基于ARMA和卡尔曼滤波的风电场风电功率预测研究.pdfVIP

基于ARMA 和卡尔曼滤波的风电场风电功率预测研究 庆华，高 山 （东南大学电气工程学院 江苏 南京 210096 ） 摘 要： 电场 电功率预测对优化电网调度、提高风电 成 电场输出功率，也可直接对风电场输出功率 场容量系数具有重要意义。对采样时间为 10min 的风电 做时间序列分析。主要包括ARMA 算法、ARCH 功率时间序列建立自回归移动平均(ARMA)模型，并对 [3] 算法 、线性回归模型、自适应模糊逻辑算法、 电功率进行预测。由ARMA 方程推导卡尔曼滤波的状态 [4] 人工神经网络方法等 。基于数值天气预报的预 方程和测量方程，利用卡尔曼递推计算公式预测风电功 测模型是利用气象部门提供的数值气象预报模 率，并比较二者的预测效果。 型，对风电场或附近某个点的天气情况 （主要包 关键词： 力发电；预测；ARMA ；卡尔曼滤波 括 速、 向、气温、气压等参数）进行预测； 0 引言 建立预测模型，结合其它输入，将数值气象预报 可再生能源特别是风能的开发利用已得到世 模型的预测值转换成 电场的功率输出。该模型 界各国的高度重视。 着科学技术的不断发展， 可分为两大类：统计模型和物理模型。 力发电技术得到了快速发展，大中型 电场相 本文以某 电场为例，针对提前一个观测时 继建成并投入运行。 力发电已具备大规模商业 间段给出预测值的要求，对风电功率的预测方法 开发的技术和经济条件。从2000 年到2007 年， 进行了研究。原始数据是风电功率时间序列，研 全世界的 力发电装机年增长量都在20% 以上， 究的主要内容为：对 电功率序列进行时间序列 其在电网中所占的比例不断提高。到2007 年底， 分析，建立ARMA 模型，利用ARMA 模型的预 全球的 力发电机组装机总容量达到93849MW， 测方程，直接推导出卡尔曼滤波的状态和测量方 每年产生200TWh 电力，相当于全球电能消费总 程，利用卡尔曼预测递推计算公式可以实现信号 量的 1.3% 。中国风电装机容量自2003 年以来进 的预测。实例表明，该方法有效地提高了 电功 入了快速增长期。2003 年，中国风力发电累计总 率预测精度。 装机容量为 567MW，2004 年为 764MW，2005 1 采用时间序列分析法预测风电功率 年为 1266MW，2006 年底为2599MW，2007 年 1.1 间序列法基本原理 底约为 5906MW 。2008 年，我国装机容量达 ARMA 模型是一类常用的随机时间序列模 12153MW 。与2007 年相比，累计装机增长率为 型，由博克斯(Box),詹金斯(Jenkins)创立。 106%[1,2] 。 力发电已经进入了一个快速发展的 ARMA 模型有三种基本类型: 自回归(AR ： 阶段。 Auto-regressive)模型、移动平均(MA ：Moving 具有波动性、间歇性、低能量密度等特点， Average)模型以及自回归移动平均(ARMA ：