Page 16 - 新能源风力发电技术与自动化技术研究

新能源风力发电技术与自动化技术研究
Research on New Energy Wind Power Generation Technology and Automation Technology

型、自回归积分滑动平均模型、分数自回归滑动平均模型；现代时间序列分析模
型有广义自回归条件异方差模型、随机波动模型、平滑转换自回归模型等。风电
功率和风速数据通常是非平稳时间序列，应用时间序列分析模型前一般需要经过

[2]
[3]
差分之后才能变为平稳时间序列。TOL R S J ，CHEN H 等人研究了风电功率
序列的二阶矩，提出了基于广义自回归条件异方差模型的风电功率预测方法，使
用条件最大似然估计法辨识参数，预测结果优于经典时间序列分析模型。陈昊 [4]
等基于广义自回归条件异方差偏度峰度模型的风电功率预测新方法，针对风电时

间序列高阶条件矩时变性的检验问题，提出链式检验新方法，结合提出的实用化
参数约束处理方法，提升了预测效果。
ANN 是通过复制人类大脑工作过程的方法，用某种结构连接需要处理的大
量元件，有较强的自学习、自组织、自适应的能力，可以处理复杂的非线性问

题。如何防止人工神经网络算法陷入局部最优和过学习的问题，是其改进的研究
[5]
方向。在 1996 年就有学者将 ANN 用于风功率的超短期预测 。后来，众多学者
将 ANN 模型进行了不同的改进，预测精度不断提高 [6][7] 。
SVM 是在统计学习理论的基础上发展的一种学习方法，基于结构风险最小

化原则，适用于小样本情形下模型的建立。SVM 预测方法通过核函数，将样本
空间的输入映射到高维特征空间，解决了传统方法中的维数灾难、学习时间长、
[8]
模型适应性弱等问题。HU Q 等提出了一种新的 N-SVM 回归模型，对传统的
SVM 核函数进行了修正，进一步提高了预测精度。

卡尔曼滤波法通过建立状态空间方程，需要已知噪声的统计特征，将预测对
象作为状态变量。卡尔曼滤波具有稳定性高、无偏性等特点，但如何得到噪声的
统计特征是其方法的难点。卡尔曼滤波在预测过程中不断地进行修正，不需要存
储大量数据，其计算速度非常快。赵攀 [9] 等通过卡尔曼滤波法对 NWP 的结果进

行修正，取得了较好的预测结果，使预测的均方根误差从未修正的 17.73% 降低
至 11.32%。
考虑时空相关性的方法基于多个相互关联的风电场信息共享的数据平台，风
电功率时间序列在不同空间点之间有很强的关联性，根据由风电场内风电机组间

空间排布关系推导出的空间相关矩阵，得到其他风电机组的风速、风向，进一步
可得到风电功率预测值。ZHOU Y [10] 等分析了新西兰不同地形条件下风速数据，
发现不同地表粗糙度下风速的相关性不同。将不同地形特征的影响分为 4 类：第

4