风电场短期功率预测方法及应用

江水明++居荣++杨凯迪

摘 要风电场输出功率的预测对一些大规模的风电接入电力系统的正常运行有着较为重要的价值与意义。对此本文主要对其相关预测方式以及实际应用进行了探究，提出了向量机——马尔科夫链的风电短期功率预测方法。

【关键词】风电场 短期功率 预测方法 应用实践

风能最为一种有效的清洁能源，属于可再生资源，在过节范围内得到了人们普遍的重视与利用，但是在实际中一些大规模的电机组在接入过程中会对整个电力系统的正常运行带来一定的影响面，对此，在实践中要加强对风电场发电功率的预测工作的重视。

1 风电场短期功率预测方法概述

在实际中对于风电功率的预测方式可以分为中长期、短期、超短期三种预测模式。在现阶段的发展过程中，对于风电功率进行的短期预测主要可以氛围物理以及统计两种模式。其中物理方式就是基于天气预报的数据利用相关数学关系对于风电场的实际出力数据进行计算，进而绘制出相关功率预测曲线图；统计方式则是基于相关历史数据以及实际的风电场的

出力等相关数据关系，构建系统的数据预测模型，在通过预测参数的方式对于风电场的发电功率进行系统的预测分析。物理方式在实际中基于预测精度等客观因素的影响，受到的实际风电场的中各种物理条件影响相对较为严重；而统计方法在实践中的预测数据具有一定的精准性。对此在国际领域中主要应用统计方式对其预测。

在现阶段的风电功率短期预测的统计方法主要涵盖了以下几种：时间序列方式、灰色理论方式、神经网络方式NNS（neural networks）、支持向量机SVM方式（support vector machine）。其中最为简单的方式为时间序列方式，但是其在实践中具有一定的误差性；灰色理论预测模型具有一定过养性，但是其实际的预测结果为一个区间范围，并没有精准的数值；神经网络方式在实践中其整体的拓扑结构相对较为紧凑，相对于其他方式来说具有一定的精准性，但是在实际中要通过大量的历史信息与数据，实际的耗费的时间过大；支持向量机方法在操作中具有一定的简洁性，其整体的鲁棒性能较为优质，实际的预测数值精准度也相对较高，但是在实践中其对于具体的核函数的实际选择条件相对较为严格，在应用过次汇总中容易出现学习以及局部的最小数值等相关影响。其中相关向量机RVM（relevance vector machine）主要就是通过Tipping提出通过总体贝叶斯框架模式之下的一种稀疏的概率模型，是现阶段的研究重点。在实践中相关向量机与支持向量机的优势较为相似，但是其在核函数的实际选择过程中相对较为灵活，可以引入相关超参数、可以有效的降低整体计算的复杂性，其应用的数据相对较小，具有一定的稀疏特征。

预测误差的产生可以说在整个风电功率预测中是必然的结果，对此在实践中要对相关误差问题进行及时的修正以及优化，在根本上提升其整体预测的精准度。对此在实践中可以通过现有的误差修正模型ECM（ready-error correction model）方式、自回归滑动平均模型ARMA（auto-regressive and moving average model）方式、局部模拟近似值方式、周期外推法方式、最小二乘法方式、马尔可夫链等相关方式对其进行修复。其中最小二乘法以及马尔科夫链方式相对于其他方式来说具有一定的精准性，同时马尔科夫链方式对于随机波动性描述等问题有着较为显著的效果。

2 风电场短期功率应用实践微探

本文主要通过对某小型风电场区域范围内的实际风速、温度、大气压强以及风电场发电功率等相关数据作为主要的训练样本开展实践探究。在操作中保障平均没十分钟取一次样本，且连续进行一百组的数据训练，然后在通过连续的三十二中数据对其进行测试，在实践中通过地Matlab软件对其进行相关编程计算，最终获得的实际数据曲线如图1、2、3。

在图表中，可以了解到实际的风电场的风速、温度以及压强数据均为随机产生的，其没有内在的规律可以遵循。

在操作过程中，把样本输入与输出导入相关程序之中，首先，根据相关向量机原理对于整个模型进行系统的训练以及测试，在获得对应的时间风功率预测数值之后，基于实际的风功率预测值以及实际值，获得预测相对的误差序列，然后在通过马尔可夫链对相关预测误差开展修正操作。

在操作过程中，要基于神经网络以及支持向量机的相关原理，通过一样的数据样本，开展风功率的预测。在实践中可以了解，相关向量机以及马尔可夫链融合的方式相对于其他方式来说具有一定的精准度，可以在最大程度上降低平均绝对误差以及平均相对误差数值。同时，基于实际的结果可以了解，在预测过程中存在的相对误差以及绝对误差在实践中虽然相对于其他方式来说可以有效的降低，但是其现今的误差率仍为13%，究其原因主要就是因为以下几点：

（1）风机发电功率以及风速的关系必须在额定的启动风速以及切出风速范围之内才可以有效的满足，在其相对较低的时候，风机输出功率为零，在其高于相关切出风速的时候，风机输出功率则为其最大数值；

（2）其原始输入数据主要就是因为风速、相关大气压强以及温度因素的三维因素，并没有对于风向因素、地形条件因素以及大气湍流等相关因素进行分析，其中在RVM-Markov的相关预测模式可以适用于各种维数情况。

3 结束语

本文主要对相关向量机原理在风电场短期功率中的具体预测进行了分析，提出了通过相关向量机以及马尔可夫链共同开展的风电功率预测方式，此种方式在实践中主要就是通过应用相关向量机的基本原理，获得既定的风电场短期功率预测模型，然后在通过马尔可夫链以及最小二乘法对其存在的实际误差进行修通的完善与优化，构建一个风电场短期功率误差的修复模型，然后在通过侧模型开展风电场的功率预测。此种模式可以有效的满足电力系统调度对于实际的风电场短期功率的相关预测需求。

参考文献

[1]杨晓萍，王宝，兰航，武小暄.风电场短期功率预测[J].电力系统及其自动化学报，2015（09）：85-90.

[2]陈润东.风电场短期功率预测方法研究[D].青島科技大学，2013.

[3]黄帅.风电场超短期功率预测方法的研究[D].电子科技大学，2012.

作者单位

南京师范大学 江苏省南京市 210042