2022新能源风电场风电功率统计建模及预测.docx

风电功率统计建模及预测目录1. 引言 32. 问题提出 33. 问题分析 34. 建立模型与预测精度研究 44.1. 模型一(非平稳时间序列模型) 44.2. 模型二(人工神经网络模型 RBF) 74.3. 模型三 105. 结论 111. 引言我国近年风电发展迅猛，截止到 2015 年，我国风电新增装机容量 30.5 GW，同比上升 26.61%，连续六年位居全球新增装机容量首位；累计装机容量达到 145.1 GW，其中并网容量达到 129 GW，占全部发电装机容量 8.6%2015 年，风电总发电量 1863 亿千瓦时，占全部发电量的 3.3%与风资源分布特性及电网负荷布局相匹配，我国的风电发展以并网型为主，呈现典型的集群开发、弱电网接入、长距离外送的特点风电的波动性、随机性给电网的有功平衡和电压调整带来了压力，增加了电网规划和调度的难度，也成为制约风电进一步发展的瓶颈[1]掌握风电波动性在不同时间、空间尺度上的内在规律是解决大规模风电并网运行难题的关键基础现今风力发电主要利用的是近地风能，但近地风具有波动性、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。

因此，我们要实现对风电场发电功率的尽可能准确地预测，这样，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2. 问题提出实时预测是风电功率预测的一种，它要求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)的风电功率数值根据国家能源局颁布的《风电场功率预测预报管理暂行办法》中的要求，实 时预测的误差不能大于 15% [2]实验风电场由 58 台风电机组构成，每台机组的额定输出功率为 850 kW实验中统计出了 2016 年 5月 10 日至 2016 年 6 月 6 日时间段内该风电场中指定的四台风电机组(A、B、C、D)输出功率数据(分别记为 PA，PB，PC，PD；另设该四台机组总输出功率为 P4)及全场 58 台机组总输出功率数据(记为 P58)根据风电功率预测精度要求现提出以下三个问题： 问题一：风电功率实时预测方法及误差分析问题二：研究风电机组的汇聚对于预测结果误差的影响问题三：提高风电功率实时预测精度的探索通过解决上述三个问题，找出阻碍风电功率实时预测精度进一步改善的主要因素研究风电功率预测精度是否能无限提高3. 问题分析1) 问题一：风电功率实时预测方法及误差分析。

该问题是电功率的实时预测及误差分析，其主要研究目的是建立一定的数学模型来尽可能准确地做出风电功率的实时预测，并使的预测结果的误差在满足国家相关规定的基础上尽可能小，以便提供给电力调度部门，方便其优化调度安排该问题属于预测类的数学问题，且是直接利用历史数据，使用一定的数学模型进行预测常见的方法有人工神经网络法、时间序列法(AMAR)、遗传算法、灰色分析预测法、卡尔曼滤波法、及其它算法问题一要求至少用三种预测方法对PA PB PC PD P4 P58这六个量在未来16个时点的风电功率数值进行预测，并对结果进行误差分析，确定实时预测的相对误差不能大于15%由于实验中所要求的16个预测结果是滚动预测所得，一般来说，风电功率的预测值与实测值之间存在相对较大的误差，这就需要我们对结果进行误差分析后再根据分析结果对模型进行进一步优化基于以上考虑，我们可以分别用时间序列法建立数学模型一，用灰色分析预测法建立数学模型二， 用人工神经网络法建立数学模型三，对结果进行预测，并将预测结果进行比较，同时分别对各模型所的预测结果进行分析2) 问题二：研究风电机组的汇聚对于预测结果误差的影响本问题要求分析风电机组的汇聚对与预测数据误差的影响。

在我国主要采用集中开发的方式开发风电，各风电机组功率汇聚通过风电场或风电场群(多个风电场汇聚而成)接入电网众多风电机组的汇聚会 改变风电功率波动的属性，从而可能影响预测的误差故而对风电机组的汇聚和其相应的预测数据误差进行分析，得出二者之间的关系，将对我们分析预测大规模的风电场群的风电功率提供参考[3]即问题二实质上是研究风电机组的台数与对应的风电功率预测值的相对误差之间的关系因此，我们可以用问题一中预测结果的相对误差，比较单台风电机组功率(PA, PB, PC, PD)预测的相对误差与多机总功率(P4, P58)预测的相对误差，再用时序分析法建立模型四来拟合确定台数的风电功率预测值的相对误差与对应风电机组的台数之间的函数关系，进而对风电机组汇聚给风电功率预测误差带来的影响做预期3) 问题三：提高风电功率实时预测精度的探索从问题一和问题二的结果我们可以看出模型一、模型二、模型三所得出的预测结果都存在一定程度的误差，而提高风电功率实时预测的准确程度对改善风电联网运行性能有重要意义因而在模型一、模型二、模型三的基础上，构建有更高预测精度的实时预测方法是非常必要的通过对问题一的求解，我们可以分别得到模型一、模型二、模型三的拟合优度，再利用三个拟合优度的比值来确定三个模型所得预测值的权重，进而用组合预测的方法得出模型五，使得预测精度进一步提高。

4. 建立模型与预测精度研究4.1. 模型一(非平稳时间序列模型)4.1.1. 数据预处理首先取 58 台 5 月 30 号的 96 个样本数据序列{xt } 得到如下图 1由图 1 表明：该样本构成的时间序列为非平稳时间序列由此对该样本值进行有序差分变换差分算子Ñ = 1 - B对 96 个样本值进行一阶差分可得到如下{Yt } 序列图 2有图 2 表明：该序列已平稳，则原时间序列可表示为1234000035000300002500020000150001000050000104070228Figure 1. Sequence curve图 1. {xt } 序列曲线123150001000050000-5000-10000-15000020406022Figure 2. Data difference processing sequence curve图 2. 数据差分处理序列曲线f (B)Ñd y = q (B) a即自回归–滑动平均模型 ARIMA( p, d , q) 4.1.2. 平稳随机时间序列模型的识别计算偏自相关系数及自相关系数自相关函数 r&&kr&&kt t= g&&kg偏自相关函数jkkg&&k0N å yt yt+k = 1 N -k t=1d = E éæ y - åk a y öùêç t kl t-l ÷úëè t=1 øû当l = k 时，第 k 系数akk 为平稳序列{Yt } 的偏自相关系数。

运用统计学软件我们得到该平稳序列{Yt } PACF、ACF4.1.3. 模型识别与模型参数估计1) 模型识别我们运用经典的 Box-Jenkins 模型识别方法对于 AR 模型，其偏自相关函数满足下式ìïakj = j j ,当1 £ j £ pîïaíkj= 0,当j = p +1, p + 2,L, k对于 MA 模型，其自相关函数满足下式ì1,k = 0ï-q + q q +L+ q q r = ï k k +1 1 q q-k , 1 £ k £ qk í 1 + q 2 +L+ q 2ï 1 qîï0,k > q对于 ARMA 模型，同时具备 AR 和 MA 模型的特征[4]由此我们给出三种模型的基本特征如表 1由上面jkk 、 r&&k 统计特性，我们可以判断该模型属于 ARMA( p, q) 2) 模型参数估计由 1)我们得到该模型属于 ARMA( p, q) 模型，因此我们对该模型进行参数估计，由该模型可推得éj$ ù é g$g$ g$L g$ ù-1 é g$ ùê 1 ú êq q-1q-2q- p+1 ú êq+1 úêj$ ú ê g$ g$g$ Lg$ ú êg$ úê 1 ú = êq+1q q-1q- p+2 ú êq+2 úê M ú êM M M O Mú ê M úêj$ ú êg$ g$g$ Lg$ ú êg$ úë p û ëq+ p-1q+ p-2q+ p-2q û ëq= p ûp p我们令 yt = yt - åj j yt- j ，则 yt = at - åqi yt-i ，这样就将原 ARMA( p, q) 变成 MA(q) 模型，我们根据j=1 i=1MA(q) 的参数估计对sˆ 2 、q$ ，…， q$ 进行估计。

1 q若 MA(q) 的阶数较低我们可直接求解若 MA(q) 的阶数较高，可运用线性跌代法求解[5]Table 1. Characteristics of three basic models表 1. 三种基本模型特征类别AR ( p)模型名称MA(q)ARMA( p, q)自相关函数 拖尾 截尾 拖尾偏自相关函数 截尾 拖尾 拖尾4.1.4. 模型定阶根据 AIC 最小信息准则法进行模型定阶，经过逐步的模型拟合，矩估计模型参数估计，我们最终得到当模型的阶数为 AR (6) 模型，拟合效果达到最优由此我们确定模型为 ARMA(6,1) 4.1.5. 建立预测模型对于 ARMA(6,1, 0) 模型，由于样本个数 h > p ，因此残差项 at = 0 ，这里运用统计 spss 软件可求得则预测方程为yˆ = 19930.39216 + AR (1) = 0.6752061645$yt-1 + AR (2) = 0.1657058252$yt-2+ AR (3) = -0.04506977184$yt-3 + AR (4) = -0.1007669642$yt-4 AR (5) = 0.00320666507 $yt-5 + AR (6) = 0.03881877566$yt-64.1.6. 实时预测运用预测方程对 5 月 31 号的数据进行预测得到如下曲线图 5。

从图 3 中表明：基本上符合了 58 台电机组 5 月 31 号的输出电功率的趋势但预测明显存在延时性， 以及预测精度不高，现在我们对其进行误差分析[6]4.1.7. 误差分析通常用三个指标来对模型进行评估： 均方根误差：1n +1å ts+n ( xˆ - x)2tt=s eMSE =平均绝对误差：e =。