基于提升小波变换的风电功率预测模型

马立新， 吴 檑

(上海理工大学 光电信息与计算机工程学院，上海 200093)

0 引言

风能作为一种对环境无污染的绿色能源，是未来能源结构的重要组成成分。然而，风自身的不确定性和波动性导致风力发电机出力不稳定，是影响风电大规模并入电网的主要原因[1,2]。而解决这一问题的关键方法在于提高风力发电的预测精度。精准的预测结果能够帮助电力部门提前进行合理的调度安排，从而减小风电接入电网时对电力系统的稳定运行造成的不利影响，此外，准确的风力发电功率预测对保持电网的供需平衡有重要意义[3]。

目前，依据预测模型的不同，风电功率预测方法主要有2种：第1种是物理方法，通过对风电场附近的障碍物、地形、地表粗糙度等对象进行建模，得到风速、风向等气象数据，再依照风电机组的风速功率特性曲线就能够得到所研究风电场的发电功率；第2种是统计学习方法，通过使用历史观测数据来建立输入输出之间的映射关系，常用的统计学习方法包括灰色预测法[4]、支持向量机法[5]等。单一的预测方法由于其自身局限性的原因，难以得到稳定的预测精度，因此，越来越多的学者通过多种算法相结合的方式来建立模型预测风电功率[6]。文献[7]提出先判断风电功率信号的混沌属性，再以加权平均的形式构造RBF神经网络和SVM组合模型，但是预测方法中存在SVM模型的参数主要依靠实验比对来选取的问题。文献[8]利用经验模态分解和时间序列模型搭建了风电功率预测模型，但是经验模态分解算法容易出现模态混叠的情况，这样会导致真实的物理过程不能在分解结果中表现出来。……