基于时间序列分析的风电场风速预测模型

风电场短期风速预测的MRA-SVM模型杨亚兰;徐耀良;钟绍山;谢江媛【摘要】为了提高风电场短期风速的预测精度,提出了基于多分辨率分析和支持向量机(MRA-SVM)的预测模型.模型以历史风速序列为输入对数据进行多分辨率分析,用支持向量机对分解后的单支序列分别回归预测,叠加各序列的预测结果即为最终预测值.通过对某风场10 d的实测风速进行分析,预测了未来4h的风速.用均方根误差和平均绝对百分比误差对模型进行评价,与单一的SVM方法相比,提高了预测精度.实验证明,模型具有较强的风速预测能力,能普遍适用于风速的短期预测.【期刊名称】《电力系统及其自动化学报》【年(卷),期】2014(026)005【总页数】6页(P44-49)【关键词】短期风速预测;多分辨率分析;支持向量机;均方根误差;平均绝对百分比误差【作者】杨亚兰;徐耀良;钟绍山;谢江媛【作者单位】上海电力学院电力与自动化工程学院,上海 200090;上海电力学院电力与自动化工程学院,上海 200090;上海电力学院电力与自动化工程学院,上海200090;上海电力学院电力与自动化工程学院,上海 200090【正文语种】中文【中图分类】TM614开发和利用风能的主要形式是风力发电[1]，随着风电容量占电力系统比重的日益增加，风电的出力预测对电网的影响不容忽视，而出力的预测主要取决于风速的预测。

在时间尺度上，风速预测主要分为超短期、短期、中长期。

超短期预测一般是30min以内的预测[2]，用于对发电机的控制；中长期预测时间主要集中在未来几天至几个月，用于风电场的规划设计；短期预测是30min～72 h的预测，用于电力系统的功率平衡和调度、交易及暂态稳定评估等，其准确性直接影响电力系统在未来一段时间内的调度计划。

有关风速短期预测的问题，国内外学者进行了大量的研究，欧盟国家、美国等风电产业发展较早，大都开发出了专门的风电功率预报系统，预测时长可达到72 h，相应的预测成本也比较高[3]。

一种新的风电场风速时间序列建模及超短期预测方法李卫;席林【摘要】提出了一种新的风速时间序列建模方法.首先,将归一化后的历史风速时间序列分解为矢量集,按相似性度量原则提取相似性最高的多个矢量作为模型训练样本对的输入,再取相应矢量的下一时刻风速值作为训练样本对的输出,然后采用自适应模糊推理系统来对风速序列建模,再通过多步循环预测实现了风速的超短期预测.以上海地区某风场的实际风速数据为例,验证结果显示预测模型具备良好的精度.【期刊名称】《电网与清洁能源》【年(卷),期】2015(031)009【总页数】5页(P78-82)【关键词】风速预测;时间序列;相似性度量;ANFIS模型【作者】李卫;席林【作者单位】上海电气集团股份有限公司输配电分公司,上海200042;上海电气集团股份有限公司输配电分公司,上海200042【正文语种】中文【中图分类】TM614风电的间歇性和波动性对电力系统的安全、稳定运行以及电能质量均带来了严峻挑战，若能对风场发电功率做出准确的预测，则可有效减轻风电对整个电网的影响[1]。

由于风场的发电功率受风速影响最大，而风速具有很强的随机性，要实现精确的预测难度很大。

针对风速预测，国内外学者已提出了多种统计方法[2-8]。

文献[2-3]提出了以自回归滑动平均模型（ ARMA）为基础的预测方法，该类方法通过挖掘风速时间序列蕴含的自相关性来确定一个能够描述风速序列的数学模型，进而达到预测目的；文献[4]则通过改进的径向基网络（RBF）来提高预测的精度；文献[5-8]则利用各类改进的支持向量回归机（ SVR）来建模以期得到更准确的风速预测结果。

无论采用RBF网络或SVR来建模，历史样本的规模大小都会影响到建模计算时间，而实际风电预测系统要求的预测时间应为5 min以内。

因此，本文提出了一种基于矢量相似性度量的训练样本选择方法，将原始样本集规模大大缩减，并通过自适应模糊推理系统（ ANFIS）[9]来实现数据建模，使得预测时间保证在可控范围，同时保证预测模型具备良好的精度。

第一篇：小波分析发展历史简述1910年，Haar提出了L2(R)中第一个小波规范正交基，即Haar正交基。

1936年，Littlewood和Paley对傅立叶级数建立了二进制频率分量分组理论，（即L-P理论：按二进制频率成分分组，其傅立叶变换的相位并不影响函数的大小和形状），这是多尺度分析思想的最早起源。

1952年～1962年，Calderon等人将L-P理论推广到高维，建立了奇异积分算子理论。

1965年，Calderon发现了著名的再生公式，给出了抛物型空间上H1的原子分解。

1974年，Coifman实现了对一维空间和高维空间的原子分解。

1976年，Peetre在用L-P理论对Besov空间进行统一描述的同时，给出了Besov空间的一组基。

1981年，Stromberg引入了Sobolev空间Hp的正交基，对Haar正交基进行了改造，证明了小波函数的存在性。

1981年，法国地球物理学家Morlet提出了小波的正式概念。

1985年，法国数学家Meyer提出了连续小波的容许性条件及其重构公式。

1984年～1988年，Meyer、Battle和Lemarie分别给出了具有快速衰减特性的小波基函数：Meyer小波、Battle-Lemarie样条小波。

1987年，Mallat将计算机视觉领域中的多尺度分析思想引入到小波分析中，提出了多分辨率分析的概念，统一了在此前的所有具体正交小波的构造，给出了构造正交小波基的一般方法，提出了快速小波变换（即Mallat算法）。

1988年，Daubechies基于多项式方式构造出具有有限支集的光滑正交小波基（即Daubechies基）。

Chui和中国学者王建忠基于样条函数构造出单正交小波函数，并提出了具有最优局部化性能的尺度函数和小波函数的一般性构造方法。

1988年，Daubechies在美国NSF/CBMS 主办的小波专题研讨会上进行了10次演讲，引起了广大数学家、物理学家、工程师以及企业家的重视，将小波理论发展与实际应用推向了一个高潮。

风电功率预测问题摘要风能是一种可再生、清洁的能源，风力发电是最具大规模开发技术经济条件的非水电再生能源。

现今风力发电主要利用的是近地风能。

近地风具有波动性、间歇性、低能量密度等特点，因而风电功率也是波动的。

大规模风电场接入电网运行时，大幅度地风电功率波动会对电网的功率平衡和频率调节带来不利影响。

如果可以对风电场的发电功率进行预测，电力调度部门就能够根据风电功率变化预先安排调度计划，保证电网的功率平衡和运行安全。

因此，如何对风电场的发电功率进行尽可能准确地预测，是急需解决的问题。

根据电力调度部门安排运行方式的不同需求，风电功率预测分为日前预测和实时预测。

日前预测是预测明日24小时96个时点（每15分钟一个时点）的风电功率数值。

实时预测是滚动地预测每个时点未来4小时内的16个时点（每15分钟一个时点）的风电功率数值。

对于问题一我们建立了3个模型：1、时间序列模型即指数平滑模型2、拟合回归模型3、神经元预测模型即BP模型。

针对这3种模型，根据相对误差的大小和准确度的大小判断来确定优先选择哪个模型。

对于问题二，在第一问的基础上对相关模型进行了比较，分析，做出了预期。

对于问题三，在第一问的基础上，对相关的模型进行了改善，使其预测的更加准确。

关键词：风功率实时预测 BP网络神经 matlab 时间序列问题的重述一、背景知识1、风功率预测概况风功率预测是指风电场风力发电机发电功率预测。

风电场是利用在某个通过预测的坐标范围内，几座或者更换多的经过科学测算，按照合理距离安装的风力发电机，利用可控范围内的风能所产生的电力来实现运行供电。

由于风是大气压力差引起的空气流动所产生的，风向和风力的大小时刻时刻都在变化。

因而，风力发电具有波动性、间歇性和随机性的特点。

这些特点所导致的风电场功率波动，会对地区电网整体运行产生影响，进而会影响到整个地区总网内的电压稳定。

因此，当风力发电场，特别是大容量风力发电场接入电网时，就会给整个电力系统的安全、稳定运行带来一定的隐患。

1、背景：风能是太阳能的一种转换形式,是一种重要的自然能源。

风能以其蕴量巨大,具有可再生性和无污染的优点,得到各国的重视和开发利用。

风能利用主要是将大气运动时所具有的动能转化为其他形式的能,其具体用途包括:风力发电、风帆助航、风车提水、风力致热采暖等,其中风力发电是风能利用的最重要形式。

风电和光伏发电等可再生能源并网后在一定程度上缓解了能源危机和环境压力，但同时也给电力系统的可靠性带来了新的挑战。

与传统电力系统相比，风电系统大大增加了系统运行中的不确定性。

风电的电力系统可靠性评估，关键在于如何建立风电场可靠性的模型。

风电场的输出功率受多种因素影响，最主要的因素是风速。

因此，建立风速模型是实现可靠性准确评估的基础。

2、关于风力发电置信度了评估的主要研究包含三个方面的内容，第一方面是研究电力系统尤其是发电系统的可靠性分析；第二方面是当在电力系统中并入风电场时，基于风电场发电功率的强波动性和弱可控性等一些有别于常规发电的特点，对风电场并网给电力系统可靠性带来的影响进行评估；第三方面是从可靠性角度研究风电场容量可信度。

具体来说，主要工作由以下几个方面组成：1.）研究建立含有风电场的发电系统可靠性评估模型。

分为两大部分，其一要研究风电场的风速特性，寻找合适的风速建模方法，另一个方面是要研究风电机组状态的判断方法。

风速是一个典型的时间序列,采用时间序列法建立的风速序列预测模型,利用ARMA模型预测得到的风速序列能反映风电场风速分布特性。

本文采用序贯蒙特卡罗仿真方法建立风电场的发电可靠性模型。

2.）从各种可靠性指标出发分析风电场风能资源状况对其可靠性贡献能力的影响。

可靠性指标分为概率性指标和频率性指标，在不同的可靠性指标下，风电场所表现出的可靠性影响行为不同。

3.）关于风力发电容量置信度评估。

在RTS系统中加入风电，这样系统可靠性会提高，在保持LOLP恒定的情况下，看提高了多少带负荷能力，然后再将增加的风电换为传统发电机，看用多少的装机容量可以达到相同水平，这样就把风电的发电能力折算成了传统发电机。

基于时间序列分析的风电功率预测模型研究随着全球能源需求的不断增加，可再生能源逐渐成为了人类能源产业领域的热门话题之一。

风能作为可再生能源的代表之一，在发展方面也得到了越来越多的支持和关注。

风能发电具有天然的优势，如无污染、可再生、高效等，因此越来越多的国家和地区开始投资和建设风电场。

而对于风电场来说，提高风电的预测精度是提升风电场效益不可或缺的一部分。

1. 风电功率预测的意义在风电场的运营管理中，风电功率预测是极为重要的一环。

风电场的发电效益和安全经营都离不开准确的功率预测。

功率预测可以减少电力系统对传统火电的依赖，提高电力系统的环保性和安全性。

因此，建立具有预测功率的能力的模型是非常必要的。

2. 时间序列分析的基本原理时间序列分析是一种用于分析时间序列数据的方法。

时间序列数据是指在一段连续的时间内收集到的一系列连续时间上的观测值。

时间序列分析可以提取不同频率和不同方面的信息，并可以在不同的场景中应用，如预测、模型选择和诊断等。

时间序列分析的基本原理是根据数据的特征（如变化趋势、季节性、循环性和随机性）建立模型，进而对未来的数据进行预测。

时间序列分析的核心是选择适当的模型和参数，并使用最优化算法估计这些模型参数。

3. 风电功率预测模型的建立目前，常用的风电功率预测方法包括基于人工神经网络、支持向量机、回归树等。

其中，基于时间序列分析的方法一直是风电功率预测领域的重要研究方向，具有一定的优势。

建立基于时间序列分析的预测模型的主要步骤包括：（1）数据获取：收集风速和风电功率的历史数据，评估数据质量，对低质量数据进行清洗和处理。

（2）数据探索和分析：对历史数据进行可视化和描述性统计分析，了解数据的分布、特性和相关性。

（3）模型选择：根据数据特点和需求选择合适的模型，如ARIMA、SARIMA、VAR、VARMA等。

（4）模型训练和优化：使用历史数据进行模型训练和参数估计，选择适当的评估指标，如均方误差、平均绝对百分比误差、相关系数等，对模型进行评估和优化。

基于VMD和改进ARIMA模型的超短期风速预测赵征;汪向硕;乔锦涛【摘要】针对风速序列非线性、波动性的问题,提出了一种基于变分模态分解和改进差分自回归滑动平均模型的风速预测模型.首先利用变分模态分解(Variational Mode Decomposition,VMD)将信号从低频到高频逐次分解,使每个分量具有不同中心频率的有限带宽;然后对各分量分别建立ARIMA模型,由于各分量的残差序列可能存在异方差性,因此引入GARCH模型消除异方差特性,建立ARIMA-GARCH 模型;最后备分量预测结果叠加得到最终的预测值.实验结果表明,所提出的预测模型在超短期风速预测上具有较高的预测精度.【期刊名称】《华北电力大学学报(自然科学版)》【年(卷),期】2019(046)001【总页数】6页(P54-59)【关键词】风速预测;变分模态分解;ARIMA-GARCH模型;残差修正【作者】赵征;汪向硕;乔锦涛【作者单位】华北电力大学控制与计算机工程学院,河北保定 071003;华北电力大学控制与计算机工程学院,河北保定 071003;华北电力大学控制与计算机工程学院,河北保定 071003【正文语种】中文【中图分类】TM6140 引言当风力发电在电网中所占的比例非常小时，风速的非线性、波动性问题不会对电网造成较大影响，但随着近年来风力发电装机容量的迅速增加，风电预测系统成为必不可少的环节[1]。

超短期预测对于风电场实时调度具有重要意义，准确的预测结果能够有效提高风能资源的利用率，从而实现风电场的经济、高效运行。

近年来，国内外学者提出了多种风速预测方法。

研究表明，将原始风速信号进行分解能够有效提升预测精度。

风速序列分解方法主要有：经验模态分解法[2]、小波分解法[3]、变分模态分解法[4,5]。

其中经验模态分解法将风速序列分解成相对平稳的一系列分量，从而减小不同特征信息间的相互影响；小波分解法可以去除高频分量，得到较为平稳且对风速预测起决定性作用的低频分量，但预测精度仍有待提高。

风电场中的风速预测技术及应用随着能源环保意识的逐渐加深，风能作为一种可再生能源备受关注。

作为风能利用的重要环节之一，风电场的建设成为了当今热门的话题。

但是，风力发电存在着稳定性不足的问题，部分风电场常年在低效运转状态，造成了巨大的浪费。

针对这种情况，提高风电场的风速预测能力，极大程度上可以提高自然资源利用效率，减少环境污染。

本文将对风电场中的风速预测技术及其应用进行一定的深入分析。

一、风速预测技术简介风速预测技术是指通过相关模型或算法对气象数据进行分析和预处理，以预测将来一段时间内的风速状态。

主要包括物理建模、计算机模拟、统计预测和神经网络预测等几种方法。

1.物理建模法物理建模法主要是基于大气物理学的理论，通过运用范畴方程式、Navier-Stokes 方程组等模型对风场进行模拟和分析。

具体可分为大气模型和风机模型。

大气模型是将风速预测问题转化为大气物理学中的多元非线性问题，可描述气象场中的温度、气压、湿度和风向风速等多个参数。

风机模型是对风机的机械元件、电控系统、空气流动以及非线性振动进行综合分析，从而对风机装置进行建模分析和风机输出功率进行预测模拟。

2.计算机模拟法计算机模拟法是通过计算机程序对大气场进行模拟，利用计算结果进行风速预测。

其中较重要的有美国NCEP（National Centers for Environmental Prediction）计算机程序和欧洲ECMWF（European Centre for Medium Range Weather Forecasts）计算机程序。

这两种计算机模拟程序都具有一定的数值天气预测能力，可为风电场提供未来天气预测信息。

但计算机模拟方法预测效果较弱，气象数据的精度对预测质量会产生较大的影响。

3.统计预测法统计预测法是基于大量观测到的风速数据进行回归分析，并根据时间序列和概率分布对未来风速进行预测。

具体包括基于趋势回归算法、ARIMA模型等预测方法。

风电场风速预测的研究方法陈丹丹;李永光;张莹;刘祥【摘要】介绍了国内外风速预测的主要方法及其基本原理,并分析了各自特点,通过比较各算例的精度,找出了影响预测结果的因素,并指出了改进预测方法的发展方向.【期刊名称】《上海电力学院学报》【年(卷),期】2011(027)003【总页数】5页(P247-251)【关键词】风速预测;人工神经网络;卡尔曼滤波;时间序列【作者】陈丹丹;李永光;张莹;刘祥【作者单位】上海电力学院能源与环境工程学院,上海200090;上海电力学院能源与环境工程学院,上海200090;上海电力学院能源与环境工程学院,上海200090;上海电力学院能源与环境工程学院,上海200090【正文语种】中文【中图分类】TK81风能是重要的绿色能源，随着风力发电成本的大幅下降，已具有与传统发电能源竞争的潜力［1，2］.但由于受温度、气压、地形、地理位置等诸多因素的影响，风能具有很强的随机性，因此风力发电的稳定性较差，并网后会严重影响电能质量和电力系统的正常运行［1，3，4］.风电装机容量增加后，为了抑制风电波动给电网带来的冲击，需相应增加常规机组的旋转备用容量，这会增加系统的运行费用［3，5-7］.通过研究发现，如果能对风电场风速作出较准确的预测，则有利于及时调整电网的调度计划，以提高风电的经济性［5，8-14］.此外，由于风电设备运行的环境较为恶劣，易出事故，因此也需要对风场的风速作出预测［9］.目前，国内外对于风电场风速的预测一般可分为用于风电场规划设计的中长期预测，用于电力系统的功率平衡和调度、交易、暂态稳定评估等的30 min到72 h的短期预测，以及用于发电系统控制的分钟级超短期预测［10，15-18］.比较常用的方法有人工神经网络法［5，11，19-23］、卡尔曼滤波法［24，25］、时间序列法［26，27］等.1 风速预测的基本方法1.1 人工神经网络法人工神经网络由大量的简单处理元件以拓扑结构连接形成，可以有效处理很多复杂问题.运用人工神经网络预测风速则是结合了天气预报模型和人工神经网络的功能，通过神经网络分析天气预报模型所提供的温度、压力、风速，以及风机本身采集的数据等信息，可以预测风电场中每一台风力发电机周围的风速.该方法的缺点是输入数据的选取及网络结构不易确定［9］.根据神经网络连接及计算方法的不同，人工神经网络法中常用的有多层前馈神经网络(Back Propagation，BP)、广义回归神经网络(Generalized Regression Neural Network，GRNN)等.BP 网络结构如图1所示，它包括输入层、一个或多个隐层，以及输出层，层间的神经元单向连接，层内神经元则相互独立［23］.图1 BP神经网络结构GRNN网络结构如图2所示.图2 GRNN网络结构文献［11］基于BP神经网络算法建立了风电功率预测的神经网络模型，并进行了误差带预测.研究结果表明:神经网络的结构和输入数据对预测结果有一定的影响;将实测功率数据作为输入可以提高30 min内的预测精度.这为弥补该预测方法的缺陷提供了可能的解决途径，即利用实测功率及时修改神经网络的输入，以提高预测精度.1.2 卡尔曼滤波法由线性系统离散方程可推导出卡尔曼滤波法的预测递推方程［24］.1.2.1 最优滤波方程式中:(k+1|k+1)——对k+1时刻的状态估计;K(k+1)——k+1时刻的卡尔曼增益矩阵.由此可看出，卡尔曼滤波算法可用最新测量值来修正前一时刻的估算值，具有动态修改权值的优点.1.2.2 最优增益矩阵方程式中:P(k+1|k)——从k时刻到k+1时刻的单步预测误差协方差矩阵;R(k)——V(k)的协方差矩阵.1.2.3 单步预测误差协方差方程式中:Q(k )——w(k)的协方差矩阵.1.2.4 滤波预测的误差协方差方程式中:P(k+1|k+1)——对k+1时刻滤波预测的协方差矩阵;I——单位矩阵.利用卡尔曼滤波算法，将风速作为状态变量来建立状态空间模型，可以实现风速预测.但建立卡尔曼状态方程及测量方程比较困难，并且这种方法适用于噪音统计特性已知的情况下对在线风速进行预测，但噪音统计特性往往很难得出［24，25］.1.3 时间序列法(1)随机时间序列法利用大量的历史数据来建立数学模型，进而推导出预测模型，以达到预报的目的.该方法的优点是序列本身具有时序性和自相关性，为建模提供了足够的信息，只需要有限的样本序列，就可以建立预测模型.但该方法也有局限性，低阶模型的预测精度较低，而高阶模型参数的确定难度较大［12，24，26］.(2)混沌时间序列法是根据风电出力时间序列的混沌属性，以及非线性动力学的相关理论在短期内进行的预测［14，26-35］.因此，将风速时间序列进行相空间重构，可以将其应用于短期风速的预测.(3)滚动式时间序列法对传统时间序列法进行改进，其建模思路为［36］:模型在进行超前多步预测计算时，迭代得到t时刻的预测值后，利用该预测值重新估计模型参数，得出包含该预测值的新的模型方程，再进行t+1时刻的预测计算.计算结果证明该方法能有效提高预测精度，改善延时问题，并且具有建模简单、可获得预测显式方程等优点.此外，衍生的时间序列法还有基于EMD的短期风速多步预测法，以及基于EMD 和LS-SVM的短期风速预测法［37-40］.1.4 混合算法(1)时间序列和卡尔曼滤波的混合算法利用时间序列建立一个能反映信号变化规律的低阶模型，再从该模型推导出卡尔曼滤波预测递推方程，实现信号预测［24，36，41］.该混合算法有效弥补了单纯时间序列法建模预测的不足，而且在不提高所建时序模型阶次的情况下提高了预测精度.(2)时间序列和神经网络的混合算法利用时间序列法建模，得到风速特性的基本参数，而后将这些参数作为神经网络的输入变量［5，10，42］.文献［5］和文献［42］计算结果表明，运用该方法进行风速预测时，绝对平均误差在22%左右，优于时间序列法.2 风速预测方法的综合分析2.1 各预测方法的分析比较风速预测的方法主要有人工神经网络法、随机时间序列法和混沌序列预测法.人工神经网络法［11］的理论基础是非线性数学理论［43］，具体的网络设计方法可利用径向基函数法、最小二乘法、傅里叶变换等不同的数学方法对人工神经网络的非线性函数进行逼近.另外，也可以用现有的软件如MATLAB中的神经网络工具箱等来建立人工神经网络.运用人工神经网络法能够预测风电场中每一台风机周围的风速，因此，当负荷变化时，可快速决定风机的停启，方便风电场调度.但由于人工神经网络的输入参数及网络结构不易确定，而输入变量的选择直接影响神经网络的收敛速度甚至收敛性，因此需要慎重选择输入的样本.而利用时间序列模型来选择输入变量则可以相对方便地确定神经网络的输入参数，将两种方法结合起来可有效提高收敛速度，并改善预测效果.随机时间序列法的实现相对简单，只需要单一的风速时间序列即可建模，但预测精度需要取决于模型的阶数，阶数低则预测精度低，而阶数高则模型参数计算难度大.为解决这一问题，可采用滚动式时间序列法，或者将时间序列分析和卡尔曼滤波法结合使用.这两种算法的实质都是在计算中利用当前步的计算结果及时更新参数，以优化计算模型.时间序列分析和卡尔曼滤波算法的结合可避开建立高阶模型和推导测量方程，在降低建模难度、减少计算工作量的同时提高了预测精度［24］.在预测风速的过程中，当部分时间点的风速明显大于或小于均值时，可以将其看作非线性系统中的混沌行为，利用数值分析方法建立的全局或局域性的线性预测函数，即为混沌序列预测法.目前常用的3种预测法理论上是等价的，性能也相同［33］，可以根据实际需要选择合适的模型.混沌时间序列可通过调整有关参数来控制预测精度，但由于系统对初值较敏感，因此只能用于短期风速预测.混沌时间序列法除了用于风电场短期风速预测外还可以预测电网负荷［30］.比较各方法的预测周期，人工神经网络法在网络设计、操作等均较优的情况下能够作出48 h内工程允许误差范围内的预测，而时间序列法及混沌时间序列法一般只用于2 h内的预测.从单个风电场的实际需求来看，2 h内的预测能够较好地满足风机调控的需求，而从整个电网需求出发，则需要更长时间范围的预测，以便于电网提前调控分配各区域的发电指标.需要注意的是，越长时间范围的预测，在时间点上的预测失真往往越严重.因此，在实际预测风速时，需要根据不同对象的需求、综合考虑预测方法实现的成本等选择不同的预测方法.2.2 算例误差分析比较预测周期一般有预测时间及预测步数两种表示方法.根据算例采样点的时间间隔长度，可以将精选后的预测时间和步数进行等效换算.文献［11］利用人工神经网络法进行风速预测时，综合考虑了实测风电功率作为输入数据和风轮不同高度处的风速数据对于预测结果的影响.计算结果表明，综合考虑风轮下边缘处及轮毂高度处的风速，比单独利用轮毂高度处的风速作为神经网络的输入值的预测精度要高，且当预测周期越短时，预测误差越小.文献［28］利用随机时间序列法对我国西北某风电场进行风速预测，得出提前10 min的风速预测值，从该算例所用的时间序列样本为每10 min采样1点来看，其预测周期及预测步数都很短，因此计算精度较高，预测平均误差为7%.而根据文献［36］，时间序列超前1步的预测精度较高，可达6.49%，但随着预测步数的增大，误差也迅速增大，超前10步以上的预测精度由于误差太大已不适用于工程计算.文献［27］、文献［34］和文献［35］利用混沌时间序列法进行风速预测，其中文献［27］预测样本为每小时采样1点的风速序列，进行提前1天的风速预测，预测精度为8.19%.文献［36］利用滚动式时间序列法超前3步预测，预测样本为每分钟采样1点的风速序列，预测结果误差为7.01%，随着超前预测步数的增大，预测误差也增大，但利用时间序列和卡尔曼滤波的混合算法对相同样本进行预测时，超前1步的预测误差仅为3.19%.文献［10］利用时间序列和神经网络的混合算法进行提前1天的风速预测，平均误差为21%，考虑到本算例预测周期比较长，而且是对海风进行预测，由于海风比陆地风随机性更大，预测也更加困难，因此本算例的精度不算太低.文献［27］的算例也进行了提前一天的风速预测，其预测精度较高的原因可能有:一是混沌系统对初值敏感，本算例选取的初值较好;二是所预测的风场风速变化较平缓;三是该算法精度比较好.目前风速预测的平均误差为25% ～40%［5］，然而以上各种预测方法的算例计算误差为3.19%～22%，且其中绝大多数误差在10%以内，其原因为文献算例中的预测周期较短，多数只计算了提前3步甚至提前1步的预测，因此得出的预测精度远远高于平均值.此外，选取的风速数据样本的采样间隔时间也会影响计算结果.一般来说，采样间隔时间越长，预测结果的平均值越准确，但是对风速变化规律的预测会失真.文献［27］、文献［28］和文献［36］所采用的数据样本采样间隔时间各不相同，但是由于所预测的周期较短，因此对预测结果没有明显影响.目前，国内对于短期风速预测的研究还存在以下不足:一是需要根据风速的历史数据预测将来的风速，如果不知道历史风速数据，则不可预测;二是没有实现风电功率的预测，风速预测的算法并不完全适用于功率预测;三是由于功率杂散分布，由风速推导风电功率将导致误差进一步增大.3 结语风速预测有针对一种方法的改进或者将几种方法结合使用的趋势.预测的准确度和预测方法、预测周期、地理位置等有关.一般预测周期越短，预测地点的风速变化越缓和，预测精度越高.风电的发展离不开风速预测.随着各种预测法的发展和完善，我国风电事业也会得到进一步的发展.参考文献:【相关文献】［1］迟永宁，李群英，李琰，等.大规模风电并网引起的电力系统运行与稳定问题及对策［J］.电力设备，2008，9(11):16-19.［2］丁明，张立军，吴义纯.基于时间序列分析的风电场风速预测模型［J］.电力自动化设备，2005，25(8):32-34.［3］耿天翔，丁茂生，刘纯，等.宁夏电网风电功率预测系统开发［J］.宁夏电力，2010(1):1-4. ［4］孟祥星，王宏.大规模风电并网条件下的电力系统调度［J］.东北电力大学学报，2009，29(1):2-7.［5］杨秀媛，肖洋，陈树勇.风电场风速和发电功率预测研究［J］.电机工程学报，2005，25(11):1-5.［6］UMMELS B C，GIBESCU M，PILGRUM E，et al.Impacts of wind power on thermal generation unit commitment and dispatch［J］.IEEE Trans on Energy Conversion，2007，22(1):44-51.［7］颜巧燕，温步瀛，江岳文.风电并网后系统备用容量需求分析［J］.电力与电工，2009(2):26-29.［8］吴炳琦.风电机组运行的预测预警和自动监控保护［J］.电气技术，2008(3):5-11.［9］吴国炀，肖洋，翁莎莎.风电场短期风速预测探讨［J］.吉林电力，2005(6):21-24.［10］吴兴华，周晖，黄梅.基于模式识别的风电场风速和发电功率预测［J］.继电器，2008，36(1):27-32.［11］范高锋，王伟胜，刘纯，等.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.［12］傅蓉，王维庆，何桂雄.基于气象因子的BP神经网络风电场风速预测［J］.可再生能源，2009，27(5):86-89.［13］屠强.风电功率预测技术的应用现状及运行建议［J］.电网与清洁能源，2009，25(10):4-9. ［14］王丽婕，廖晓钟，高爽，等.风电场发电功率的建模和预测研究综述［J］.电力系统保护与控制，2009，37(13):118-121.［15］雷亚洲，王伟胜，戴慧珠.风电对电力系统运行的价值分析［J］.电网技术，2002，26(5):10-14.［16］DAI Hui-zhu，WANG Wei-sheng，LI Han-xiang.Special report relationship between wind farms and power grids［J］.Engineering Sciences，2009，7(2):13-19.［17］陈兆庆，王峥，陆艳艳，等.华东沿海风电场出力预测的研究和探讨［J］.华东电力，2010，38(3):384-387.［18］张彦宁，康龙云，周世琼，等.小波分析应用于风力发电预测控制系统中的风速预测［J］.太阳能学报，2008，29(5):520-524.［19］SIDERATOS G，HATZIARGYRIOU N D.An advanced statistical method for wind power forecasting［J］.IEEE Trans.on Power Systems，2007，22(1):258-265.［20］FLORES Juan J，LOAEAZ Roberto，HÉCTOR Rodríguez，et al.Wind speed forecasting using a hybrid neural-evolutive approach［J］.Micai，2009，58(45):600-609. ［21］MENDEZ Juan，LORENZO Javier，HERNANDEZ Mario.Experiments and reference models in training neural networks for short-term wind power forecasting in electricity markets［J］.Iwann，2009，55(17):1 288-1 295.［22］ALEXIADIS M，DOKOPOULOS P，SAHSAMANOGLOU，et al.Short term forecasting of wind speed and related electrical power［J］.Solar Energy，1998，63(1):61-68. ［23］杨刚，陈鸣.基于BP神经网络的风速预测和风能发电潜力分析［J］.华东电力，2010，38(2):304-309.［24］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.［25］BOSSANYE E A.Short-term wind prediction using Kalman filters［J］.Wind Engineering，1985，9(1):1-8.［26］KAMAL L，JAFRI Y Z.Time series models to simulateand forecast hourly averaged wind speed in Wuetta Pakistan［J］.Solar Energy，1997，6l(1):23-32.［27］罗海洋，刘天琪，李兴源.风电场短期风速的混沌预测方法［J］.电网技术，2009，33(9):67-71.［28］高文元，刘尊朋，王鹏，等.基于时间序列法的短期风速建模［J］. 甘肃科技，2009，25(7):14-16.［29］吕金虎，陆君安，陈士华.混沌时间序列分析及其应用［M］.武汉:武汉大学出版社，2002:57-80.［30］温权，张勇传，程时杰.负荷预报的混沌时间序列分析方法［J］.电网技术，2001，25(10):13-16.［31］LINSAY P S.An efficient method of forecasting chaotic time series using linear interpolation［J］.Phys Lett A，1991，153(6-7):353-356.［32］NAVONE H D，CECEATTO H A.Forecasting chaos from small data sets:a comparison of different nonlinear algorithms［J］.Phys A:Math Gen，1995，28(12):3 381-3 388.［33］任晓林，胡光锐，徐雄.混沌时间序列局域线性预测方法［J］.上海交通大学学报，1999，33(1):19-21.［34］王丽婕，廖晓钟，高爽，等.并网型大型风电场风力发电功率-时间序列的混沌属性分析［J］.北京理工大学学报，2007，27(12):1 076-1 080.［35］蒋传文，侯志俭，张勇传.基于关联度的高嵌入维混沌预测方法研究［J］.系统工程与电子技术，2002，24(12):65-66.［36］潘迪夫，刘辉，李燕飞.风电场风速短期多步预测改进算［J］.中国电机工程学报，2008，28(26):87-91.［37］米增强，杨奇逊，樊小伟.一种基于EMD的短期风速多步预测方法［J］.电工技术学报，2010，25(4):165-170.［38］王晓兰，李辉.基于EMD与LS-SVM的风电场短期风速预测［J］.计算机工程与设计，2010，31(10):2 303-2 307.［39］戚双斌，王维庆，张新燕.基于支持向量机的风速与风功率预测方法研究［J］.华东电力，2009，37(9):1 060-1 063.［40］周培毅，张新燕.基于时间序列与支持向量机的风电场风速预测研究［J］.陕西电力，2009(12):1-4.［41］陶文斌，张粒子，潘弘.基于双层贝叶斯分类的空间负荷预测［J］.中国电机工程学报，2007，27(7):13-17.［42］蔡凯，谭伦农，李春林，等.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):82-8.［43］徐富强，郑婷婷，方葆青.基于广义回归神经网络(GRNN)的函数逼近［J］.巢湖学院学报，2010，12(6):11-16.。