【摘要】随着经济的发展，对清洁能源的需求越来越迫切。风能作为一种清洁、可再生能源具有很大的发展潜力。由于风力发电的间歇性和时变性，随着风电并网，精确的风速的预测尤为重要。本文就目前存在的风速的预测方法进行了归纳和总结，分析和比较了各类方法的特点，并进一步说明他它们的运用范围。 随着全球石化资源储量的日渐匮乏以及低碳、环保概念的逐步深化，风能等可再生能源的开发与利用日益受到国际社会的重视。风能作为一种清洁、可再生能源具有很大的发展潜力。它作为一个解决能源生产和生活的需要方法，特别是对沿海岛屿，难以到达的偏远地区，地广人稀的草原，农村和边疆传统电源难以发展，具有重要的意义。最近，不仅在发达国家，而且在中国这样的发展中国家也越来越关注风能资源的开发与利用。
风力发电最重要的因素之一是风速。功率曲线特征与风速风力发电生产的链接。风速是不可控的，不可调节的，导致间歇性风能。这影响电能质量，危害电力系统稳定和电力调度。出
于这个原因， 准确有效地预测出风电场的输出功率可帮助电力系统调度运行人员做出最有效决策。
目前，许多研究人员已经就风速预测问题进行了研究，并且提出了许多预测方法，大体可以分为3类：物理方法、时间序列方法和人工智能算法。当然，这种分类方法并不绝对，现在已经很少存在只用单一的物理方法或者统计方法来进行风速预测的模型，在许多高效的预测方法中这几种模型都同时得到应用。并且，近些年随着人工智能的不断发展，诸如人工神经网络（ANN）和模糊逻辑等方法都已广泛应用到风速预测的模型中。 本文论述的侧重点是风速预测的方法，按一下4类进行论述：物理模型、时间序列模型、智能算法以及新方法。
1.风速预测方法
1.1物理方法
数值天气预报（NWP）作为典型的物理模型，依据大气实际情况，如不同高度上的风向、风速、气压、湿度等气象要素值，在一定的初值和边界条件下.通过大型计算机做数值计算，
求解描写天气演变过程的流体力学和热力学方程组，最后逐步计算出大气未来的气象要素分布状况，从而制作出天气预报。 研究发现，在超短期中NWP方法预测效果比较理想。其次物理模型是预测风速的第一步，作为其他统计模型的辅助输入量。
1.2时间序列方法
时间序列模型，基于历史数据、模式识别、参数估计和模型校验来建立数学模型从而解决问题，其一般形式为：
利用时间序列建模方法中最为成熟的一种当属自回归滑动平均（ARMA）模型。不过，ARMA模型虽然能够描述线性的动态过程，但它仅适用于零均值的平稳随机序列。风速的时间序列具有非平稳随机序列的特点，因此，建立风速或风电功率预测的ARMA模型时首先需进行数据时间序列增加趋势性及周期性的非平稳化处理。模型建立之后，可通过检验变跫的自相关函数以及偏相关函数确定模型的阶次，而模型参数的确定通常采用最小二乘法。
1.3人工智能算法
人工智能被认为是21世纪三大尖端技术之一，自20世纪70年代以来得到了迅速的发展[1]。目前，在风速预测领域得到应用的人工智能技术主要包括人工神经网络（ANN）、模糊逻辑、支持向量机等。
ANN依据历史数据，通过训练过程学习、抽取和逼近隐含的输入输出之间的非线性关系。它一般由数层网络构成，包括输入层、输出层以及一层或多层隐含层，每层均有一定数量的神经元，本层的神经元之间相互独立，相邻层的神经元可以相互连接。不同的连接权值不同。通过训练过程可以获取各个连接的权值和神经元的门槛值。典型的三层误差反向传播网络（BP网络）见下图。
图1 三层BP神经网络
模糊逻辑模型也被用来进行风速预测。它利用区间 [0，1] 的值和长、中、短模糊变量来解释数值间的关系.应用模糊逻辑和预报人员的专业知识将数据和语言形成模糊规则库，然后选用1个线性模型逼近非线性动态变化的风速。单纯的模糊逻辑方法对于风速预测效果往往不佳.因为模糊学习能力较弱。模糊系统的辨识还未形成完善的理论。通常将模糊逻辑与其他方法结合进行组合预测。
支持向量机是由Vapnik等人在20实际90年代提出的一种新型机器学习算法，它建立在严密的统计学习理论基础上，基于结构风险最小化准则去的实际风险，有效地提高了算法的泛化能力，较好的解决了以往许多学习方法中小样本、非线性和高维数等实际难题，而且能够克服神经网络方法中的许多不足，如网络结构难以确定、收敛速度慢、局部极小点、过学习与欠学习以及训练时需要大量数据样本等，为风速预测提高了一种很好的预测方法，文献 [2] 验证了基于SVM的风速预测效果比时间序列法性能更好。
1.4风速预测的组合方法
由于各种预测方法在理论上均存在某些固有的局限性，为了优化预测流程和提高预测精度。组合预测逐渐成为目前比较流行的研究思路。例如：将支持向量机、模糊逻辑、神经网络结合使用的预测方法；基于相似性样本的多层前馈神经网络风速预测方法；或是利用小波函数将原始波形进行不同尺度的分解，将分解得到的周期分量用时间序列进行预测，其余部分采用神经网络进行预测，最后将信号序列进行重构得到完整的风速预测结果的预测方法，这种方法在神经网络的学习过程中加入了微分进化算法，提高了其收敛速度，解决了局部最小化问题。
上述各种预测方法均须在获得一定数量的历史数据，当遇到某些无法获得历史风速序列数据或仅已知历史年份月平均风速和风速标准差情况时，无法利用上述方法对风速进行预测。此时可利用基于灰模型对未来年份中对应月的风速分布参数进行预测的方法。该模型以用较少的历史数据获得较高的精度.而预测所得的参数既可以用来评估风电场的风能资源，又能根据概率分布的逆运算得到符合预测参数的风速序列。
2.预测模型评价
预测精度是预测模型评价的主要指标。目前我国风电场风速预测的误差在25%-40%之间[3]，这不仅仅与预测的方法有关，也与风速预测地点有关。因此难以笼统地判定哪种预测模型更好，应用在特定的条件下每种预测模型各有所长。
通过研究表明，每个模型都有自己的特点，并且试用于不同的环境。其中，NWP模型适合于较大的区域、中长期的预测，有时也为了获得更高的精度将它作为其他模型的时间序列的输入量；ARMA模型作为经典的时间序列法，在短期中预测的精度较高；人工智能模型可以根据风电场的位置对预测模型进行滚动修改，预测精度较高，在短期风速预测中的精度优于传统的模型；组合预测的方法结合了各种模型的优点，根据风电场风速历史数据特
点，建立适当的组合预测模型能够获得较高的预测精度。然而没有哪个模型能适合于所有的场所，模型的选择应根据实际情况来定。
参考文献：
[1]蔡自兴；徐光佑.人工智能及其应用 1996
[2]周培毅；张新燕.基于时间序列与支持向量机的风电场风速预测研究[期刊论文]-陕西电力 2009（12）
[3] 杨秀媛；肖洋；陈树勇.风电场风速和电功率预测研究[期刊论文]-中国电机工程学报 2005（11）
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议