点击文章名，在线阅读全文
叶林，赵金龙，路朋，等/考虑气象特征与波动过程关联的短期风电功率组合预测/,45(4):54-62.
01
研究背景
数值天气预报（numericalweatherprediction，NWP）是模拟未来一段时间内大气运动状态和天气状况的数值计算方法，其模式输出的数据类型包括风速、风向等气象因素。在风电功率预测中，随着预测时间的延长，仅使用历史风电功率数据则会导致精度降低，引入NWP数据则可以提高长时间尺度的功率预测精度。然而，NWP气象因素之间存在冗余性，并非每种气象因素都能为功率预测提供有价值的预测信息，气象因素选取环节存在着关键气象因素提取难的问题。此外，天气演变过程会引起风电功率的波动变化，对天气过程的不同波动状态进行划分，研究不同天气波动过程与其相对应的功率波动过程的关联关系，可以揭示天气过程的演变规律对风电功率波动的影响机理。因此，是否可以从气象特征因素选取与波动过程关联的角度出发，探索提高短期风电功率预测精度和速度的方法呢？02
研究内容
2.1基于最大相关-最小冗余的NWP气象特征选取
针对关键气象因素提取难的问题，基于互信息理论，采用最大相关-最小冗余（minimalredundancymaximalrelevance，mRMR）特征筛选算法得到NWP的全部气象因素的特征排序，然后依据算子增量在零附近的波动特性，筛选出与风电功率相关性最大而彼此冗余性最小的气象特征因素（meteorologicalcharacteristicfactors，MCF）。图1为西北某风电场的NWP气象特征因素选取过程，选取前6类气象因素构成气象特征因素MCF。图1NWP气象特征因素选取过程（以西北某风电场为例）
2.2波动过程划分方法及其关联性分析
针对天气波动过程与功率波动过程的关联性分析，首先，根据风资源在时序上的波动变化特征，划分基于NWP风速的天气波动过程：每一个天气波动过程是从小于某个风速阈值的局部最小值开始，依次经过单个或多个的波峰，再回到小于该风速阈值的局部最小值结束；其次，由风电场运行的基本规律可知，风电功率的波动也呈现类似于天气过程的波动规律，因此划分风电功率的波动过程：每一个功率波动过程从零值开始，波动增加到最大峰值，再波动递减到零值。如图2和图3所示为天气波动过程与功率波动过程划分结果。图2不同天气波动过程划分结果（以3月为例）
图3不同功率波动过程划分结果（以3月为例）
最后，对不同天气波动过程下的风速波动与风电功率波动的关联性与规律性进行统计，可以得出：天气小波动过程主要与风电功率的小波动过程相匹配，天气中波动过程主要与风电功率的大、中波动过程相匹配，天气大波动过程主要与风电功率的大波动过程相匹配。因此，需要针对不同天气波动过程与不同功率波动过程的匹配性，建立适应于不同天气过程的预测模型。2.3风电场短期功率组合预测模型的建立
本文的组合预测建模思路如图4所示。首先通过mRMR原则筛选得到NWP的MCF，其次基于MCF中的风速的波动特征将天气过程划分为零输出功率天气波动过程、天气小波动过程、天气中波动过程、天气大波动过程，进一步依据不同天气波动过程与功率波动过程的关联性，在天气小波动过程下采用广义回归神经网络(GRNN)预测模型，在天气大、中波动过程下采用不同隐含层数目的极限学习机(ELM)预测模型，在零输出功率天气波动过程下将风电功率预测值置零，最后将不同天气波动过程下的功率预测值在时序上连接，按时序递增排序组合，得到以波动过程为输出的风电功率预测结果。图4组合预测建模思路图
03
算例分析
本文以中国西北某装机容量为99MW的风电场为研究对象。表1为不同特征筛选方法的两种预测误差对比。从表1可以看出，基于mRMR原则筛选得到的气象特征因素作为输入时，能够明显提高短期风电功率的预测精度。表1不同筛选方法预测结果对比
图5为不同的天气过程下采用不同预测模型的预测误差指标对比。结合表1可以看出，在大、小风期的预测月份中，进行天气波动过程划分的预测精度均优于未进行天气波动过程划分的单一预测方法的精度。同时，零输出功率天气波动过程、天气小波动过程、天气中波动过程、天气大波动过程的预测误差呈现上升的趋势。图6为年3月大风期的某段短期风电功率预测结果曲线。图5不同的预测模型的预测误差指标对比
图6风电功率预测结果曲线
04
结语
本文以提高短期风电功率日前预测精度为目标，首先，通过mRMR原则筛选得到与风电功率相关性最大而彼此冗余性最小的NWP气象特征因素，使气象因素类型由原来的24类减小到了6类，与未筛选气象因素、少选气象因素以及其他特征筛选算法相比，依据mRMR原则筛选得到的气象特征因素作为输入时，能够明显提高预测精度。其次，依据NWP风速的波动特征划分得到了不同天气波动过程，寻找了不同天气过程与不同功率波动过程的关联规律，建立了面向波动过程关联的短期风电功率组合预测模型，进一步提高了风电功率短期预测精度和速度。延伸阅读
1
“新能源电力系统预测技术及其应用”专辑集锦
2
LUPeng,YELin,TANGYong,etal.Ultra-short-term