第4章-新能源资源监测与发电预测.pdfVIP

4.3新能源发电预测

新能源发电预测用于提高新能源电场/站的出力可预见性，为发电计划制订与电网调度

提供决策支持，缓解电力系统调峰、调频压力，使得电网能够在安全稳定运行的前提下，增

强新能源发电的竞争力，提高新能源发电的消纳水平。同时，新能源发电预测在电站发电量

评估、检修计划制订以及智能运维等方面都将发挥重要作用。

根据预测的时间尺度，新能源发电预测可分为超短期和短期，超短期预测的时效为未来

15分钟至4小时，短期预测的时效为未来0至72小时。随着预测技术发展和应用场景的丰

富，新能源发电预测有了新的需求，延伸出中长期电量预测、爬坡预测等。

4.3.1超短期功率预测

常用的预测方法有卡尔曼滤波法、自回归滑动平均法（ARMA）、指数平滑法、人工神

经网络、支持向量机、模糊逻辑法等，其中卡尔曼滤波法是利用有限时间内的观测数据进行

预测建模，这种方法适用于噪声信号服从高斯分布的情况；ARMA方法可以利用风电场单

一风速或功率的时间序列建立预测模型；指数平滑法建立的模型较简单，需要存贮的数据少，

预测结果依赖于平滑初值和平滑系数；人工神经网络方法应用最为广泛，具有较强的容错性

以及自组织和自适应能力，对非线性问题的求解十分有效，但存在训练速度慢，容易陷入局

部极小等缺点。支持向量机具有全局收敛性，样本维数不敏感，不依赖于经验信息等优点，

但最佳核变换函数及其相应的参数确定较为复杂。单纯的模糊逻辑法用于风电功率预测，效

果往往不佳，通常要与其他方法配合使用，如遗传算法、人工神经网络等。

在超短期预测技术的实用化方面，德国太阳能技术研究所(ISET，InstituteforSolar

EnergySupplyTechnology)开发的WPMS(WindPowerManagementSystem)中包括了基于人

工神经网络(ANN)的超短期预测模型，丹麦科技大学开发的WPPT(WindPowerPrediction

Tool)使用自回归(AR)预测模型实现风速和功率的预测建模。

目前，国内外的风电场超短期功率预测主要是基于历史数据来预测风电场功率，也就是

在若干个历史数据(包括功率、风速、风向等参数)和风电场的功率输出之间建立一种映射

关系，主要包括:持续法、线性法、人工神经网络法等。

（1）持续法

这是最简单的预测方法，是把最近一点的风速或功率观测值作为下一点的预测值，该法

适用于3～6h以下的预测．该法通常采用时间序列模型，其预测误差较大且预测结果不

稳定。其改进后的方法为卡尔曼滤波法，这一预测法具有可以动态修改预测权值的优点，且

预测精度较高，但是建立卡尔曼状态方程和测量方程较为困难，此算法只适用于在线风力发

电功率预测。

采用时间序列法可以对风速进行时间序列分析，然后将其转换成风电场输出功率，也可

直接对风电场的输出功率进行时间序列分析。输入数据通常包含风速、风向、气温、气压

等SCADA实时数据。

（2）线性法

在线性预测法中，应用较为广泛的是ARMA法。ARMA法优于持续法，通常采用一组

不同阶数的ARMA的模型组合，对提前1～6h的风速及风电场功率进行研究。该法利

用大量的历史数据来建模，经过模型识别、参数估计、模型检验来确定一个能够描述所研究

时间序列的数学模型，再由该模型推导出预测模型。该法计算精度较高，其中训练数据和验

证数据的选取很重要。

根据Box-Jenkins方法，可将随机时间序列的模型分为4类:自回归模型(AR)；滑动平

均模型(MA)；自回归-滑动平均模型(ARMA)；累积式自回归-滑动平均模型(ARIMA)。对

于AR模型当前时刻的观测值由过去几个历史时刻的观测值和一个当前时刻的随机干扰来

表示；对于MA模型，当前时刻的观测值由称作随机干扰的白噪音序列的线性组合来表示；

将AR模型与MA模型结合起来，