基于时间序列的风速和风功率预测

基于风力发电的风功率预测综述

随着风力发电的快速发展，风电的穿透功率不断增加，随之带来的系统安全性和电能质量问题也日益凸显。可靠的风功率预测可以有效地提高电力系统的运行稳定性，改善电能质量。本文综述了当前各种风功率预测的方法包括物理方法、统计方法、学习方法等以及他们各自的适用场合，并展望了未来风功率预测的发展方向。

标签：风功率预测；预测方法；发展方向

前言

由于风能是清洁、安全的可再生能源，风力发电在全世界已经进入大规模发展阶段。但由于风电的间歇性和随机性等缺点，随着风电装机容量的逐年增加，风电场穿透功率不断加大，无疑会对电力系统的电能质量造成一定的影响，尤其是大规模风电入网对系统的电能质量，诸如线路的潮流、无功补偿电压和频率带来很多不利影响[1]，并且影响系统旋转备用容量的大小，从而限制了风电的进一步发展。有效的风功率预测方法可以方便调度进行合理的用电安排，提高系统运行的可靠性，一定程度上可以改善风电并网后的系统运行。

1风电场功率预测分类

按照不同的分类标准，风电场功率预测方法分类方式不同。

1.1按预测时间尺度分类

风电场功率的预测，按时间分为长期预测、中期预测、短期预测和特短期预测。

（1）长期预测：以“年”为单位，主要应用于风电场设计的可行性研究，可预测风电场建成之后每年的发电量。这种方法主要是根据气象站提前20年或30年的长期观测资料和风电场测风塔至少一年的测风数据，经过统计分析，再结合风机的功率曲线来预测风电场每年的发电量。

（2）中期预测：以“天”为预测单位。中期预测主要是提前一周对每天得功率进行预测，主要用于安排检修。一般是利用数值天气预报系统的数据进行预测。主要用于安排检修或调试。

（3）短期预测：以“小时”为预测单位。一般是提前1-48小时对功率进行预测，目的是便于电网合理调度，保证供电质量。一般是基于数值天气预报模型和历史数据进行预测。

1.2按预测模型对象分类

按照预测对象的不同，一般可以分為基于风速的预测和基于功率的预测。按预测对象范围的不同，可分为对单台风机功率的预测、对整个风电场功率的预测和对一个较大区域（多个风电场）的预测。

风功率预测的方法

风功率预测是指对风力发电厂产生的风能进行预测，以便更好地管理和规划风力发电系统的运营。准确的风功率预测对于风电场的安全运行、电网调度和电力市场交易等方面至关重要。虽然风力是一种不稳定的自然资源，但通过利用合适的方法和技术，我们可以提高风功率预测的准确性。

风功率预测方法可以分为统计方法、基于物理原理的方法和机器学习方法。

统计方法是最常用的风功率预测方法之一。它通过对历史风速数据进行分析和建模来预测未来的风力发电情况。常用的统计方法包括时间序列分析、谱分析和回归分析等。时间序列分析是一种将历史数据的趋势和周期性考虑在内的预测方法。谱分析则是通过对信号进行频谱分析，提取出信号的频率特征来进行预测。回归分析是一种通过建立线性或非线性回归模型来预测风功率的方法。统计方法的优点是简单易实现，但对于复杂的非线性系统来说，可能会有一定的局限性。

基于物理原理的方法是另一类常用的风功率预测方法。这种方法是基于对风力发电系统的建模和仿真来进行预测的。它通常使用复杂的物理方程和机器学习算法来考虑风的传输特性、涡旋动力学等因素。基于物理原理的方法的优点是可以对复杂的非线性系统进行较准确的预测，但是需要大量的风速、风向等实测数据来进行模型的校准和验证。

机器学习方法是近年来风力发电预测领域的热点研究领域。这种方法利用机器学习算法对大量历史数据进行训练，建立预测模型。常用的机器学习算法包括支持向量机、人工神经网络、决策树等。机器学习方法的优点是可以灵活地适应不同场景下的预测需求，并能够处理大量的输入特征，比如温度、湿度、气压等。但机器学习方法也存在一些挑战，比如需要大量的数据来进行模型训练，模型的解释性较差等。

除了上述方法外，还有一些辅助方法可以提高风功率预测的准确性。比如数据融合方法可以结合多种数据源，比如气象卫星数据、雷达回波数据等，来提高预测的准确性。时间尺度的选择也是一个关键因素，短期预测可以通过近实时的数据来进行，而中长期预测则可以通过气象模型来进行。

第３０卷第２期　２０１４年２月　电力科学与工程　

Ｅｌｅｃｔｒｉｃ　Ｐｏｗｅｒ　Ｓｃｉｅｎｃｅ　ａｎｄ　Ｅｎｇｉｎｅｅｒｉｎｇ　Ｖ０　Ｊ．３０．Ｎｏ．２　４ｌ　Ｆｅｂ．，２０１４　

基于时间序列的ＷＤ—ＬＳ—ＳＶＭ的风速　

周期预测模型研究　

石亚欣　

（华北电力大学控制与计算机工程学院，北京１０２２０６）　

摘要：风速的随机性、波动性很大，所以风速的大小和很多因素有关，风速预测的准确率不高。针对这　种现象，提出了一种基于时间序列和小波分解的最小二乘支持向量机的短时间的风速预测方法。通过小　

波分解对数据进行平稳性处理，将分解后的分量分别作为模型的输入，进行预测。最小二乘支持向量机　的预测值和实际风速值基本上保持一致，误差保持在一定的较小范围内。通过与简单的支持向量机的仿　真结果做对比，同时也验证了模型的有效性和可行性。　

关键词：风速预测；时间序列；小波分解；最小二乘支持向量机　

０　引言　中图分类号：ＴＭ６１４　文献标识码：Ａ　ＤＯＩ：１０．３９６９／ｊ．ｉｓｓｎ．１６７２—０７９２．２０１４．０２．００８　

大的改善，系统的动态性能有了提高。　

风能是一种清洁的，无污染的，可再生能源，　

在未来的电能供应中它的地位将越来越重要　。　

风电出力特性不同于常规电源，它具有随机性、　

波动性的特点，造成风功率预测精度较低。正如　

文献［３］所描述的：风功率是和风速有关的函　

数，功率预测一般是通过风速预测推断而来的。　

一般情况下，风速预测根据实际的应用可以分为：　

短期风速预测，中期风速预测以及长期风速预测。　

短期风速预测主要用于电网的控制；中期风速预　

测主要用于机组的运行维护计划或检修，可优化　

电厂调度；长期风速预测主要应用于风能的管理　

分布。　

实际中，许多数据驱动建模已经应用在风速　

预测方面，主要有依据统计学原理的卡尔漫滤波　

器　、贝叶斯理论等，或者是依据智能算法的神　

经网络和模糊模型等，但是它们都有各自的不足　

之处。本文采用了最小二乘支持向量机对短周期　

基于时序长记忆模型的风电场短期功率预测

卢锦玲;王阳;杨月;何振民;项丽;李笑宁

【摘 要】随着风电的飞速发展,风电场接入电网的规模日益扩大,随之而来的是对风电功率预测准确性要求的提高,准确的风电功率预测可以更好地利用风能资源,减小风电并网对电网的不利影响.为了提高风电预测的精度,采用最大期望算法(expectation maximization algorithm,EM算法)对风电场功率历史数据进行处理,填补缺失值,替换错误数据,然后采用修正重标极差分析法即修正R/S分析方法分析数据的长记忆性,采用时间序列ARFIMA模型,然后根据预测时刻之前的功率数据,通过贝叶斯统计推断对模型参数进行估计,生成预测模型方程,进而对风电场输出功率进行预测.

【期刊名称】《科学技术与工程》

【年(卷),期】2015(015)034

【总页数】6页(P50-55)

【关键词】风电功率预测;EM算法;时间序列分析法;修正R/S分析法;ARFIMA模型

【作 者】卢锦玲;王阳;杨月;何振民;项丽;李笑宁

【作者单位】华北电力大学电气与电子工程学院,保定071003;华北电力大学电气与电子工程学院,保定071003;华北电力大学电气与电子工程学院,保定071003;华北电力大学电气与电子工程学院,保定071003;国网宁夏电力公司,银川750001;国网宁夏电力公司,银川750001 【正文语种】中 文

【中图分类】TM614

准确的风电场功率预测有利于电网调度合理地安排调度计划并更有效利用风电资源，提高风电发电上网小时数，有利于电网的安全稳定运行，减轻风电对整个电网的冲击，并且有利于正确制定电能交换计划、减少运行备用容量从而提高了运行的经济性［1，2］。

风速预测方法有物理预测方法［3］、统计学方法(时间序列法［4］、灰色预测法［5］、卡尔曼滤波法等［6］)、人工智能预测方法(神经网络法［7］、模糊逻辑等［8］)和综合预测方法［9］。其中，时间序列法是通过分析风电场功率历史数据考虑时间序列的相关性，确定模型类型和阶数，对参数进行估计，最后进行模型检验建立预测模型，从而利用预测模型对风电场功率进行预测。常用的随机线性时间序列模型有自回归模型(autoregessive，AR)、滑动平均模型(moving average，MA)、自回归滑动平均模型(autoregessive and moving average，ARMA)，这些模型属于短记忆模型，只考虑了时间序列的短记忆性，但是时间序列不仅具有短记忆性许多时间序列中存在着长记忆现象。