隨著資源環(huán)境約束的日趨嚴(yán)苛，以化石能源為主的能源發(fā)展模式必須進行根本轉(zhuǎn)變。近年來，可再生能源開發(fā)的熱潮遍及全球。我國已經(jīng)規(guī)劃了8個千萬kW級的大型風(fēng)電基地。截至2012年底，我國風(fēng)電裝機容量已超過7000萬kW，居世界第1位。預(yù)計2020年全國風(fēng)電裝機容量將超過2.0億kW。

　　摘要： 風(fēng)電功率的隨機波動被認為是對電網(wǎng)帶來不利影響的主要因素。研究風(fēng)電功率的波動特性，對改善風(fēng)電預(yù)測精度與克服風(fēng)電接入對電網(wǎng)的不利影響都有重要意義。本文通過對30天的風(fēng)電數(shù)據(jù)加總，求得15min級的風(fēng)電功率數(shù)據(jù)，提出了基于ARIMA模型的風(fēng)電功率的預(yù)測模型。通過對數(shù)據(jù)進行單步預(yù)測取得較好的預(yù)測結(jié)果，說明ARIMA(1，1，1)模型能夠較好的擬合原始數(shù)據(jù)。給風(fēng)電功率的預(yù)測提供了新的思路。

　　Abstract： The random fluctuations of wind power are ragarded as the main factor of the adverse effect to the grid. That we study the fluctuation characteristics of wind power is attatch much importance to improve the prediction accuracy of wind power and to overcome the adverse effect of wind power on the grid. This article uses the 30 days summation of the wind power in order to get the 15min level wind power data， and get the ARIMA model of wind power prediction. We get the better result by using the one-step prediction and we get out of the conclusion that ARIMA(1，1，1)model can better fit the original data. This article draws a new concept of the prediction of the wind power.

　　關(guān)鍵詞：期刊網(wǎng)論文, ARIMA模型,風(fēng)電功率,時間序列

　　Key words： ARIMA model;wind power;time series

　　0 引言

　　大規(guī)模風(fēng)電基地通常需接入電網(wǎng)來實現(xiàn)風(fēng)電功率的傳輸與消納。風(fēng)電功率的隨機波動被認為是對電網(wǎng)帶來不利影響的主要因素。研究風(fēng)電功率的波動特性，不論對改善風(fēng)電預(yù)測精度還是克服風(fēng)電接入對電網(wǎng)的不利影響都有重要意義。時間序列法建模所需信息少，運算方便，應(yīng)用較為廣泛。它主要分為4種不同的模型：自回歸(AR)模型，移動平均(MA)模型，自回歸-移動平均(ARMA)模型;差分自回歸移動平均(ARIMA)模型。目前，該方法使用最多的是ARIMA模型，因為該模型引入了差分方法來處理非平穩(wěn)數(shù)據(jù)。本文以某風(fēng)電站數(shù)據(jù)為例，應(yīng)用ARIMA模型對風(fēng)電站的風(fēng)電功率進行預(yù)測，在經(jīng)過模型識別，參數(shù)估計和模型定階，并通過檢驗后應(yīng)用該模型進行風(fēng)電場風(fēng)速預(yù)測。對自動站風(fēng)速數(shù)據(jù)的預(yù)測值和實際值的比較選擇適當(dāng)?shù)哪Ｐ蛯︼L(fēng)電功率進行預(yù)測。

　　對ARMA模型進行預(yù)測首先需要確保時間序列平穩(wěn)。對于實際中的大多數(shù)時間序列是非平穩(wěn)的，因而，我們可以對數(shù)據(jù)進行差分，差分之后得到平穩(wěn)的時間序列。對差分后所得的平穩(wěn)時間序列便可以利用ARMA模型進行預(yù)測。經(jīng)驗表明，在對每一期的值利用之前對多期實際樣本數(shù)據(jù)進行預(yù)測，這樣預(yù)測擬合的效果較好。

　　2 實證分析

　　2.1 樣本的選取與處理 原始數(shù)據(jù)來源于某風(fēng)電場中20臺1.5MW風(fēng)電機組30天的風(fēng)電功率數(shù)據(jù)，模型所依賴的數(shù)據(jù)已經(jīng)進行過處理，為20個發(fā)電機組一個月內(nèi)15min級(即每 15min取一次數(shù)據(jù))的發(fā)電功率之和(單位：兆瓦)。得到的288個數(shù)據(jù)來自每三天(即288個15min)的觀測結(jié)果。

　　2.2 模型建立與參數(shù)估計 將數(shù)據(jù)導(dǎo)入RATS軟件中，并建立序列“fengdian”，對序列“fengdian”作圖如圖1所示。

　　由圖1可知，風(fēng)電功率的波動高于或低于平均值持續(xù)了一段時間，上下波動較為劇烈。因此，序列{Pt}可能是協(xié)方差不平穩(wěn)的。

　　由圖2可知風(fēng)電功率的一階差分{?駐Pt}則表現(xiàn)較為平穩(wěn)，因此我們先預(yù)選差分后的風(fēng)電功率序列{?駐Pt}。

　　在建立模型之前，我們需要檢查序列{Pt}的自相關(guān)函數(shù)和偏自相關(guān)函數(shù)，并試著來估計模型。由圖3的數(shù)據(jù)可知，序列{Pt}的自相關(guān)函數(shù)呈現(xiàn)出指數(shù)衰減，且衰減速度緩慢并且其偏自相關(guān)函數(shù)大致呈現(xiàn)出兩個峰值后截尾。這再一次論證了，原始的數(shù)據(jù)序列式是不平穩(wěn)的。對時間序列的平穩(wěn)性檢驗除了通過圖形直觀判斷之外，運用統(tǒng)計量進行統(tǒng)計檢驗則是更為重要的。因此我們用單位根檢驗來判斷序列是否存在單位根。[2]因為一個有單位根的時間序列就是隨機游走序列，而隨機游走序列是非平穩(wěn)的，因此我們可以通過檢驗序列是否存在單位根來檢驗其平穩(wěn)性。我們使用RATs對時間序列的檢驗如表1。

　　由表1可知在無趨勢項與截距項、帶趨勢項和截距項、帶截距項條件下，t統(tǒng)計量均大于三個顯著性水平。因此，不能拒絕存在單位根的原假設(shè)，因此，我們可以認為，存在一個單位根。之后，我們對差分序列{?駐Pt}進行單位根檢驗，檢驗結(jié)果如表2。

　　由表2可知在無趨勢項與截距項、帶趨勢項和截距項、帶截距項條件下，t統(tǒng)計量均小于三個顯著性水平。因此拒絕存在單位根，我們認為在一階差分之后序列為平穩(wěn)序列。對差分序列{?駐Pt}做自相關(guān)和偏自相關(guān)圖如圖4。

　　RATs軟件中使用的便是修正后的Q統(tǒng)計量，分別計算其4，8，12個自相關(guān)系數(shù)。Ljung-Box的Q統(tǒng)計量如表3所示：

　　由表3可知，Q統(tǒng)計量的值都很小，不能拒絕原假設(shè)，因此可以認為殘差序列近似為一個白噪聲序列。

　　對1期到270期的數(shù)據(jù)建立ARIMA(1，1，1)模型并擬合數(shù)據(jù)，運用擬合的公式對271期到288期進行預(yù)測，得到圖5。可以看到，擬合的數(shù)據(jù)與真實的數(shù)據(jù)有些差距，殘差序列的標(biāo)準(zhǔn)差較大。預(yù)測的結(jié)果不太理想，主要原因在于單變量時間序列模型預(yù)測的為整體的均值，而此曲線的波動較為劇烈。

　　下面我們對從188到288期的數(shù)據(jù)進行單步預(yù)測。

　　單步預(yù)測的結(jié)果較好，能夠較好地擬合數(shù)據(jù)的變動，這說明時間序列模型對下一步的預(yù)測較好，對未來的預(yù)測則有較大偏差。我們可以選用時間序列模型對下一步的風(fēng)電功率數(shù)據(jù)進行預(yù)測。

　　3 結(jié)論

　　本文使用時間序列理論對求和之后的風(fēng)電功率數(shù)據(jù)進行建模，通過對模型的篩選確定相應(yīng)的ARIMA模型后，對風(fēng)電功率進行預(yù)測，取得了較好的效果。預(yù)測結(jié)果表明，時間序列模型(ARIMA)適用于風(fēng)電功率的預(yù)測。但由于風(fēng)的不確定性、間歇性以及風(fēng)電場內(nèi)各機組間尾流的影響，使得風(fēng)力發(fā)電機不能像常規(guī)發(fā)電機組那樣根據(jù)對電能的需求來確定發(fā)電。并且風(fēng)電場通常有幾十臺、上百臺風(fēng)電機組。大型風(fēng)電基地由數(shù)十甚至上百個風(fēng)電場組成。因此，風(fēng)電功率的波動有很強的時空差異性。這些方面的欠缺都會使預(yù)測產(chǎn)生相應(yīng)的誤差。未來我們將對這些影響進行更加深入的研究。

　　參考文獻：

　　[1]Enders， Walter. Applied econometric time series[J]. John Wiley & Sons， 2008.

　　[2]李子奈，潘文卿.計量經(jīng)濟學(xué)[M].北京：高等教育出版社，2005.

　　[3]楊桂興，常喜強，王維慶，姚秀萍.對風(fēng)電功率預(yù)測系統(tǒng)中預(yù)測精度的討論[J].電網(wǎng)與清潔能源，2011(01)