邱金鵬，牛東曉

(華北電力大學經濟與管理學院，北京市 102206)

基于小波-時間序列組合模型的風電功率預測

邱金鵬，牛東曉

(華北電力大學經濟與管理學院，北京市 102206)

隨著風電規(guī)模的不斷擴大，及時準確地對風電場功率輸出進行預測具有重要意義。但由于風速具有不確定性，風電功率難以掌控。通過分析風速與功率之間的變化趨勢，建立基于風速的功率計算的數(shù)學模型，然后以風速預測為突破口，基于小波分解模型將歷史無規(guī)律風速進行模式分解。對分解出來的歷史數(shù)列進行分析，采用合適的預測模型分別預測，還原為原始數(shù)列得到預測風速，最后計算得到預測風電功率。通過某地的實例計算，證明了采用小波分解與時間序列模型進行風電功率預測的準確性與可靠性。

風速；風電功率；小波分析；時間序列

0 引 言

隨著我國新能源的大力發(fā)展，風電、光伏發(fā)電并網所占的比例越來越大。但是由于電能存儲難的問題，造成風電等新能源并網具有一定難度。風速的不確定性、間歇性造成風電功率的隨機波動，并網后對電網的沖擊較大，因此，做好風電功率的預測和調控是風電并網穩(wěn)定運行和有效消納的重要條件。

在歐洲發(fā)達國家，電網公司會優(yōu)先購買預測準確的風電場電力，限制預測不準的風電場電量或采取處罰措施[1]。而我國風電發(fā)展迅速，風電場所處的地形、氣候復雜多樣，研究成果較少。有部分學者對風電場的風速進行了預測研究，文獻[2]將趨勢分解、小波分解與滑動濾波相結合，通過自回歸滑動平均(auto-regressive and moving average model，ARMA)模型實現(xiàn)風速的一次性多點預測；文獻[3]將綜合主成分分析(generalization principal components analysis，GPCA)、深度學習理論、頻域多模式算法引入到風速預測研究當中。部分學者直接對風電功率進行分析，文獻[4]基于貝葉斯方法對在風電場輸出功率的期望值進行了估計；文獻[5]基于非參數(shù)回歸模型建立風速與風電功率之間的轉換模型，得到風電功率的點預測值，采用經驗分布模型建立風電功率預測誤差的概率分布函數(shù)；文獻[6]基于最小二乘支持向量機和卡爾曼濾波技術對風電總量和風電分配因子進行自適應動態(tài)預測；文獻[7]通過小波變換將信號分解為不同頻段的子序列，利用神經網絡對各子序列分別建模預測，最后將預測結果疊加對富錦風電場的發(fā)電功率進行預測；文獻[8]通過對風速、風向、氣溫、相對濕度和氣壓等因素分析，使用支持向量機回歸方法建立了風電場功率預報模型。

從上述文獻綜述分析可以發(fā)現(xiàn)，有的風電場功率研究或停留在風速分析階段，或未對風速與風電功率之間的關系做進一步分析，而有的研究直接采用如神經網絡、支持向量機等智能算法進行風電功率的預測研究，缺乏輸入因素與預測功率值之間的度量關系解釋。因此，為克服上述研究的缺陷，本文采用小波分解對歷史風速進行序列分解，然后基于多種時間序列預測模型分別進行預測，合成可得預測所得的風速，通過風速與功率之間的模型關系研究，最終得到功率的預測值。

1 風速預測模型理論

1.1 小波分解與重構原理

小波變換[9-10]是上世紀80年代中后期逐漸發(fā)展起來的一種數(shù)學分析方法。小波變換是用伸縮和平移小波形成的小波基來分解(變換)或重構(反變換)時變信號的過程。它的數(shù)學過程與傅立葉分析是相似的，只是在傅立葉分析中的基函數(shù)是單頻的調和函數(shù)，而小波分析中的基函數(shù)是小波，是一可變帶寬內調和函數(shù)的組合。

小波變換在時域和頻域都具有很好的局部化性質，較好地解決了時域和頻域分辨率的矛盾，對于信號的低頻成分采用寬時窗，對高頻成分采用窄時窗。因而，小波分析特別適合處理非平穩(wěn)時變信號，本文將小波分解應用到風速的預測當中，實例證明了該模型的有效性。

1.1.1 連續(xù)小波變換

(1)連續(xù)小波基函數(shù)

(1)

則稱ψ(t)為一個基本小波或小波母函數(shù)，并稱式(1)是小波函數(shù)的可容許條件。

將小波母函數(shù)ψ(t)進行伸縮和平移，設其伸縮因子(亦稱尺度因子)為a，平移因子為b，并記平移伸縮后的函數(shù)為ψa,b(t)，則

(2)

定義小波母函數(shù)ψ(t)的窗口寬度為Δt，窗口中心為t0，則可以求得連續(xù)小波基函數(shù)ψa,b(t)的窗口中心及窗口寬度分別為

ta,b=at0+b, Δta,τ=aΔt

(3)

(4)

所以此時頻域窗口中心及窗口寬度分別為

(5)

由此可見，連續(xù)小波的時、頻窗口中心和寬度均是尺度因子a的函數(shù)，均隨著a的變化而伸縮，并且還有

Δta,b·Δwa,b=Δt·Δw

(6)

即連續(xù)小波基函數(shù)的窗口面積是不變的。

對不同的頻率成分，在時域上的取樣步長是可調的，高頻者(對應小的m值)采樣步長小，低頻者(對應大的m值)采樣步長大。也就是說，小波變換實現(xiàn)了窗口的大小固定、形狀可變的時頻局部化。

(2)連續(xù)小波變換

將L2(R)空間的任意函數(shù)f(t)在小波基下進行展開，稱其為函數(shù)f(t)的連續(xù)小波變換，變換式為：

(7)

當小波的容許性條件成立時，其逆變換為：

(8)

小波分析是將信號分解為一系列小波函數(shù)的疊加，而這些小波函數(shù)都是由一個母小波函數(shù)經過平移和尺度伸縮得來的。小波分析在時域和頻域同時具有良好的局部化性質，而且由于對高頻成分采用逐漸精細的時域或頻域取樣步長，因此可以分析到研究對象的具體細節(jié)。

1.1.2 小波的多尺度分解與重構

任何函數(shù)f(x)∈L2(R)都可以根據分辨率為2-N的f(x)的低頻部分(近似部分)和分辨率為2-j(1≤j≤N)下f(x)的高頻部分(細節(jié)部分)完全重構。多尺度分析時只對低頻部分做進一步分解，而高頻部分則不予考慮，分解具有關系：

f(x)=An+Dn+Dn-1+…+D2+D1

(9)

式中：x代表信號；A代表低頻近似部分；D代表高頻細節(jié)部分；n代表分解層數(shù)。

對信號采樣后，可得到在一個大的有限頻帶中的一個信號，對這個信號進行小波多尺度分解，其實質就是把采到的信號分成2個信號，即高頻部分和低頻部分，而低頻部分通常包含了信號的主要信息，高頻部分則與噪音及擾動聯(lián)系在一起。根據分析的需要，可以繼續(xù)對所得到的低頻部分進行分解，如此又得到了更低頻部分的信號和頻率相對較高部分的信號。

1.2 時間序列組合預測模型

時間序列[11-13]為在一系列時刻t1，t2，…，tn所得到的離散數(shù)字組成序列集合x(t1)，x(t2)，…，x(tn)。常用的時間序列模型包括了滑動平均模型、指數(shù)平滑模型、灰色模型等。根據本文的數(shù)據類型，文中主要選用了灰色模型、時間序列周期方差分析外推法以及差分自回歸移動平均(auto-regressive integrated moving average, ARIMA)。模型

(1)灰色模型。灰色系統(tǒng)分析方法通過對原始數(shù)據的生成處理來尋求系統(tǒng)變動的規(guī)律。生成數(shù)據序列有較強的規(guī)律性，可以用它來建立相應的微分方程模型，從而預測事物未來的發(fā)展趨勢和未來狀態(tài)。灰色預測是用灰色模型GM(1,1)來進行定量分析的，預測未來某一時刻的特征量，或者達到某特征量的時間。

(2)時間序列周期方差分析外推法。方差分析法依周期方差分析顯著性最大的原則進行比較，找出主要周期，然后用原時間序列減去第1主要周期序列而得到新的時間序列；對新序列重新按前面的方法再次尋找其主要周期，排成周期序列，稱第2主要周期，用第1次新序列減去第2主要周期，又得到第2次新的時間序列。重復前面步驟，直到殘差序列的周期性不顯著或殘差較小，達到滿意程度為止。在計算過程中，每一步都將已經得到的各個周期分別外推，然后疊加起來，作為預報值。

(3)差分自回歸移動平均模型。其中ARIMA(p,d,q)稱為差分自回歸移動平均模型，AR是自回歸，p為自回歸項；MA為移動平均，q為移動平均項數(shù)，d為時間序列成為平穩(wěn)時所做的差分次數(shù)。其基本思想是：將預測對象隨時間推移而形成的數(shù)據序列視為一個隨機序列，用一定的數(shù)學模型來近似描述這個序列。這個模型一旦被識別后就可以從時間序列的過去值及現(xiàn)在值來預測未來值。

2 小波-季節(jié)周期時間序列預測模型

2.1 風速-功率模型

本文對功率的預測核心思路在于將功率預測轉化為對風速的預測分析，因此，建立合理、有效的風速-功率關系模型成為關鍵。本文以某地風電場的實測風速與功率數(shù)據為基礎，額定功率為2 000 kW，額定風速為25 m/s，切入風速與切出風速分別為 3.5，25 m/s。風速數(shù)據由風機自帶的測風裝置采集而得，因而本文分析所用的為風機的機艙風速。設備每10 min記錄1次功率等實時數(shù)據，采集該風電場1個月內的歷史數(shù)據，如圖1所示。

圖1 某風電場四月風速歷史數(shù)據

由于設備故障、氣象等因素的影響，從圖1中可以發(fā)現(xiàn)存在部分異常點，為了保證模型的準確性，建模時剔除這一類數(shù)據。風機與功率之間的關系可以用切入風速、切出風速、額定風速表示[14]，但風電場的切入與切出風速采集存在一定難度，不可控因素造成實際功率與理論功率曲線存在一定誤差，同時風電場實際情況下收集到的數(shù)據只有機艙風速，傳統(tǒng)模型難以實際應用于風電功率的分析當中，因此本文對傳統(tǒng)功率進行改進，通過一元非線性回歸模型因地制宜地擬合得到該風電場對應模型，如式(10)所示。

(10)

式中：pv為風電功率；v為測得的機艙風速。

采用上式計算得到的參數(shù)檢驗如表1所示，其中，各個參數(shù)的P<0.05，說明差異有統(tǒng)計學意義，具有顯著性差異。

表1 模型參數(shù)檢驗

Table 1 Model parameter test

根據公式(10)擬合得到的風機風速-功率對應關系與實際風機功率特性曲線如圖2所示，2條曲線的形狀、趨勢基本一致，證明了該模型用于分析風速-功率關系的合理準確性。

圖2 風機功率特性曲線

2.2 基于小波-時間序列的風電功率預測模型

本文介紹了小波分析的原理、季節(jié)周期時間序列預測模型的原理內容，本小節(jié)將基于這些內容提出一種風電功率的預測新策略——基于小波分解和時間序列風電功率預測。具體步驟如下：

(1)從歷史風速數(shù)據中選擇合適的時段進行n層小波分解，得到1個高頻部分和n個不同頻率的低頻部分；

(2)對分解后的各層數(shù)據序列進行分析，優(yōu)選適合的預測模型分別進行預測；

(3)根據步驟2所得到的各層預測值疊加合成最終的風速預測值；

(4)最后根據上文建立的風速-功率的轉換關系式，將步驟3得到的風速預測值代入轉化為功率預測值。

低頻分量變化較平緩且波動小，適合選用灰色預測法預測[15]。在高頻分量中存在一個周期序列，所以此分量選用時間序列周期方差分析外推法預測。其余的高頻分量代表原始信號中隨機性最強的突然波動且無規(guī)律可循，故對這部分分量選用ARIMA預測。

上述分析建立的基于小波-時間序列的風電功率預測模型可用圖3表示。

圖3 小波-時間序列的風電功率預測模型

3 算例

本文以上述風速-功率模型分析的風電場為例，該風電場采用25臺XE82-2000型風力發(fā)電機?？紤]到在風速變化頻繁情況下，預測時段選取不當會帶來較大的誤差，因此本文剔除季風季節(jié)的數(shù)據，而采集風速較為平緩的時段數(shù)據，收集2015年4月6—12日的歷史數(shù)據，共計1 002個點。所采集到的歷史數(shù)據中，一天當中的風速變化趨勢較為平穩(wěn)，但是為減小某天的風速驟變所帶來的影響，以6—11日的數(shù)據為訓練集，12日的數(shù)據為驗證樣本。

本文基于小波分解模型對風速進行預測，然而，對風速數(shù)據進行小波分解時要注意2個問題[16]：

(1)分解級數(shù)既不能太大也不能太小，過大則需要建立較多的模型對分解后的各分量進行預測，各個模型都會引入一定的誤差，從而導致最終預測誤差變大；太小則不能有效地將原信號中具有不同頻率特征的分量分離出來。

(2)小波基的選擇，選擇不同的小波基，將得到不同的分解分量，從而會影響最終的預測結果。

基于Matlab軟件平臺，本文選用bior小波進行分析，重構和分解與濾波器長度有關的參數(shù)分別為3、3。對歷史訓練集數(shù)據進行4層分解和重構。分解結果如圖4所示。其中：a4為該序列的低頻部分，保持了原風速時間序列的曲線形狀，其中保留了風速的主要信息；d1—d4分別為序列在各尺度的高頻部分，d4代表了一定的周期分量；d1—d3則表現(xiàn)為隨機分量。

圖4 風速小波分解

利用組合時間序列預測模型對上述分解模型得到的時間序列信號分別進行建模預測，最后疊加重構則可得到最終的風速預測結果，其中4層分解得到的預測點與實際風速數(shù)據如圖5所示。

圖5 小波分解預測點與實際風速數(shù)據

圖5中左側曲線為訓練數(shù)據，右側為驗證集，由圖觀察可得，預測點基本落在了實際風速曲線上，小波-季節(jié)周期時間序列預測模型較好地擬合了該時段的風速，另外當風速驟變時(圖中部分尖峰或波谷)，擬合數(shù)據與實際風速之間的誤差在允許范圍內，說明了該組合新模型克服現(xiàn)有的時間序列模型存在的問題，處理一些較復雜的非平穩(wěn)序列，使得風速預測的誤差減小、精度更高。

為驗證小波-時間序列預測模型的擬合效果，本文對原始功率數(shù)據進行時間序列預測分析，而不依賴于風速采集，分別采用了ARIMA模型和一次滑動平均模型進行樣本預測，將12日的各模型預測數(shù)據與實測值進行比較，并計算預測相對平均誤差。各個模型的預測值與實際值曲線比較如圖6所示。

圖6 多模型預測點與實際功率數(shù)據

由于風速-功率模型在風速的各個區(qū)域劃分為不同的數(shù)學關系式，因此各區(qū)域的誤差也存在差異，為了觀察該模型在各個風速段的適應能力，將所收集到的風速集劃分為3個風速區(qū)，即：低速區(qū)(0～3.3 m/s)、中速區(qū)(3.4～10.7 m/s)、高速區(qū)(10.8～20 m/s)。3種不同的預測模型以及對應的風速區(qū)間的預測誤差如表2所示。其中，風電功率預測誤差采用的相對平均絕對誤差(mean absolute percentage error,MAPE)，計算公式為

(11)

表2 3種方法的預測誤差對比

Table 2 Prediction error comparison among three methods %

通過表2和圖6所示的預測曲線對3種模型預測能力進行對比，可以看出：小波-時間序列組合預測模型能較好地捕捉到風電功率的變化規(guī)律，誤差在10%以下，能夠不斷更新狀態(tài)信息，預測較為理想；而ARIMA模型和一次滑動平均模型前期預測較好，隨著時間序列的不斷遞增，所保留的信息逐漸減少，預測精度不斷下降。另外，當風速較大時，2種時間序列模型的效果都不理想，雖然小波組合模型在該區(qū)間的誤差也有所增大，但仍小于10%，說明該模型對風速較強時的功率預測適應性有所改善。

4 結 論

(1)小波-時間序列組合預測模型對風電場功率預測誤差在10%以下，預測效果較為理想，優(yōu)于傳統(tǒng)的時間序列預測模型。

(2)文中風速的擬合主要集中在中速區(qū)，因此可以發(fā)現(xiàn)該模型預測效果在此區(qū)域最好。

(3)當時間序列較長時，傳統(tǒng)時間序列預測模型所保留的原始信息不斷減少，預測效果也不斷降低，本文所提出的模型改善了傳統(tǒng)預測模型的缺陷，提高風電功率預測精度。

[1]佚名.淺談風電功率預測系統(tǒng)的必要性[EB/OL]. http://b2b.bjx.com.cn/8501357/b2bnews-517750.html. Anonymous. Introduction to the necessity of wind power prediction system[EB/OL]. http://b2b.bjx.com.cn/8501357/b2bnews-517750.html.

[2]孫翰墨. 基于ARMA模型的風電機組風速預測研究[D]. 北京： 華北電力大學,2011. SUN Hanmo. The research on wind speed prediction for WTG based on ARMA model[D]. Beijing: North China Electric Power University,2011,[3]蘇鵬宇. 考慮風速變化模式的風速預報方法研究[D]. 哈爾濱: 哈爾濱工業(yè)大學,2013 SU Pengyu. Study of pattern-based wind speed porediction[D]. Harbin： Harbin Institute of Technology,2013.

[4]楊明,范澍,韓學山,等. 基于分量稀疏貝葉斯學習的風電場輸出功率概率預測方法[J].電力系 統(tǒng)自動化,2012,36(14):125-130. YANG Ming, FAN Shu, HAN Xueshan,et al. Wind farm generation forecast based on componential sparse Bayesian learning[J]. Automation of Electric Power Systems, 2012,36(14):125-130.

[5]王彩霞,魯宗相,喬穎,等. 基于非參數(shù)回歸模型的短期風電功率預測[J]. 電力系統(tǒng)自動化,2010,34(16):78-83. WANG Caixia, LU Zongxiang, QIAO Ying, et al. Short-term wind power forecast based on non-parametric regression model[J]. Automation of Electric Power Systems, 2010,34(16):78-83.

[6]李智,韓學山,韓力,等. 地區(qū)電網風電場功率超短期預測方法[J]. 電力系統(tǒng)自動化. 2010,34(7):90-94. LI Zhi, HAN Xueshan, HAN Li, et al. An ultra-short-term wind power forecasting method in regional grids[J]. Automation of Electric Power Systems, 2010,34(7):90-94.

[7]王麗婕,冬雷,廖曉鐘,等. 基于小波分析的風電場短期發(fā)電功率預測[J].中國電機工程學報.2009,29(28):30-33. WANG Lijie, DONG Lei, LIAO Xiaozhong, et al. Short-term power prediction of a wind farm based on wavelet analysis[J]. Proceedings of the CSEE, 2009,29(28):30-33.

[8]楊秀媛,肖洋,陳樹勇.風電場風速和發(fā)電功率預測研究[J].中國電機工程學報,2005,25(11):1-5. YANG Xiuyuan, XIAO Yang, CHEN Shuyong. Wind speed and generated power forecasting in wind farm[J]. Proceedings of the CSEE, 2005,25(11):1-5.

[9]邰能靈,候志儉,李濤.基于小波分析的電力系統(tǒng)短期負荷預測方法[J].中國電機工程學報,2003,23(1):45-50. TAI Nengling, HOU Zhijian, LI Tao. New principle based on wavelet transform for power system short-term load forecasting[J]. Proceedings of the CSEE, 2003,23(1):45-50.

[10]師洪濤, 楊靜玲, 丁茂生, 等. 基于小波-BP 神經網絡的短期風電功率預測方法[J]. 電力系統(tǒng)自動化, 2011,35(16): 44-48. SHI Hongtao, YANG Jingling, DING Maosheng, et al. A short-term wind power prediction method based on wavelet decomposition and BP neural network[J]. Automation of Electric Power Systems, 2011,35(16): 44-48.

[11]溫錦斌,王昕,李立學,等.基于頻域分解的短期風電負荷預測[J]. 電工技術學報, 2013, 28(5): 66-72. Wen Jinbin, Wang Xin, Li Lixue, et al. Short-term wind power load forecasting based on frequency domain decomposition[J]. Transactions of China Electrotechnical Society, 2013, 28(5): 66-72.

[12]蔡凱,譚倫農,李春林.時間序列與神經網絡法相結合的短期風速預測[J].電網技術,2008,32(8):82-85. CAI Kai, TAN Lunnong, LI Chunlin. Short-term wind speed forecasting combing time series and neural network method[J]. Power System Technology,2008,32(8):82-85.

[13]范高鋒,王偉勝,劉純.基于人工神經網絡的風電功率預測[J].中國電機工程學報，2008,28(34):118-123. FAN Gaofeng, WANG Weisheng, LIU Chun. Wind power prediction based on artificial neural network[J]. Proceedings of the CSEE，2008,28(34):118-123.

[14]ALEXANDRE C, ANTONIO C, JORGE N. A review on the young history of the wind Power short-term Prediction[J]. Renewable and Sustainable Energy Reviews, 2008,12(6):1725-1744.

[15]王麗婕, 廖曉鐘, 高陽, 等. 風電場發(fā)電功率的建模和預測研究綜述[J]. 電力系統(tǒng)保護與控制, 2009, 37(13):118-121. WANG Lijie, LIAO Xiaozhong, GAO Yang, et al. Summarization of modeling and prediction of wind power generation[J]. Power System Protection and Control, 2009, 37(13):118-121.

[16]劉剛. 風電場風速及功率預測系統(tǒng)研究[D]. 南昌： 華東交通大學, 2011. LIU Gang. Researches on wind speed and wind power forecasting system for wind farm[D]. Nanchang: East China Jiao Tong University, 2011.

(編輯 劉文瑩)

Wind Power Prediction Based on Wavelet-Time Series Combined Model

QIU Jinpeng, NIU Dongxiao

(School of Economics and Management, North China Electric Power University, Beijing 102206, China)

With the expansion of the scale of wind power, the timely and accurate prediction of wind power output is of great significance. However, due to the uncertainty of wind speed, the wind power is difficult to control. Through the trend analysis of wind speed and power, we establish a mathematical model of wind power based on wind speed. Then, taking the wind speed forecasting as a breakthrough point, the irregular history of wind speed is pattern decomposed based on wavelet decomposition mode. We analyzed the decomposed historical series, adopted the appropriate forecasting model to forecast respectively, reduced the series to the original series to obtained the predicted wind speed, finally obtained the predicted wind power through calculation. Through the calculation at a certain place, the accuracy and reliability of wind power forecasting with using wavelet decomposition and time series model are proved.

wind speed; wind power; wavelet analysis; time series

TM 614

A

1000-7229(2016)01-0125-06

10.3969/j.issn.1000-7229.2016.01.019

2015-09-23

邱金鵬(1991)，男，碩士研究生，研究方向為技術經濟評價及管理；

牛東曉(1962)，男，博士生導師，教育部長江學者特聘教授，研究方向為電力與經濟系統(tǒng)預測與決策。