基于组合预测模型的风电场输出功率短期预测

陈波涛，任 力，黄智成

(国网长春供电公司，长春 130021)

基于组合预测模型的风电场输出功率短期预测

陈波涛1，任 力1，黄智成1

(国网长春供电公司，长春 130021)

为了进一步提高风电场输出功率的预测精度，文中提出基于最小方差法的风电场输出功率短期组合预测模型。针对国内某99 MW风电机组一年历史功率数据，分别利用灰色预测模型GM(1,2)和时间序列预测模型实现风电场输出功率的短期预测，仿真结果表明，组合预测模型克服了各单项预测模型的不足，有效地提高了风电功率预测精度。

风电功率波动;灰色预测、时间序列法、组合预测模型

0 引 言

电力系统运行的稳定性和供电可靠性是衡量电力系统的重要指标，然而由于风电间歇性与随机性[1]的特点造成大规模风电场的并网运行会对电力系统的稳定性和供电可靠性造成影响。风电功率预测技术有利于调度部门及时调整计划，减少风电对电网的不利影响，保证电网的功率平衡和安全运行[2]。

文中研究了基于灰色预测模型GM(1,2)和时间序列预测模型的风电输出功率短期预测方法，分析比较了各自方法的不足。为了进一步提高预测精度，提出了基于组合预测模型的风电场输出功率短期预测方法。通过MATLAB仿真对比分析了组合预测模型和单项预测模型的对风电功率预测精确度的影响。

1 风电场输出功率的GM(1,2)灰色预测

灰色系统理论是基于关联空间、光滑离散函数等概念定义灰导数与灰微分方程，进而利用离散数据列建立微分方程形式的动态模型，称为灰色模型(Grey Model)，简称GM[3]。文中采用GM(1,2)模型实现风电场输出功率的短期预测。

文中选用某99 MW风电场全年风电功率数据，利用上述GM(1,2)模型滚动预测未来30 min的输出功率，采样时间为10 min。GM(1,2)模型所选用的两个输入量是相关的，这里选用功率数据和风速数据作为输入。风电场输出功率预测曲线和相对误差如图1所示。

图1 采用GM(1,2)模型的功率预测

从图1可以看出：GM(1,2)模型预测相对误差大于10%的概率为2.5%，小于10%的概率为97.5%，小于3%的预测误差达到了55.1%。从短期预测精度方面来说，该预测精度还有提升的空间。

2 风电场输出功率的时间序列预测模型

对于一个非平稳时间序列，为了消除其增长趋势和周期性变化，一般采取的方法是差分变换和季节性差分变换。具体做法是首先从该非平稳时间序列中抽出一个平稳随即因素，然后用ARMA模型来进行描述[4]。一般地，d阶差分表示为：

(1)

设{Xt,t=0,±1,±2，…}{Xt,t=0,±1,±2,…}是非平稳序列，若存在正整数d，使得:

(2)

式中：{Wt,t=0,±1,±2，…}{Wt,t=0,±1,±2,…}是ARMA(p,q)序列，则称Xt是ARIMA(p,d,q)序列，这时Xt满足：

(3)

下面利用上节使用的风电功率数据，由时间序列ARMA(p,q)模型预测未来30min的输出功率，风电场输出功率预测曲线和相对误差如图2所示。

图2 采用时间序列模型的功率预测

将时间序列模型与GM(1,2)模型预测误差进行对比，结果见表1。

表1 数据参数

从图2和表1中可以看出，由时间序列模型得到的预测结果，相对误差大于5%以上的概率为10%，小于3%的概率达到了71.6%。在采样点分别为186，223，957min时，该预测模型得到的相对误差已经接近甚至超过15%；而在GM(1,2)预测模型中，这些时刻的相对误差是1.05%，5.79%，2.06%。由此可知，在实际应用中任何一种预测方法都不能完全满足预测精度的要求。因此文中将灰色预测模型和ARMA预测模型相结合，提出了基于最小方差法的组合预测，以克服各单项预测模型的不足，进一步提高风电场输出功率的预测精度。

4 结束语

为了进一步提高风电场输出功率的预测精度，文中研究了基于灰色预测模型GM(1,2)和针对国内某99MW风电场历史输出功率数据，在MATLAB上进行了仿真。仿真结果表明：单一的预测方法不能满足预测精度的要求，以最小方差法的组合预测模型，能够更好地提高风电输出功率预测的准确度和可靠性，具有一定的工程应用价值。

[1] 陈 波,吴政球.基于约束因子限幅控制的双馈感应发电机有功功率平滑控制[J].中国电机工程学报,2011,31(27):130-137.

[2] 常 康, 丁茂生, 薛 峰, 等. 超短期风电功率预测及其在安全稳定预警系统中的应用[J]. 电力系统保护与控制, 2012, 40(12): 19-24, 30.

[3] 薛禹胜,郁琛,赵俊华,等.关于短期及超短期风电功率预测的评述[J].电力系统自动化,2015,39(6):141-151.

[4] 钱晓东,刘维奇. 基于时间序列分析的风电功率预测模型[J].

Based on the Combination Forecast Model of Wind Farm Output Power Short-term Forecast

CHEN Bo-tao, REN Li, HUANG Zhi-cheng

(The State Grid Changchun Electric Power Supply Company, Changchun 130021, China)

In order to further improve the prediction accuracy of wind power output, in this paper, based on the minimum variance method of wind farm output power short-term combination forecast model. In a domestic 99MW wind turbines power a year history data, respectively, using grey prediction model GM (1, 2) and time series prediction model for wind farm output power short-term prediction, simulation results show that the combination forecast model to overcome the deficiencies of each single prediction model, the wind power prediction accuracy is improved effectively.

Wind power fluctuations; Grey forecasting; Time series method; The combination forecast model

10.3969/j.issn.1009-3230.2015.12.016

2015-11-10

2015-11-28

陈波涛(1970-)，男，吉林长春人,大学本科,经济师，研究方向为电力系统及其自动化。

TM614

B

1009-3230(2015)12-0048-02