王奎 三峽大學電氣與新能源學院本科 趙明 三峽大學電氣與新能源學院本科 何成君 三峽大學電氣與新能源學院本科

隨著我國越來越鼓勵新能源發(fā)電，發(fā)電的風電并網規(guī)模愈來愈大，而另一方面，風電負荷的不確定性對電力系統(tǒng)的穩(wěn)定性和安全性的影響也日益彰顯。那么對風電功率的預測就顯得尤為重要了，風電功率的預測可以加強電力系統(tǒng)的穩(wěn)定性、安全性以及提高風電功率的消納能力，同時還可以降低風電場的成本，提高風電場的經濟效益和用戶對風電的利用率。本文對風電功率的預測方法進行了介紹和總結，以及介紹了提高其預測精度的方法和重要性，為以后的進一步發(fā)展和研究提供了參考。

1 風電功率預測的方法

由歷史數據通過主成分分析可以找出影響風電場出力的主要因素，然后由實際測量的數據和數值天氣預報的數據（NWP）對風電場出力進行短期，中長期，長期的預測，比較常用的預測方法：人工神經網絡方法、混合專家經驗法、時間序列分析方法、蟻群優(yōu)化，支持向量機法等。另外，這些年來國內外在數據挖掘算法上發(fā)展迅猛，也使得數據挖掘算法在風電功率預測上取得了重大的突破，結合國內外多種預測模型的優(yōu)點，建立風電功率組合模型也成為時代的研究趨勢。而有效地結合物理數值天氣預報的預測數據(NWP) 與風電場功率輸出的關系可以使得預測的精度得到顯著性的提高。

2 確定性預測方法

2.1 持續(xù)法

視緊接著的下一時刻的風電功率預測值為當前時刻的風電功率值，

2.2 時間序列分析法

step1：將歷史風電數據首先進行兩步預先的處理：理想化處理，小波濾波分析。

step2：將經過小波濾波分析后得到的風電出力時間序列劃分為兩部分：風過程和片段。

step3：將風過程可以近似看作馬爾科夫隨機過程，對分離出來的片段進行分析，得出片段滿足隨機分布，并將片段概率分布記錄下來。

Step4：通過隨機抽樣技術抽取風過程和片段的部分片段，用樣本來推斷總體的情況，最終得到模擬風電出力時間序列。

2.3 人工神經網絡法

人工神經網絡法適用于短期的風電預測，首先通過主成份分析法篩選出同預測目標（風電出力）相關性較大的影響因素，并收集這些因素的歷史數據，然后對訓練樣本進行模糊聚類，將具有一定相同特征的樣本分為一類，分類后可以提高風電功率預測的精度；然后針對每一類樣本建立 BP 神經網絡模型。首先收集數值天氣預報系統(tǒng)的相關氣象信息，將氣溫、氣壓、風速、風向、濕度作為輸入層，風電場出力作為神經網絡的輸出層進行預測。

3 基于小波包和 CSO-ENN 的預測模型

基于小波包變換和縱橫交叉算法的優(yōu)化神經網絡（CSO-ENN）的預測模型：

（1）利用小波分解的方法，將風電功率的時間序列進行一系列分解，可以得到多個頻率的子序列。

（2）構建縱橫交叉算法優(yōu)化后的神經網絡 (CSO-ENN)預測模型，對具有不同特征的子序列進行分析和預測，記錄下各子序列的預測值。

（3）篩選出符合實際的子序列預測值，將篩選后的子序列預測值進行累加，進而得出所求的最終風電功率預測結果。

優(yōu)勢：

（1）CSO 算法具有收斂精度高，全局搜索能力強的特點，彌補了神經網絡在預測中，收斂速度較慢，預測精度相對較低的弊端（如BP神經網絡），CSO算法明顯優(yōu)于傳統(tǒng)的神經網絡，預測結果更可靠。

（2）小波包分解可以極大的改善預測的精度，提高預測的準確性，優(yōu)勢更加明顯。

4 結束語

風電預測是風力發(fā)電領域的一個熱點研究方向，而我國的風電場地形，當地氣象信息各不一致，需要在因地制宜地開展風電功率預測工作的同時，還需要不斷結合國內外的先進預測方法的優(yōu)點，建立組合風電功率組合模型來提高預測精度，這兩個舉措都對風力發(fā)電的未來發(fā)展起到推動作用。預測出來的風電曲線可以提高電力系統(tǒng)的安全性和可控性，還有利于合理的安排機組的出力，降低其發(fā)電的成本。

[1]薛禹勝,郁琛,趙俊華,Kang LI,Xueqin LIU,Qiuwei WU,Guangya YANG.關于短期及超短期風電功率預測的評述[J].電力系統(tǒng)自動化,2015,39(06):141-151.

[2]劉純,呂振華,黃越輝,馬爍,王偉勝.長時間尺度風電出力時間序列建模新方法研究[J].電力系統(tǒng)保護與控制,2013,41(01):7-13.

[3]孟安波,盧海明,胡函武,郭壯志.混合小波包與縱橫交叉算法的風電預測神經網絡模型[J].太陽能學報,2015,36(07):1645-1651.