基于组合预测模型的风电场输出功率短期预测
陈波涛'，任力，黄智成
（国网长春供电公司，长春130021）
输出功率短期组合预测模型.针对国内某99MW风电机组一年历史功率数据，分别利用灰色 摘要：为了进一步提高风电场输出功率的预测精度，文中提出基于最小方差法的风电场预测模型GM（1，2）和时间序列预测模型实现风电场输出功率的短期预测，仿真结果表明，组合预测模型充服了各单项预测模型的不足，有效地提高了风电功率预测精度.
关键词：风电功率波动；灰色预测、时间序列法、组合预测模型
中图分类号：TM614文献标志码：B文章编号：1009-3230（2015）12-0048-02
Basedon theCombinationForecastModelofWindFarm OutputPowerShort-termForecast
CHEN Bo =tao REN Li HUANG Zhi - cheng(The State Grid Changchun Electric Power Supply Company Changchun 130021 China)
Abstract; In order to further improve the prediction accurcy of wind power output in this paper based on the minimum variance method of wind farm outpet power short tem bination forecastmodel. In a domestic 99MW wind turbines power a year history data respetively using grey uoqs amod yndno uuey puu aog (ap uogopad sauas au pue (z * I ) W [apou uoorpaadprediction simulation results show that the bination forecast model to overe the deficiencies ofeach single prediction model the wind power prediction accuracy is improved effctively.
Key words: Wind power fluctuations; Grey forecasting; Time series method; The bination fore- cast model
0引言
输出功率短期预测方法.通过MATLAB仿真对功率预测精确度的影响. 比分析了组合预测模型和单项预测模型的对风电
电力系统运行的稳定性和供电可靠性是衡量机性的特点造成大规模风电场的并网运行会 电力系统的重要指标，然而由于风电间歇性与随对电力系统的稳定性和供电可靠性造成影响.风电功率预测技术有利于调度部门及时调整计划，减少风电对电网的不利影响，保证电网的功率平 衡和安全运行.
1风电场输出功率的GM（1，2）灰 色预测
灰色系统理论是基于关联空间、光滑离散函数等概念定义灰导数与灰微分方程，进而利用离 散数据列建立微分方程形式的动态模型，称为灰
色模型（GreyModel），简称GM.文中采用GM（1 2）模型实现风电场输出功率的短期预测.
文中研究了基于灰色预测模型GM（1，2）和时间序列预测模型的风电输出功率短期预测方法，分析比较了各自方法的不足.为了进一步提 高预测精度，提出了基于组合预测模型的风电场
据，利用上述CM（1，2）模型滚动预测未来30min 文中选用某99MW风电场全年风电功率数的输出功率，采样时间为10min.GM（1 2）模型所选用的两个输人量是相关的，这里选用功率数据和风速数据作为输入.风电场输出功率预测曲
线和相对误差如图1所示.
图2采用时间序列模型的功率预测
图1采用CM（1 2）模型的功率预测
从图2和表1中可以看出，由时间序列模型得到的预测结果，相对误差大于5%以上的概率 为10%，小于3%的概率达到了71.6%.在采样点分别为186，223，957min时，该预测模型得到的相对误差已经接近甚至超过15%；面在GM（1，2）预测模型中，这些时刻的相对误差是1.05%， 5.79%，2.06%.由此可知，在实际应用中任何一种预测方法都不能完全满足预测精度的要求.因此文中将灰色预测模型和ARMA预测模型相结合，提出了基于最小方差法的组合预测，以克服各 单项预测模型的不足，进一步提高风电场输出功率的预测精度.
差大于10%的概率为2.5%，小于10%的概率为 从图1可以看出：GM（1，2）模型预测相对误97.5%，小于3%的预测误差达到了55.1%.从短期预测精度方面来说，该预测精度还有提升的空间.
2风电场输出功率的时间序列预测 模型
对于一个非平稳时间序列，为了消除其增长趋势和周期性变化，一般采取的方法是差分变换和季节性差分变换.具体做法是首先从该非平稳时间型来进行描述.一般地，d阶差分表示为： 序列中抽出一个平稳随即因素，然后用ARMA模
4 结束语
为了进一步提高风电场输出功率的预测精度，文中研究了基于灰色预测模型GM（1，2）和针 对国内某99MW风电场历史输出功率数据，在MATLAB上进行了仿真.仿真结果表明：单一的预测方法不能满足预测精度的要求，以最小方差法的组合预测模型，能够更好地提高风电输出功 率预测的准确度和可靠性，具有一定的工程应用价值. 参考文献
(1)
设X ，=0，±1，±2 1x ，=0，±1 2.是非平稳序列，若存在正整数d，使得：
(2)
式中：W =0，±1，±2 -1W =0，±1，±2 |是ARMA（p，q）序列，则称X，是ARIMA（p，d，q）序列，这时x，满足：
(3)
[1]陈波，吴政球，基于约来因子限幅控制的双馈感根 2011 31(27) ;130 137. 应发电机有功功率平滑控制[J].中国电机工程学[2]常康，丁茂生，辟峰，等、超短期风电功率预测及其在安全稳定预警系统中的应用[J].电力系 统保护与控制，2012 40（12）：19-24 30.[3]薛为胜，都晖，赵俊华，等，美于姓期及超短期风电功率预测的评述[J].电力系统自动化，2015 39 (6);141 151.[4]钱晓东，刘维奇，基于时间序列分析的风电功率预测模型[J].
下面利用上节使用的风电功率数据，由时间序列ARMA（p，q）模型预测未来30min的输出功率，风电场输出功率预测曲线和相对误差如图2所示.
进行对比，结果见表1. 将时间序列模型与GM（1，2）模型预测误差
表1
数据参数
预测模型 相对误差>5%的概率相对误差<3%的概率GM(1 2) 21.7% 48.2%时间序列 10% 71.6%
