基于自回归模型的短期海上风电功率预测.docxVIP

摘?要：

由于煤炭资源匮乏和环境污染，人类逐渐开始发掘风电能的利用价值。然而风速的强不确定性导致其很难预测，鉴于此，基于自回归模型进行风电功率建模与仿真研究。经过NAR神经网络训练选择合适的自回归阶数，继而选择该阶数及对应隐藏节点重新训练，最后代入数据仿真得到结果进行分析比对。通过比较预测值与实际值，总结自回归模型的特点，得出基于该模型的海上风电机组功率预测方法在海上风电场具有实际应用价值和意义这一结论。

关键词：

海上风电；神经网络；自回归模型；功率预测

0?引言

风力发电逐渐成为世界各国能源开发的重点。2021年，中国风电装机创历史新高，新增吊装海上机组2603台，新增装机容量达到1448.2万kW，同比增长276.7%。规模化发展、深海漂浮式大功率海上装备、智能运维正在为海上风电发展注入强劲的动力。在“双碳”背景下，海上风电发展潜力巨大，机遇和挑战并存。

为测试和比较不同风电机组功率预测方法的精度，国内外学者开展了大量研究。文献[1]采用模糊综合评价法对陆上风电机组的运行状态进行评估。首先采用经验模态分解（EmpiricalModeDecomposition，EMD）对风速序列进行分解，然后结合支持向量机（SupportVectorMachine，SVM）对短期风速进行预测，但SVM的核函数以及参数的选择对预测结果具有一定影响。利用距离分析法筛选出与风电出力相关性最高的气象因素作为长短期记忆（LongShort-TermMemory，LSTM）网络的输入特征来进行超短期风电功率预测，但该模型忽略了其余气象因素与风电出力的相关性，难以提高预测精度。使用卷积神经网络（ConvolutionalNeuralNetwork，CNN）挖掘气象变量的数据特征，结合门控循环单元进行功率预测，提高了气象变量与功率预测的相关性，但该模型仅是单通道卷积层与门控循环单元的简单拼接，未能有效保留输入数据的时间结构，且考虑的气象因素较少，难以直接推广到受多种复杂气象因素影响的海上。

针对上述难题，本文提出了一种基于自回归模型的海上风电功率预测方法，采用时间序列自回归算法对风力发电进行预测，并结合实际SCADA数据对方法进行验证。结果表明，时间序列自回归算法能够有效预测海上风电机组功率。

1?海上风电机组功率预测

除控制和优化风电场运行外，预测风电资源的行为可以为能源管理、能源政策制定者和电力交易商提供有价值的信息。此外，预测信息也有助于风力发电机和转换线的运行、维修和更换。风力发电的功率预测有以下不同分类和各种方法。

1.1

海上风电功率预测分类

（1）基于时间尺度的分类。

根据预测时间，风电预测通常分为超短期、短期、中期和长期预测四种。

（2）基于空间范围的分类。

在预测空间尺度下，可以将风力预测分为三部分：单一机器预测、单一风电场预测、区域风电场预测。

（3）基于建模对象的分类。

基于建模对象划分，风电预测分为基于风速和基于风力两种方法。前者观察单个风机的风速变化，预测未来风速；后者为基于风力发电机输出功率的预测方法，直接使用统计模型预测风力发电机的输出功率。

1.2

海上风电功率预测方法

目前，国内外的风电机组故障预测方法主要分为两类：确定性风电预测、概率性风电预测。确定性风电预测方法可以预测出未来某时刻的风电功率值，而概率性风电预测方法是一种衍生方法，因为确定性风电预测可能不够准确，它结合了预测结果与概率分布的性质，从而可以更准确地预测。

本文主要讨论确定性风电功率预测。确定性风电功率预测方法可根据是否含有数值天气预报（NWP）分为统计学方法与物理模型法，前者不涉及NWP而后者涉及。而是否涉及NWP模型取决于预测范围，长时间范围考虑使用NWP的模型，而短时间范围（小于24h）考虑时间序列方法。后一种模型对于传统电厂的优化非常有用，其中合理的预测范围可以在3～10h之间变化，这取决于系统的大小和包括的传统机组类型。通常，物理模型用于大空间尺度预测，而时间序列方法更适用于某一点的预测。

2?自回归模型建立

风力发电机的整体工作状况是以发电功率的出力为指标，它反映了风机的风速与出力之间的关系，往往用来评价风机将风能转换为电能效率的优劣以及风电质量的优劣。

2.1

数据预处理

风机运行过程中，SCADA系统负责采集并记录机组数据，除去故障部分外，异常数据中还有很多不符合实际运行情况的，比如风力机的启停数据，所以实验数据都应进行预处理。该风电场的SCADA系统每隔10min采集并记录一次机组数据，所采集数据主要包括电机有功功率、转子转速、风速等参数，该单台风机额定功率为2000kW。

对风电功率预测的WPF离群值采用四分位法进行检验和处理。四分位法的定义是：先把一组数据从小到大排序，然后平均分成4份，每份占总数