湖北工业大学太阳能高效利用及储能运行控制湖北省重点实验室 湖北省武汉市 430068
摘要：风电的不确定性对电力系统与电力市场的稳定性、充裕性及经济性的影响日益彰显，及时、精确地预测风电功率（WP）动态的意义大。风电功率预测（WPP）根据风速及相关因素的历史数据和当前状态，定性或定量地推测其此后的演化过程。本文就对短期及超短期风电功率预测相关内容展开分析。
关键词：短期；超短期；风电功率；预测
引言
WP 的整体不确定性由其随机性及模糊性构成。有效的 WPP 虽然不会减少 WP 的随机性，但是可以降低其模糊性，从而使 WP 的整体不确定范围降低到WPP 的最大误差区间，减小了WP 对电力系统及电力市场的扰动。
分析影响 WPP 精度的因素
第一，气象的历史数据与实时数据的缺失，风电场数据采集、传输与处理设施的缺陷，都会影响WPP 的精度。数据预处理技术包括数据同步、异常数据的识别与处理、缺失数据的替代等。第二，预测策略。 例如，直接预测 WP 或通过风速预测；直接预测整个风电场的 WP 或根据部分风机的预测值及空间相关性推算；采用逐一累加方式或统计升尺度方式推算区域风电场群功率。一般来说，能反映更多具体数据的预测策略可以得到更高的精度，但需要更多的数据与计算量。第三， 数值天气预报（NWP）在大气实际的初值和边值条件下，数值求解天 气演变过程的流体力学和热力学模型，根据空间网格中的平均值推算实际风电场地表风速的非均匀分布，并预测其动态变化。由于计及了等高线与等地形信息，以及地表粗糙度等地貌信息，通过微观气象学方法可以得到各风机轮毂高度的风速、风向等信息。然后将风速的推算值转换为风能，其精度与 NWP 的精度、网格大小、刷新周期等密切相关。第四，预测方法。物理计算法、时序外推法、人工智能（AI） 法分别从空间、时间与样本分类的观点推算。它们依据的数据源、预测模型、误差特性都有所不同。若能巧妙地互补不同方法的优点，可更好地反映风速的时空演变特性。
分析 WPP 方法的研究现状
基于 NWP 的物理模型计算
NWP 将天气的物理过程概括成一组物理定律，并表达成数学方程组。然后在已知的初始值及边界条件下，逐个时间段地往前联立求解 描述天气演变过程的热力学和流体力学方程组，预测未来的气象数据， 再结合风电场周围的地形地貌，计算风电机组轮毂高度处的风速与风向等，最后通过该机的功率 TC 得到 WPP。其技术要点包括：采用高性能计算机求解偏微分方程组的数值解；采用网格嵌套的方法减少计算量；为目标区域定制预报模型；通过观测数据的同化提高预报质量。 基于 NWP 的物理模型预测方法除了能够充分考虑风电场的物理和环境因素以外，其最大的优势在于不需要积累大量的历史数据，因此特 别适合新建风电场的 WPP。但由于 NWP 的更新频率较低，难以满足超短期预测的要求，仅适合短期及中长期预测。
基于统计观点的外推模型
时序外推法通过归纳风速（或 WP）历史数据的时间序列之间的统计规律，建立WPP 值与最近期WP 时间序列之间的线性或非线性映射。由于历史数据序列反映了流体、热力、地形地貌等因素的影响， 故基于统计观点的外推模型可以回避对物理机理掌握不够的困难。但是外推法隐含下述假设：第一，连续性，即影响事物未来轨迹的那些 因素及规律，与该时刻之前一段时间基本保持不变；第二，渐进性， 即事物以缓慢而渐进的方式演化，短期内不会突变。这些假设不但会 使外推法在系统结构或边界条件于预测时效内发生突变时失效，即使在系统缓慢变化期间，其预测误差也会随着预测时效的增加而迅速增加，影响外推法的适用性及强壮性。
时间序列预测法
经典的时间序列预测法。
期刊文章分类查询,尽在期刊图书馆时间序列预测法根据目标变量本 身随时间变化的趋势外推，较适用于气象信息有限的风电场进行超短期预测。由于无需考虑更多的气象信息，故具有建模简单且计算量少 的优点。但输入数据单一的特点也使其难以考虑其他信息的影响，无 法按不同的边界条件来修正预测模型，故除了建模时需要大量历史数据外，其强壮性更差，难以应对突变状况；且预测精度也随着预测时
效的增加而迅速降低。经典的时间序列预测法，包括持续法、移动平 均法和自回归移动平均（ARMA）法。持续法将最近一点的实测值作为下一时刻的预测值，简单并常被用做新算法的比较基准。移动平均 法随着时间序列移动一个宽度不变的窗口，将其中各项的动态平均值 作为下一时刻的预测值，仅适用于系统平稳或小幅波动时。ARMA 法利用滞后的自身数值和随机误差项来解释当前值，并以此预测未来。 对于非平稳的 WP 时间序列，通过差分来消除部分不平稳分量。自回归求和移动平均（ARIMA）模型扩展了 ARMA 模型，将时间序列视为随机过程，并被广泛应用于超短期WPP 和短期WPP。
与其他数学分析法的结合。一些学者引入了其他数学分析 法来弥补时间序列预测法的不足。例如，分数—自回归求和移动平均（ARIMA）模型通过降低时间序列高阶模型参数估计的难度来提高模型精度。马尔可夫预测法将时间序列看做一个随机过程，通过系统在不同 状态下的初始概率以及状态之间的转移概率建立随机型的时序模型。
AI 预测法
AI 算法借助自然界规律或生物智能的启发，设计求解问题的计算机程序。包括模仿人类思维中模糊性概念的模糊算法，主要用于图像处理及模式识别；模仿生物进化和群体智能的进化算法，主要用于决策支持及优化问题；模仿大脑结构及其对信息的处理过程的 ANN 算法， 可实现仿真、图像识别等任务。由于 AI 算法不需要按机理建立预测对象的数学模型，而是通过大量实测数据或仿真算例来训练 AI 模型，在其输出与输入变量之间直接建立非线性映射关系，故可用于机理不清楚的场合。
2.2.3ANN
ANN 具有自学习、自组织、自适应及很强的非线性函数逼近能力， 是 WPP 中应用最广泛的 AI 方法。其中以反向传播 ANN（BP-ANN） 应用最广，BP-ANN 结构简单，可调参数多且可操作性好，较早应用于WPP。
时域与频域相结合的预测方法
风速及 WP 序列兼具随机性与规律性，可看做多个频率分量的叠加。在频域分解的基础上对各频率分量分别建模预测，可提高 WPP 精度。小波变换是最常见的时频结合的预测方法。
按历史相似数据分类的预测方法
WP 的不确定性随着预报时效的缩短而降低。在没有风速骤变、人为弃风及设备故障等突变事件时，短时间内的演变规律相似度较高。因此对历史数据按“相似性”分类有助于预测模型的精细化，并使WPP具备一定的自适应能力。一些文献借鉴电力负荷预测关于“相似性” 的概念，提取气象特征作为分类判据，进而短期预测风速或WP。此类方法的难点在于特征变量的选取及分类判据的强壮性。
组合预测方法
组合预测方法的核心思想是分摊单独预测方法的误差风险，以消 除大偏差。第 1 类组合预测方法是将基于不同统计方法的预测值加权平均，例如 SVM 预测与其他方法的组合。第 2 类组合预测针对的是中尺度 NWP。各模型可由相同 NWP 模式的不同变量构成，也可以由不同的 NWP 模式构成。各模型的预测结果越接近，则不确定性越小。
结语
综上， 本文分析了 WPP 的误差特性对电力供应的影响、影响
WPP 精度的因素以及 WPP 方法的研究现状，希望能提供一些值得借鉴的内容。
参考文献
薛禹胜 , 雷兴 , 薛峰 , 等 . 关于风电不确定性对电力系统影响的评述[J]. 中国电机工程学报,2014.
罗彬 . 水电富集电网清洁能源一体化建模及运行方式交互研究[D]. 大连理工大学,2017.
论文作者:张俊林, 徐元中
论文发表刊物:《福光技术》2019年32期
论文发表时间:2020/3/14
标签：模型论文; 序列论文; 风速论文; 方法论文; 时间论文; 历史数据论文; 精度论文; 《福光技术》2019年32期论文;