张立栋1，李继影2，吴颖3，余侃胜4，朱明亮5，迟俊宇6
（1．东北电力大学能源与动力工程学院，吉林市 1 32012；2．中广核风电有限公司辽宁分公司，辽宁沈阳 110000；3．国网江西省电力公司检修分公司，江西南昌 330096；4．国网江西省电力科学研究院，江西南昌 330096; 5．吉林省东能电力工程有限公司，吉林长春 130033；6．宾县大个岭风力发电有限公司，黑龙江哈尔滨 150400）
摘 要：以某风电场同一风力机为研究对象，采用自回归积分滑动平均模型(ARIMA)对5种时间分辨率实际输出功率的时问序列进行预测研究。结果表明：风功率时间序列某些明显的特征点，随着时间分辨率的减小而越来越少直至消失：对预测结果采用平均绝对误差分析，得出随着时间分辨率增大，ARIMA模型预测绝对误差呈现逐渐减小的趋势，1 min的时间分辨率误差最小。
关键词：时间分辨率；风电场；ARIMA：功率预测
中图分类号：TM614 DOI：10.11930/j.issn．1004-9649.2016.06,176.05
0引言
准确预测风电场的输出功率对于大量风电负荷稳定有序接入电网有重要的意义，能为风电消纳提供可靠的保障。
对有限样本采用时间序列对5 min间隔功率数据提取高频成分，分析预测的上限近似
估计；对实际风电场风速采用统计量熵的方法进行预测分析。采用Ar ma - Arch模型的风电场进行风速预测研究，采用人工神经网络对风速进行预测，风速的波动导致风功率的波动，因此也可通过预测风速达到间接预测功率的目的。采用物理方法对未来48 h，每间隔15 min进行一次功率预测，并与实际功率比较．证明采用物理方法的可行性；对采样间隔为15 min的数据进行区域风电功率预测。对某风电场时间分辨率为15 min的1个月历史风功率数据进行预测。依据历史年份的小时平均风速数据采用EMD分解对下一年度逐月的风速和功率进行预测，采用白回归移动平均方法对间隔率为1小时的风速及风向进行预测．并使用平均绝对误差进行误差分析，并证明了采用自回归移动平均模型进行预测的可行性。
计量经济学中的一些模型可应用于风速及风向预测等方面，分别对10 min、30 min
不同采样频率下大型风电场输出功率对上网功率的影响程度进行预测。采用Elman神经网
络对5 min. 10 min. 15 min 3种数据分辨率进行风电功率预测，得出原始数据的分辨率对风电功率预测精度有影响。
以上文献大都对风功率直接预测或是采用预测风速间接预测功率，但《风电功率预测系统功能规范》中明确指出：采用风电场的历史功率数据应不少于1天，时间分辨率应不小于5 min，历史功率数据应包括完整性统计、频率分布统计、变化率统计等。本文采用时间序列方法对某风电场同一风力机的不同时间分辨率输出功率数据进行短期预测，分析不同时间分辨率的时间序列对预测效果的影响程度。
1 不同时间分辨率的原始功率
本文采用某风场2012年8月1-30日的风电功率数据作为历史数据，采样时间分辨率分别为1 min、5 min、15 min. 30 min和60 min。在各采样时间分辨率下采集8月1日00:00到30日18：00的数据，对30日18：00-24：00共6h数据进行短期预测，与真实值比较，不同时间分辨率原始功率样本时间序列如图1所示。从图1可以看出．随着时间分辨率的减小，风功率时间序列中的某些特征点越来越少直至消失，如图1中a、d、c所示位置，若选择较小时间分辨率这些特征点的消失将对预测精度带来一定影响。
2计量经济学预测
本文所研究的对象仅是风机功率，只有功率自身样本数据，将这些数据按照时间先后构成序列，建立模型确定研究对象自身所特有的量化数据、模型参数等，加之风速的波动及间歇都属于其自身的不确定性，风速与功率在其他条件不变的情况下有对应关系，因此可以认为风功率也是随机序列，进而可以采用随机序列的方法分析不同时间分辨率下的功率时间序列。计量经济学预测的时间序列分析方法较多，ARIMA模型仅仅考虑单个变量，试图找出单变量自身历史走势的规律，进而运用这个规律外推以实现预测。本文以1 min数据为例分别采用非平稳时间序列自回归移动平均过程(ARIMA(p，d，q》对不同时间分辨率的时间序列进行预测，并对不同时间分辨率的预测误差进行比较．
2.1 ARIMA模型
如果将自回归和移动平均过程结合起来，就可以得到自回归移动平均过程，根据自回归和移动平均的阶数可以将其表示为ARMA(p, q)形式：
ARIMA模型的主要步骤为：(1)差分，对ARMA模型进行d阶差分，得到ARIMA(p，d，
q)分析其相关图和偏相关图选择合适的模型：其中d=1为1阶差分。(2)观察相关图，初步确定移动平均阶数和自回归阶数；(3)进行短期预测。
2.2 ARIMA模型阶数确定
从图1中各个时间分辨率的功率时间序列我们可以看出，及通过表1中的均值不一致也能说明不同时问分辨率的风功率时问序列数据是非平稳的，因此采用1阶差分进行预处理（图2 a））．并作出自相关图及偏相关图（如图2 b）及图2 c）所示），通过观察自相关及偏相关图可以确定为AR(1)模型和MA(6)模型。
本文采用贝叶斯信息准则( Bayesianinformation criterion，BIC)判断模型类型和最优阶次的计算式如公式(2)所示，
对于不同的AR(p)及与MA (q)组合来说，取BIC最小值作为评价指标确定p及q值。因此，据表1中最小BIC值可得该1min时问分辨率的功率序列为ARMA(1，1，6)模型序列。
采用同样的方法得出其他时间分辨率的最佳阶数见表2。
2.3 ARIMA模型建立及预测
采用最小二乘法建立1min分辨率功率时间序列模型，其他时间分辨率时间序列模型系数见表3。并对最后6个小时数据进行预测，预测值与真实值对比如图3所示。
其他时间分辨率功率序列的预测步骤与1 min时间分辨率的功率序列相一致，得到结果如图3所示。
误差与具体的预测方式有关，本文采用平均绝对误差作为评价指标对经ARIMA模型预测的结果进行误差分析，结果如表4所示。平均绝对误差：
测值。列举了我国不同风资源较为丰富的省市风电功率预测误差，采用平均绝对误差最大达到21.82%，最小也有9.2%。通过表4可以看出，不同时间序列预测误差有较大的差距，可
以采用不同时间分辨率对历史风电功率进行预测误差分析，并选取最小平均绝对误差对预测结果进行评价。
3结语
对某风力发电场同一风力机不同时间分辨率输出功率的时间序列进行研究，得出如下结论：
风功率时间序列某些明显的特征点随着时间分辨率的减小而越来越少直至消失：
通过分析ARIMA模型预测结果，论证了非经典计量经济学模型利用于风电功率短期预测的可行性；对预测结果采用绝对误差分析，得出随着时间分辨率增大，ARIMA模型预测绝对误差呈现逐渐减小的趋势，1 min时间分辨率误差最小。
下一篇:返回列表
