯(lián)性，根據(jù)由風(fēng)電場內(nèi)風(fēng)電機組間空間排布關(guān)系推導(dǎo)出的空間相關(guān)矩陣，得到其他風(fēng)電機組的風(fēng)速、風(fēng)向，進一步可得到風(fēng)電功率預(yù)測值。

（5）單一的功率預(yù)測法往往達不到預(yù)期的預(yù)測精度，于是相關(guān)學(xué)者提出了組合預(yù)測的思想。目前主要有兩種組合預(yù)測思想。

第一種組合思想是在傳統(tǒng)的預(yù)測模型前增加數(shù)據(jù)的預(yù)處理過程。如文獻[8]采用集合經(jīng)驗?zāi)B(tài)分解（EEMD）法將原始風(fēng)速信號分解為頻域穩(wěn)定的子序列并對LS-SVM預(yù)測模型進行了優(yōu)化，有效地提高了預(yù)測精度。

另一種組合思想是發(fā)揮各種單一預(yù)測模型的優(yōu)勢進行預(yù)測，最后采用適當(dāng)?shù)募訖?quán)方式，把各種模型的預(yù)測結(jié)果綜合起來。文獻[9]將持續(xù)預(yù)測法與馬爾可夫預(yù)測理論進行相結(jié)合，利用熵值法確定了組合模型中的加權(quán)系數(shù)，從而組建了組合預(yù)測模型，提升了風(fēng)力發(fā)電機功率預(yù)測精度。

3.3預(yù)測結(jié)果分析

國家能源部門會對風(fēng)電場進行的監(jiān)管，對風(fēng)電場運行是否滿足調(diào)度并網(wǎng)要求進行獎懲。對常規(guī)風(fēng)功率點預(yù)測的評價指標(biāo)主要有平均絕對誤（MAE）、均方誤差（MSE）、均方根誤差（RMSE）、標(biāo)準(zhǔn)差（SDE）、準(zhǔn)確率、合格率等。MAE表示預(yù)測誤差的實際情況;MSE和RMSE表示誤差的分散程度;SDE表示誤差分布的標(biāo)準(zhǔn)差估計。研究過程中可以通過這些指標(biāo)先篩選出預(yù)測結(jié)果準(zhǔn)確率較高的預(yù)測模型，再根據(jù)合格率選出最優(yōu)的預(yù)測模型。

4短期風(fēng)功率預(yù)測及實時功能率預(yù)測的發(fā)展趨勢

（1）目前，關(guān)于風(fēng)功率的短期預(yù)測研究大部分集中在預(yù)測算研究上，對模型存在異常輸人的情況考慮不夠周全。優(yōu)化數(shù)據(jù)預(yù)處理算法，可以有效提升模型預(yù)測精度。

（2）優(yōu)化NWP系統(tǒng)，提高系統(tǒng)的分辨率、更新頻率和預(yù)報精度，可以對風(fēng)電功率預(yù)測起到根本性的改善。

（3）發(fā)揮單一模型的優(yōu)勢，采用組合預(yù)測的思想，也是提高預(yù)測精度的有效途徑。

為了提高預(yù)測精度而優(yōu)化NWP系統(tǒng)、重視數(shù)據(jù)預(yù)處理環(huán)節(jié)、采用組合預(yù)測思想將成為風(fēng)電預(yù)測的發(fā)展趨勢。

5結(jié)語

電網(wǎng)的經(jīng)濟性和安全性很大程度上依賴于高精度的風(fēng)功率預(yù)測結(jié)果。本文介紹了風(fēng)功率預(yù)測法的主要分類，論述了預(yù)測過程的關(guān)鍵技術(shù)步驟。優(yōu)化NWP系統(tǒng)、優(yōu)化數(shù)據(jù)預(yù)處理算法以及采用組合預(yù)測的思想，可以進一步提升預(yù)測精度。