基于ARMA的风电功率预测

基于ARMA的风电功率预测

孟静

孟静

（华北电力大学，河北保定071000）

中图分类号：TM715文献标识码：A文章编号：1003-2738（2012）02-0309-01

摘要：本题根据风电功率历史数据，采用ARMA预测方法风力发电机组功率进行短期实时预测。

关键词：风电场；功率预测；ARMA预测

一、引言

风能是一种可再生、清洁的能源，现今风力发电主要利用的是近地风能。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，如何对风电场的发电功率进行尽可能准确地预测，是急需解决的问题。根据电力调度部门安排运行方式的不同需求，风电功率预测又可以分为日前预测和实时预测。日前预测是预测明日24小时96个时点（每15分钟一个时点）的风电功率数值。实时预测是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。国家能源局颁布的风电场功率预测预报管理暂行办法中给出了误差统计的相应指标。本文针对某风电场58台机组额定功率为850kw的风电机组20天（每15分钟一个预测点）的历史数据使用灰色预测法进行了该风电场的实时预测。

二、原理分析

ARMA模型是研究时间序列的重要方法，是自回归模型（AR）和滑动平均模型（MA）的组合，便构成了用于描述平稳随机过程的自回归滑动平均模型ARMA，我们将预测指标随时间推移而形成的数据序列看作是一个随机序列，这组随机变量所具有的依存关系体现着原始数据在时间上的延续性。

数学公式为:

式中:

为自回归模型的阶数

（i=1，2，，p）为模型的待定系数，

为误差，

为模型的阶数；

（j=1，2，，q）为模型的待定系数；为平稳时间序列。

用ARMA预测首先要求预测的数列是平稳的，先判断序列是否为平稳序列，若为非平稳序列应处理为平稳非白噪声序列，使之平稳化。在得到样本的自相关系数的偏自相关系数，选择适当的ARMA模型进行拟合，不断优化，完成预测。

三、实例分析

对于实时监测到的数据（本文中用到的训练数据和验证数据），由于其存在可能的错误和误差，错误主要来源于本身测量数据有误、采集后传输数据通信信道受干扰是数据有误、人为记录或自动数据录入有误等等，为了确保数据的合理性，以便做出最准确的分析，我们对数据做如下处理：当预测的风电功率小于零时，令预测值等于零。当风电功率超过装机容量时，令预测值等于装机容量值。当预测值与前一个值的差值超过了风电功率波动的3倍时，这时认为该处预测的风电功率值不可信。事实上风电功率波动超过平均波动量的3倍的概率只有3％，在数学属于小概率事件。然后对数据做平滑处理，使之平稳度增加，然后利用计算机软件进行相关性分析，选择适当的阶数。

最后利用matlab软件进行编程，实现其预测：

四、结语

灰色模型预测的实现只需经过数据的过滤、多次叠加、归一化处理、进行灰色模型预测，最后逐步还原数据即可完成整个预测，实现较为简单，预测的合格率、准确率较高。一定程度上逼近真实曲线，可以作为风电负荷预测的一种参考方式。

参考文献：

[1]徐国祥,马俊玲.《统计预测和决策》学习指导与习题[M].上海财经大学出版社

[2]丁明，张立军，吴义纯．基于时间序列分析的风电场风速预测模型[J]．电力自动化设备，2005.

[3]杨秀媛，肖洋，陈树勇．风电场风速和发电功率预测研究[J]．中国电机工程学报，2005，25(11)：1—5．

[4]谷兴凯，范高锋，王晓蓉，等．风电功率预测技术综述[J]．电网技术，2007，31(S2)：335—338．

[5]洪翠,林维明,温步瀛.风电场风速及风电功率预测方法研究综述[J].电网与清洁能源,2011,27(1):20-66.

[6]屠强.风电功率预测技术的应用现状及运行建议[J].电网与清洁能源,2009,25(10):4-9.