第26卷增刊2 农业工程学报 V ol.26 Supp.2
2010年12月 Transactions of the CSAE Dec. 2010 125 基于小波变换和神经网络的短期风电功率预测方法
王世谦，苏 娟※，杜松怀
（中国农业大学信息与电气工程学院，北京 100083）
摘要：随着并网风电场规模的不断增大，为保证电力系统运行的稳定性、合理制定调度计划、提高风电场在发电市场的竞争力，需要对短期风电功率进行准确地预测。该文提出一种小波变换和神经网络理论相结合的综合预测方法，将历史风电功率序列和历史风速序列分别进行小波单尺度分解，得到对应的概貌功率、细节功率和概貌风速、细节风速；然后用概貌功率和概貌风速序列训练BP神经网络，预测未来的概貌功率；用细节功率和细节风速序列训练BP神经网络，预测未来的细节功率。在此基础上，将概貌功率和细节功率叠加，得到最终预测结果。对我国某风电场的实际数据进行预测，验证了该方法的有效性和可行性。
关键词：风电功率，小波变换，神经网络，短期预测
doi：10.3969/j.issn.1002-6819.2010.z2.024
中图分类号：TM614 文献标志码：A 文章编号：1002-6819(2010)-Supp.2-0125-05
王世谦，苏 娟，杜松怀. 基于小波变换和神经网络的短期风电功率预测方法[J]. 农业工程学报，2010，26(Supp.2)：125－129.
Wang Shiqian, Su Juan, Du Songhuai. A method of short-term wind power forecast based on wavelet transform and neural network [J]. Transactions of the CSAE, 2010, 26(Supp.2): 125－129. (in Chinese with English abstract)
0 引 言
近年来，随着化石能源危机、环境污染和温室效应等问题的日益加剧，风力发电受到世界各国越来越多的重视，已成为当今世界增长最快的可再生能源[1]。由于受储能技术的制约，风电具有很强的随机性和波动性。对风电功率的准确预测，有利于稳定调度出力，减轻风电场对电网运行的冲击效应和不利影响，降低电力系统的总体运行成本及旋转备用容量，提高电力市场环境下风电场的竞价上网能力[2]。
风电功率预测的主要方法有卡尔曼滤波法[3]、时间序列分析法[4-5]、人工神经网络法[6-7]、模糊逻辑法[8-9]、空间相关性法[8-9]，以及上述方法的不同组合[10-14]。这些方法主要可以分为两类：一类方法是在风速预测的基础上建立风速和风电功率的关系模型，进而预测风电场的有功出力，如文献[3]、[8-12]是单纯风速的预测方法，文献[4]、[13]是在风速预测的基础上结合风电功率特性曲线预测出风电功率。这类方法没有实现真正的风电场输出功率预测，所预测的风速仅是影响风电场输出功率的重要参量之一，且采用功率曲线进行预测没有考虑到功率的杂散分布。另一类方法是根据风电功率的历史数据，直接
收稿日期：2010-10-01 修订日期：2010-11-15
基金项目：国家“十一五”科技支撑计划重点课题（2006BAJ04B06）；中央高校基本科研业务费专项资金资助(2009JS101)
作者简介：王世谦（1988－），男，河南濮阳人，中国农业大学信息与电气工程学院，100083，研究方向为电力系统分析、运行与控制。
Email: wsq0204@https://www.doczj.com/doc/c52882026.html,。
※通信作者：苏娟（1980－），女，黑龙江哈尔滨人，北京中国农业大学信息与电气工程学院,100083，研究方向为电力系统自动化与电力市场。Email: sujuan@https://www.doczj.com/doc/c52882026.html, 建立风电功率的预测模型，文献[5-7]、[14]都属于这类方法，但是模型中未考虑到其他影响因素。总体而言，已有方法仍然存在平均预测精度不高、单点预测误差较大等突出问题。
鉴于此，本文提出一种集小波多分辨率分解的神经网络理论于一体的短期风电功率预测方法，将风速作为影响因素基于风电功率的历史数据，直接建立风电功率的预测模型。其技术路线是：将风电功率进行小波分解，分解成细节部分和概貌部分，同时将风速序列也用小波分解成风速概貌序列和风速细节的序列。由于分解后的风速序列能够更好地反映与之相对应的风电功率分解序列的变化规律，所以将风电功率和风速的概貌序列输入到神经网络进行训练，建立风电功率概貌序列的预测模型。同理，再建立风电功率细节序列的预测模型。将两个模型的预测结果重构，得到最终的风电功率预测结果。对我国某风电场的实际数据进行了预测，并与神经网络预测模型进行了比较，验证了本文方法的有效性。
1 小波多分辨率分析
多分辨率分析就是从函数空间的角度来研究信号的多尺度表示，将信号分解到尺度空间和小波空间中，从而实现在各尺度上由粗及精地观察目标。其基本思想方法是先从平方可积空间L2(R)的某个子空间出发，在该子空间中建立基底，经简单变换后，将基底扩充到L2(R)中去，从而得到整个空间L2(R)的基底，可定义为：
…
=
⊕
⊕
=
⊕
=1
2
2
1
1
W
W
V
W
V
V（1） 式中，V0为零尺度空间，V j,(j=1,2,…)为尺度为j的尺度空间，W j,(j=1,2,…)为尺度为j的小波空间。
对于任意函数2
()()
f t L R
∈,通过Mallat 多分辨率分
农业工程学报 2010年
126
析法可分解为：
,,,,()()()J j k
j k j k
j k j k k f t d
t c
t ψφ∞
∞
=?∞=?∞
=?∞
=
+
∑∑∑ （2）
其中,j k d 为小波展开系数，,j k c 为尺度展开系数，
,()j k t ψ为小波基函数，,()j k t φ为尺度函数。
式（2）等号右边第1项为重构后的各细节序列，第
2项为重构后的概貌序列[15]。
2 基于小波变换和神经网络的短期风电功率预测
模型
2.1 基于小波变换的数据预处理
设历史风电功率序列为P ，历史风速序列为v 。从降低累积误差的角度出发，本文只对历史风电功率序列和历史风速序列进行单尺度分解。
设分解后风电功率的概貌序列为P a ，细节序列为P d ，则有P =P a +P d ；风速的概貌序列为v a ，细节序列为v d ，则有v =v a +v d 。概貌序列P a 反映了风电功率波动的周期性规律，细节序列P d 反映了风电功率波动的细节规律。
鉴于风速是影响风电功率变化的最主要因素，在风电功率预测模型中引入风速因素能够提高预测精度。本文提出的基于小波多分辨率分解及神经网络的短期风电功率预测模型，是将风电功率序列进行小波单尺度分解，同时将风速序列也用小波变换分解成反映风速概貌的序
列v a 和反映风速细节的序列v d 。
由于v a 能够体现P a 的变化规律，v d 能够体现P d 的变化规律，因此在P a 的预测模型中引入影响因素v a ，在P d 的预测模型中引入影响因素v d 。P a 、P d 的预测采用相同的BP 人工神经网络模型。将P a 和P d 两个分量的预测结果相加，即可获得最终的风电功率预测结果。该方法具体预测流程见图1。
图1 短期风电功率预测流程图
Fig.1 The short-term wind power forecast flowchart
2.2 建立BP 神经网络模型
BP 神经网络[16]包括一个输入层、一个或多个隐层和一个输出层，层间的神经元单向连接，层内的神经元则相互独立。网络的学习过程是由正向传播和反向传播两个过程组成。每一层神经元的状态只影响下一层神经元的状态。
在本文算例中，输入层和隐含层的神经元个数为7个，输出层的神经元个数为1个，隐含层采用Tansig 映射函数，输出层采用Logsig 映射函数。
由于神经网络BP 算法存在一些内在缺陷，如容易陷入局部小、学习收敛速度慢等，本文在预测模型中采用了增加动量项和自适应学习率算法来改善这一问题。具体预测模型见图2。
图2 短期风电功率预测模型
Fig.2 The short-term wind power forecast model
设第d 预测日、第t 预测时段的概貌风电功率序列为P a (d ,t )、细节风电功率序列为P d (d ,t )，则预测概貌风电功率序列P a (d ,t )的7个神经元分别为：提前1 h 风电功率(,1)a P d t ?、提前2 h 风电功率(,2)a P d t ?、提前3 h 风电功率(,3)a P d t ?、当天风速(,)a d t ν、提前1 h 风速(,1)a d t ν?、提前2 h 风速(,2)a d t ν?、提前3 h 风速(1,)a d t ν?、；预测细节风电功率序列(,)d P d t 的7个神经元分别为：
(,1)d P d t ?、(,2)d P d t ?、(,3)d P d t ?、(,)d d t ν、(,1)d d t ν?、
(,2)d d t ν?、(,3)d d t ν?。
最终预测结果(,)P d t 为预测概貌风电功率序列
(,)a P d t 与预测细节风电功率序列(,)d P d t 之和，即：
(,)P d t =(,)a P d t +(,)d P d t 。
3 算例分析
3.1 研究对象及研究数据
研究对象为我国某风电机组提前一天的功率。研究数据中的历史数据采用该风电机组2008-01-01至2008-02-29，每日24 h 的历史风电功率序列（共计1 440个小时）及其对应的历史风速序列。预测对象为该风电机组2008-03-01至2008-03-31，每日24 h 的风电功率（共计744个小时）。 3.2 预测步骤
第一步，用db3小波对历史风电功率序列和历史风速序列进行单尺度分解并重构，结果见图3a 、3b 。
增刊2 王世谦等：基于小波变换和神经网络的短期风电功率预测方法
127
a. 历史风速的单尺度分解
b. 历史风电功率的单尺度分解
图3 历史风速和历史风电功率的单尺度分解
Fig.3 The history wind speed and history wind power single scale
decomposing
第二步，将分解后的概貌风电功率和概貌风速序列输入到BP 神经网络模型中，经过训练，预测出概貌风电功率(,)a P d t ；再将细节风电功率和细节风速序列输入到BP 神经网络模型中，经过训练，预测出细节风电功率(,)d P d t 。
第三步，分量求和，(,)P d t =(,)a P d t +(,)d P d t ，得到最终预测结果。 3.3 预测误差分析
预测误差的确定采用绝对百分比误差APE 和平均绝对百分比误差MAPE 。定义如下：
APE 100%P t P d t P d t ′?=×′(,)(,)
(,)
d （3）
1MAPE APE N
N
=
∑ （4）
式中，(,)P d t ′为实际功率值，(,)P d t 为预测功率值，N 是参与计算的样本点数。最大、最小绝对百分比误差分别记为MAX APE 、MIN APE 。
为了比较本文方法的预测精度，将其与普通神经网络模型进行了比较。普通神经网络模型，即未对历史风电功率和风速进行小波分解，而是直接输入到神经网络中进行预测，网络结构与本文方法的结构完全相同。
两个模型在2008-03-01，24个时段的风电功率预测结果的比较，见表1。可以看出，本文方法的预测精度与
普通神经网络模型相比有了较大的提高，其平均绝对百分比误差从5.269%大幅下降到3.689%，最大绝对百分比误差也从15.538%下降到了8.139%，整体预测效果明显提高。同时从两个模型比较中可以发现，小波分解技术起到了重要的作用，它使得风电功率的变化规律和层次特性更加清晰，风速进行小波分解后能够更好的反映风电功率的变化规律。
表1 2008-03-01预测结果比较
Table1 The forecast result comparisons in 2008-03-01
普通神经网络模型 小波变换和神经网络预测
模型
时段/ h
实际 功率/kW
预测功率/kW
APE/%
预测功率
/kW
APE/%
1 375 350.36 6.571 361.79 3.523
2 388 416.91 7.451 401.52 3.485
3 291 265.5
4 8.749 281.47 3.27
5 4 293 285.60 2.52
6 280.09 4.406 5 268 264.20 1.418 276.99 3.354 6 335 371.75 10.9
7 360.97 7.752 7 516 513.70 0.446 495.82 3.911
8 588 558.66 4.990 557.16 5.245
9 417 413.10 0.935 432.96 3.827 10 345 365.04 5.809 354.8 2.841 11 331 331.49 0.148 334.05 0.921 12 415 437.37 5.390 424.48 2.284 13 260 300.45 15.558 274.35 5.519 14 209 219.02 4.794 221.08 5.780 15 109 101.91 6.505 111.90 2.661 16 176 191.45 8.778 181.16 2.932 17 164 164.44 0.268 163.95 0.030 18 283 313.85 10.901 305.01 7.777 19 458 429.23 6.282 452.79 1.138 20 664 670.47 0.974 645.52 2.783 21 697 736.63 5.686 702.70 0.818 22 575 551.13 4.151 566.83 1.421 23 302 309.53 2.493 326.58 8.139 24 282 295.18 4.674 295.33 4.727
两个风电功率预测模型对2008年3月整体的预测结果表2，其中3月5日因风速值低于风电机组的切入风速而停机，不计入预测数据。普通神经网络模型的平均绝对百分比误差为15.085%，而本文基于小波多分辨率分解的短期风电功率预测模型的平均绝对百分比误差为10.534%，预测精度有了很大的提高，且本文方法的最大绝对百分比误差也由普通神经网络模型的134.821%下降到了88.833%，提高了整体预测效果。
总体而言，本文方法的整体预测效果较好，但是仍然存在个别点预测误差偏大的现象，对此还有待于进一步研究。
农业工程学报 2010年128
表2 2008年3月预测结果比较
Table2 The forecast result comparisons in March 2008
%
普通神经网络模型小波变换和神经网络预测模型
预测时段
MAPE MAXAPE MAPE MAXAPE 3月1日 5.269 15.558 3.689 8.139 3月2日28.448 89.500 26.241 84.175 3月3日39.649 88.000 27.597 71.091 3月4日34.140 66.667 28.341 63.333 3月5日————
3月6日25.815 90.897 22.191 73.765 3月7日 4.660 16.646 2.864 10.968 3月8日 4.890 12.027 3.255 15.351 3月9日7.522 52.882 6.589 37.911 3月10日7.640 21.213 7.331 17.359 3月11日18.392 86.581 7.937 26.288 3月12日 4.021 13.090 3.268 10.428 3月13日 5.764 15.627 3.318 8.298 3月14日19.736 90.652 13.149 88.833 3月15日8.240 36.909 6.216 46.151 3月16日21.081 73.800 15.006 72.973 3月17日21.460 89.178 17.224 63.184 3月18日 4.035 10.370 3.120 9.626 3月19日 4.617 15.208 3.014 8.967 3月20日14.564 92.012 7.376 49.217 3月21日13.366 91.828 10.149 44.781 3月22日8.769 39.159 5.797 33.297 3月23日19.370 89.586 17.203 82.758 3月24日7.601 25.503 5.297 15.365 3月25日18.939 31.161 12.417 21.349 3月26日10.869 19.000 7.015 14.234 3月27日42.895 134.821 23.055 76.250 3月28日21.743 78.576 14.347 68.888 3月29日32.016 100.333 17.587 64.562 3月30日25.061 37.756 21.473 35.111 3月31日15.935 111.6667 14.694 67.267
4 结 论
本文提出一种将小波分析与神经网络相结合的短期
风电功率预测方法，该方法具有如下特点：
1）基于风电功率历史数据，直接建立了风电功率的
预测模型，并以风速作为影响因素，可以真正反映出风
电出力的变化规律；
2）采用小波分解技术可使风电功率的变化规律和层
次特征更加清晰，同时使得分解后的风速更能体现对应
的分解后的风电功率的波动；
算例结果表明，所构建的基于小波变换及神经网络
的短期风电功率预测模型较普通神经网络预测模型平均
预测精度可提高5%左右。
[参 考 文 献]
[1] 方创琳. 中国风电发展目标分析与展望[J]. 中国能源，
2007，29(12)：30－34.
Fang Chuanglin. The analysis and prospects of the objectives
of development of China wind power [J]. Energy of China，
2007，29 (12) ：30－34. (in Chinese with English abstract) [2] 谷国利，王维庆. 风电场风速预测方法的研究[J]. 农业工
程学报：新能源产业，2009，(6)：22－24.
Gu Guoli，Wang Weiqing. Study of wind speed forecasting
method in wind farm[J]. Agricultural Engineering Technology (New Energy Industry), 2009(6): 22－24. (in
Chinese with English abstract)
[3] Bossanyi E A. Short-term Wind Prediction Using Kalman
Filters[J]. Wind Engineering，1985，9(1)：l－8.
[4] 杨秀媛，肖洋，陈树勇. 风电场风速和发电功率预测研究
[J]. 中国电机工程学报，2005，25(11)：1－5.
Yang Xiuyuan，Xiao Yang，Chen Shuyong. Wind speed and
generated power forecasting in wind farm [J]. Proceedings of
the CSEE, 2005, 25(11): 1－5. (in Chinese with English
abstract)
[5] 冬雷，王丽婕. 基于混沌时间序列的大型风电场发电功率
预测建模与研究[J]. 电工技术学报，2008，23(12)：125－
129.
Dong Lei，Wang Lijie. Modeling and Analysis of Prediction
of Wind Power Generation in the Large Wind Farm Based on
Chaotic Time Series [J]. Transactions of China Electro
technical Society, 2008, 23(12): 125－129. (in Chinese with
English abstract)
[6] Barbounis T G，Theocharis J B, Alexiadis M C, et a1.
Long-term Wind Speed and Power Forecasting Using Local
Recurrent Neural Network Models[J]. Transactions on Energy Conversion, 2006, 21(1): 273－284.
[7] 范高锋，王伟胜. 基于人工神经网络的风电功率预测[J]中
国电机工程学报，2008，28(34)：118－123.
Fan Gaofeng，Wang Weisheng. Wind Power Prediction
Based on Artificial Neural Network [J]. Proceedings of the
CSEE, 2008, 28(34): 118－123. (in Chinese with English
abstract)
[8] Alexiadis M, Dokopoulos P, Sahsamanoglou H, et a1. Short
term forecasting of wind speed and related electrical power
[J]. Solar Energy, 1998, 63(1): 61－68.
[9] Barbounis TG, Theocharis JB. A locally recurrent fuzzy
neural network with application to the wind speed prediction
using spatial correlation [J]. Neurocomputing 2007, 70(7/9):
1525－1542.
[10] 蔡凯，谭伦农. 时间序列与神经网络法相结合的短期风速
预测[J]. 电网技术，2008，32(8)：82－85.
Cai Kai, Tan Lunnong. Short-term wind speed forecasting
combing time series and neural network method[J]. Power
System Technology, 2008, 32(8): 82－85. (in Chinese with
English abstract)
[11] 潘迪夫，刘辉. 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.
Pan Difu1, Liu Hui. A Wind Speed Forecasting Optimization
Model for Wind Farms Based on Time Series Analysis and
Kalman Filter Algorithm[J]. Power System Technology, 2008,
增刊2王世谦等：基于小波变换和神经网络的短期风电功率预测方法129
32(7): 82－86. (in Chinese with English abstract)
[12] 李文良，卫志农. 基于改进空间相关法和径向基神经网络
的风电场短期风速分时预测模型[J]. 电力自动化设备，
2009，29(6)：89－92.
Li Wenliang, Wei Zhinong. Multi-interval wind speed forecast model based on improved spatial correlation and RBF neural network[J]. Electric Power Automation Equipment, 2009, 29(6): 89－92. (in Chinese with English abstract) [13] 张国强，张伯明. 基于组合预测的风电场风速及风电机功
率预测[J]. 电力系统自动化. 2009, 33(18): 92－95.
Zhang Guoqiang, Zhang Boming. Wind Speed and Wind Turbine Output Forecast Based on Combination Method [J].
Automation of Electric Power Systems, 2009, 33(18): 92－
95. (in Chinese with English abstract)
[14] 王丽婕，冬雷. 基于小波分析的风电场短期发电功率预测
[J]. 中国电机工程学报，2009，29(28)：30－33.
Wang Lijie, Dong Lei. Short-term Power Prediction of a Wind Farm Based on Wavelet Analysis[J]. Proceedings of the CSEE, 2009, 29(28): 30－33. (in Chinese with English abstract)
[15] 杨福生. 小波变换的工程分析与应用[M]. 科学出版社，
1999.
[16] 韩力群. 人工神经网络理论、设计及应用[M]. 北京：化学
工业出版社，2002.
[17] 杜松怀，温步瀛，蒋传文. 电力市场（第三版）[M]，北
京：中国电力出版社，2008：107－108
A method of short-term wind power forecast based on
wavelet transform and neural network
Wang Shiqian, Su Juan※, Du Songhuai
(College of Information and Electrical Engineering, China Agriculture University, Beijing, 100083, China)
Abstract：With the increasing scale of grid connected wind forms, it is important to predict the wind power in order to ensure stability of the power system, and make a reasonable dispatching scheme, and improve the wind form competitiveness in generation market. A novel method was proposed and applied to forecast the short-term wind power in this paper. Wavelet transforms and neural networks were combined in this method. First, the history wind speed and history wind power was decomposed by multi-resolution analysis. Then, the general signals and detail signals of wind power were forecasted by neural networks separately, which introduced the general signals and detail signals of wind speed as the effect factors. Finally, the general wind power and detail wind power were reproduced to obtain the forecasting wind power. The validity and feasibility of the method were verified through the actual data from a wind farm in China.
Key words: wind power, wavelet transform, neural network, short-term forecast
风电功率预测系统功能规范 （试行） 国家电网公司调度通信中心
目次 前言...................................................................... III 1范围. (1) 2术语和定义 (1) 3数据准备 (2) 4数据采集与处理 (3) 5风电功率预测 (5) 6统计分析 (6) 7界面要求 (7) 8安全防护要求 (8) 9系统输出接口 (8) 10性能要求 (9) 附录A 误差计算方法 (10)
前言 为了规范风电调度技术支持系统的研发、建设及应用，特制订风电功率预测系统功能规范。 本规范制订时参考了调度自动化系统相关国家标准、行业标准和国家电网公司企业标准。制订过程中多次召集国家电网公司科研和生产单位的专家共同讨论，广泛征求意见。 本规范规定了风电功率预测系统的功能，主要包括预测时间尺度、信息要求、功率预测、统计分析、界面要求、安全防护、接口要求及性能指标等。 本规范由国家电网公司国家电力调度通信中心提出并负责解释； 本规范主要起草单位：中国电力科学研究院、吉林省电力有限公司。 本规范主要起草人：刘纯、裴哲义、王勃、董存、石永刚、范国英、郭雷。
风电功率预测系统功能规范 1范围 1.1本规范规定了风电功率预测系统的功能，主要包括预测时间尺度、数据准备、数据采集与处理、功率预测、统计分析、界面要求、安全防护、接口要求及性能指标等。 1.2本规范用于指导电网调度机构和风电场的风电功率预测系统的研发、建设和应用管理。 本规定的适用于国家电网公司经营区域内的各级电网调度机构和风电场。 2术语和定义 2.1 风电场 Wind Farm 由一批风电机组或风电机组群组成的发电站。 2.2 数值天气预报 Numerical Weather Prediction 根据大气实际情况，在一定的初值和边值条件下，通过大型计算机作数值计算，求解描写天气演变过程的流体力学和热力学的方程组，预测未来一定时段的大气运动状态和天气现象的方法。 2.3 风电功率预测 Wind Power Forecasting 以风电场的历史功率、历史风速、地形地貌、数值天气预报、风电机组运行状态等数据建立风电场输出功率的预测模型，以风速、功率或数值天气预报数据作为模型的输入，结合风电场机组的设备状态及运行工况，得到风电场未来的输出功率；预测时间尺度包括短期预测和超短期预测。 2.4 短期风电功率预测 Short term Wind Power Forecasting 未来3天内的风电输出功率预测，时间分辨率不小于15min。 2.5 超短期风电功率预测 ultra-short term Wind Power Forecasting 0h~4h的风电输出功率预测，时间分辨率不小于15min。
风电功率预测系统简介
目录 1目的和意义 (3) 2国内外技术现状 (3) 2.1国外现状 (3) 2.2国内现状 (4) 3风电功率预测系统技术特点 (5) 3.1气象信息实时监测系统 (5) 3.2超短期风电功率预测 (5) 3.3短期风电功率预测 (6) 3.4风电功率预测系统软件平台 (8)
1目的和意义 风能是一种清洁的可再生能源，由于其资源丰富、转化效率高、产业化基础好、经济优势明显、环境影响小等优点，具备大规模开发的条件，在可以预见的将来，风能的开发利用将成为最重要的可再生能源发展方向。但由于风电等可再生能源发电具有间歇性、随机性、可调度性低的特点，大规模接入后对电网运行会产生较大的影响,以至于有些地方不得不采取限制风电场发电功率的措施来保证电网的安全稳定运行。 对风电输出功率进行预测被认为是提高电网调峰能力、增强电网接纳风电的能力、改善电力系统运行安全性与经济性的最有效、经济的手段之一。首先，对风电场出力进行短期预报,将使电力调度部门能够提前为风电出力变化及时调整调度计划，从而减少系统的备用容量、降低电力系统运行成本。这是减轻风电对电网造成不利影响、提高系统中风电装机比例的一种有效途径。其次，从发电企业(风电场)的角度来考虑,将来风电一旦参与市场竞争,与其他可控的发电方式相比,风电的间歇性将大大削弱风电的竞争力,而且还会由于供电的不可靠性受到经济惩罚。提前对风电场出力进行预报,将在很大程度上提高风力发电的市场竞争力。 2国内外技术现状 2.1 国外现状 在风电功率预测技术研究方面，经过近20年的发展，风电功率预测已获得了广泛的应用，风电发达国家，如丹麦、德国、西班牙等均有运行中的风电功率预测系统。 德国太阳能技术研究所开发的风电管理系统（WPMS）是目前商业化运行最为成熟的系统。德国、意大利、奥地利以及埃及等多个国家的电网调度中心均安装了该系统，目前该系统对于单个风电场的日前预报精度约为85%左右。丹麦Ris?国家可再生能源实验室与丹麦技术大学联合开发了风电功率预测系统Zephyr，
关于短期及超短期风电功率预测的分析 发表时间：2020-03-14T14:01:00.437Z 来源：《福光技术》2019年32期作者：张俊林徐元中[导读] 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。 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。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
2014高教社杯全国大学生数学建模竞赛 承诺书 我们仔细阅读了中国大学生数学建模竞赛的竞赛规则. 我们完全明白，在竞赛开始后参赛队员不能以任何方式（包括电话、电子邮件、网上咨询等）与队外的任何人（包括指导教师）研究、讨论与赛题有关的问题。 我们知道，抄袭别人的成果是违反竞赛规则的, 如果引用别人的成果或其他公开的资料（包括网上查到的资料），必须按照规定的参考文献的表述方式在正文引用处和参考文献中明确列出。 我们郑重承诺，严格遵守竞赛规则，以保证竞赛的公正、公平性。如有违反竞赛规则的行为，我们将受到严肃处理。 我们授权全国大学生数学建模竞赛组委会，可将我们的论文以任何形式进行公开展示（包括进行网上公示，在书籍、期刊和其他媒体进行正式或非正式发表等）。 我们参赛选择的题号是（从A/B/C/D中选择一项填写）： B 我们的参赛报名号为（如果赛区设置报名号的话）： 所属学校（请填写完整的全名）：东北电力大学 参赛队员(打印并签名) ：1. 张盛梅 2. 齐天利 3. 孔晖 指导教师或指导教师组负责人(打印并签名)：张杰 日期2014 年 8 月 20日赛区评阅编号（由赛区组委会评阅前进行编号）：
2014高教社杯全国大学生数学建模竞赛 编号专用页 赛区评阅编号（由赛区组委会评阅前进行编号）： 全国统一编号（由赛区组委会送交全国前编号）：全国评阅编号（由全国组委会评阅前进行编号）：
风电功率波动性的分析 摘要 风电机组的发电功率主要与风速有关，由于风的不确定性、间歇性以及风电场内各机组间尾流的影响，使得风力发电机不能像常规发电机组那样根据对电能的需求来确定发电。研究风电功率的波动特性，不论对改善风电预测精度还是克服风电接入对电网的不利影响都有重要意义。 对于问题1a，我们利用MATLAB软件做出了3日内的功率波动图，发现功率的波动曲线上下不断震荡，所以我们采用一段数据来进行分析（即从波谷到波峰再到波谷），利用MATLAB软件拟合工具箱中的dfittool对数据进行曲线拟合，并选出几种较为符合的概率分布，根据对数似然函数值的大小确定最佳的概率分布。 对于问题1b,利用MATLAB软件编程，将数据每天筛选出一个数据，利用SPSS软件对数据绘制P-P图，并与选出的最好的概率分布图作比较，求出其分布参数。 对于问题2，将数据每隔12个数据筛选出一个数据，并用问题1a的方法绘制曲线拟合和概率分布的比较，选出最好的概率分布，并计算每种分布下的数值特征。 对于问题3，首先利用MATLAB软件绘制出时间窗宽分别为5s和1min时的功率波动图，发现两者的概率的波动情况基本相同，分别计算两种情况下的信息波动率以及信息波动损失率，得出结论为两者的波动基本相同，但是时间窗宽为5s时会有局部信息损失。 对于问题4，我们筛选出时间窗宽为1min、5min、15min的数据，并利用MATLAB软件进行曲线拟合以及概率分布的拟合，并计算出每种概率分布下的特征值，用相同的方法求1min和5min时的信息波动率，计算得出信息波动损失率为0.27%。 对于问题5，采用灰色预测模型对数据进行预测。利用5min和15min的功率预测之后的功率走向，并分析方法的优缺点。 论文的创新之处有： 模型中利用MATLAB软件编程的方法进行数据的筛选，可以筛选出任意时间窗宽的数据。 关键词：风电机组；概率分布；功率预测；SPSS
风电功率预测的发展现状与展望 范高锋，裴哲义，辛耀中 （国家电力调度通信中心，北京100031） 摘要：风电场输出功率预测对接入大量风电的电力系统运行有重要意义。本文从电力调度运行的角度，在风电功率预测技术的发展现状、系统建设情况、预测误差、预测评价指标和预测的主体等方面展开了论述，对目前存在的基础数据不完善、预测精度不高、预测的时间尺度较短和风电场普遍没有开展预测的问题进行了分析，提出了加强电网侧和风电场侧风电功率预测系统建设、加快超短期预测功能建设、继续深化预测技术研究、加强标准体系建设和开展跨行业合作等发展建议。 关键词:风电场；功率；预测；系统 中图分类号：TM614 文献标志码：A 文章编号： Wind power prediction achievement and prospect FAN Gao-feng , PEI Zhe-yi , XIN Yao-zhong (National Power Dispatching& Communication Center，Beijing 100031) Abstract: Wind power prediction is important to the operation of power system with comparatively large mount of wind power. This paper summarized the current situation of wind power prediction technology, wind power prediction system construction, prediction error, assessment index, and main market body of prediction from the power dispatch perspective. The main problems includes basic data incomplete, prediction precision relatively low, prediction time scale short and wind farm no wind power system are analyzed. Suggestions of enforcing grid side and wind farm side wind power prediction system construction, speeding up ultra-short term wind power prediction system construction, deepening wind power prediction technology study, strengthening prediction technical standard system and cooperation of different industry are proposed. Keywords: wind farm; power; prediction; system 0引言 电力系统是一个复杂的动态系统。维持发电、输电、用电之间的功率平衡是电网的责任。在没有风电的电力系统，电网调度机构根据日负荷曲线可以制定发电计划，以满足次日的电力需求。风电场输出功率具有波动性和间歇性，风电的大规模接入导致发电计划制定难度大大增加，风电对电力系统的调度运行带来巨大挑战。 目前风电对全网的电力平衡已经带来很大的影响[1-3]。对风电场输出功率进行预测是缓解电力系统调峰、调频压力，提高风电接纳能力的有效手段之一。同时，风电功率预测还可以指导风电场的检修计划，提高风能利用率，提高风电场的经济效益。经过多年的科研攻关与技术创新，我国具有自主知识产权的风电功率预测系统已在电力调度机构获得了广泛应用，12个网省调建立了预测系统，覆盖容量超过12GW，在电网调度运行中发挥了一定作用。本文对近年来风电功率预测方面完成的工作进行了总结，对存在的问题进行了论述，并提出了下一步的发展建议。 1 风电功率预测发展现状 1.1 风电功率预测技术的发展情况 电网调度部门对风电功率预测的基本要求有2个：一是短期预测，即当天预测次日0时起72h的风电场输出功率，时间分辨率为15 min，用于系统发电计划安排；另一个是超短期预测，即实现提前量为0~4h的滚动预测，用于电力系统实时调度[4]。 风电功率预测方法主要分为统计方法、物理方法[5-6]。统计方法是指不考虑风速变化的物理过程，而根据历史统计数据找出天气状况与风电场出力的关系，然后根据实测数据和数值天气预报数据对风电场输出功率进行预测，常用的预测模型有时间序列、神经网络、支持向量机等。物理方法是指风电功率预测的物理方法根据数值天气预报模式的风速、风向、气压、气温等气象要素预报值以及风电场周围等高线、粗糙度、障碍物等信息，采用微观气象学理论或计算流体力学的方法，计算得到风电
1 基于卡尔曼滤波原理的风电功率预报 林可薇 (西安交通大学电气工程学院，陕西省，西安市，710000) Prediction of wind power based on the principle of Calman filter LIN Ke-wei (School of Electrical Engineering, Xi'an Jiaotong University, Xi'an710000, Shanxi Province, China) ABSTRACT:focuses on the principle of Calman filter and Calman filter algorithm,Understanding both based applications in the wind power forecast.Wind power forecasting system based on digital weather forecast meteorological parameters related to output close to the ground can not accurately predict the output power,Departure from the principle of Kalman filtering,Kalman filter algorithm can take advantage of wind capacity to be corrected digital output weather forecast,Improve forecast accuracy. KEY WORD:Kalman filter;Power prediction;Accuracy 摘要：本文重点介绍卡尔曼滤波原理和卡尔曼滤波算法，了解基于两者在风电预测的应用。风电预测系统根据数字天气预报输出的贴近地面的相关气象参数不能精确预测输出功率，从卡尔曼滤波的原理出发，利用用卡尔曼滤波算法可以对数字天气预报输出的风速量进行修正，提高预测精确度。 关键词：卡尔曼滤波；功率预测；精确度 1 引言 由于常规能源的日益枯竭及人们对改善生存环境的迫切需求, 清洁、可再生的风能资源受到了世界各国的广泛关注.在众多绿色能源中，风能逐步成为新能源电力的主力军。世界风能协会统计，2012年中国新增风电机组装机容量13200MW(其中海上风电装机容量127MW)，累计风电机组装机容量75564MW，均位居世界第一，美国紧随其后[1]。风电已超过核电，成为继煤电和水电之后中国的第三大主力电源。按照 GWEA《世界风电展望》报告的分析预测，风电在 2030年将占到全球电力供应的5%。结果显示风电不但能够满足全球未来30年对于清洁电力的需求，而且对供电系统的渗透还将持续增长。然而风的间歇性会带来不稳定电参量，严重时，小故障就可引发电网电压较大波动造成大面积风电机组脱网。解决这一难题对风电事业的良好发展具有非常重要的意义。本文将着眼于关键技术问题之一的风电功率预测，对卡尔曼原理及其算法进行简单介绍。 2 卡尔曼滤波原理 卡尔曼于1960年发表了关于递归解决线性离散数据滤波器的论著, 自此卡尔曼滤波器得到了广泛的研究与应用. 卡尔曼滤波器是一个最优化自回归数据处理算法，主要用于于解决大部分随机量估计问题，所应用的方法属于统计学中的估计理论，最常用的是最小二乘法，最小方差估计等等。主要能根据一系列的对随机状态的观测值进行定量的推断，通过最小均方误差使估计值尽可能准确的接近真实值。 3 卡尔曼滤波算法 卡尔曼滤波算法是一种有效的以小均方误差来估计系统状态的计算方法, 即通过将前一时刻预报误差反馈到原来的预报方程中, 及时修正预报方程系数, 以提高下一时刻的预报精度.在卡尔曼滤波算法中, 描述系统的数学模型是状态方程和量测方程, 分别为 t t t t w x F x+ = -1 （1） t t t t v x H y+ =（2） 式中: t x为未知过程在t时刻的状态向量； t y 为t 时刻的观测向量； t F和 t H分别为系统矩阵 及观测矩阵, 且必须在滤波器应用之前确定； t w 和 t v分别为系统噪声和量测噪声, 均假定为高斯白噪声且相互独立, 与其相对应的协方差矩阵分别为t w和 t v卡尔曼滤波算法提供了一种在观测向量更 新为 t y基础上的递归来估计未知状态的算法。假定 现有系统状态为 t x, 则在上一状态 1-t x及其协方差 矩阵 1-t P的基础上, 可以得到t 时刻的预测状态及其协方差矩阵的预测方程, 即
风电功率预测系统功能规范（试行） 前言 为了规范风电调度技术支持系统的研发、建设及应用，特制订风电功率预测系统功能规范。本规范制订时参考了调度自动化系统相关国家标准、行业标准和国家电网公司企业标准。制订过程中多次召集国家电网公司科研和生产单位的专家共同讨论，广泛征求意见。本规范规定了风电功率预测系统的功能，主要包括预测时间尺度、信息要求、功率预测、统计分析、界面要求、安全防护、接口要求及性能指标等。本规范由国家电网公司国家电力调度通信中心提出并负责解释；本规范主要起草单位：中国电力科学研究院、吉林省电力有限公司。本规范主要起草人：刘纯、裴哲义、王勃、董存、石永刚、范国英、郭雷。 1范围 1.1本规范规定了风电功率预测系统的功能，主要包括预测时间尺度、数据准备、数据采集与处理、功率预测、统计分析、界面要求、安全防护、接口要求及性能指标等。 1.2本规范用于指导电网调度机构和风电场的风电功率预测系统的研发、建设和应用管理。本规定的适用于国家电网公司经营区域内的各级电网调度机构和风电场。 2术语和定义 2.1风电场Wind Farm由一批风电机组或风电机组群组成的发电站。 2.2数值天气预报Numerical Weather Prediction根据大气实际情况，
在一定的初值和边值条件下，通过大型计算机作数值计算，求解描写天气演变过程的流体力学和热力学的方程组，预测未来一定时段的大气运动状态和天气现象的方法。 2.3风电功率预测Wind Power Forecasting以风电场的历史功率、历史风速、地形地貌、数值天气预报、风电机组运行状态等数据建立风电场输出功率的预测模型，以风速、功率或数值天气预报数据作为模型的输入，结合风电场机组的设备状态及运行工况，得到风电场未来的输出功率；预测时间尺度包括短期预测和超短期预测。 2.4短期风电功率预测Short term Wind Power Forecasting未来3天内的风电输出功率预测，时间分辨率不小于15min。 2.5超短期风电功率预测ultra-short term Wind Power Forecasting 0h~4h的风电输出功率预测，时间分辨率不小于15min。 3数据准备 风电功率预测系统建模使用的数据应包括风电场历史功率数据、历史测风塔数据、历史数值天气预报、风电机组信息、风电机组及风电场运行状态、地形地貌等数据。 3.1风电场历史功率数据风电场的历史功率数据应不少于1a，时间分辨率应不小于5min。 3.2历史测风塔数据a）测风塔位置应在风电场5km范围内；b）应至少包括10m、70m及以上高程的风速和风向以及气温、气压等信息；c）数据的时间分辨率应不小于10min。 3.3历史数值天气预报历史数值天气预报数据应与历史功率数据相
国家能源局关于印发风电功率预报与电网协调运行实施细则(试行)的 通知 国能新能[2012]-12文件 各省(区、市)发展改革委、能源局、中国气象局，国家电网公司、南方电网公司、华能集团公司、大唐集团公司、华电集团公司、国电集团公司、中电投集团公司、神华集团公司、中广核集团公司、三峡集团公司、中国节能环保集团公司、水电水利规划设计总院、各相关协会: 为促进风电功率预测预报与电网调度运行的协调，根据《风电场功率预测预报管理暂行办法》的有关要求，现将〈风电功率预报与电网协调运行实施细则~(试行)印发你们，请参照执行。 附:风电功率预报与电网协调运行实施细则(试行) 风电功率预报与电网协调运行实施细则(试行) 第-章总则 第一条根据《中华人民共和国可再生能源法》和《节能调度管理办法}，为贯彻落实国家能源局《风电场功率预测预报管理暂行办法}C国能新能(2011 ) 177号)，制定本实施细则。 第二条中国气象局负责建立风能数值天气预报服务平台和业务运行保障体系，为风电功率预测提供数值天气预报公共服务产品和相关技术支持系统。 第三条风电开发企业负责风电场发电功率预报工作，按照要求上报风电场发电功率预报曲线，并执行电网调度机构下发的发电功率计划曲线。 第四条电网调度机构负责电力系统风电发电功率预测工作，建立以风电功率预测预报为辅助手段的电力调度运行机制，保障风电优先调度，落实风电全额保障性收购措施。 风电功率预测预报和并网运行的有关考核办法另行制定。 第五条各有关单位应保证安全接收、传送、应用气象和电力运行等信息，确保涉密信息的获取和使用符合国家相关保密规定。 第二章气象数据服务及功率预测
第一页 答卷编号：论文题目： 指导教师： 参赛学校： 报名序号： 证书邮寄地址： （学校统一组织的请填写负责人） 第二页 答卷编号：
风功率预测问题设计 摘要 未来风力发电可能成为和太阳能比肩的新能源行业。随着全球经济的发展和人口的增长，人类正面临着能源利用和环境保护两方面的压力。一方面煤炭、石油和天然气等化石燃料的储量由于大量开采而日益减少：另一方面是大量使用化石燃料对自然环境产生了严重的污染和破坏。这两方面的问题已经引起世界各国政府和人民的高度重视，并在积极寻求一条可持续发展的能源道路，以风能首当其冲。风速的随机性，给，和风电场的功率输Hj带来很大的困难。本文旨在研究分电功率在一段时间的变化规律，本文组建三个模型来解决风电功率的预测问题通过对历史数据的分析，挖掘5月31号到6月6日风电功率的变化趋势，以便直观的检验模型与实际数据是否相吻合。 在问题一中考虑天气变化的随机性，分析不同时间点的数据，将Pa,Pb,Pc,Pd,P58表中5月30日第81时间点到96时间点的数据提取出来运用灰色理论作为预测2006年5月31日开始前四个小时内的16个时间点的数据预。同理以表中已给出的5月31日1-16时间点的数据预测出17-32时间的数据，然后运用此模型得出时间范围a,b内各时间点的风电功率。然后可与题目中以给的数据相比较得出误差。第二种预测方法运用指数平滑模型得出时间范围a,b内各时间点的风电功率。第三种预测方法运用移动平均模型，预测出时间范围a,b内各时间点的风电功率。通过三种预测方法的误差分析我们推荐指数平滑预测法。 在问题二中，通过比较分析问题一的预测结果，比较单台风电机组功率（P A ，P B ，P C ， P D ）的相对预测误差与多机总功率（P 4 ，P 58 ）预测的相对误差，得出风电机组的汇聚程 度越高，对于预测风电功率结果误差影响越小。 在问题三中，选用了BP神经网络的预测方法，加入了更多的自变量，使得预测结果更精确。 （关键词：风速的随机性，风速的预测，风电功率数值，灰色理论，指数平滑模型，移动平均模）
第一页 答卷编号： 论文题目：A 题风电功率预测问题 指导教师： 参赛学校： 报名序号： 证书邮寄地址： （学校统一组织的请填写负责人）
第二页 答卷编号：
A 题风电功率预测问题 摘要 风能是一种可再生、清洁的能源，风力发电技术的进一步研究和开发对解决能源危机、缓解环境压力以及提升经济发展水平具有重大的意义。据此，本文通过建立一系列数学模型来研究和探索风电功率的预测以及提高预测精度问题。 针对第一问，本文提出指数平滑法、小波神经网络以及时间序列ARMA 三种预测模型对风电功率进行预测。指数平滑法采用平滑公式为：s t x t 1 (1 )S t 1,0 1,t 3，通过调整平滑参数来优化预测精度；小波 神经网络采用的小波基函数为Morlet 母小波基函数，小波神经修正采用梯度修正法；ARMA 模型通过确定自回归阶数和移动平均阶数来构造预测表达式。结 针对第二问，本文在第一问所求结果的基础上，使用熵值赋权法对三种模型 进行归一化处理，所得权值向量为w (0.3246,0.3344,0.341) ，得到一组基于以上 三种模型的预测数据。使用拟合与聚类分析得出单机系统对多机系统P4 的相关性高于对总机系统的相关性，据此，使用基于李雅普诺夫中心极限定理的通过假设相对误差小于题目要求的概率模型，求得单机组和多机组的通过检验概率为： 最后得出普遍性规律为：由于多机预测较精确，可以用多机系统的预测结果对单机进行预测。修正单机系统预测所带来的相对误差，提高精度。 针对问题三，本文建立基于遗传算法的ARMA 模型，对ARMA 模型的阶数进行优化。定义平均相对变动值( ARTD )，并令遗传算法的适应度函数为： f(x) ARTD。最后得到具有更高预测精度的模型。具体指标值如下表： 本文提出的模型对风电功率的预测具有重大的借鉴意义，并可将其模型推广应用至工程预测、股票分析、生产计划等问题上。 关键字：风电功率预测、时间序列、指数平滑法、小波神经网络、遗传算法
风电功率预测方法的研究 摘要 由于风能具有间歇性和波动性性等特点，随着风力发电的不断发展风电并网对电力系统的调度和安全稳定运行带来了巨大的挑战。进行风电功率预测并且不断提高预测精确度变得越来越重要。通过对国内外研究现状的了解，根据已有的风电功率预测方法，按照预测时间、预测模型、预测方法等对现有的风电功率预测技术进行分类，着重分析几种短期风电功率预测方法的优缺点及其使用场合。根据实际某一风电场的数据，选取合适的风电预测模型进行预测，对结果予以分析和总结。 关键词：风电功率预测；电力系统；风力发电；预测方法； 引言 随着社会不断发展人们对能源需求越来越大而传统化石能源日益枯竭不可再生，以及化石能源带来了环境污染等问题影响人类生活，人们迫切需要新的清洁能源代替传统化石能源。风能是清洁的可再生能源之一，大力发展风力发电成为各国的选择。根据相关统计，截止至2015年，全球风电产业新增装机63013MW，，同比增长22%[1]。其中，中国风电新增装机容量达30500MW，占市场份额48.4%。全球累计装机容量为432419MW，其中中国累计装机容量为145104,占全球市场份额的33.6%。 目前风力发电主要利用的是近地风能，近地风能具有波动性、间歇性、低能量密度等特点，因而风电功率也是波动的。当接入到电网的风电功率达到一定占比时，风电功率的大幅度波动将破坏电力系统平衡和影响电能质量，给电力系统的调度和安全平稳运行带来严峻挑战。根据风速波动对风力发电的影响按照时间长度可分为三类：一种是在几分钟之内的超短时波动，该时段内的波动影响风电机组的控制；另一种是几小时到几天内的短时波动，该时段内的波动影响风电并网和电网调度；最后一种是数周至数月的中长期波动，该时段内的波动影响风电场与电网的检修和维护计划。本文主要研究不同的风电功率短期预测方法的优缺点。 通过对短期风电功率预测，能够根据风电场预测的出力曲线优化常规机组出力，降低运行成本；增强电力系统的可靠性、稳定性；提升风电电力参与电力市场竞价能力。
风功率预测系统设计方案 随着社会的发展，传统能源出现面临枯竭的危险，发展新能源经济是当今世界的历史潮流和必然选择。而二次能源开发中利用风力发电是最有潜力最为环保的方式之一，但这也引出了分布式发电并网难的问题。由于风能发电的间歇性、不稳定性，并网后对电网冲击巨大，因此，做好风能发电的预测和调控是风力发电并网稳定运行和有效消纳的重要条件。 国外的经验证明，对风力发电进行有效预测，可以帮助电网调度部门做好各类电源的调度计划，减少风电限电，由此大大提高了电网消纳风电的能力，进而减少了由于限电给风电业主带来的经济损失，增加了风电场投资回报率。为此，国能日新自主研发的风电功率预测系统，为国家的风电事业发展贡献自己的一份力量。 风就是水平运动的空气，空气产生运动，主要是由于地球上各纬度所接受的太阳辐射强度不同而形成的。在赤道和低纬度地区，太阳高度角大，日照时间长，太阳辐射强度强，地面和大气接受的热量多、温度较高；在高纬度地区太阳高度角小，日照时间短，地面和大气接受的热量小，温度低。这种高纬度与低纬度之间的温度差异，形成了南北之间的气压梯度，使空气作水平运动，风沿水平气压梯度方向吹，即垂直与等压线从高压向低压吹。
地球在自转时，使空气水平运动发生偏向的力，称为地转偏向力，这种力使北半球南方吹向北方的风向东偏转，北方吹向南方的风向西偏转，南半球则相反。所以地球大气运动除受气压梯度力外，还要受地转偏向力的影响，大气真实运动是这两种力综合影响的结果。 国能日新开发的风电功率预测系统SPWF-3000，具备高精度数值气象预报功能、风电信号数值净化、高性能物理模型、网络化实时通信、通用风电信息数据接口等高科技模块；可以准确预报风电场未来168小时功率变化曲线。在即使没有测风塔的情况下，采用国能日新的虚拟测风塔技术，风功率系统短期预测精度超过80%，超短期预测精度超过90%。
风电功率预测系统功能规范 1 范围 1.1本规范规定了风电功率预测系统的功能，主要包括预测时间尺度、数据准备、数据采集与处理、功率预测、统计分析、界面要求、安全防护、接口要求及性能指标等。 1.2本规范用于指导电网调度机构和风电场的风电功率预测系统的研发、建设和应用管理。 本规定的适用于国家电网公司经营区域内的各级电网调度机构和风电场。 2 术语和定义 2.1风电场 Wind Farm 由一批风电机组或风电机组群组成的发电站。 2.2数值天气预报 Numerical Weather Prediction 根据大气实际情况，在一定的初值和边值条件下，通过大型计算机作数值计算，求解描写天气演变过程的流体力学和热力学的方程组，预算未来一定时间的大气运动状态和天气现象的方法。 2.3风电功率预测 Wind power Forecasting 以风电场的历史功率、历史风速、地形地貌、数值天气预报、风电机组运行状态等数据建立风电场输出功率的预测模型，以风速、功率或数值天气预报数据作为模型的输入，结合风电场机组的设备状态及运行工况，得到风电场未来的输出功率，预测时间尺度包括短期预测和超短期预测。 2.4短期风电功率预测 Short term Wind Power Forecasting 未来3天内的风电输出功率预测，时间分辨率不小于15min。 2.5超短期风电功率预测 ultra-short term Wind Power Forecasting 0h-4hd的风电输出功率预测，时间分辨率不小于15min。 3.数据准备 风电功率预测系统建模使用的数据应包括风电场历史功率数据、历史测风塔数据、历史数值天气预报、风电机组信息、风电机组及风电场运行状态、地形地貌等数据。 3.1风电场历史功率数据 风电场的历史功率数据应不少于1a，时间分辨率应不小于5min 3.2历史测风塔数据 a）测风塔位置应在风电场5km范围内； b）应至少包括10m、70m及以上搞成的风速和风向以及气温、气压等信息； C）数据的时间分辨率不小于10min。 3.3历史数值天气预报
第一页 答卷编号: 论文题目：A题风电功率预测问题 指导教师： 参赛学校： 报名序号： 证书邮寄地址：
（学校统一组织的请填写负责人）第二页 答卷编号:
A题风电功率预测问题 摘要 风能是一种可再生、清洁的能源，风力发电技术的进一步研究和开发对解决能源危机、缓解环境压力以及提升经济发展水平具有重大的意义。据此，本文通 过建立一系列数学模型来研究和探索风电功率的预测以及提高预测精度问题。 针对第一问，本文提出指数平滑法、小波神经网络以及时间序列ARMA三种预测模型对风电功率进行预测。指数平滑法采用平滑公式为：s人1 (1 )St1，°1讥3，通过调整平滑参数来优化预测精度；小波 神经网络采用的小波基函数为Morlet母小波基函数，小波神经修正采用梯度修正法；ARMA 针对第二问，本文在第一问所求结果的基础上，使用熵值赋权法对三种模型 进行归一化处理，所得权值向量为w (0.3246,°.3344,0.341)，得到一组基于以上 三种模型的预测数据。使用拟合与聚类分析得出单机系统对多机系统P4的相关 性高于对总机系统的相关性，据此，使用基于李雅普诺夫中心极限定理的通过假 最后得出普遍性规律为：由于多机预测较精确，可以用多机系统的预测结果对单机进行预测。修正单机系统预测所带来的相对误差，提高精度。 针对问题三，本文建立基于遗传算法的ARMA模型，对ARMA模型的阶数进行优化。定义平均相对变动值( ARTD)，并令遗传算法的适应度函数为： f(x)茨。最后得到具有更高预测精度的模型。具体指标值如下表: 本文提出的模型对风电功率的预测具有重大的借鉴意义，并可将其模型推广应用至工程预测、股票分析、生产计划等问题上。 关键字：风电功率预测、时间序列、指数平滑法、小波神经网络、遗传算法
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；Ris?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Ris?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Ris?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