2种风电功率预测模型的比较.docx

第23卷第6期第620期“年6月Vol.23No.Jaw时庆华1，高山2,陈昊2,3（1.山东省电力公司日照莒县供电公司，山东日照276500：2.东南高校,江苏南京210096：3.南京供电公司，江苏南京210008）能源技术经济EnergyTechnologyandEconomics文章编号：1674-8441（2011）06-0031-052种风电功率预料模型的比较ComparisonStudyonTwoWindPowerForecastingModelsSHIQinghua',GAOShanCHENHao”(I.RizhaoJuxianPowerSupplyCompany.ShandongElectricPowerCorporation.Rizhao276500.China:2.SoutheastUniversity.Nanjing210096,China;3.JiangsuNanjingPowerSupplyCompany,Nanjing210008,China)Abstract:Windpowerforecastingisveryimportanttowindfarmplanningandstableoperationofthepowersystem.Inthispaper,windpowerisfirstlyestimatedbymeansoftheARMA(AutoregressiveMovingAverage)modelasbuilt,andthentheKalmanfilterstateequationandmeasurementequationarederivedfromtheARMAmodeltotransformtheforecastintostatespace,andfinallywindpowerisforecastedwiththeKalmanfiltermethod.AcomparisonontheforecastingperformancebetweentheARMAmodelandtheKalmanfiltermethodsuggeststhattheKalmanfiltermethodeffectivelyincreasestheforecastprecisionandtosomeextentsolvesthetimelagproblemofthetimeseriesanalysisinforecasting,whichhasgreatsignificancetothesafe,stableandeconomicaloperationofthepowersystem.Keywords:windpower;powerforecast;ARMA;KaImanfilter0引言可再生能源（特殊是风能）的开发利用已得到世界各国的高度重视g1。随着科学技术的发展，风力发电技术也得到快速发展，大中型风电场相继建成并投入运行，风力发电已渐渐具备大规模商业开发的技术和经济条件UC在电网中所占比例呈不断上升之势。20002007年，世界风力发电装机年增组装机总容量达到93GW,年发电量达200TWh相当于全球电能消费总量的1.3%。中国风电装机容量自2003年以来进入高速增长期：2003年，累计总装机容量为567MW,2004年为764MW,2005年为1266MW,2006年为2599MW,2007年约为5906MW,到2008年，我国风电装机容量达12153MW,与2007年相比，装机增长率为106%（241o因为风力具有波动性、间歇性、能量密度低等长量在20%以上，到27年年底，全球风力发电机特点，风电功率也是波动的、间歇的。当风电穿透收稿日期：2011-04-20功率超过肯定值后，会严峻影响电能质量和电力系统的平安、稳定运行。若能对风电场的风电功率进行短期预料，可使电力调度部门依据风电功率的变化刚好调整调度安排，以保证电能质量，削减系统的备用容量，降低电力系统运行成本。这是减轻风电对电网造成不利影响、提高电网中风电装机比例的一种有效途径。目前风电功率预料的模型主要有：时间序列方法，主要包括自回归移动平均(Auto-RegressiveMovingAverage,ARMA)模型、自回归条件异方差(Auto-RegressiveConditionalHeteroscedaslicity,ARCH)模型间、线性回来模型、自适应模糊逻辑算法、人工神经网络方法等,，采纳时间序列方法可对风速做时间序列分析，然后将其转换成风电场输出功率，也可干脆对风电场输出功率做时间序列分析；基于数值天气预报的预料模型，即利用气象部门供应的数值气象预报模型，对风电场或旁边某个点的天气状况(主要包括风速、风向、气温、气压等参数)进行预料，建立预料模型，并结合其他输入，将数值气象预报模型的预料值转换成风电场的功率输出，该模型可分为统计模型和物理模型。本文将以江苏某风电场为例，基于风电功率历史数据，对第一大类风电功率预料方法(时间序列方法)中的2种风电预料模型进行探讨，并利用卡尔曼滤波法预料风电功率。实例表明，该方法可提前1个观测时间段给出预料值，能有效地提高风电功率预料精度。1采纳时间序列分析法预料风电功率y(t)=(1.)&(2)式中：q为移动平均的阶数。(3)ARMA模型。ARMA(p,q)为(1.)y,=(1.)&(3)由式(1)(3)可见，AR模型和MA模型可视为ARMA模型的特殊情形。ARMA模型的平稳条件是滞后多项式(1.)的根在单位圆外，可逆条件为。(1.)的根都在单位圆外。ARMA模型对数据平稳性有要求，要在平稳时间序列的大前提下建模，所以要用ARMA模型预料风电功率，首先要检验风电功率时间序列的平稳性。时间序列平稳性检验的常用方法为增广Dickey-Fuller(ADF)检验网，ADF检验包括1个回来方程：y=yt-1+C1yl-l+C2>-2+.+Cp-y1-p÷!+1+2t(4)式(4)左边为序列的一阶差分项，右边则为序列的一阶滞后项、滞后差分项，有时还有常数项和时间趋势项。在进行ADF检验时，需依据实际状况选择回来中是否包括常数项、线性时间趋势及回来中的滞后阶数po实际操作中，滞后阶数p的选择可依据保证&是白噪声过程的最小P值的标准进行选择。在每种状况下，单位根检验都对回来式中yc的系数进行检验，假如系数显著不为零，那么y.包含单位根的假设将被拒绝，y,序列即是平稳的。1.2实例分析取江苏某风电场2008年2月1527日共13天的风电功率实测数据作为探讨对象，系统每隔IOmin对风电功率数据采样(共1872个数据)，以其中前12天的风电功率数据建立模型。首先采纳ADF检验来检验该时间序列的平稳性：如该风电功率时间序1.1采纳时间序列分析法预料风电功率的基本思路列是平稳的，则满意ARMA模型建模前提；如该序ARMA模型是常用的随机时间序列模型，其基列不平稳，则对该序列做一阶差分，此时若满意平本类型为：稳条件，则对差分后序列建立ARMA模型，如仍不(1)自回来(Auto-Regressive,AR)模型。AR平稳，则接着做差分，直到差分后序列平稳，ARMA(P)为(1.)y.=<(1)建模前提满意为止。式中：1.为滞后延迟算子；y,为风电功率的时间序MA歹U；1.y,=yP为自回来的阶数；G为零均值的系统昙思鼐J丽t喉的*龈Al1rightsreserved,ADF检验结果见表UADF检验统计盘1%临界值5%临界值10%临界值-4.091682-3.433938-2.863Ol1-2.567601表1ADF检验结果(q)为X619ulcuX619UWI9ulcuX619ulcu比较ADF检验统计量与临界值大小，可推断时间序列是否平稳。由表1可见，风电功率时间序列ADF检验统计量甚至小于1%临界值的显著水平，所以，在95%置信水平下有理由拒绝原假设，即本序列是平稳的，满意ARMA建模的前提条件，因此，可考虑将风电功率时间序列y,识别为ARMA(p,q)结构。鉴于模型ARMA(p,q)的识别具有很大的灵活性，为了得到最合理的模型，本文实行了定阶步骤，依据时间序列的自相关、偏相关函数分析图，对p=l,2,3,8；q=l,2,3,4,5多组可行阶数7006005400300200100实际功率ARMA模型预测结果050100150时间点国尔IA睢W微慢嬲麻胡璃博线进行了参数估计，对全部备选模型进行模型诊断，筛选出备选模型集。由于许瓦兹信息准则(SlC)阿的强样性，在理论层面上能够渐进地选择真实模型，所以计算用状态方程的递推性，按线性无偏最小均方差估计准则，采纳递推算法对滤波器的状态变量做最佳估计，卡尔曼滤波算法可用于滤波、预料和平滑方面本文利用卡尔曼滤波法对风电功率进行预料即。备选模型集中全部模型的SICo考虑到模型满意可逆2.2卡尔曼状态和测量方程的推导性和稳定性条件，本文最终将模型确要实现卡尔曼滤波法预料风电功率，首先必需定为ARMA推导出正确的状态方程和测量方程。因已通过时间(2,2),依照经典时间序列分析的步骤，在完成模型阶数识别后，运用极大似然估计法获得模型的参数估计模型如下：y=303.9686+0.278937-+0.68608170.603401,-0.144037-2(5)序列分析建立了风电功率时间序列的ARMA模型,运用ARMA(2,2)模型对2008年2月号的144点风电功率进行预料，得到原始风电功率和预料风电功率曲线如图1所示。由图1可以看出，模型的预料结果曲线和实年功率鼻线在形态上比较接近,但在变更规律发生变才时，M料曲线经常不能提前变更，而是存在一个“时滞”，所以，虽然ARMA(2,2)模型基本能捕获到风电功率数据的变更规律，但该预料存在明显的延时性，而且预料精度不高。风电功率预料的相对平均肯定误差为T+hlMAPE=yt-VtV/hZj100%t=+t式中：h为预料步长。y由式(6)可得风电功率预料的相对平均肯定误lt>t>4-S11JeumalElectrenicPublishingHuse.故可将ARMA模型转换到状态空间，建立卡尔曼滤波的状态方程和测量方程同。对于一般的ARMA模型，可设为ARMA(p,q),其方程为y<l+.t-pCJblEl-J.+bq£1.q(7)假定扰动项&都是关于t的白噪声，为了更容易转换，首先将式(7)改写为y3l-1.m+£t+blSt_1+.l&-m+l(8)式中：m=max(p,q+1)。此时y是经过零均值化所得时间序列。式(7)(8)为ARMA(m,m-1)模型，可写成状态空间模型为tXJAX1.rBEtI式中(vt,Vt-I.»y<-m-TTr7t-,，&ll.11ghsrescfrveu.nttp,k.netC=(1,0,，O)2采纳卡尔曼滤波法预料风电功率b*AmXm=!ITam1.n-Im0B=mm02.1基本思路卡尔曼滤波是采纳状态方程和观测方程组成的线性随机系统的状态