關(guān)于提高中長期風(fēng)功率預(yù)測準(zhǔn)確性的研究

劉克華

（大唐新疆清潔能源有限公司，新疆 烏魯木齊 830011）

0 引言

隨著石化能源逐漸消耗，人們開始考慮環(huán)?？稍偕茉础L(fēng)能。工業(yè)化的社會(huì)，電力是不可缺失一部分，因此，未來的電力市場形式將是先預(yù)測后決策，風(fēng)功率的預(yù)測對(duì)電力部門發(fā)電計(jì)劃起著舉足輕重的作用。對(duì)于風(fēng)功率預(yù)測方面的精力和研究更多投入于短期預(yù)測，而對(duì)于中長期預(yù)測準(zhǔn)確性方面的研究較少，且風(fēng)力等因素隨時(shí)間推移增加使中長期預(yù)測準(zhǔn)確性面臨嚴(yán)峻挑戰(zhàn)，因此，隨著風(fēng)電行業(yè)的快速，將中長期風(fēng)力發(fā)電功率從未知變?yōu)橐阎?，進(jìn)一步增加預(yù)測精度，對(duì)電力系統(tǒng)及風(fēng)電場的運(yùn)行和維護(hù)具有重要意義。

目前國內(nèi)外學(xué)者對(duì)于風(fēng)功率的預(yù)測大體上采用以下三種方法，如圖1。

物理模型的優(yōu)點(diǎn)在于可實(shí)現(xiàn)較長時(shí)間的功率變化預(yù)測，缺點(diǎn)是預(yù)測精度難以保證。統(tǒng)計(jì)模型常用的有灰色理論模型，神經(jīng)網(wǎng)絡(luò)模型和支持向量機(jī)、時(shí)間序列法等方法。組合模型則是兩種或者兩種以上模型、方法的優(yōu)勢組合。

圖1 風(fēng)功率的預(yù)測三種方法Fig.1 Three methods of wind power prediction

1 預(yù)測模型及客觀評(píng)價(jià)

1.1 灰色（GM）模型

1982年3月我國學(xué)者在國際上首先提出灰色模型，被后來學(xué)者廣泛應(yīng)用于各種研究中。上述我們提及風(fēng)力發(fā)電具有波動(dòng)性、隨機(jī)性和間歇性以及諸多的不確定因素，這些不確定因素可以看作其具有灰色性，這符合應(yīng)用灰色預(yù)測模型的條件，因此將其也常用于風(fēng)功率預(yù)測中。目前風(fēng)功率預(yù)測方法雖然有很多，但是這些預(yù)測方法都大量數(shù)據(jù)樣本，困難且耗時(shí)，而GM不需要。

首先討論近年來研究中較為常用的單變量一階灰色預(yù)測模型——GM(1,1)的一些應(yīng)用，文獻(xiàn)［2］利用灰色新陳代謝模型以及Origin 函數(shù)擬合工具和風(fēng)能轉(zhuǎn)換理論[3]，應(yīng)用兩組實(shí)驗(yàn)測試數(shù)據(jù)，得到結(jié)論：GM的風(fēng)電功率預(yù)測精度并非隨著樣本輸入量的維度的增加而增加，而是存在一個(gè)最佳樣本輸入維度。此外，在對(duì)灰色模型進(jìn)行優(yōu)化以期提高精度時(shí)，文獻(xiàn)［4］把握住了灰色模型預(yù)測精度提升的重要點(diǎn)即初始值和背景值，并在此基礎(chǔ)上提出兩種策略，結(jié)果數(shù)據(jù)表明均提高了預(yù)測精度。

文獻(xiàn)［5］中GM（1.1）模型有多種形式，其中白化微分方程：

其中a為發(fā)展系數(shù)。文獻(xiàn)［5］中有命題如下：

（1）GM(1,1)發(fā)展系數(shù)|a|≥2時(shí)，模型不存在價(jià)值，隨著發(fā)展系數(shù)增加，預(yù)測精度迅速下降。

（2）GM(1,1)發(fā)展系數(shù)|a|≤0.3時(shí)，預(yù)測精度可以達(dá)到百分之九十八以上，此時(shí)適用于中長期預(yù)測。

中長期預(yù)測與短期和超短期預(yù)測不同，由于時(shí)間跨度較長，中長期的氣壓、氣溫等其他多種因素變化差異較大，造成的影響也較大。但是GM(1,1)模型只考慮一個(gè)變量的變化，沒有考慮各個(gè)因素之間的聯(lián)系。模型的復(fù)雜性是由輸入量的多少確定，如果要考慮多重?cái)?shù)據(jù)因素之間的聯(lián)系和影響，可以利用融合關(guān)聯(lián)分析方法的GM(1,n)模型，GM(1,n)模型包含傳統(tǒng)灰色模型的多種優(yōu)點(diǎn)，又可以動(dòng)態(tài)構(gòu)建的系統(tǒng)的發(fā)展過程，進(jìn)一步提高預(yù)測精度[6]。

文獻(xiàn)［6］提出了基于灰色理論的多變量故障預(yù)測方法，針對(duì)GM（1，1）預(yù)測模型無法綜合考慮多個(gè)參數(shù)的缺點(diǎn)提出了改進(jìn)方案，將關(guān)聯(lián)度計(jì)算融入模型，對(duì)所有參數(shù)進(jìn)行關(guān)聯(lián)分析，按大小排序，選擇關(guān)聯(lián)性大的影響參數(shù)作為模型輸入。文獻(xiàn)［6］以此為基礎(chǔ)剔除相關(guān)性小的影響參數(shù)，將關(guān)聯(lián)度大的參數(shù)作為影響因素，作為多變量灰色預(yù)測模型的輸入?yún)?shù)，經(jīng)驗(yàn)證，該模型精度合格，達(dá)到良好等級(jí)。

1.2 神經(jīng)網(wǎng)絡(luò)模型

神經(jīng)網(wǎng)絡(luò)模型具有很強(qiáng)的非線性映射能力、自學(xué)適應(yīng)能力和并行信息處理能力。主要有三種神經(jīng)網(wǎng)絡(luò)模型：混沌神經(jīng)網(wǎng)絡(luò)模型、粗糙集神經(jīng)網(wǎng)絡(luò)模型和持續(xù)模型。

文獻(xiàn)［7］用粗糙集的方法，確定決策表，其中由條件屬性（各種影響因子）和決策屬性（風(fēng)相關(guān)屬性）所構(gòu)成。利用粗糙集理論對(duì)決策表進(jìn)行離散處理和屬性約簡分析，最終得到影響風(fēng)功率的主因子，將其作為額外輸入加入到混沌神經(jīng)網(wǎng)絡(luò)預(yù)測模型，建立起加入了風(fēng)速的影響因子的粗糙集神經(jīng)網(wǎng)絡(luò)預(yù)測模型。對(duì)于應(yīng)用在的中長期的預(yù)測中，粗糙集神經(jīng)網(wǎng)絡(luò)模型相較于其它兩種，得到的預(yù)測效果和精度都較高。

與文獻(xiàn)［7］類似，文獻(xiàn)［8］采用約簡分析和聚類方法，首先確定各屬性的重要性，之后采用加權(quán)歐式距離對(duì)各屬性聚類分析，建立起模糊粗糙集與改進(jìn)聚類的神經(jīng)網(wǎng)絡(luò)風(fēng)速預(yù)測模型，相對(duì)于傳統(tǒng)神經(jīng)網(wǎng)絡(luò)預(yù)測方法，預(yù)測精度得到顯著提高。

神經(jīng)網(wǎng)絡(luò)也存在一個(gè)問題就是預(yù)測結(jié)果受訓(xùn)練樣本數(shù)量影響，所以如何控制樣本和防止訓(xùn)練時(shí)“過擬合”現(xiàn)象是下一步研究重點(diǎn)。

1.3 組合模型

組合模型預(yù)測法是一種綜合性的預(yù)測方法，也是目前風(fēng)功率預(yù)測方法的研究趨勢，由多種預(yù)測模型組合構(gòu)成，包含不同模型的優(yōu)點(diǎn)，能夠保證預(yù)測模型更加可靠。文獻(xiàn)［2］列出了灰色新陳代謝模型、粗糙集神經(jīng)網(wǎng)絡(luò)模型、混沌神經(jīng)網(wǎng)絡(luò)模型和持續(xù)模型兩兩組合得到的六種組合預(yù)測模型。其中以灰色新陳代謝模型和主成分神經(jīng)網(wǎng)絡(luò)模型組合的預(yù)測精度最高。由此證明，組合模型可以有效提升的預(yù)測準(zhǔn)確度。

文獻(xiàn)［9］將遺傳算法與神經(jīng)網(wǎng)絡(luò)相結(jié)合，形成遺傳神經(jīng)網(wǎng)絡(luò)，通過遺傳算法的尋優(yōu)能力優(yōu)化神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值，取得了優(yōu)于單一神經(jīng)網(wǎng)絡(luò)的預(yù)測成果。

除了關(guān)聯(lián)分析法，常用于對(duì)于數(shù)據(jù)預(yù)處理的還有主成分分析法（PCA）。其以防止數(shù)據(jù)在某種程度上有重疊，降低預(yù)測模型的精度。PCA常與神經(jīng)網(wǎng)絡(luò)模型結(jié)合為組合模型，例如文獻(xiàn)［10］，其既可以降低輸入變量維數(shù)又可以提高輸入變量之間的相關(guān)程度，使得網(wǎng)絡(luò)結(jié)構(gòu)簡單。因此基于PCA的神經(jīng)網(wǎng)絡(luò)模型預(yù)測精確度高且時(shí)間短。

因此，考慮到現(xiàn)實(shí)情況，目前使用最多的是建立優(yōu)化的組合模型功率預(yù)測系統(tǒng)來滿足需求。

2 現(xiàn)存問題及發(fā)展趨勢

2.1 現(xiàn)存問題

（1）灰色模型等傳統(tǒng)模型智能自學(xué)能力較差，預(yù)測時(shí)無法兼顧各訓(xùn)練樣本，會(huì)嚴(yán)重影響預(yù)測準(zhǔn)確性。

（2）風(fēng)電機(jī)組運(yùn)行環(huán)境較為惡劣，外界因素使得數(shù)據(jù)不可靠，影響整個(gè)數(shù)據(jù)序列的規(guī)律，增加預(yù)測難度和準(zhǔn)確性。

（3）長期運(yùn)行的預(yù)測模型常存在技術(shù)、運(yùn)維成本過高、無優(yōu)化更新等問題，導(dǎo)致日常運(yùn)行穩(wěn)定性無法保證。

（4）鑒于風(fēng)能發(fā)電本身的復(fù)雜性和不確定性,很難用一種或幾種方法將各種影響因子及其內(nèi)在規(guī)律進(jìn)行有效處理和深入探究，更近一步的提高風(fēng)電功率預(yù)測的準(zhǔn)確性受到一定限制。

2.2 發(fā)展趨勢

（1）首先需要增強(qiáng)數(shù)據(jù)采集能力、完善輸入因子，對(duì)于風(fēng)電功率預(yù)測模型采用各類的輸入。模型的復(fù)雜性是由輸入量的多少確定，選擇合適的方法，如數(shù)據(jù)融合技術(shù)、對(duì)隨機(jī)信號(hào)進(jìn)行剔除，增強(qiáng)參數(shù)規(guī)律性，以提高預(yù)測精度。

（2）在ABC技術(shù)(A是人工智能，B是大數(shù)據(jù)，C是云計(jì)算)的大背景下，應(yīng)該與最先進(jìn)其他學(xué)科技術(shù)進(jìn)行結(jié)合，建立高效率模型，使智能技術(shù)在風(fēng)電行業(yè)要發(fā)揮更大的作用，實(shí)現(xiàn)人工只能，大幅度提高生產(chǎn)力。

（3）建立海上的風(fēng)電場是我國“十三五”新能源發(fā)展重點(diǎn)，海上風(fēng)力與內(nèi)陸風(fēng)力有較大差別，對(duì)風(fēng)電機(jī)組設(shè)備等各方面提出更高要求，因此建立適合海上的云平臺(tái)遠(yuǎn)程風(fēng)電功率預(yù)測系統(tǒng)是未來發(fā)展趨勢之一。

（4）對(duì)神經(jīng)網(wǎng)絡(luò)、灰色理論、遺傳算法等模型深入研究，探求一個(gè)在超短期、短期、中長期三種時(shí)間跨度風(fēng)電功率預(yù)測中保持高精度、良好相關(guān)性的預(yù)測模型。

3 結(jié)論

為了探討提高中長期風(fēng)電功率預(yù)測準(zhǔn)確性，本文對(duì)大量文獻(xiàn)進(jìn)行梳理分析，從中長期風(fēng)電預(yù)測中常用的有效模型：灰度模型、神經(jīng)網(wǎng)絡(luò)模型和組合模型的相關(guān)研究入手，總結(jié)了一些提高中長期風(fēng)電功率預(yù)測準(zhǔn)確性的可行方法，提出了三點(diǎn)風(fēng)電功率預(yù)測模型當(dāng)前存在的問題，并提出了未來研究方向，希望對(duì)中長期預(yù)測方面的相關(guān)研究者有所幫助。

風(fēng)電功率預(yù)測技術(shù)當(dāng)下正處于能源轉(zhuǎn)型時(shí)期，更多關(guān)注“做什么”和“怎么做”，這需要用智慧創(chuàng)新引領(lǐng)，將當(dāng)下新技術(shù)、新理念與新能源相結(jié)合，實(shí)現(xiàn)經(jīng)濟(jì)與技術(shù)的突破，創(chuàng)造更多奇跡。在未來，風(fēng)電功率預(yù)測相關(guān)研究將引入更多新的因素條件，進(jìn)一步提高預(yù)測精度。