肖秀丹第1期2023年1月江苏科技信息塑木生产线>水台
Jiangsu Science &Technology Information
No.1January,2023
作者简介：刘志兵(1992 )，男，江苏南通人，助理工程师，学士；研究方向：风电技术开发与利用㊂
防老剂264刘志兵
(江苏龙源风力发电有限公司，江苏南通226500)
摘要：风电场输出功率预报的准确性需要风功率的精准预测来支持，不断提高风电场输出风功率预测的准确度是风功率精准预报的关键㊂为准确预测风功率，使风电场输出风功率保持较高的稳定性，提高风能利用效率及电力系统的稳定性，文章选用了3种最常见的模型进行风电输出功率预测研究：自回归求和滑动平均模型(ARIMA )预测㊁灰系统GM (1,1)预测和BP 神经网络预测；选取某风电场4月份某天的风电输出功率数值作为样本进行超短期预测；随后计算出这3种预测模型的均方根误差E rms ㊁平均绝对误差E av 以及准确率r 来对比它们的预测准确度㊂通过对比，发现利用自回归求和滑动平均模型对风功率 进行短期预测能得到比较高的预测精度㊂关键词：风功率预测；灰系统;BP 神经网络；自回归求和滑动平均模型
中图分类号:TK89㊀㊀文献标志码:A 0㊀引言
㊀㊀随着 双碳 目标的稳步推进，以风能为代表的新型清洁能源正发挥着越来越重要的作用㊂近年来,
我国风电装机容量迅速增加，但是风能具有波动性和不确定性的特点，这就导致风电场的输出功率也是非常不稳定，这样对电力系统的稳定㊁安全㊁经济运行造成一定的影响㊂因此需要对风功率进行精准预测预报，配合功率平滑技术的应用，从而提高风电场输出功率的稳定性，保障电力系统的安全㊁稳定㊁高效运行㊂
1㊀风电场功率预测预报指标
㊀㊀国家能源局早在2011年就对风电场输出功率的预测与预报做出明确的规范要求㊂按照相关规定，日预报是需要在特定时间前及时向当地电网调度部门提交第二天0点到24点按15min 单次的频次预测预
报数据㊂实时预报指的是按照每15min 为一个时间
节点对将来15min 到4h 的风电场输出风电功率的
预测和预报㊂同时，规定了全天预测预报的结果，其均方根误差应当控制在20%以下，日预报的最大误差也要控制在25%以下，此外规定实时预报误差应控制在15%以下㊂2㊀灰系统预测
㊀㊀灰系统其实就是指信息不能完全显示的系统，灰系统预测就是对同时包含已知信息和不知信息
的灰过程建模并进行预测㊂灰预测模型GM(1,1)的优点是对数据量的需求不大，可以利用常见的微
分方程来探析灰系统深层次的本质，其优点还包括精度高㊁运算方便㊁检验容易㊂但是，该模型的缺点也很明显，它仅仅适用在中短期的预测中和对呈现出指数增长趋势模型的预测，这就使得该模型只有相对较窄的适用范围㊂风功率的变化具有一定的可变性和不确定性，但是其变化过程又可以到一定的规律㊂因此风电输出功率符合灰系统的特征，因而可以在此基础上构建风电输出功率的灰预测模型GM(1,
1)[1]㊂
灰系统预测仅需要少量的数据，所以本文结合
某风电场现场实际选取当天0点0分至3点45分4h 每15min 1个数据，总计16个原始数据来作为样
本数据，预测该风电场4h 的输出风功率㊂建立模型
步骤包括级比检验㊁使用GM(1,1)建模以及计算平均绝对误差进行模型检验最后得到预测结果㊂使用建模软件MATLAB 构建灰系统GM(1,1)的预测模
型，对该风电场4h 风电场的输出功率进行建模预测并展开分析㊂3㊀BP 神经网络预测
㊀㊀BP 神经网络预测的基本原理主要是通过对误差的逆向传播算法来反复多次地训练多层前馈网络，其学习的规则通常是采用最速下降的方法，并且通过不
断地反向传播来调整BP神经网络系统的阈值和权
值，从而逐步减小误差平方和，使得计算到的误差平
方和逐步到达最小的数值㊂BP神经网络预测模型作
为风电场输出功率预测的模型㊂该系统基本的拓扑
结构包含了输入层㊁隐含层和输出层3个层次[2]㊂BP神经网络通过不断的训练来调节从输入层到隐含层再到输出层之间的连接权值，这样该模型误差值的
平均值会逐渐减小到最小㊂该模型预测的顺序包括: (1)网络初始化;(2)随机选择输入样本及期望输出;
(3)计算隐含层各神经元的输入和输出;(4)计算误差函数对隐含层各神经元的偏导数;(5)修正连接权值㊁计算全局误差;(6)与预设精度进行比较;(7)选取下一个学习样本及期望输出;(8)重复(3)~(7)的步骤㊂BP神经网络模型在学习过程中需要充足的原始数据才能分析，在建模软件MATLAB建立仿真预测模型时，本文选取了同一风电场两天的风功率数值总计768个实测数据作为样本数据来进行训练，对同时间段4h的风电场风电输出功率进行预测分析㊂通过多次反复训练进而预测得到预测结果㊂
4㊀自回归求和滑动平均模型㊀
㊀㊀自回归求和滑动平均模型是一种常见的基于时间序列的模型，因此被称为ARIMA(p,d,q)模型，其基本的思想就是将预测得到的对象随着时间的分布排列成数列，并将这样的数列看成一个随机的序列，用自回归求和滑动平均模型来表达这个序列{X t}，从而依照这个时间序列的原始数值来预测将来值[3]㊂自回归求和滑动平均预测模型不需要大量的样本数据来预测将来的风电场风电输出功率，本文采用同一风电场同一天全天采集到的96个风电功率P作为最原先的时间序列{X t}，随后对时间序列进行分析并建立ARIMA模型，进而预测次日0点0分至3点45分的风电场输出功率㊂
预测的流程包括以下6个方面㊂(1)利用ADF
单位根检验的方式对时间序列散点图的方差㊁趋势,可调高压电源
自相关函数的方差㊁趋势及其季节性变化的规律和偏
自相关函数图的方差㊁趋势，以及其季节性变化的规
律进行初步检测，从而判断时间序列的平稳性[4]㊂(2)对模型进行平稳化的处理：当模型检测到的时间序列出现不稳定时，这时需要对数据进行差分化处理，接着再次进行适当检测，直到时间序列趋于稳定的状态㊂(3)对模型进行进一步识别：根据自相关函数(ACF)的 拖尾 与 截尾 和偏自相关函数(PACF)的 拖尾 与 截尾 来对模型做进一步识别[3]，其中 拖尾 是指自相关函数(ACF)或者偏自相关函数(PACF)在运算到某一步骤之后将以震荡衰减或者指数衰减的形式渐渐趋向于零; 截尾 是指自相关函数(ACF)或者偏自相关函数(PACF)在运算到某步之后变为零或变为不显著的非零㊂(4)对参数进行估计和对该模型进行定阶：该模型首先利用最小二乘法的方法来求能够使得残差平方和到达最小值的自回归参数p与滑动平均参数q，进而来对参数进行估计；随后采用AIC准则对模型进行定阶，最后选择Z值最小的模型来建模[4]㊂(5)对模型进行检验：若残差的序列呈现非自相关性的特征，那么该模型建设就是有效的㊂(6)利用自回归求和滑动平均函数对风电场输出功率进行预测，利用MATLAB编写相对应的函数，从而完成预测㊂
5㊀预测方法对比分析㊀
㊀㊀从图1可以看出，灰系统预测模型的结果能够预测出样本数据的基本变化趋势，预测得到的结
果对模型变化趋势的判断具有指导意义，但是从准确性的角度出发，该预测模型预测到的数值与样本数值之间依然存在不小的误差㊂在BP神经网络仿真计算过程中，该模型设定了16个隐含层的单元，通过反复多次训练，但是由于BP神经网络模型不太理想的收敛性，该模型得到的结果出现了不太稳定的现象㊂本文选取了相比较而言较为理想的预测结果，但是该预测得到的曲线与原始数据曲线的重合度并不高，个别的预测点相较于原始数据依然存在比较大的误差，如图1所示㊂通过对图像进行对比可以直观地看出，自回归求和滑动平均(ARIMA)模型预测到的风功率曲线和实际的风功率数据曲线具有最高的重合度，因此该模型的预测结果也最为准确
㊂
图1㊀3种预测得到的输出功率与实际输出功率的对比
预测的精准度是判断风电场风电输出功率预测模型准确性最为重要的方式，本文分别计算出这3种风电输出功率预测模型的均方根误差E rms㊁平均绝对误差E av和准确率r，以此作为评价这3种预测模型
准确性的标准，从而从其中选择最优的预测模型[5]㊂国家能源局也将准确率r作为风电场风电输出功率重要的考核指标㊂计算得到3种预测模型的均方根误差E rms㊁平均绝对误差E av和准确率r，如表1所示㊂
表1㊀3种预测模型对比
指标GM(1,1)BP神经网络ARIMA 平均绝对误差0.24960.32750.2022均方根误差0.07520.10620.0604准确率0.92480.89380.9396 6㊀结语
㊀㊀从表1得到的数据可知，灰预测GM(1,1)模型虽然不需要大量的样本数据，但是在风功率的预测应用中，仅仅适用于中短期的预测，存在使用范围相对较窄的缺陷，且主要适用在指数模型预测中，若风电场风电输出功率的样本数据不是呈现出指数变化，则灰预测模型便不适用㊂BP神经网络预测模型虽然具有一定的自学习能力和自适应能力，但是在风功率预测模型的应用中需要进行大量的训练
和学习，不一样的训练和学习次数会对训练结果产生不一样的影响，所以这样预测出来的结果不能让人满意㊂㊀㊀而本文采用的自回归求和滑动平均模型(ARIMA)则可利用历史数据进行建模分析，该预测模型需要的信息少，而且运算也非常方便，在风功率预测方面相比于其他两种预测模型具有准确性较高的特点，在风电场现场风电输出功率预测的应用中可以使用㊂
参考文献
[1]佘昊龙，曹晓宇，赵桓锋.灰模型预测风电功率[J].无线互联科技,2012(7):177.
[2]史博明.基于组合模型的短期风电功率预测研究
[D].石家庄：河北科技大学,2021.
[3]麻常辉，冯红霞，蒋哲，等.基于时间序列和神经网络法的风电功率预测[J].山东大学学报(工学版),2014(1):85-89.
[4]党睿，张俊芳.基于自回归滑动平均模型的风电功率预测[J].安徽工业大学学报(自然科学版), 2015(7):274-275.
轮毂材料
[5]孟岩峰，胡书举，邓雅，等.风电功率预测误差分析及预测误差评价方法[J].电力建设,2013(7):6-9.
(编辑㊀李春燕)
Research on the accuracy of wind power prediction model in wind farm
Liu Zhibing
Jiangsu Longyuan Wind Power Co. Ltd. Nantong226500 China
Abstract The accuracy of wind farm output power prediction needs the support of accurate wind power prediction therefore continuously improving the accuracy of wind power prediction is the key to accurate wind power prediction. In order to predict wind power accurately keep the output wind power of the wind farm stable and improve the efficiency of wind energy utilization and the stability of power system.In this paper three most common models are used to predict wind power output auto regressive summation moving average module ARIMA gray system GM1 1 and BP neural network module.In this paper we select the wind power output value of a wind farm on a certain day in April as a sample for ultra short-term prediction.And then calculate the root mean square error E rms the mean absolute error E av and the accuracy r of this three prediction models to compare their predictions.By force of contrast it is found that using auto regressive summation moving average model to predict short-term wind power can obtain relatively high prediction accuracy.
Key words wind power prediction gray system BP neural network auto regressive summation moving average model
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议