风电功率预测方法综述.ppt

风电功率预测综述 预测方法 确定性风电预测方法 概率性风电预测方法 确定性风电预测方法旨在给出未来某一时刻风速或者风功率具体预测值 因为确定性预测模型提供的预测结果会有不同程度的预测误差，从而给电力系统的操作带来一定的影响。为了更为有效的对电力系统进行操作，预测模型还应当提供预测结果的概率分布特性。这种预测模型叫做概率性预测模型 确定性预测 统计学习方法 物理模型 统计学习方法通过研究风电场的历史数据，旨在建立不同历史数据之间的统计关系，使用测量数据根据数据之间的统计关系对风速以及风电功率进行预测 物理模型使用数学模型研究气象演变过程，根据边界条件使用反应气象演变的数学模型对气象数据进行预测。 统计学方法 经典预测方法 组合模型 经典预测方法 持续法 时间序列分析法 人工神经网络 支持向量机SVM 持续法 风电领域中最经典的预测方法是持续法。持续法以当前时刻的风速或者风电功率值作为未来的风速或者风电功率预测值。 持续法虽原理简单，但是预测精度尚可，特别是在预测时间短的情况下，持续法的精度甚至可能超出其他原理复杂的机器学习方法。因此持续法在风电预测领域通常被当做基准方法用来验证其他方法的预测性能。 时间序列分析 时间序列分析是一种分析动态时间序列数据的有效分析方法。ARMA 模型是一种比较常用的经典时间序列分析方法。 大量的历史数据可以在一定程度上提高 ARMA 模型的预测精度。 ARMA 相比持续法优势并不明显，但是随着预测时间的增加，ARMA 模型的预测精度比持续法就有了较大程度的提高。 对 ARMA 模型进行合理校正可以明显提高风电功率的中短期（72 h 之内）的预测精度。 附：Zhongyue Su 等人用 PSO 算法对 ARIMA 模型参数进行优化，再与Kalman 滤波算法结合得到组合预测模型，该组合模型在风速日均值预测中的性能比单纯的 ARIMA 相比有一定程度的提高 人工神经网络 学者们研究了 ANN 在中长期日均值和月均值风速预测中的应用，与 AR 模型对比，ANN 模型在中长期的风速预测中精度有明显提高。 结果表明应当针对风速集的特征选择合适的 ANN模型，没有一种 ANN 模型能够普适所有的风速预测情况。目前，对 ANN 在风电预测中的应用主要集中在 ANN 模型的改进上。 对电力系统内的风电功率进行小时均值预测，结果表明，经过优化后的 WNN 模型小时均值风电功率预测 RMSE 误差比持续法以及普通 ANN 模型能够降低 20%~30%左右。 支持向量机SVM 支持向量机 SVM 作为一种基于核的机器学习方法具有良好的非线性建模能力。 对比SVM 与 ANN 在日均值风速预测中的性能，SVM 的预测误差比 ANN 降低 13%左右。 使用 Bayes 理论对传统 SVM 损失函数进行修正，建立 v-SVM 模型提高了短期风速预测的性能。 组合模型 组合模型 1）原始序列分解得到子序列，对子序列进行单独建模的组合。 2）对原始序列用数个模型进行预测，使用加权方式综合各模型结果得到预测结果。 3）对预测模型输出建立误差校正模型的组合。 4）使用优化算法对基本预测模型参数进行优化的组合。 分解方法 1）小波分解。 2）小波包分解。 3）EMD 分解。 4）fast ensemble EMD 分解。 感谢聆听