第23卷第6期第620期11年6月能源技术经济EnergyTechnologyandEconomicsVol．23No．6Jun.2011智能电网：1674-8441(2011)06-0031-052种风电功率预测模型的比较时庆华1，高山2，陈昊2，3(1.山东省电力公司日照莒县供电公司，山东日照276500；2.东南大学，江苏南京210096；3.南京供电公司，江苏南京210008）摘要：采用ARMA模型对风电功率进行了预测，并由ARMA方程推导出卡尔曼滤波状态方程和测量方程，从而将预测问题转化到状态空间，并利用卡尔曼滤波法预测了风电功率，比较了2种方法的预测效果。实例表明，卡尔曼滤波法能够提高风电功率的预测精度，并在一定程度上解决了时间序列分析法的预测时延问题，对电力系统的安全、稳定、经济运行以及提高运行效益具有重要意义。关键词：风力发电；功率预测；ARMA；卡尔曼滤波：F272；TK01+8文献标志码：AComparisonStudyonTwoWindPowerForecastingModelsSHIQinghua1,GAOShan2,CHENHao2,3(1.RizhaoJuxianPowerSupplyCompany,ShandongElectricPowerCorporation,Rizhao276500,China;2.SoutheastUniversity,Nanjing210096,China;3.激angsuNanjingPowerSupplyCompany,Nanjing210008,China)Abstract:Windpowerforecastingisveryimportanttowindfarmplanningandstableoperationofthepowersystem.Inthispaper,windpowerisfirstlyestimatedbymeansoftheARMA(AutoregressiveMovingAverage)modelasbuilt,andthentheKalmanfilterstateequationandmeasurementequationarederivedfromtheARMAmodeltotransformtheforecastintostatespace,andfinallywindpowerisforecastedwiththeKalmanfiltermethod.AcomparisonontheforecastingperformancebetweentheARMAmodelandtheKalmanfiltermethodsuggeststhattheKalmanfiltermethodeffectivelyincreasestheforecastprecisionandtosomeextentsolvesthetimelagproblemoftheeriesanalysisinforecasting,whichhasgreatsignificancetothesafe,stableandeconomicaloperationofthepowersystem.Keywords:windpower;powerforecast;ARMA;Kalmanfilter0引言可再生能源（特别是风能）的开发利用已得到世界各国的高度重视[1-9]。随着科学技术的发展，风力发电技术也得到快速发展，大中型风电场相继建成并投入运行，风力发电已逐渐具备大规模商业开发的技术和经济条件[10-23]，在电网中所占比例呈不断升高之势。2000—2007年，世界风力发电装机年增长量在20%以上，到2007年年底，全球风力发电机收稿日期：2011-04-20组装机总容量达到93GW，年发电量达200TW·h，相当于全球电能消费总量的1.3%。中国风电装机容量自2003年以来进入高速增长期：2003年，累计总装机容量为567MW，2004年为764MW，2005年为1266MW，2006年为2599MW，2007年约为5906MW，到2008年，我国风电装机容量达12153MW，与2007年相比，装机增长率为106%[24]。因为风力具有波动性、间歇性、能量密度低等特点，风电功率也是波动的、间歇的。当风电穿透31智能电网能源技术经济第23卷功率超过一定值后，会严重影响电能质量和电力系统的安全、稳定运行。若能对风电场的风电功率进行短期预测，可使电力调度部门根据风电功率的变化及时调整调度计划，以保证电能质量，减少系统y（t）=θ（L）εt式中：q为移动平均的阶数。（3）ARMA模型。ARMA（p,q）为φ（L）yt=θ（L）εt（2）（3）的备用容量，降低电力系统运行成本。这是减轻风电对电网造成不利影响、提高电网中风电装机比例的一种有效途径。目前风电功率预测的模型主要有：①时间序列方法，主要包括自回归移动平均（Auto-RegressiveMovingAverage，ARMA）模型、自回归条件异方差（Auto-RegressiveConditionalHeteroscedasticity,ARCH）模型[25]、线性回归模型、自适应模糊逻辑算法、人工神经网络方法等[26]，采用时间序列方法可对风速做时间序列分析，然后将其转换成风电场输出功率，也由式（1）～（3）可见，AR模型和MA模型可视为ARMA模型的特殊情形。ARMA模型的平稳条件是滞后多项式φ（L）的根在单位圆外，可逆条件为θ（L）的根都在单位圆外。ARMA模型对数据平稳性有要求，要在平稳时间序列的大前提下建模，所以要用ARM...