风电出力的波动特性及预测方法研究
马庆法1，吕晓禄2，胡云1，张德才1，高谦1
【摘 要】摘要：风能作为一种清洁能源，其有效利用对于全球能源互联网技术的发展具有重要意义。风电出力具有随机性、间歇性、波动性和不确定性的特点，这给电力系统的安全稳定运行及调度计划的合理制定等方面带来了挑战。基于大量实测数据，对风电出力的波动特性及其预测方法进行研究。首先，利用统计学的方法对风电出力在日内、日间、月度、季度等不同尺度下的平均值变化特点进行散点统计，并利用概率论对各时间尺度下的概率密度分布规律进行分析；其次，采用自回归模型与滑动平均模型相结合的时间序列法对风电出力进行短期预测。算例分析表明，风电出力具有不同时间尺度下的规律性，且文中所用预测方法误差较小，具有实用价值。 【期刊名称】山东电力技术 【年(卷),期】2016(043)009 【总页数】6
【关键词】全球能源互联；风力发电；波动特性；概率密度；功率预测；时间序列法
0 引言
清洁能源的发展，对于推动全球能源互联网的建设和发展具有重要意义。风能作为一种可再生能源，无需燃料、不占用耕地、污染少、储量大，已成为目前世界上最具大规模开发利用潜力的能源［1］。风电出力具有随机性、间歇性、波动性和不确定性，增加了电网计划和调度的难度。掌握风电特性，是合理利用风电的前提。为克服风力发电的缺点，需要加大供电系统的旋转备用容量，
间接增加了风力发电的运营成本，因此需要对风电场的输出功率进行预测。通过对风电场的功率预测，可降低电网的转备用容量，降低电力系统成本，也可为电网运行调度提供可靠的依据。
目前对风功率预测方法的研究较多［2-6］，主要分为：按预测的数学模型不同，可分为神经网络法、卡尔曼滤波法等；按预测模型的对象不同，可分为基于风速的预测方法和基于功率的预测方法；按按预测时间分为长期预测、中期预测、短期预测和超短期预测。文献［7］采用时间序列法分析了风电功率的波动特点；文献［8］分析了特定区域的风电特性，如波动特性、相关特性、随机特性等；文献［9］对不同地域的风电相关特性进行分析；文献［10］利用频域的研究方法分析了风电的波动特点；文献［11］对不同时间和空间尺度上的分布特性进行了量化研究与分析。上述文献中对风电出力波动特性的研究多集中于不同时间和空间下的波动规律，鲜有对不同时间尺度下概率分布规律的研究。概率特性能真实反映风电
出力在不同时间尺度下、不同功率范围内的出现概率，可以更客观地提炼出其波动规律。基于大量实测数据，首先利用统计学方法对日内、日间、月度、季度的风电出力平均值进行散点统计，然后利用概率论的方法，对不同时间尺度下的概率密度分布进行求取，从而获得其概率分布规律。算例分析表明特定风电场具有日、月、季节的周期规律性，这对调度部门利用风电进行调控、预测未来风电出力、提前应对风电出力较大波动以及建立风电功率评估体系有较大意义。
现阶段基于风速的预测模型大多采用数学模型获取风速预测值，然后利用风速与风功率的关系式获取风电功率的预测数据。然而由于风速与风功率的关系是
非线性的，直接利用风机的功率转换关系获取风电功率，其预测精度有所降低。在大量实测数据的基础上，采用自回归与滑动平均模型结合的时间序列法对风功率进行预测，算例分析表明，该方法的预测误差较小，具有实用性。
1 风电出力的波动特性分析方法
对风电出力的日内、日间、月度、季度的波动特性进行分析，以期获得其波动规律。主要包括两个方面，一是平均值的变化特性，二是概率密度分布特性。日内平均值为
式中：Pd（i）为第i天的有功出力平均值；P（j）为每个采样点的有功出力；N为每天中有功出力采样点个数。日间变化值为
式中：Pd（i+1）为第i+1天的有功出力平均值。月度平均值为
式中：Pm（k）为第k个月的月平均出力值；Pd（j）为日平均出力值；M为每个月中的天数。
各时间尺度下的概率密度求取方法相同，即为：以ΔP为功率间隔，统计各时间尺度下每个功率间隔范围内有功出力的出现次数，则各功率段的有功出力概率为［12］
式中：i为功率段；φ（i）为第i个功率段的概率；N（i）为第i个功率段内有功出力的出现次数。
式中：De（i）为第i个功率段的概率密度；ΔP为设定的功率间隔。
2 风电出力预测方法
2.1 风速—功率关系
通过对风电场发电进行预测，可以降低电网的旋转备用容量，降低风力发电的成本，同时为电网的运行、调度和控制提供可靠依据［13-16］。
风电出力的波动特性及预测方法研究
