风电功率预测方法的研究

本科生毕业设计（论文）

题 目： 风电功率预测方法的研究

姓 名： 黄生树

学 号： 011000511

学 院： 电气工程与自动化

专 业： 电气工程与自动化（建筑电气方向）

年 级： 2010级

校内指导教师： 林建新 （签名）

2016 年 6 月 15 日

风电功率预测方法的研究

摘要

因为化石燃料是不可再生和使用会污染环境,化石能源随着人们使用将日益枯竭,由此产生的环境污染问题也越来越严重,风能作为一种可再生的、清洁的能源越来越关注。由于风是波动的、间歇性的，在风力发电的规模在不断扩大的同时，风电并网后不仅给电网的调度带来很大的困难，还严重影响了电网运行的安全性与稳定性。预测风力发电和提高其预测精度是越来越重要。风力发电在中国近年来发展迅速,但其相应的预测研究还不够深入,因此国内对相应研究的需求更为迫切。

通过对风电功率预测现有的方法的进行研究学习，知道各种方法的优缺点后，结合三个风电场的实际情况，以支持向量机(SVM)为智能算法，预测短期的风力发电功率，并对预测结果进行了分析。主要有以下工作内容：了解课题的研究背景，国内外研究现状的调查，预测方法的学习及选择，程序的编写与仿真，预测结果的分析。

首先，本文对三个风电场的历史功率数据进行预处理，数据之间时间间隔分别为5min ，10min，15min。随后，运用SVM智能算法，与滚动预测法相结合，分别对三个风电场未来一天的风力发电的输出功率进行滚动预测，通过预测所得的数据与历史真实实测的数据进行对比，得出结果并对其进行分析。根据仿真结果及分析可知，基于向量机模型预测短期内的风电功率其误差在可接受范围内，该方法具有一定的可行性并且预测结果可作为风电并网及调度的参考数据。

关键词：电力系统，风力发电，预测方法，支持向量机；

I

Study of wind power prediction method

Abstract

Because fossil fuels are non-renewable and use will pollute the environment, with the use of fossil energy it will be increasingly drying up and the resulting environmental pollution problem is becoming more and more serious, wind energy as a renewable clean energy is more and more attention. Because the wind is intermittent and volatility, with the continuous expand of the wind power scale, grid interconnection of wind farms not only gives the huge difficult to the dispatching of power system, also affect power grid safe and stable operation. Wind power prediction and constantly improve the prediction accuracy is becoming more and more important. In recent years domestic wind power generation is rapid development, however its corresponding prediction research was not deep enough. So the domestic demand for the corresponding research more urgent.

In this article, I through to the existing wind power prediction methods to study, after know the advantages and disadvantages of various methods, in combination with the practical situation of three wind farms, with support vector machine (SVM) for intelligent algorithm, to predict short-term wind power, and the prediction results were analyzed. Mainly include the following contents: to understand the topic research background, research status at home and abroad, forecasting methods of learning and choice, the writing of the program and simulation, analysis of results.

First of all, preprocessed historical power data which derived from three wind farms, time interval between data are respectively for 5 minutes, 10 minutes and 15 minutes. Then, using the SVM intelligent algorithm combined with rolling forecast method, respectively, forecasting the output power of wind power in three wind farms, the data obtained by prediction comparing with the history of real measured data, and carries on the analysis result. According to the results of simulation and analysis, based on the vector machine (SVM) model to predict the short-term wind power the error within the acceptable range, this method has certain feasibility and predicted results can be used as the reference data of wind power grid and scheduling.

Key words: Power system，Wind power，Prediction method， Support vector machine

II

风电功率预测方法的研究

目 录

摘要 ····························································································································· I Abstract ······················································································································· II

第1章 绪论 ······························································································· 1 1.1 选题背景及意义 ·················································································· 1 1.1.1 选题背景 ······················································································· 1 1.1.2 选题意义 ························································································· 4 1.2 风电功率预测的方法分类及其优缺点 ······················································· 5 1.3国内外风电功率预测技术研究现状 ··························································· 6 1.3.1国外风电功率预测技术研究现状 ························································· 6 1.3.2 国内风电功率预测技术研究现状 ························································ 7 1.4 论文的主要内容 ·················································································· 7 第2章 基于支持向量机的风电功率预测方法的研究 ··········································· 9 2.1 SVM的基本理论基础 ············································································ 9 2.2 SVM算法实现步骤 ·············································································· 11 第3章 运用SVM支持向量机进行风电功率预测 ·············································· 12 3.1数据的预处理 ····················································································· 12 3.2程序的主要思路及大体步骤 ··································································· 12 3.3仿真的结果及分析 ··············································································· 13

总结 ········································································································· 20 参考文献 ·································································································· 21 附录1 ······································································································ 22 致谢 ········································································································· 25

i

风电功率预测方法的研究

第1章 绪论

1.1 选题背景及意义

1.1.1 选题背景

自从工业革命以来，人类科技以及社会一直处于高速发展状态，与此同时带来的是人类对于能源需求越来越大。然而化石能源目前作为人类主要的消耗能源却是不可再生能源，因此随着人们的不断开采化石能源的枯竭是可以预期的。根据相关资料显示，按照目前开采的速度，大部分化石能源将在本世纪开采殆尽。不仅如此，随着化石能源的开发利用，其使用所带来的对环境的破坏污染致使人类的生存环境越来越恶劣。 化石能源使用所产生的废水、废气、固体废弃物及二氧化碳等正是导致酸雨、水污染、空气污染、温室效应、臭氧层空洞等环境问题的罪魁祸首。如果不重视这些问题放任自流必将导致生存环境恶化进一步加剧及能源短缺的可怕后果。

步入21世纪以来，化石能源的枯竭及其带来的环境恶化问题使得各国都在提倡节能减排、绿色低碳的生活并积极的寻找新的清洁的、可再生的能源来代替化石能源的使用。目前，各个国家通过加大对新能源开发领域的投入、建立相关法律法规、制定相关发展规划等手段确保可再生能源的发展。我国制定了《中华人民共和国可再生能源法》等法律法规使得我国在新能源领域中市场规模扩大、市场投入增加、相关设备制造水平迅速提高，总体呈现出良好的发展势头。美国一边通过建立《美国清洁能源与安全法案》等法案为可再生能源发展创造新市场空间，为其发展扫清体制和政策上的障碍；一边以抵免相应的税收、发放相应的补贴、在金融上进行支持刺激性政策来加快可再生能源的产业化程度，刺激人们加大对新能源的投资和使用。

风能是一种无污染、可再生的能源，风力发电具有不消耗其他能源、不产生污染物、没有辐射等优势。风能资源特别丰富，据统计全球的风能约为2.74X109MW，其中可利用的风能为2X107MW。因此大力发展风电产业将其作为替代化石能源的重要手段是可行的。根据相关统计[1]，截止至2015年，全球风电产业新增装机63013MW，，同比增长22%。图1-1为2000-2015年全球风电新增装机容量变化统计直方图，图1-2为2000-2015年各国风电累计装机容量变化统计直方图。图1-3为2015各国风电累计装机容量占比。

1

福州大学本科生毕业设计论文

图1-1 2000-2015年全球风电新增装机容量变化统计直方图

图1-2 2000-2015年各国风电累计装机容量变化统计直方图

图1-3 2015各国风电累计装机容量占比

2

风电功率预测方法的研究

我国风能资源丰富。 根据气象局《全国风能资源评估成果（2014）》的评估结果，我国陆地 70 米高度风功率密度达到 150 瓦/平方米以上的风能资源技术可开发量为 72 亿千瓦，达到 200 瓦/平方米以上的风能资源技术可开发量为 50 亿千瓦[2]。从风能资源分布情况来看[3]，我国风能资源主要集中在北部、西北和东北的草原、戈壁滩以及东部、东南部的沿海地带和岛屿上。从20世纪50年代末开始，我国开始对风力发电的研究，从70年代末开始进行风电并网方面的研究。1986年，中国第一座风电场马兰风力发电厂在山东荣成并网发电，成为我国风电史上的里程碑[4]。从此中国风电进入高速发展阶段。图1-4是2005年至2014年风电历年新增并网容量及年增长率。图1-5是2005年至2014年风电累计并网容量及年增长率。

图1-4 2005年至2014年风电历年新增并网容量及年增长率

图1-5 2005年至2014年风电累计并网容量及年增长率。

3

福州大学本科生毕业设计论文

从风电市场竞争情况上看，我国风电产业国有企业占比高，但民营企业占比逐渐提升。区域市场集中度高，主要集中在华北、东北、西北地区。由于风电机组的制造、风电场的建设需要大量的资金投入，然而其资金回笼可能需要十数年，并且进入风电行业需要相应专业的技术，普通的民间资本难以达到相应的标准，这就导致了国内风电行业市场化程度很低。

1.1.2 选题意义

由于自然界的风是波动的、间歇性的，这就致使了利用风能进行发电的风力发电机其输出功率是波动变化的。由于风电机组输出功率与风速的立方存在关系，因此微小的风速波动都可能带来大幅度的输出功率波动。要是风力发电输出到电网的电能在整个电网输送的电能的比重很小的时候，风电并网对电网的影响不大。但风电输出到电网的电能在整个电网输送的电能的比重达到一定比例的时候，风电功率的大幅度波动将给电力系统的平衡带来很大的冲击，严重影响电能的质量，同时风电输出功率的不确定性将给电网的调度带来极大的困难。

从上文可知，风电产业发展迅速，因此风电在电网中的比例将会不断增加，其不利影响将会在风电的规模不断扩大的同时越来越凸显出来。风电的随机性、间歇性、波动性已经严重的阻碍了风电的发展。根据国内外风电场运营经验表明：风电功率预报是解决这一问题的主要途径。根据时间的长短来看，风电功率预测具有以下应用【6】： 1、以10或15分钟为单位的提前几小时的风电功率预测可以帮助调度部门进行调度决策；

2、以小时为单位的提前一天的短期风电功率预测有利于制定负荷计划和策略； 3、以天为单位的提前一周的长期风电功率预测有利于制定风电场风电机组的维修计划；

风电场在我国的分布与国外有很大的不同。国外的风电场相对比较分散，而我国的则具有出规模大、开发集中等特点，而且风电场地处偏远，通常需要转化成超高压的形式传送电能。这些位置一般处于电网薄弱位置，风电的波动对电网的影响将更加明显。事实上，在我国风电大力发展的同时，因不能处理好风电并网带来的影响等原因导致我国风电弃风现象严重。2015年，风电弃风限电形势加剧，全年弃风电量339亿千瓦时，同比增加213亿千瓦时，平均弃风率15%，同比增加7个百分点

【7】

。对我国风电场进行

风电功率预测，电力部门能够根据相应的预测结果，制定出更适合的风电调度计划，保障电网能够安全稳定运行；由于有了更适合的生产调度计划，可以减少系统的备用容量，间接减少风电发电所需要的成本；对我国风电场进行风电功率预测，能够给风电场电力交易制定计划，提升风电的市场竞争力；对我国风电场进行风电功率预测，能够选择更合理的时间段内进行风电场的维护、保养、检修、故障排除工作，间接提升风电场的发电效率。为了我国风电产业的良好发展，我国颁布了相应的法律法规要求并网运行的风电场必须要有相应的风电功率预测系统并且应当要有相应的精度[16]。

4

风电功率预测方法的研究

1.2 风电功率预测的方法分类及其优缺点

根据预测的时间长短，风电功率预测可以分为超短期预测、短期预测、中长期预测三类[8]：未来几个小时的风电功率预测为超短期预测，用于风电的实时调度；未来一至三天的风电功率预测为短期预测，主要用于机组组合和备用安排；未来三天至一周及一周以上的风电功率预测为中长期预测，用于风资源评测和检修安排等。

从预测模型上可以划分为物理方法、统计方法、及组合模型方法三类。物理法[3]主要是根据气象部门提供的数值天气预报结果来模拟风电场范围内天气，并将预测到的风电场内风向、风速、大气压、空气密度等天气数据与风机周围物理信息和风电机组轮毂高度等信息建立物理预测模型，最后利用风电机组功率曲线得到预测功率。物理法预测风电功率时，往往要考虑尾流效应的影响。风速变化在空间上往往表现出没有规律、波动范围大；风速跟随时间的变化情况往往取决于大气的运动情况和大气风量持续性的程度，所以物理法建立的风电功率预测物理模型很难有普适性，其预测结果的系统误差无法避免。物理法需要数值天气预报(NWP)的预测结果，因此其预测精度受到其相应的预测结果准确性的制约。统计方法是利用一种或多种数学工具寻找出现有的数据和所要预测的数据之间的函数关系，其本质是挖掘出蕴含在大量数据下的规律，并根据所发现的规律来进行相应的预测工作。风电功率预测中常用的统计算法有时间序列算法和机械学习算法。时间序列算法主要有[9]：自回归模型、滑动回归模型、自回归滑动平均模型。机械学习算法主要有[8]：遗传算法、人工神经网络、模糊逻辑、支持向量机等。其理论上可以对任意非线性关系进行无限逼近。图1-6是风电功率预测方法的分类。

图1-6 风电功率预测方法的分类

时间序列法通过分析与挖掘现有的数据来建立相应的的数学模型，建模过程包括对处理历史数据、模型识别、确定参数、校验模型适用性等。该方法建模容易，结构较为简单，但是其需要大量的历史数据，非线性关系无法拟合，预测时间越长，预测精度越

5

福州大学本科生毕业设计论文

低。

人工神经网络法[18-20]是模拟人脑神经过程，其能够对历史数据进行学习从而实现对复杂问题的处理，目前已被大量应用于短期风电功率预测当中。其模型建立的过程包括对预处理数据、确定其网络模型、选择网络参数、数据训练、网络测试。该方法对于数据的质量要求不高，不需要建立先验模型，但是其需要长时间的训练过程和大量的训练数据，难以确定网络结构和参数等问题。

支持向量机（SVM）是在统计学习理论基础之上提出来的，其对于非线性、小样本方面当中的预测具有较好的效果。其建模过程有样本数据的预处理、选择合适的核函数、确定相关、数据的训练、执行预测。该方法能够在小样本数据中获得较好的预测效果，没有过学习和易陷入局部最小等缺点，对新鲜样本的学习适应能力很强，但其对于大量数据的处理能力不强，要确定最适合的核函数和最优参数往往需要其他理论。

模糊逻辑是在充分利用专家经验的基础上，结合现有的历史数据，得出相应的模糊逻辑推理规则。应用该方法进行预测由于发挥了专家经验的优势，能够对风电输出功率预测当中的模糊现象进行处理。但其更多的受到主观经验的影响，学习能力弱，当有较多的规则时，就要耗费很多的从处理时间。

由于大气运动过程具有混沌特性，其运动过程短期内系统发散较小，因此在短期内根据混沌理论进行风电功率预测是可行的。该方法符合大气运动的自然特性，但是初始条件的微小变化都将引起预测精度大幅度下降，并且只能用于短期内的风电功率预测。

分析各种预测方法的优缺点，通过对不同的预测方法的取长补短综合得出最终的预测结果就是组合模型方法。根据相关研究成果其预测结果通常优于单一预测方法的结果。

1.3国内外风电功率预测技术研究现状

1.3.1国外风电功率预测技术研究现状

国外对于风电功率预测的研究起步早，始于80年代，随着其研究的不断深入，其预测技术越来越完善、预测精度不断提升。目前发达国家像美国、德国、西班牙、丹麦等风电功率预测技术较为成熟。丹麦国家研发的典型的风电功率预测系统有Prediktor、WPPT、Zephyr。其中Prediktor系统是全球第一个风电功率预测软件、其采用物理预测模型，其能够根据高空的数值天气预报的风速得到某一地面的风速；WPPT系统使用自回归统计算法，功率被认为是一个随时间变化的非线性随机过程；而Zephyr则是将上述两种预测模型结合起来，其集中了两种预测模型的优点。美国研发的eWind系统组合了多个统计模型像多元线性回归、支持向量回归、人工神经网络等集合生成预测结果。该系统基于高分辨率的数值天气预报模型，具有先进的统计预测技术，目前为CAISO、ERCOT、NYISO等电网运营商提供预报服务。德国研发的Previento系统通过对气象部

6

风电功率预测方法的研究

门提供的数值天气预报结果进行空间细化，结合风电场当地具体的地形、海拔高度等条件，根据其风电机组相应的功率曲线把预测的风速转化为预测的输出功率。其他典型的风电功率预测系统还有西班牙的AWS Trewind系统、法国的AWPPS系统、欧盟的ANEMOS项目。

国外发达国家较为成熟的风电功率预测技术是其更高的风电功率普及率的保障。这些发达国家往往有很好的数值天气预报系统为风电功率预测提供支持，但从全球范围上看数值天气预报技术不够完善普及。现发达国家研究的重点在于通过人工智能算法研发出更精确的预测模型、寻找更好的将统计模型与组合模型结合起来的方式方法以及开发相应的技术与工具对预测结果的不确定性进行评估。

1.3.2 国内风电功率预测技术研究现状

我国在风电功率预测技术方面的研究起步较晚，很多研究只停留在理论方面而实际应用方面的工作相对滞后。但目前很多风电功率预测预报系统已被国内的一些科研机构和高校开发出来。例如湖北气象中心的WPPS系统、中国气象局公共服务中心的WINPOP系统、中国电科院的WPFS系统、华北电力大学的SWPPS系统等。WPPS系统使用C#做为开发语言，其具有根据实际风电场情况采用合适的算法模型的优点，目前已投入湖北省的九宫山风电场和新疆的乌兰达布森风电场使用。WINPOP系统采用C/S结构，以全球天气分析服务系统为基础进行开发，运用了SVM、人工神经网络、自适应最小二乘法等多种算法进行风电功率预报。WPFS采用B/S结构，使用Java语言进行开发，其能够对单独风电场或者特定区域的集群预测。该系统不仅可以设置每日预测的时间和次数，还能够对风机故障与限电等特殊情况进行功率预测。

总体来说，我国风电功率预测方面的研究取得了一定的成果，一些学者也提出了不同于传统方法的新型研究方法和技术【22】。但是在中国，并没有针对这个方面的数值天气预报，这将严重的制约我国在风电功率预测方面的进一步发展。目前在预测的精确度方面有待提升，根据其预测结果安排发电计划有相当大的风险。预测时长尺度还不能满足要求。

1.4 论文的主要内容

在对相关文献的阅读与筛选后，对本次研究课题有了一个全面了解。在知道本课题研究的背景与意义之后，通过对相关资料的学习研究，知道了目前在风电功率预测方面研究的主要方法与其优缺点。根据目前现有的风电场相关数据，综合考虑各风电功率预测方法的优缺点及适用范围，经过慎重考虑后决定以支持向量机（SVM）作为智能算法进行风电功率预测。本次预测的时长为1天，根据三组历史数据采样时间间隔的不同，分别以5分钟、10分钟和15分钟的时间分辨率。在对支持向量机理论进行进一步学习

7

福州大学本科生毕业设计论文

后，采用滚动预测法，利用MATLAB软件中的相应的工具箱建立相应的风电功率预测模型，对输入的前9日历史功率进行训练，从而得出第10日风电功率的预测结果。通过预测结果与真实历史数据进行对比，进行分析后得出结论。最后对本次毕业设计的进行总结。

8

风电功率预测方法的研究

第2章 基于支持向量机的风电功率预测方法的研究

2.1 SVM的基本理论基础

SVM新型的基于统计学理论的机器学习方法，其在1995年由Cortes和Vapnik提出。它的主要思想是通过某种事先选择的非线性映射(核函数)将输入向量映射到一个高维特征空间，在这个空间中寻找最优分类超平面,使得SVM尽可能将两类数据点正确分开，同时使分开的两类数据点距离分类面最远【10】。SVM通过构造一个处于约束条件下的优化问题，即构造一个具有带线性不等式约束条件的二次规划问题。通过求解解该问题，构造出相应的分类超平面，从而得到决策函数。SVM具有人工神经网络所没有的训练时间短、不易陷入局部最小等优点，对于新鲜样本具有很高的适应能力。以下为SVM的简单介绍。

对于在n维空间上的点，如果能够找到相应的分类超平面，将这些点分开，则为线性分类。如图2-1所示。

,

图2-1

我们用实心点表示一类样本，用空心点表示另一类样本，用H作为这两类样本的分类超平面。离H超平面最近的空心点样本落在H1上，离H超平面最近的实心点样本落在H2上，H1和H2平行于H，则H1和H2直接的距离称之为分类间隔(margin)。其中，margin的大小代表着分类预测的确信或准确程度。SVM就是要最大化这个间隔值，而在H1和H2的点便叫做支持向量Supprot Verctor。如图2-2所示。

9

福州大学本科生毕业设计论文

图2-2

在实际当中，很多数据样本是线性不可分的。此时，我们通常是把样例特征映射到高维空间中去，求取在变换空间中的最优分类超平面。如图2-3所示。

图2-3

但是上述方法变换比较复杂，变化后的超平面维度过高将使得计算的复杂程度大大增加。核函数能够通过事先在低维进行相应的计算，然后在从低维度到高维度的转换中将实质的分类效果表现在高维上，避免了在高维空间中直接计算复杂的问题。目前研究最多的核函数有三类[11]：第一类为多项式核函数，表达式为

K(x,xi)?[(x?xi)?1]q （2-1）

第二类为径向基函数(RBF)，表达式为

K(x,xi)?exp{?第三类为S形核函数，表达式为

10

|x?xi|2?2} (2-2)

风电功率预测方法的研究

K(x,xi)?tanh[v(x?xi)?c] (2-3)

不同的核函数之间各有优劣。

2.2 SVM算法实现步骤

在本次毕业设计中，

1）历史数据的采集与预处理。本文中，采集的是历史风电功率数据。由于某一电场的原始资料数据中，其数据是以实时功率呈现的，因此应将其处理成间隔相同时间的平均功率序列。其中，将历史数据中小于零的数据用0代替。（风机要么停止运行不输出功率，要么输出的功率大于零）

2）对数据进行分类。将历史功率数据分为训练数据和测试数据。

3）数据归一化。为了加快模型的训练速度以及提高模型的预测精度，我们将归一

化处理数据，处理后所输入的数据将分布在[-1,1]区间之间。归一化处理的函数表达式为：

xi?xminx?xmax?xmin (2-4)

4)选择合适的核函数。由于RBF核函数具有能将样本映射到更高空间且其与多项式核函数相比具有参数更少的优点[12]。因此本论文中选用RBF核函数作为SVM算法的核函数。

5）核函数参数的选择。RBF核函数有两个参数，惩罚因子C和核参数y。在确定的样本当中，当核参数取值小时，其对经验误差的惩罚小，模型复杂度小而经验误差大，反之亦然【11】。核参数及相关参数的选择直接影响预测模型的性能。本论文中，通过对C和y取不同值进行实验，最后C和y取值320和0.05时预测精度较好。

6）对支持向量机进行训练。在这里，样本的训练通过调用svmtrain函数进行。 7）进行风电功率预测。采用滚动预测法，调用svmpredict函数，预测出未来的功率数据。

8)将预测结果与测试数据进行对比，检验预测效果。

11

福州大学本科生毕业设计论文

第3章 运用SVM支持向量机进行风电功率预测

3.1数据的预处理

根据某一风电场2010年1月的实际运行数据查看可知，该风电场历史数据相当完善。该原始资料提供了多种类型的数据，在这里只选择风电输出功率作为输入数据。但由于其提供的是以秒为分辨率的实时风电功率，因此按照Excel表将其转化为以10分钟为间隔的平均风电功率。同时，该风电场每日23:50-24：00的数据缺失，通过上个十分钟和下个十分钟的数据进行补齐。当遇到输出功率小于零时，用零代替。

根据上述所说，处理出前10日的数据。同时这里还有另外两个电场的风电功率数据，也按照上述方法进行处理。

3.2程序的主要思路及大体步骤

程序采用MATLAB软件编程实现，并调用到了limsvm工具箱中的svmtrain函数和svmpredict函数。程序编写的主要思路和大体步骤如图3-1所示。具体步骤如下：

1) 输入数据。构造单列数组的变量，将历史风电功率数据导入到该变量中。通过

将该变量保存为相应的.mat文件以便调用。

2) 训练样本和测试样本的构造。假设对于序列P（i），i=1,2,3……n，我们只到其

中前m（m

3) 样本的归一化处理。通过mapminmax函数，将训练样本和测试样本转化为[-1,1]

之间的小数，以便加快模型的训练速度，提高预测精度。

4) 构建SVM支持向量机模型。通过调用工具箱的参数设置命令设置核函数的参

数，调用svmtrain函数对样本数据进行训练得到具体的预测模型。

5) 对风电功率进行预测。在本程序中，进行提前一步预测，调用svmpredict函数。

我们将前面1到n个（n将通过历史输出功率变化周期决定）数据作为输入，由此预测出第n+1个数据，接着2到n+1数据和预测出的数据作为输入，预测出第n+2个数据，如此循环。

6) 通过反归一化将数据还原至原来的大小。 7) 对比预测数据与测试数据，计算预测误差。

8) 绘制相应数学图形以便分析。通过绘制训练集预测结果对比图查看历史功率数

据变化情况以及训练效果，真实值与预测值结果对比图查看实际预测结果与实

12

风电功率预测方法的研究

际情况偏差大小，相应的误差变化图以便查看相应的预测误差大小以及其变化情况。

svm

图3-1 程序流程图

3.3仿真的结果及分析

针对某电场2010年1月的风电历史功率数据（标为风电场1），经过选择我采取以前9日的数据作为训练之用，第十日的数据作为验证预测的效果，经过对历史功率数据的观察n取值为144，其时间分辨率为10分钟。针对某风电场2013年12月至1月历史数据（标为风电场2），同样以前9日作为训练数据，第10日作为验证数据，经过对历史功率数据的观察n取值为192，其时间分辨率为15分钟。针对某风电场2012年7月底至2013年3月的历史功率数据，也是以前9日作为训练数据，第10日作为验证数据，根据对历史功率数据的观察n取值为288，其时间分辨率为5分钟。三个风电场的预测结果与真实值的对比如图3-2，图3-3，图3-4所示。

13

福州大学本科生毕业设计论文

图3-2 风电场1功率预测结果图

图3-3 风电场2功率预测结果图

14

风电功率预测方法的研究

致谢

在本论文接近尾声之际，我首先我在此向我的导师林建新老师表示衷心的感谢！从本次论文的开题到论文撰写的结束，林建新老师都给予了悉心的指导。原本我的学习基础相对薄弱，但是林建新老师对我论文的进度都细心的关注，当课题研究进度总体偏慢时候，林建新老师对我不断的鼓励与支持，因此本次毕设的完成其中倾注了林建新老师的心血和汗水。林建新老师待人的平易近人及其温文尔雅的风格是我学习的榜样。在此同时我还要感谢我校相应的研究生学长，你们的指导与支持对我的帮助很大。

另外，我还要感谢本论文中所有引用到文献的作者，你们的专业知识对我课题研究思路的启迪很大。我还要感谢福州大学对我的培养，没有学校的支持与培养，我很难完成学业。

最后，感谢对本论文进行评审的老师，谢谢您在百忙之中抽空对本论文的评审！

25

风电功率预测方法的研究

图3-4 风电场3功率预测结果图

从三个电场中的预测数据与真实值之间的变化波动情况对比可以看到，其预测数据的变化情况能够较好的拟合真实值。由此可见，以支持向量机为学习算法，对风电输出功率进行滚动预测具有较好的效果。

从上述图形当中，我们只是大概知道了用该模型进行风电功率预测具有较好的效果，但是其预测结果是否符合要求，我们还是应当对其预测误差进行分析。目前风电功率预测误差分析主要有以下几个指标[13-15]：绝对误差、平均相对误差、平均绝对误差、均方根误差，其公式如下所示：

ei?pi'?pi （3-1）

eME??enPi （3-2）

eMAE|e??nPi| （3-3）

eRMSE1?P?en2i （3-4）

上述所有式子中，ei为绝对误差，pi'为预测功率，pi为实际功率，eME为平均相对

15

福州大学本科生毕业设计论文

误差，eMAE为平均绝对误差，eRMSE为均方根误差。P在本文取值为输出功率的最大值。上述各种误差评价指标中，eMAE和eRMSE经常用于评价预测系统的整体性能。

在相应的风电功率预测系统管理办法中规定[16-17]：风电场功率系统提供的日预测曲线最大误差不超过25%，实时预测误差不超过25%，全天预测的结果的均方根误差不超过20%。根据以上的预测评价指标和要求，我通过绘制绝对误差和相对误差与最大功率之比的曲线图来查看预测误差大小是否符合要求。并求取平均绝对误差和均方根误差的值来评价预测系统的性能。

图3-5、图3-6、图3-7、分别为风电场1、2、3的绝对误差变化曲线图。

图3-5 风电场1绝对误差变化曲线图

16

风电功率预测方法的研究

图3-6 风电场2绝对误差变化曲线图

图3-7 风电场3绝对误差变化曲线图

17

福州大学本科生毕业设计论文

图3-8、图3-9、图3-10、分别为风电场1、2、3的绝对误差与最大功率之比曲线图。

图3-8 风电场1绝对误差与最大功率之比变化曲线图

图3-9 风电场2绝对误差与最大功率之比变化曲线图

18

风电功率预测方法的研究

图3-9 风电场3绝对误差与最大功率之比变化曲线图

从上面几组图可以看出，所有的风电场绝对误差与最大功率之比的大小都在15%以内波动，符合相关规定对于预测误差的要求。风电场1的误差波动范围最大，这是由于其历史功率数据风电功率变化周期难以看出，其滚动预测选取的n值难以代表其功率变化的周期。风电场2误差波动范围最小，这是由于其历史功率数据变化较为规律，其选取的n值能够很好的代表其功率变化周期。风电场3误差由刚开始的小范围内波动到末尾的急剧增大，这是由于其滚动步数最多（287步）所导致的前面预测误差累积越来越大。在文献[21]中，就对如何修正预测误差进行了研究。

三个风电场平均绝对误差与均方根误差的值如表3-1所示。 风电场1 MAE 3.4% RMSE 4.4% 风电场2 MAE 0.69% RMSE 0.81% 风电场3 MAE 1.8% RMSE 3.1% 表3-1 三个风电场的MAE和RMSE的值

从上表可以看出，该模型进行预测时长为1天的短期风电功率预测其整体性能是相当优良，其平均绝对误差在3%之内（其值是与最大输出功率的比值）均方根误差在5%以内。同时三个风电场的预测结果都符合要求也表明了利用SVM建立的模型泛化能力高的特点。

19

福州大学本科生毕业设计论文

总结

当今社会在不断发展的同时，人们对于能源的需求也在不断的扩大。由于化石能源其具有不可再生以及污染环境等缺点，迫使人们要积极的去寻找其他新型可再生的清洁能源来代替化石能源。在新型能源中，人类对风能的开发技术最为成熟，具有巨大的商业推广潜力。风电的开发利用水平在不断的提高，风机的发电容量也不断的增大，风电在电网中的比重也在不断增大。与此同时风电的不利因素对电网的影响也越来越大。基于在这样的背景下，通过对相关的理论学习，通过对三个风电场的历史数据分析，致力于实现对风电场未来1天的短期风电功率预测。

由于对风电功率预测方法的不了解，因此前期的学习占去了很大的一部分。在开始设计的前期，本来想利用VS210软件用C++语言进行编程，该软件能够建立更为友好的人机界面，但是由于C++语言编程相对来说复杂，后期的像预测结果曲线图等难以画出。MATLAB具有强大数学处理能力，而且有开发好的相应智能算法的工具包可以直接使用，因此经过对比后决定用MATLAB进行编程。通过下载相应的SVM工具包，以不同的核函数参数对历史功率数据进行仿真，对比不同参数下的仿真结果，确定较优的参数，采用滚动预测法，预测一天的输出功率，最后的预测结果表明，具有不错的效果。国内外对人工神经算法和与人工神经算法结合的组合模型风电功率预测研究很多[17-20]，但是本文中以支持向量机为学习算法，采用滚动预测法对预测风电输出功率，具有较高的准确度，因而在风电场很多历史数据的采集并不齐全及没有完善的数值天气预报的情况下，研究基于支持向量机的风电功率预测方法运用到实际的风电场是一个不错的方向。

当然，受到研究水平和时间所限，本文有很多不足之处。在本文中，采用的是历史风电功率预测未来的风电功率，而实际上输出风电功率的大小的影响因素很多；在确定SVM核函数的相关参数时，采用的是根据他人的研究得出的大概取值范围然后通过试验得出最终取值，效率低并且其最终值并非最优值；本文采用的是滚动预测法，该方法存在着会积累先前功率预测误差的缺陷，对于如何修正避免误差积累没有涉及；最后，有些风电场的功率变化并不是有明显的周期，采用滚动预测方法在文中n的值难以确定。

通过本次毕业设计，我受益良多。不仅提高了编程的能力，而且提高了对相关文献的查看学习能力，利用现有所学和不断学习对一个新的未知课题的探索能力等，相信这些对于我未来的工作生活都会有很大的帮助。

20

风电功率预测方法的研究

参考文献

[1] 2015年全球风电装机容量，中国贡献最大.铁甲工程机械网,2016-03-14.

[2]2015年中国风电行业发展现状及竞争格局分析.中国产业信息网行业频道,2016-01-18.

[3] 陈正洪, 许杨, 许沛华, 等.风电功率预测预报技术原理及其业务系统. 北京: 气象出版社, 2013. [4] 王瑞雪,刘博. 浅谈我国风电产业发展现状及前景[J]. 城市建设理论研究.2015,14(1). [5] 孟静.风电功率预测[J]. 武汉理工大学.2012,4(21-22).

[6]宁美凤.风速及风电功率短期预测方法研究[D]. 郑州市中原区科学大道100号:郑州大学.2012-5. [7]2015风电产业发展情况.国家能源局网站.2016-02-02.

[8]段学伟,王瑞琪,王昭鑫,郎澄宇,孙树敏,赵鹏.郑伟. 风速及风电功率预测研究综述[J].山东电力技术,2015,210(42):26-31.

[9]钱晓东,刘维奇.基于时间序列分析的风电功率预测模型.[J].电力学报,2015,29(4).

[10] 徐敏，袁建洲，刘四新，郭含. 基于支持向量机的短期风电功率预测[J].南昌大学学报,2012,34(2). [11] 邱潇钰 ，张化祥.概论核方法及核参数的选择.信息技术与信息化，2007,6:62-65. [12] 武小梅,白银明,文福拴等.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.

[13] 杨桂兴.对风电功率预测系统中预测精度的讨论[J].电网与清洁能源,2011,1(1)

[14] 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. [15]孟岩峰，胡书举，邓雅，许洪华.风电功率预测误差分析及预测误差评价方法.[J].电力建设,2013, [16] 风电场功率预测预报管理暂行办法[S].北京：国家能源局，2011 [17] 风电功率预测功能规范[S].北京：国家电网公司，2011

[18]杨世成.基于人工神经网络的风电功率预测[D]. 北京市昌平区北农路2号：华北电力大学.2011-3. [19] 杨志凌,曾宇,刘永前等.基于粒子群神经网络的风电功率预测算法[C].//2010年全国高性能计算学术年会(HPC china2010)论文集.2010:586-592.

[20] 刘永前,朴金姬,韩爽等.风电场输出功率预测中两种神经网络算法的研究[J].现代力,2011,28(2):49-52.

[21] Zhengtang Liang , Jun Liang, Chengfu Wang, Xiaoming Dong, Xiaofeng Miao, Short-term wind power combined forecasting based on error forecast correction [J]. Energy Conversion and Management 2016(119) 215–226.

[22] Haijian Shao , Xing Deng . Short-term wind power forecasting using model structure selection and data fusion techniques [J]. Electrical Power and Energy Systems 2016(83)79-86.

21

福州大学本科生毕业设计论文

附录1风电场1的功率预测MATLAB源程序

%% 基于支持向量机的风电功率预测程序 %% 清空环境 clc clear

load windpower1 x=x(1:144*10);

%%%----------下面这段程序用来构造网络的输入和输出------------- n=144;

for i=1:length(x)-n-1 for j=i:i+n

input(i,j-i+1)=x(j,1); end end

output=x(n+2:length(x),1); input=input'; output=output'; % 训练集

p_train = input(:,1:144*10-n-1)'; t_train = output(:,1:144*10-n-1)'; % 测试集

p_test = input(:,144*9-n+1:end)'; t_test = output(:,144*9-n+1:end)'; %

%% 数据归一化

% 训练集

[pn_train,inputps] = mapminmax(p_train'); pn_train = pn_train';

pn_test = mapminmax('apply',p_test',inputps); pn_test = pn_test'; % 测试集

[tn_train,outputps] = mapminmax(t_train'); tn_train = tn_train';

tn_test = mapminmax('apply',t_test',outputps); tn_test = tn_test';

%% SVM模型创建/训练

cmd = [' -t 2',' -c ',num2str(320),' -g ',num2str(0.05),' -s 3 -p 0.01']; model = svmtrain(tn_train,pn_train,cmd);

%% SVM仿真预测

22

风电功率预测方法的研究

unknow=zeros(length(tn_test),1); for i=1:(length(tn_test)) for j=1:i+n

if i==1

pn_test(i,j)=pn_test(i,j); end if i>1 if j<8

pn_test(i,j)=pn_test(i-1,j+1); end if j==8

[tn_sim_svm,inputps] = mapminmax(t_sim_svm); tn_sim_svm =tn_sim_svm'; pn_test(i,j)=tn_sim_svm; end end end

P_test=pn_test(i,:);

t_sim_svm=svmpredict(unknow(i),P_test,model); Predict_2(1,i)=t_sim_svm; end

[Predict_1,error_1] = svmpredict(tn_train,pn_train,model); % 反归一化

predict_1 = mapminmax('reverse',Predict_1,outputps); predict_2 = mapminmax('reverse',Predict_2,outputps)'; % 结果对比

result_1 = [t_train predict_1]; result_2 = [t_test predict_2]; error_svm=t_test-predict_2; maxwindpower=max(x);

rmse=sqrt(sum((t_test-predict_2).^2)/length(t_test))/maxwindpower; mae=sum(abs(error_svm))/(length(tn_test)*maxwindpower); %% 绘图 figure(1)

plot(1:length(t_train),t_train,'r-*',1:length(t_train),predict_1,'b:o') grid on

legend('真实值','预测值') xlabel('样本编号') ylabel('功率/kW')

string_1 = {'训练集预测结果对比';

['mse = ' num2str(error_1(2)) ' R^2 = ' num2str(error_1(3))]}; title(string_1) figure(2)

plot(1:length(t_test),t_test,'r-*',1:length(t_test),predict_2,'b:o')

23

福州大学本科生毕业设计论文

grid on

legend('真实值','预测值') xlabel('样本编号') ylabel('功率/kW') figure(3)

plot(1:length(t_test),error_svm) xlabel('样本编号') ylabel('绝对误差') figure(4)

plot(1:length(t_test),error_svm/t_test); xlabel('样本编号') ylabel('相对误差') figure(5)

plot(1:length(t_test),error_svm/maxwindpower); xlabel('样本编号')

ylabel('绝对误差与最大功率的比值')

24

风电功率预测方法的研究

致谢

在本论文接近尾声之际，我首先我在此向我的导师林建新老师表示衷心的感谢！从本次论文的开题到论文撰写的结束，林建新老师都给予了悉心的指导。原本我的学习基础相对薄弱，但是林建新老师对我论文的进度都细心的关注，当课题研究进度总体偏慢时候，林建新老师对我不断的鼓励与支持，因此本次毕设的完成其中倾注了林建新老师的心血和汗水。林建新老师待人的平易近人及其温文尔雅的风格是我学习的榜样。在此同时我还要感谢我校相应的研究生学长，你们的指导与支持对我的帮助很大。

另外，我还要感谢本论文中所有引用到文献的作者，你们的专业知识对我课题研究思路的启迪很大。我还要感谢福州大学对我的培养，没有学校的支持与培养，我很难完成学业。

最后，感谢对本论文进行评审的老师，谢谢您在百忙之中抽空对本论文的评审！

25

本文来源：https://www.bwwdw.com/article/b2ih.html