基于误差分类的风电功率区间评估分析

庄霞

摘要：风能作为一种可再生资源，在当前新能源快速发展的背景下得到了广泛的应用和开发，而风能本身受限于风的流动来提供能量，使其具有较强的随机性和波动性。基于此本文将从风电功率预测特点出发，探析风电功率波动性，并研究基于误差分类的风电功率区间评估，以期准确可靠的预测风电功率，降低运行成本，确保电力系统的安全。

关键词：风电功率;误差分类;区间预测

引言：

国内外对风电功率的预测方法进行了大量的研究，物理方法需要收集大量的相关信息，而统计学方法可以建立影响风电功率的关系模型来完成预测，不过单一预测的方式都存在精度较低的弊端。

1风电功率预测的特点

风作为影响风电功率预测的关键因素，风的特点关系到风电功率预测的特点，除了风之外，风电功率还会被温度、湿度、气压等因素影响，而这些因素都具有不确定性。总结风电功率预测的特点，有助于对风电预测区间的选取提供帮助，其特点主要包括四点。第一点是不确定性，受风速、风向、气压等诸多因素的动态变化影响，不确定性是风电功率预测的最重要特点;第二点是条件性，当待测时段影响因素变化不明显时，整个风电功率区间更为平稳，反之当干扰明显时，风电功率区间波动很大;第三点是地域性，风资源决定了影响因素的大致特点，比如我国东南沿海地区和“三北”地区都属于风资源密集地区，但是东南沿海天气多变，风电不确定性极强，风电功率预测难度较大，而“三北”地区地形平坦、气候变化温和，风电功率预测的模型和区间更容易构建;第四点是多方案性，风电功率有着多种方式，物理方法、统计学方法、基于预测误差的分析方法、分位点估计法等，需要根据实际情况选取预测方法，本文就是研究基于误差分类的风电功率区间评估[1]。

2风电功率波动性分析

研究风电功率的波动性，就是研究风电功率预测误差的特点并对这些误差数据进行分类，使评估误差区间的范围缩小且精度提升。风电波动性需要从两方面进行分析。一方面是根据风电功率日波动量均值，结合过往风电不确定性特点来量化描述，计算出风电日功率波动量均值，从得到的数据结果可以看出风电功率年度概率分布状况，进而观察风电功率波动性情况，还需选择某一采样点作为基本对象，分析该采样点的风电功率年度概率分析。然后按照此方式依次对季度、月、周、日风电功率波动特性进行分析，能够展现出地区气候特征以及日功率波动量误差情况。一般来说夏季风电功率波动性最为明显，误差概率分布较大。

另一方面需要分析在不同日期，相同时刻下风电功率的波动性情况，根据风电出力的变化率进行分析，反映不同日期气候变化对风电功率的影响，也就是出力变化率。可以选取一年中每日12时出力数据分析风电出力的波动性，在气候变化明显的地区风电出力变化率有明显的波动性，风电功率预测误差在0～20%，这是由于不同日期气候变化对风电功率的影响。

3基于误差分类的风电功率区间评估

3.1神经网络选择

风电功率受风的流动不稳定影响会产生较强的随机性，这种随机特点难以被一般的人工神经网络所预测，就会使得区间评估范围不够准确。因此选用LSTM长短期记忆人工神经网络，可以克服一般神经网络存在的对数据信息的长期依赖问题，增强对风电功率时间序列动态变化的获取能力。

3.2评估模型设计

构建的模型需要能够清楚预测误差分布的状态，并且在评估过程中能够根据风电功率的变化而进行预测变化。LSTM评估模型可以通过改变模型本身的数据信息来跟随风电功率的变化，进而测得区间内的誤差分布情况，其中不能单独考虑风电功率或是预测误差，如果单独考虑两者其中一方都会对评估造成影响，不过在LSTM模型的学习中可以分别针对这两种情况所产生的的数据输入评估模型，使LSTM神经网络获得影响风电波动的数据信息以及预测方法带来的误差分布情况。借助LSTM神经网络的学习特性，学习误差在风电功率区间的分布特性，并通过对风电功率以及评估误差的直接评估来得到相应的误差区间，再经过不断叠加得到的误差区间，便可得到所需的区间结果。若是采用分布拟合方法，在预测误差分布范围较大时会对区间概率分布产生直接影响，而解决此状况就需要选取合适的采样间隔，采样间隔过大就会导致部分误差特征被掩盖，而过小就会导致拟合结果不够平滑，适宜的采样间隔在随机性和波动性的影响下很难准确找到。

在LSTM误差评估模型设计时需要注重参数设置，比如输入层维数、激活函数、输出变量维数等。一般来说神经元的数量越多，误差评估的准确性越高，但模型的复杂程度和训练时间也会相应增加，需要合理选取预测精度较高且用时较少的方案。

3.3仿真分析

确定设计模型后便可展开针对风电功率区间误差的评估分析，区间评估的关键在于评估误差类别的准确率、评估区间覆盖率以及评估区间平均价值。误差类别的准确程度是由评估误差与原始误差的类别契合程度决定，两者误差类别越接近评估的精度就越高，两者误差类别越分离，精度就越低。

评估区间覆盖率指的是风电功率在评估区间的概率，此数值应当接近于事前估算的概率，若概率预测与覆盖率得到的结果相近，则表示可靠性较强，区间覆盖率较好。

评估区间平均价值是为反映评估区间是否合理，避免出现为追求准确度而区间设定范围较小的情况，这将无法为风电功率预测提供评估价值。从评估误差类别的准确率、评估区间覆盖率以及评估区间平均价值三者的计算结果可以得到风电功率和预测误差的数据组合，之后将得到数据组合代入LSTM模型中学习，便可以得到评估结果[2]。

结论：基于误差分类的风电功率区间评估，在LSTM神经网络的支持下可以得到更为准确的数据信息，但需要对风电功率预测误差类别进行计算和分析，了解区域风电功率的波动性区间，再导入原始误差和预测误差类别，通过时间序列的叠加便可以由LSTM模型学习，得到更为准确评估区间，能够有效提高风电区间评估的准确性。

参考文献：

[1]孙荣富，张涛，和青，等.风电功率预测关键技术及应用综述[J].高电压技术，2021，47（04）：1129-1143.

[2]朱满庭.基于深度学习的风电功率预测研究[D].华北电力大学（北京），2021.