一种短期风电功率集成预测方法.pdf

第４４卷第７期２０１６年４月１日电力系统保护与控制ＰｏｗｅｒＳｙｓｔｅｍＰｒｏｔｅｃｔｉｏｎａｎｄＣｏｎｔｒｏｌＶｂ１．４４ＮＯ．７Ａｐｒ．１，２０１６ＤＯＩ：１０．７６６７／ＰＳＰＣ１５１０３０一种短期风电功率集成预测方法张颖超，郭晓杰，叶小岭，邓华（１．南京信息工程大学信息与控制学院，江苏南京２１００４４；２．南京信息工程大学气象灾害预报预警与评估协同创新中心，江苏南京２１００４４）摘要：为提高短期风电功率预测精度，缩短模型训练时间，提出了一种短期风电功率集成预测方法。根据风速功率曲线和风速频率特征，将风速划分为高、中、低三段，并对每段的风速功率特征进行统计分析。高、低风速段功率波动较大，使用最小二乘支持向量机（ＬｅａｓｔＳｑｕａｒｅｓＳｕｐｐｏｒｔＶｅｃｔｏｒＭａｃｈｉｎｅ，ＬＳＳＶＭ）方法可取得较高的预测精度。中风速段风速数据点较多，且风速和功率有明显的物理关系，使用高斯（Ｇａｕｓｓｉａｎ）模型预测。并用风速功率等级表对各段预测的结果进行订正，保证了算法的稳定性。用上海某风电场２０１４年的历史数据，验证了Ｇａｕｓｓｉａｎ模型以及高、中、低风速段对应的预测算法选取的合理性。与ＬＳＳＶＭ预测方法相比较，集成预测方法既提高了预测精度又缩短了预测时间，适合风电场短期功率的实时预测。关键词：短期风电功率预测；集成预测方法；Ｇａｕｓｓｉａｎ模型；ＬＳＳＶＭ；ＷｅｉｂｕｌｌＡｎｉｎｔｅｇｒａｔｅｄｆｏｒｅｃａｓｔｉｎｇｍｅｔｈｏｄｏｆｓｈｏｒｔ－ｔｅｒｍｗｉｎｄｐｏｗｅｒＺＨＡＮＧＹｉｎｇｃｈａｏ一，ＧＵＯＸｉａｏｊｉｅ，ＹＥＸｉａｏｌｉｎｇ一，ＤＥＮＧＨｕａ，。（１．ＮａｎｊｉｎｇＵｎｉｖｅｒｓｉｔｙｏｆＩｎｆｏｒｍａｔｉｏｎＳｃｉｅｎｃｅ＆Ｔｅｃｈｎｏｌｏｇｙ，Ｎａｎｊｉｎｇ２１００４４，Ｃｈｉｎａ；２．ＣｏｌｌａｂｏｒａｔｉｖｅＩｎｎｏｖａｔｉｏｎＣｅｎｔｅｒｏｎＦｏｒｅｃａｓｔａｎｄＥｖａｌｕａｔｉｏｎｏｆＭｅｔｅｏｒｏｌｏｇｉｃａｌＤｉｓａｓｔｅｒｓ，ＮａｎｊｉｎｇＵｎｉｖｅｒｓｉｔｙｏｆＩｎｆｏｒｍａｔｉｏｎＳｃｉｅｎｃｅ＆Ｔｅｃｈｎｏｌｏｇｙ，Ｎａｎｊｉｎｇ２１００４４．Ｃｈｉｎａ）—Ａｂｓｔｒａｃｔ：Ａｎｉｎｔｅｇｒａｔｅｄｆｏｒｅｃａｓｔｉｎｇｍｅｔｈｏｄｏｆｓｈｏｒｔｔｅｒｍｗｉｎｄｐｏｗｅｒｉｓｐｒｅｓｅｎｔｅｄｆｏｒｉｍｐｒｏｖｉｎｇｐｒｅｄｉｃｔｉｏｎａｃｃｕｒａｃｙａｎｄｓｈｏｒｔｅｎｉｎｇｔｈｅｍｏｄｅｌｔｒａｉｎｉｎｇｔｉｍｅ．Ｂａｓｅｄｏｎｔｈｅｃｈａｒａｃｔｅｒｉｓｔｉｃｏｆｗｉｎｄｐｏｗｅｒｃｕｒｖｅａｎｄｗｉｎｄｓｐｅｅｄ￣ｅｑｕｅｎｃｙ，ｔｈｅｗｉｎｄｓｐｅｅｄｉｓｄｉｖｉｄｅｄｉｎｔｏｈｉｇｈ，ｍｅｄｉｕｍａｎｄｌｏｗｔｈｒｅｅｓｅｇｍｅｎｔｓ，ａｎｄｅａｃｈｗｉｎｄｐｏｗｅｒｃｈａｒａｃｔｅｒｉｓｔｉｃｉｓａｎａｌｙｚｅｄ．Ａｓｔｈｅｐｒｅｄｉｃｔｅｄｐｏｗｅｒｓｈｏｗｓｌａｒｇｅｒｆｌｕｃｔｕａｔｅｄｓｔａｔｕｓｅｓｉｎｓｅｇｍｅｎｔｓｏｆｈｉｇｈａｎｄｌｏｗｗｉｎｄｓｐｅｅｄ，ＳＯＬｅａｓｔＳｑｕａｒｅｓＳｕｐｐｏｒｔＶｅｃｔｏｒＭａｃｈｉｎｅｉｓｕｓｅｄｔｏａｃｈｉｅｖｅｂｅｔｔｅｒｐｒｅｄｉｃｔｉｏｎａｃｃｕｒａｃｙ．Ｍｕｃｈｍｏｒｅｄａｔａｃａｎｂｅａｃｃｅｓｓｅｄｉｎｔｈｅｍｅｄｉｕｍｓｅｇｍｅｎｔ，ａｎｄｔｈｅｒｅｉｓａｎｏｂｖｉｏｕｓｐｈｙｓｉｃａｌｒｅｌａｔｉｏｎｓｈｉｐｂｅｔｗｅｅｎｗｉｎｄｓｐｅｅｄａｎｄｐｏｗｅｒ，ＳＯＧａｕｓｓｉａｎＭｏｄｅｌｉｓｕｓｅｄｕｎｄｅｒｔｈｉｓｓｏｒｔｏｆｃｉｒｃｕｍｓｔａｎｃｅ．Ａｔｔｈｅｓａｍｅｔｉｍｅ，ｔｈｅｌｅｖｅｌｔａｂｌｅｏｆｗｉｎｄａｎｄｐｏｗｅｒｉｓｕｓｅｄｔｏｒｅｖｉｓｅｔｈｅｐｒｅｄｉｃｔｅｄｐｏｗｅｒｉｎｅａｃｈｓｅｃｔｉｏｎｔｏｅｎｓｕｒｅｔｈｅｓｔａｂｉｌｉｔｙｏｆｔｈｅａｌｇｏｒｉｔｈｍ．ＴｈｅｒａｔｉｏｎａｌｉｔｙｏｆＧａｕｓｓｉａｎｍｏｄｅｌａｎｄｓｅｌｅｃｔｉｏｎｏｆａｌｇｏｒｉｔｈｍｉｎｈｉｇｈ，ｍｅｄｉｕｍａｎｄｌｏｗｓｅｇｍｅｎｔｉｓｖｅｒｉｆｉｅｄｂｙｕｓｉｎｇｔｈｅｈｉｓｔｏｒｉｃａｌｄａｔａｏｆａｗｉｎｄｆａｒｍｏｆＳｈａｎｇｈａｉｉｎ２０１４．Ｔｈｅｓｉｍｕｌａｔｅｄ’ｒｅｓｕｌｔｃｏｍｐａｒｅｄｗｉｔｈＬＳＳＶＭＳｓｈｏｗｓｔｈａｔｔｈｅｐｒｏｐｏｓｅｄａｌｇｏｒｉｔｈｍｃａｎｎｏｔｏｎｌｙｉｍｐｒｏｖｅｔｈｅｐｒｅｄｉｃｔｉｏｎａｃｃｕｒａｃｙ，ｂｕｔ—ａｌｓｏｓｈｏｒｔｅｎｔｈｅｍｏｄｅｌｔｒａｉｎｉｎｇｔｉｍｅ．Ｉｔｃａｎｂｅｗｅｌｌｕｓｅｄｔｏｐｒｅｄｉｃｔｓｈｏｒｔ－ｔｅｒｍｗｉｎｄｐｏｗｅｒｉｎｒｅａｌｔｉｍｅ．Ｋｅｙｗｏｒｄｓ：ｓｈｏｒｔ－ｔｅｒｍｗｉｎｄｐｏｗｅｒｐｒｅｄｉｃｔｉｏｎ；ｉｎｔｅｇｒａｔｅｄｐｒｅｄｉｃｔｉｏｎｍｅｔｈｏｄ；Ｇａｕｓｓｉａｎｍｏｄｅｌ；ＬＳＳＶＭ；Ｗｅｉｂｕｌｌ０引言风的随机性、间歇性和波动性决定了风力发电的随机性和波动性。大容量的风力发电接入电网，若调度不当，对电力系统的安全、稳定性有很大影基金项目：江苏省六大人才高峰资助项目（ＷＬＷ－０２１）；国家公益性行业（气象）科研专项资助项目（ＧＹＨＹ２０１１０６０４０）；江苏省高校优势学科建设工程资助项目响。准确的风电功率预测是保证电网稳定运行的关键因素之一。同时短期风电功率对未来０～７２ｈ的发电量的预测，可为风电企业竞价上网提供帮助。因此，短期风电功率预测对电力系统的调度、生产和维护有十分重要的意义ＬｌＪ。短期风电功率预测方法，可综合概括为统计方法、物理方法和人工智能方法以及以上三种方法的组合【２。】。而短期风电功率预测又可划分为风速、风向等气象要素的预测和风到功率的转换。常用统计张颖超，等～种短期风电功率集成预测方法．９Ｉ．方法、人工智能方法以及二者的组合来预测功率。如滑动平均自回归法『４Ｊ、马尔科夫链【５ｊ、人工神经网络【６Ｊ、支持向量机Ｌ８Ｊ等单一方法实现风电功率的预测。理想情况下，风到功率转换有确定的物理规律，但在现实情况下，由于受风速风向、空气密度、尾流效应、风机自身状态等客观因素的影响，使风到功率的转换关系较难准确地刻画。为解决单一方法的不足，相空间重构、小波分解ｊ、粒子群算法’（ＰＳＯ）［１。¨】、经验模态分解（ＥＭＤ）［１２－１３１等算法被引入。文献［１０】为克服支持向量机依赖人为经验选择学习参数的弊端，引入粒子群算法优化支持向量机参数；文献［１２】针对风速序列随时间、空间呈现非平稳变化的特征，提出基于ＥＭＤ和极限学习机的组合预测方法。上述算法在预测精度上都有较大的提高，但在算法的效率上考虑较少。同时，上述文献都未考虑不同范围的风速和其对应发电功率之间的变化关系。基于此，本文将统计方法和人工智能方法组合，提出一种短期风电功率集成预测方法。对风速功率曲线进行分析，风速功率曲线呈类ｓ形，如图１所示，在Ｓ形曲线的两端随着风速的增加，功率缓慢增加，而在ｓ形中间，随着风速的增加，功率呈现较快的增长趋势。而用ｗｌｅｉｂｕｌｌ概率密度函数拟合风速频率时，风速频率较大的风速大部分位于ｓ形风速功率曲线的中间段，如图２所示。因此，本文将风机的额定风速和风速的Ｗｅｉｂｕｌ１分布的均值与其一倍标准差的差值作为风速的分割点，将风速划分为低风速段、中风速段和高风速段，并根据各个风速段的特点选择不同的模型。依据此，本文提出了Ｇａｕｓｓｉａｎ模型和ＬＳＳＶＭ相结合的集成预测方法，与ＬＳＳＶＭ预测方法相比，该方法既提高了预测精度又明显缩短了预测时间。１风电功率集成预测方法１．１风速功率等级表和风速功率曲线本文研究的风机的切入风速３ｒｎ／ｓ，额定风速１２ｍ／ｓ，切出风速２５ｍ／ｓ，额定功率２ＭＷ，扫风面积６７９３ｍ。本文数据来源于上海某风电场２０１４年３０台风机的实际发电功率和风机监测系统采集的风速、风向数据，时间分辨率为２ｈ，以及２０１４年全年的测风塔数据，时间分辨率为１０ｍｉｎ。为描述风速和功率的对应关系，本文提出了风速功率等级表的概念。风速功率等级表，即针对同一型号风机，风速和输出功率所构成的表。风速功率等级表的构建方法如下：设风速的范围为【０，］，将风速划分成个等级，风速等级之间间隔为ｄ，则风速等级序列可表示…为［０，），［，２ｄ），，［（一１），），其中ｎｄ＝。，。为切出风速，单位为ｍ／ｓ。每个等级对应功率为：（１）其中：表示等级，范围为［１，，ｚ】；ｍ表示第个等级范围内包含的样本个数；Ｐｉ为该等级上第ｉ个风速对应的功率；为第等级所对应的功率，即第三等级内出现概率最大的风电功率值。根据风向仪测量精度和风机参数，取ｄ＝Ｏ．０５ｒｎ／ｓ，风速的范围为［０，２５】，则＝５００，可获得风速功率等级表。例如表１为风速功率等级表的部分内容。表１风速功率等级表Ｔａｂｌｅ１Ｌｅｖｅｌｔａｂｌｅｏｆｗｉｎｄａｎｄｐｏｗｅｒ本文通过建立风速功率等级表绘制风速功率曲线。使用２０１３、２０１４年全年风速功率数据分别建立风速功率等级表。可得风速功率曲线，如图１所示。图２为风机实际工作时，风速和功率的散点图。０槲簧。匿风速／（ｍ／ｓ图１风速功率曲线Ｆｉｇ．１Ｃｕｒｖｅｓｏｆｗｉｎｄａｎｄｐｏｗｅｒ图２风速概率密度和风速功率散点图Ｆｉｇ．２Ｓｃａｔｔｅｒｓｏｆｗｉｎｄｐｏｗｅｒａｎｄｗｉｎｄｐｒｏｂａｂｉｌｉｔｙｄｅｎｓｉｔｙ黜黜。。电力系统保护与控制１．２Ｗｌｅｉｂｕｌ１分布及风速分段的划分Ｗｅｉｂｕｌ１分布的曲线族广泛地应用于统计分析，在风能分析中它常用于拟合风速的概率密度函数Ｌ１４Ｊ，其概率密度函数为ｒ玉ｒ＿ｒ．，，后）：｛（≥０（２）１０＜０√ｖ＝Ｅ一（３）其中：Ｘ是随机变量；２＞０是比例参数；ｋ＞０是形科数；Ｅ，ｖａｔ分别表示均值和方差。式（３）中ｖｃ是Ｗｅｉｂｕｌ１分布的均值Ｅ向左延伸一倍标准差之后的值，且若＜Ｖ，则令＝；。ｅＶｓＶｃ，，分别表示风机的切入风速、额定风速和切出风速，单位为ｒｎ／ｓ，［ｉ，），，），［Ｖｒ，。）分别表示低风速段、中风速段和高风速段。均值Ｅ向左延伸一倍标准差后，可保证大部分的风速数据落在［Ｖ，）范围内，即图中风速段内。在该范围内的风ｓＶｒ速使用Ｇａｕｓｓｉａｎ模型预测功率，既可保证预测精度，又可有效地缩短模型训练时间。而［ｉ，），，。）范围内的风速，即高、低风速段风速，对应的功率波动较明显，不宜使用Ｇａｕｓｓｉａｎ模型拟合，使用ＬＳＳＶＭ方法，可获得较好的预测精度。同时，不同的训练数据，通过Ｗｅｉｂｕｌｌ概率密度函数拟合风速频率可自动获取。因此本文将作为［，）和【，ｖｒ）之间的分割点。根据风机参数，本文中；，，分别为３．００ｍ／ｓ，１２．００ｍ／ｓ，２５．００ｍ／ｓ。１．３ＬＳＳＶＭ方法预测功率支持向量机适合解决具有小样本、非线性以及高纬模式识别特点的问题。根据风速功率曲线，在Ｓ形曲线两端，功率增长具有一定的波动性，支持向量机较适合解决本文中的问题。ＬＳＳＶＭ［］是支持向量机的改进，它将凸二次规划问题转化为求解线性方程组的问题，提高了求解问题的速度和收敛精度。因此本文使用ＬＳＳＶＭ对高、低风速段的风速进行功率预测，并将风速、风向以及发电风机台数作为ＬＳＳＶＭ的训练特征。ＬＳＳＶＭ由Ｓｕｎｋｅｎ在文献【ｌ６ｌ中提出，将支持向量机的不等式约束改成等式约束，并将误差平方和损失函数作为训练集的经验损失，于是就把解二次规划问题转化成了求解线性方程组的问题。根据结构化风险最小原理，ＬＳＳＶＭ回归问题可以表示为以下约束优化问题。ｍｉｎ。１１４￣Ｔ＂ｔｔｙ．－］－２∑ｉ＝１（４）…Ｉｓ．ｔ．Ｙｉ＝（誓）＋ｂ＋，ｉ＝１，２，，，式中：ｅｇ为松弛变量；Ｃ为正规划参数，为求解上述优化问题，把约束优化问题变为无约束优化问题，引入拉格朗日函数：Ｌ（ｗ，６，ｅ，）＝Ｊ（ｗ，Ｐ）一ｒ、∑—｛（誓）＋６＋ｅｇＹｉ｝ｉ＝ｌ根据ＫＫＴ条件求得回归函数，即ＬＳＳＶＭ的输出为上∑ｙ（ｘ）＝ｇｇｋ（ｘ，Ｘｉ）＋ｂ（６）ｉ＝１其中，ｋ（ｘ，ｘ）为核函数，由式（６）可以知，ＬＳＳＶＭ的训练问题回归结为一个线性方程组的求解问题。１．４Ｇａｕｓｓｉａｎ模型预测功率Ｇａｕｓｓｉａｎ模型就是用高斯概率密度函数精确地量化事物，将一个事件分解为若干基于正态分布曲线形式的模型，其表达式为∑Ｙ＝ｅｘｐ［一（）】（７）ｉ＝１ｔ－ｉ式中：ａｉ，，ｃｇ均为待定系数；为多项式的项数，本文中取＝ｌ；ｘ代表风速；Ｙ代表对应的功率；本文中的系数ａｉ，，Ｃｉ通过极大似然估计求得。由图１可知在中风速段［，），风速功率波动较小，对应关系明显，因此本文通过Ｇａｕｓｓｉａｎ模型对［，）段风速进行拟合，并预测功率。１．５集成预测方法根据以上分析，针对三个风速段特点，分别使用不同的预测方法。在中风速段，），只考虑风速的影响，使用Ｇａｕｓｓｉａｎ模型进行预测。在低风速段【Ｖｃｉ，）和高风速段［ｖ，ｖｃ。），使用ＬＳＳＶＭ方法预测。大于。和小于的风速，功率置零。风电功率集成预测模型如式（８１。Ｆ（）＝∑∈（，）＋，［ｖｏ，），＞０ｅｘｐ［＿（（８）∑∈ｏｃｊＫ２（ｘ，ｘｊ）＋ｂｊ，［Ｖｒ，），＞０∈０，Ｘ（０，；）Ｕ［，＋ｏｏ）Ｆ（ｘ）为风电功率集成预测模型。其中：１７１，分张颖超，等一种短期风电功率集成预测方法．９３．别为在［ｉ，），［，。）范围内用ＬＳＳＶＭ训练时获得的支持向量的个数；／ｑ，Ｋ２为对应的核函数；，ｂｉ，，ｂ，分别为对应的系数；ｎ，为Ｇａｕｓｓｉａｎ模型的阶数；ａ，ｂｋ，ｃｋ为Ｇａｕｓｓｉａｎ模型的参数。为避免因噪声数据或某一段训练数据较少，导致模型的预测误差偏大的现象，本文通过风速功率等级表，计算Ｆ（ｘ）输出的功率的平均相对误差（ＭＲＥ），对ＭＲＥ超过设定阈值的功率进行订正，ＭＲＥ的计算公式如式（９）所示。ＭＲＥ＝其中：为风速在风速功率等级表中对应的功率；为Ｆ（）预测的功率。２实验验证本文通过以下三种指标来评价预测误差Ｉ１，分别是均方根误差（ＲＭＳＥ）、绝对平均误差（ＭＡＥ）￣Ｄ平均相对误差（ＭＲＥ），其中，ＲＭＳＥ用来衡量误差的分散程度，ＭＡＥ评价预测误差的平均幅度。ＭＲＥ将绝对误差逐个与实际值进行比较，多用于电力系统负荷预测误差的评价。实验过程中，按照季节将２０１４年３０台风机数据分成春、夏、秋、冬四组，从各组数据中随机抽取２０％的数据作为测试数据，剩余的８０％作为训练数据。２．１Ｇａｕｓｓｉａｎ模型的合理性验证设风速功率数据对为（Ｘｉ，Ｙｉ），ｘｉ表示第ｉ点的风速，Ｙｉ表示第ｉ点的功率。使用二项式模型、指数模型、傅里叶模型以及Ｇａｕｓｓｉａｎ模型拟合出的曲线如图３所示。风速／（ｍ／ｓ１图３各种模型拟合的曲线Ｆｉｇ．３Ｆｉｔｔｉｎｇｃｕｒｖｅｓｏｆｅａｃｈｍｏｄｅｌ表２中，二项式模型、傅里叶模型和Ｇａｕｓｓｉａｎ模型的确定系数（Ｒ．ｓｑｕａｒｅ）都在９５％以上，拟合较好，但是二次模型的误差平方￣Ｄ（ＳＳＥ）、ＲＭＳＥ均较大。指数模型的ＳＳＥ、ＲＭＳＥ以及Ｒ．ｓｑｕａｒｅ三个指标都不如其他三种模型。傅里叶模型和Ｇａｕｓｓｉａｎ模型拟合结果较接近，但Ｇａｕｓｓｉａｎ模型拟合结果在ＳＳＥ、ＲＭＳＥ以及ＲＭＳＥ三方面都优于傅里叶模型，因此本文选择Ｇａｕｓｓｉａｎ模型作为中风速段的预测模型。表２各种模型的拟合结果Ｔａｂｌｅ２Ｆｉｔｔｉｎｇｒｅｓｕｌｔｓｏｆｅａｃｈｍｏｄｅｌ２．２各分段上预测方法选取的合理性验证分别使用春、夏、秋、冬四组数据进行实验，实验结果如表３示所示。表３为高、中、低三个风速段分别使用ＬＳＳＶＭ和Ｇａｕｓｓｉａｎ模型的预测结果对比，其中，Ｌ表示ＬＳＳＶＭ，Ｇ表示Ｇａｕｓｓｉａｎ模型。从表３可知，在高、低风速段选择ＬＳＳＶＭ的预测结果在ＲＭＳＥ和ＭＡＥ两方面都优于Ｇａｕｓｓｉａｎ模型。而在中风速段使用Ｇａｕｓｓｉａｎ模型可以取得比ＬＳＳＶＭ更好的预测精度。因此本文高、低风速使用ＬＳＳＶＭ方法预测，中风速段使用Ｇａｕｓｓｉａｎ模型预测。２．３集成预测方法和ＬＳＳＶＭ预测方法的结果对比分别使用春、夏、秋、冬四组数据进行实验，比较ＬＳＳＶＭ和集成预测方法的预测精度。实验结果如表４所示，其中Ｔ表示训练时间，单位为秒。由表４可知，集成预测方法在ＲＭＳＥ、ＭＡＥ上都优于ＬＳＳＶＭ预测方法。从图４可知，集成预测方法预测误差有较明显的减少。同时，因为ＬＳＳＶＭ在参数寻优时花费的时间较多，而Ｇａｕｓｓｉａｎ模型拟合时花费的时间较少，四次实验中集成方法的训练时间约为０．１９Ｓ，而ＬＳＳＶＭ训练时间约为１９．６５Ｓ，集成预测方法的训练时间较ＬＳＳＶＭ有明显的减小。因此集成预测方法提高了预测精度，又缩短了模型的训练时间。电力系统保护与控制表３各风速段预测精度对比Ｔａｂｌｅ３Ｃｏｍｐａｒｉｓｏｎｏｆｐｒｅｄｉｃｔｉｏｎａｃｃｕｒａｃｙｏｆｅａｃｈｗｉｎｄｓｐｅｅｄｓｅｇｍｅｎｔ表４两种预测方法评价指标对比Ｔａｂｌｅ４Ｃｏｍｐａｒａｔｉｖｅｅｖａｌｕａｔｉｏｎｏｆｔｈｅｔｗｏｆｏｒｅｃａｓｔｉｎｇｍｅｔｈｏｄｓ曩。：一２００时问点（１０ｍｉｎ／点）Ｌｓｓｖｍ预测误差４０６Ｏ８０１００时间点（１Ｏｍｉｎ／点）图４集成方法和ＬＳＳＶＭ的预测误差Ｆｉｇ．４ＰｒｅｄｉｃｔｅｄｅｒｒｏｒｏｆＬＳＳＶＭａｎｄｉｎｔｅｇｒａｔｅｄｍｅｔｈｏｄ３结语短期风电功率预测是保证电网稳定运行的关键因素之一。本文根据风速功率曲线和风速频率分布的特点，分别选取风机的额定风速和风速分布的均值和一倍标准差间的差值，作为高、中、低三个风速段的分割点。在获得分段分割点的基础上，将Ｇａｕｓｓｉａｎ模型和ＬＳＳＶＭ相结合，提出了一种短期风电功率集成预测方法。该集成预测方法在每一个风速段上选择合适的方法进行模型的训练和预测，可以在一定程度上提高预测精度。将数据分成三部分分别训练，可以节约模型训练的时间，尤其使用Ｇａｕｓｓｉａｎ模型对中风速段数据进行拟合，可以有效地减少模型的训练时间。但是，该集成预测方法存在一定的不稳定性，当高、中或者低风速段的数据较少的时候，每个风速段对应的预测模型不能得到很好的训练，导致预测结果偏差较大。为避免这种现象，本文引入风速功率等级表，通过设定一定的阈值，对预测偏差较大的结果进行订正，保证了预测结果的稳定性。通过上海某风电场２０１４年的风速功率数据，本文先对高、中、低风速段预测方法选取的合理性进行了验证，又比较了ＬＳＳＶＭ方法和集成预测方法的预测精度和算法所消耗的时间。实验结果表明，该方法与ＬＳＳＶＭ方法相比，既提高了预测的精度又缩短了模型的训练时间。参考文献［１］ＪＵＮＧＪ，ＢＲＯＡＤＷＡＴＥＲＲＰ．Ｃｕｒｒｅｎｔｓｔａｔｕｓａｎｄｆｕｔｕｒｅａｄｖａｎｃｅｓｆｏｒｗｉｎｄｓｐｅｅｄａｎｄｐｏｗｅｒｆｏｒｅｃａｓｔｉｎｇ［Ｊ］．ＲｅｎｅｗａｂｌｅａｎｄＳｕｓｔａｉｎａｂｌｅＥｎｅｒｇｙＲｅｖｉｅｗｓ，２０１４，３１：７６２．７７７．Ｅ２］ＴＡＳＣＩＫＡＲＡＯＧＬＵＡ，ＵＺＵＮＯＧＬＵＭ．Ａｒｅｖｉｅｗｏｆｃｏｍｂｉｎｅｄａｐｐｒｏａｃｈｅｓｆｏｒｐｒｅｄｉｃｔｉｏｎｏｆｓｈｏｒｔ－ｔｅｒｍｗｉｎｄｓｐｅｅｄａｎｄｐｏｗｅｒ［Ｊ］．ＲｅｎｅｗａｂｌｅａｎｄＳｕｓｔａｉｎａｂｌｅＥｎｅｒｇｙＲｅｖｉｅｗｓ，２０１４，３４：２４３－２５４．［３］ＦＯＬＥＹＡＭ，ＬＥＡＨＹＰＧ，ＭＡＲＶＵＧＬＩＡＡ，ｅｔａ１．Ｃｕｒｒｅｎｔｍｅｔｈｏｄｓａｎｄａｄｖａｎｃｅｓｉｎｆｏｒｅｃａｓｔｉｎｇｏｆｗｉｎｄｐｏｗｅｒｇｅｎｅｒａｔｉｏｎ［Ｊ］．ＲｅｎｅｗａｂｌｅＥｎｅｒｇｙ，２０１２，３７（１）：１＿８．［４］ＣＨＳＮＰ，ＰＥＤＥＲＳＥＮＴ，ＢＡＫ－ＪＥＮＳＥＮＢ，ｅｔａ１．ＡＲＩＭＡ－ｂａｓｅｄｔｉｍｅｓｅｒｉｅｓｍｏｄｅｌｏｆｓｔｏｃｈａｓｔｉｃｗｉｎｄｐｏｗｅｒｇｅｎｅｒａｔｉｏｎ［Ｊ］．ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｓｏｎＰｏｗｅｒＳｙｓｔｅｍｓ，２０１０，２５（２）：６６７－６７６．张颖超，等一种短期风电功率集成预测方法．９５．［５］周封，金丽斯，刘健，等．基于多状态空间混合Ｍａｒｋｏｖ链的风电功率概率预测【Ｊ］．电力系统自动化，２０１２，３６（６）：２９３３．ＺＨＯＵＦｅｎｇ，ＪＩＮＬｉｓｉ，ＬＩＵＪｉａｎ，ｅｔａ１．Ｐｒｏｂａｂｉｌｉｓｔｉｃｗｉｎｄ—ｐｏｗｅｒｆｏｒｅｃａｓｔｉｎｇｂａｓｅｄｏｎｍｕｌｔｉｓｔａｔｅｓｐａｃｅａｎｄｈｙｂｒｉｄＭａｒｋｏｖｃｈａｉｎｍｏｄｅｌｓ［Ｊ］．ＡｕｔｏｍａｔｉｏｎｏｆＥｌｅｃｔｒｉｃＰｏｗｅｒ—Ｓｙｓｔｅｍｓ，２０１２，３６（６）：２９３３．［６］武小梅，白银明，文福拴．基于ＲＢＦ神经元网络的风电功率短期预测【Ｊ］．电力系统保护与控制，２０１１，３９（１５）：８０－８３．—ＷＵＸｉａｏｍｅｉ，ＢＡＩＹｉｎｍｉｎｇ，ＷＥＮＦｕｓｈｕａｎ．Ｓｈｏｒｔｔｅｒｍｗｉｎｄｐｏｗｅｒｆｏｒｅｃａｓｔｂａｓｅｄｏｎｔｈｅｒａｄｉａｌｂａｓｉｓｆｕｎｃｔｉｏｎｎｅｕｒａｌｎｅｔｗｏｒｋ［Ｊ］．ＰｏｗｅｒＳｙｓｔｅｍＰｒｏｔｅｃｔｉｏｎａｎｄＣｏｎｔｒｏｌ，２０１１，３９（１５）：８０－８３．［７］何东，刘瑞叶．基于主成分分析的神经网络动态集成风功率超短期预测［Ｊ］．电力系统保护与控制，２０１３，—４１（４）：５０５４．—ＨＥＤｏｎｇ，ＬＩＵＲｕｉｙｅ．Ｕｌｔｒａ－ｓｈｏｒｔｔｅｒｍｗｉｎｄｐｏｗｅｒｐｒｅｄｉｃｔｉｏｎｕｓｉｎｇＡＮＮｅｎｓｅｍｂｌｅｂａｓｅｄｏｎｔｈｅｐｒｉｎｃｉｐａｌｃｏｍｐｏｎｅｎｔｓａｎａｌｙｓｉｓ［Ｊ］．ＰｏｗｅｒＳｙｓｔｅｍＰｒｏｔｅｃｔｉｏｎａｎｄ—Ｃｏｎｔｒｏｌ，２０１３，４１（４）：５０５４．—１８Ｊ，ＺＥＮＧＪ．ＱＩＡＯＷ．Ｓｕｐｐｏｒｔｖｅｃｔｏｒｍａｃｈｉｎｅ－ｂａｓｅｄｓｈｏｒｔｔｅｒｍｗｉｎｄｐｏｗｅｒｆｏｒｅｃａｓｔｉｎｇ［Ｃ］／／ＰｏｗｅｒＳｙｓｔｅｍｓＣｏｎｆｅｒｅｎｃｅａｎｄＥｘｐｏｓｉｔｉｏｎ（ＰＳＣＥ），２０１１ＩＥＥＥ／ＰＥＳ，ＩＥＥＥ，２０１１：１－８．［９］肖迁，李文华，李志刚，等．基于改进的小波．ＢＰ神经网络的风速和风电功率预测［Ｊ］．电力系统保护与控制，２０１４，４２（１５）：８０・８６．ＸＩＡＯＱｉａｎ，ＬＩＷｅｎｈｕａ，ＬＩＺｈｉｇａｎｇ，ｅｔａ１．Ｗｉｎｄｓｐｅｅｄａｎｄｐｏｗｅｒｐｒｅｄｉｃｔｉｏｎｂａｓｅｄｏｎｉｍｐｒｏｖｅｄｗａｖｅｌｅｔ－ＢＰｎｅｕｒａｌｎｅｔｗｏｒｋ［Ｊ］．ＰｏｗｅｒＳｙｓｔｅｍＰｒｏｔｅｃｔｉｏｎａｎｄＣｏｎｔｒｏｌ，—２０１４，４２（１５）：８０８６．［１Ｏ］陈道君，龚庆武，金朝意，等．基于自适应扰动量子粒子群算法参数优化的支持向量回归机短期风电功率预—测［Ｊ］．电网技术，２０１３，３７（４）：９７４９８０．—ＣＨＥＮＤａｏｊｕｎ，ＧＯＮＧＱｉｎｇｗｕ，ＪＩＮＺｈａｏｙｉ，ｅｔａ１．Ｓｈｏｒｔｔｅｒｍｗｉｎｄｐｏｗｅｒｐｒｅｄｉｃｔｉｏｎｂａｓｅｄｏｎｓｕｐｐｏ￣ｖｅｃｔｏｒｒｅｇｒｅｓｓｉｏｎｍａｃｈｉｎｅｏｐｔｉｍｉｚｅｄｂｙａｄａｐｔｉｖｅｄｉｓｔｕｒｂａｎｃｅ—ｑｕａｎｔｕｍｂｅｈａｖｅｄｐａｒｔｉｃｌｅｓｗａｒｌｎｏｐｔｉｍｉｚａｔｉｏｎ［Ｊ］．ＰｏｗｅｒＳｙｓｔｅｍＴｅｃｈｎｏｌｏｇｙ，２０１３，３７（４）：９７４－９８０．［１１］董红，石连生，赵鹏程，等．运用ＰＳＯ．ＬＳＳＶＭ模型的城市供电可靠性预测『Ｊ］．电力系统及其自动化学报，２０１４，２６（７）：８２－８６．ＤＯＮＧＨｏｎｇ，ＳＨＩＬｉａｎｓｈｅｎｇ，ＺＨＡＯＰｅｎｇｃｈｅｎｇ，ｅｔａ１．Ｒｅｌｉａｂｉｌｉｔｙｐｒｅｄｉｃｔｉｏｎｏｆｕｒｂａｎｐｏｗｅｒｎｅｔｗｏｒｋｂａｓｅｄｏｎ—ＰＳＯＬＳＳＶＭｍｏｄｅｌ［Ｊ］．ＰｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅＣＳＵ－ＥＰＳＡ，２０１４，２６（７）：８２－８６．［１２］张翌晖，王贺，胡志坚，等．基于集合经验模态分解和改进极限学习机的短期风速组合预测研究［Ｊ］．电力系统保护与控制，２０１４，４２（１０１：２９．３４．ＺＨＡＮＧＹｉｈｕｉ，ＷＡＮＧＨｅ，ＨＵＺｈｉｊｉａｎ，ｅｔａ１．Ａｈｙｂｒｉｄ—ｓｈｏｒｔｔｅｒｍｗｉｎｄｓｐｅｅｄｆｏｒｅｃａｓｔｉｎｇｍｏｄｅｌｂａｓｅｄｏｎｅｎｓｅｍｂｌｅｅｍｐｉｒｉｃａｌｍｏｄｅｄｅｃｏｍｐｏｓｉｔｉｏｎａｎｄｉｍｐｒｏｖｅｄｅｘｔｒｅｍｅｌｅａｒｎｉｎｇｍａｃｈｉｎｅ［Ｊ］．ＰｏｗｅｒＳｙｓｔｅｍＰｒｏｔｅｃｔｉｏｎａｎｄＣｏｎｔｒｏｌ，２０１４，４２（１０）：２９－３４．［１３］王新，孟玲玲．基于ＥＥＭＤ．ＬＳＳＶＭ的超短期负荷预测［Ｊ］．电力系统保护与控制，２０１５，４３（１）：６１．６６．——ＷＡＮＧＸｉｎ，ＭＥＮＧＬｉｎｇｌｉｎｇ．Ｕｌｔｒａｓｈｏｒｔｔｅｒｍｌｏａｄ—ｆｏｒｅｃａｓｔｉｎｇｂａｓｅｄｏｎＥＥＭＤＬＳＳＶＭ［Ｊ］．ＰｏｗｅｒＳｙｓｔｅｍＰｒｏｔｅｃｔｉｏｎａｎｄＣｏｎｔｒｏｌ，２０１５，４３（１）：６１－６６．１１４３ＧＨＯＳＨＳＫ，ＳＨＡＷＯＮＭＨ，ＲＡＨＭＡＮＭ，ｅｔａ１．ＷｉｎｄｅｎｅｒｇｙａｓｓｅｓｓｍｅｎｔｕｓｉｎｇＷｅｉｂｕｌｌｄｉｓｔｒｉｂｕｔｉｏｎｉｎｃｏａｓｔａｌａｒｅａｓｏｆＢａｎｇｌａｄｅｓｈ［Ｃ】／／ＤｅｖｅｌｏｐｍｅｎｔｓｉｎＲｅｎｅｗａｂｌｅＥｎｅｒｇｙＴｅｃｈｎｏｌｏｇｙ（ＩＣＤＲＥＴ），２０１４３ｒｄＩｎｔｅｒｎａｔｉｏｎａｌＣｏｎｆｅｒｅｎｃｅｏｎ：ＩＥＥＥ，２０１４：１－６．［１５］ＺＨＡＮＧＱ，ＬＡＩＫＫ，ＮＩＵＤ，ｅｔａ１．Ａｆｕｚｚｙｇｒｏｕｐｆｏｒｅｃａｓｔｉｎｇｍｏｄｅｌｂａｓｅｄｏｎｌｅａｓｔｓｑｕａｒｅｓｓｕｐｐｏｒｔｖｅｃｔｏｒｍａｃｈｉｎｅ（ＬＳ－ＳＶＭ）ｆｏｒｓｈｏｒｔ－ｔｅｒｍ、ｎｄｐｏｗｅｒ［Ｊ］．Ｅｎｅｒｇｉｅｓ．—２０１２，５（９）：３３２９３３４６．［１６３ＶＡＮＧＥＳＴＥＬＴ＇ＤＥＢＲＡＢＡＮＴＥＲＤＥＭＯＯＲＢ，ｅｔａ１．Ｌｅａｓｔｓｑｕａｒｅｓｓｕｐｐｏｒｔｖｅｃｔｏｒｍａｃｈｉｎｅｓ［Ｍ］．Ｓｉｎｇａｐｏｒｅ：Ｗｏ订ｄＳｃｉｅｎｔｉｆｉｃ．２００２．［１７］徐曼，乔颖，鲁宗相．短期风电功率预测误差综合评价方法［Ｊ］＿电力系统自动化，２０１１，３５（１２）：２０－２６．ＸＵＭａｎ，ＱＩＡＯＹｉｎｇ，ＬＵＺｏｎｇｘｉａｎｇ．Ａｃｏｍｐｒｅｈｅｎｓｉｖｅ—ｅｒｒｏｒｅｖａｌｕ￣ｉｏｎｍｅｔｈｏｄｆｏｒｓｈｏｒｔｔｅｒｍｗｉｎｄｐｏｗｅｒｐｒｅｄｉｃｔｉｏｎ［Ｊ］．ＡｕｔｏｍａｔｉｏｎｏｆＥｌｅｃｔｒｉｃＰｏｗｅｒＳｙｓｔｅｍｓ，２０１１，３５（１２）：２０－２６．．—收稿日期：２０１５－０６１９；—修回日期：２０１５－０７２７作者简介：张颖超（１９６０一），男，教授，博士生导师，研究方向为复杂系统建模与评估、气象服务效益研究、风电功率预测、气象数据质量控制等；郭晓杰（１９８８－），男，通信作者，硕士研究生，研究方—向为短期风电功率预测；Ｅｍａｉｌ：ｇｘｊ＿ｗｏｒｋｍａｉｌ＠１６３．ｃｏｍ叶小岭（１９６４－），女，教授，硕士生导师，研究方向为最优化控制。（编辑葛艳娜）