（1.河南省交通运输厅高速公路洛阳管理处 河南洛阳 471023；2.长安大学 陕西西安 710064）
摘要：本文着力研究了风电功率的预测问题，主要利用卡尔曼滤波预测模型对该风电场的风电功率进行预测，通过与ARMA模型的预测结果进行对比分析发现：ARMA模型的预测精确度为75.4%—79.3%，卡尔曼滤波模型的预测精确度为81.3%-95%，卡尔曼滤波模型很好的提高了风电功率的预测精度，而且在一定程度上解决了时间序列分析法的预测时延问题；比较单台机组与多台机组的风电功率预测误差及精确度等，可以看出多台机组的预测精度更高。
关键词：ARMA；卡尔曼滤波；遗传神经网络
引言
科学技术的进步促进了风力发电技术的发展，风力发电技术应用越来越广泛。但是由于风自身稳定性很差，再加上其具有波动、间歇、能量密度低等性能，风电功率也呈现明显的波动性[1]。随着电网中风电场发电比例的增加，电网的功率的波动性也就越强，这必然不利于电网的功率平衡及频率调节。所以，能否对风电场发电功率进行精确的预测是风力发电的关键[2]。
目前，对风电功率的预测主要采用持续预测法[3]、神经网络法（ANN）[4]、小波分析法[5]、支持向量法（SVM）[6]等方法，其中时间序列法又包括AR、MA、ARMA、ARIMA等。鉴于风电功率的随机性特点，本文卡尔曼滤波法对风电功率进行预测。
1.卡尔曼滤波预测模型
卡尔曼滤波法所运用的状态空间模型处于线性随机系统状态，这种线性随机系统由状态方程和观测方程组组成，该方法运用状态方程的递推性，按线性无偏最小方差估计准则，对滤波器的状态变量进行估计，然后对有用信号进行估计[7]。该方法可用于滤波、预测、平滑处理等方面，符合本文工作内容。
正确的状态方程及测量方程是卡尔曼滤波法的前提，所以在使用该方法时，首先应得到上述两组方程。卡尔曼滤波状态方程及测量方程的建立可借助用ARMA模型对风电功率建立的时间序列的，实现ARMA模型状态空间的转换。
到目前为止，状态空间方程和测量方程已得到，下面所做的就是确定对应的初始状态值和，带入递推方程中迭代，逐步算出预测值。事实上初始状态的值是很难确定的，但这并不影响卡尔曼预测的结果，原因就是在整个递推过程中，卡尔曼方法会借用新的信息对预测值进行修正，所以在预测时间充分长的前提下，初始值的选取对最终结果的影响可视为零。综合考虑各种因素，取初始值、，其中系统噪声和测量噪声的协方差矩阵为单位阵，然后应用Matlab软件实现卡尔曼波对各机组风电功率的预测。
2、卡尔曼滤波法预测结果及分析
运用卡尔曼滤波模型分别对5月31日0时0分至5月31日23时45分的PA，P4，P58进行预测，（其中PA代表一台发电机组，P4代表4台发电机组，P58代表58台发电机组）得到原始风电功率和预测风电功率。预测结果如下图所示。
通过Matlab程序实现卡尔曼波预测算法，我们得到预测的各项指标结果[8]。
通过分析该模型得到的功率预测曲线图及相关数据，我们发现该模型的预测结果曲线和实际功率曲线更为接近，在风电功率变化规律改变时，卡尔曼滤波有时能捕捉到变化信息，模型给出的预测值滞后于实际值的概率相对降低，使“时滞”问题较为缓和；ARMA模型的预测精确度为75.4%—79.3%，卡尔曼滤波模型的预测精确度为81.3%-95%，卡尔曼滤波模型很好的提高了风电功率的预测精度；比较单台机组与多台机组的风电功率预测误差及精确度等，可以看出多台机组的预测精度更高；所以，应用卡尔曼滤波法预测风电功率不仅提高了预测精度，而且在一定程度上解决了时间序列分析法的预测时延问题。
3.小结
此次研究主要采用了卡尔曼滤波预测算法风电功率数据样本进行了预测，分析预测效果评价指标可以得到以下结论：多台机组的预测精度更高，这是因为单台机组受风的随机特性的影响较大；卡尔曼滤波预测模型是一种最小方差估计的递推式滤波方法，能够前一时刻的预测误差及时修正下一时刻的预测值，预测效果比ARMA模型更好。在工程应用中，如果利用该模型进行风电功率预测可以起到良好的预测作用，保证风电等可再生能源入网的安全性。
参考文献：
[1]BERNH ARD E，BRETT O，MARK L A，e t a l.Predicting the wind[J].IEEE Power & Energy Magazine，2007，5（6）：78-89.
[2]陈颖，周海，王文鹏，等.风电场输出功率超短期预测结果分析与改进[J].电力系统自动化，2011，35（15）：30-33.
[3]ALEXIADIS M C，DOKOPOULOS P S，SAHSMANOGLOU H S，et al，Short-term forecasting of wind speed and related electrical power[J].Solar Energy，1998，63（1）：61-68.
[4]刘瑞叶，黄磊，基于动态神经网络的风电场输出功率预测[J].电力系统自动化，2012，36（11）：19-22.
[5]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.
[6]SAPANKEVYCH N，SANKAR R，Time series prediction using support vector machines：a survey[J].IEEE Computational Intekkigence Magazine，2009，4（2）：24-38.
[7]潘迪夫，刘辉，李燕飞，基于时间序列分析和卡尔曼滤波算法的风电场风速预测优化模型[J].电网技术，2008，32（7）：82-86.
[8]风电功率预测指标规范[S].北京：国家电网公司.2011
作者简介：
王中玉（1973—），男，河南唐河，学士，工程师，1999年毕业于解放军信息工程学院测绘工程学院，主要从事节能机电、信号处理等方面研究。
王文涛（1990—），男，陕西宝鸡，现为长安大学硕士在读，主要从事互联网、图像信号处理、神经网络等方面的研究工作。
基金项目：由河南省交通运输厅科技计划项目《河南省山区高速公路可再生能源利用研究》资助。
论文作者:王中玉1,王文涛2,王,婷2
论文发表刊物:《电力设备》2015年6期供稿
论文发表时间:2016/1/12
标签：卡尔论文; 功率论文; 风电论文; 模型论文; 机组论文; 方程论文; 状态论文; 《电力设备》2015年6期供稿论文;