基于数理统计的短期风速预测修正方法

研究与开发　基于数理统计的短期风速预测修正方法　王世谦　田春筝黄景慧　４５００５２）　（国网河南省电力公司经济技术研究院，郑州摘要准确的短期风速预测，可以有效地减轻风电场对电力系统的不利影响，提高风电场在　电力市场中的竞争力。由于风速具有很强的随机性和波动性，常规的风速预测方法在风速突变点　均存在较大的预测误差，且通过改善预测方法本身无法得到有效地解决。本文从预测数据后期修　正的角度出发，结合数理统计思想，提出了一种基于历史风速数据波动特性及一定置信水平的短　期风速预测修正方法，将原始风速预测值进行修正处理，得到优化风速预测值。该方法具有通用　性，可以应用于不同方法风速预测结果的修正。对基于灰色ＧＭ（Ｉ，１）模型的风速预测结果进行　修正，验证了该方法的有效性和可行性。　关键词：风速预测；波动特性；数理统计；数据修正；风力发电　Ｃｏｒｒｅｃｔｉｏｎ　Ｍｅｔｈｏｄ　ｆｏｒ　Ｓｈｏｒｔ　Ｔｅｒｍ　Ｗｉｎｄ　Ｓｐｅｅｄ　Ｆｏｒｅｃａｓｔｉｎｇ　Ｒｅｓｕｌｔｓ　Ｂａｓｅｄ　ｏｎ　Ｍａｔｈｅｍａｔｉｃａｌ　Ｓｔａｔｉｓｔｉｃｓ　Ｗａｎｇ　Ｓｈｉｑｉａｎ　Ｔｉａｎ　Ｃｈｕｎｚｈｅｎｇ　Ｈｕａｎｇ　Ｊｉｎｇｈｕｉ　（Ｈｅ’ｎａｎ　Ｅｌｅｃｔｒｉｃ　Ｐｏｗｅｒ　Ｃｏｒｐｏｒａｔｉｏｎ　Ｅｃｏｎｏｍｉｃ　Ｒｅｓｅａｒｃｈ　Ｉｎｓｔｉｔｕｔｅ，Ｚｈｅｎｇｚｈｏｕ　４５００５２）　Ａｂｓｔｒａｃｔ　Ｔｏ　ａｃｃｕｒａｔｅｌｙ　ｆｏｒｅｃａｓｔ　ｓｈｏｒｔ—ｔｅｒｍ　ｗｉｎｄ　ｓｐｅｅｄ　ｃａｎ　ｅｆｆｅｃｔｉｖｅｌｙ　ｒｅｄｕｃｅ　ｔｈｅ　ａｄｖｅｒｓｅ　ｅｆｆｅｃｔｓ　ｏｆ　ｗｉｎｄ　ｐｏｗｅｒ　ｉｎ　ｐｏｗｅｒ　ｓｙｓｔｅｍｓ　ａｎｄ　ｉｍｐｒｏｖｅ　ｔｈｅ　ｃｏｍｐｅｔｉｔｉｏｎ　ｏｆ　ｗｉｎｄ　ｐｏｗｅｒ　ｉｎ　ｐｏｗｅｒ　ｍａｒｋｅｔｓ．Ｂｅｃａｕｓｅ　ｏｆ　ｔｈｅ　ｓｔｒｏｎｇ　ｒａｎｄｏｍｉｃｉｔｙ　ｏｆ　ｗｉｎｄ，ｔｈｅ　ｆｏｒｅｃａｓｔｉｎｇ　ｍｅｔｈｏｄ　ａｔ　ｗｉｎｄ　ｍｕｔａｔｉｏｎ　ｐｏｉｎｔｓ　ａｒｅ　ｇｒｅａｔｌｙ　ｉｍｐｒｏｖｅｄ，　ａｎｄ　ｔｈｒｏｕｇｈ　ｉｍｐｒｏｖｅ　ｔｈｅ　ｆｏｒｅｃａｓｔｉｎｇ　ｍｅｔｈｏｄ　ｉｔｓｅｌｆ　ｃａｎｎｏｔ　ｏｂｔａｉｎ　ｍｏｒｅ　ｆａｖｏｒａｂｌｅ　ｅｆｆｅｃｔ．Ｆｒｏｍ　ｔｈｅ　ａｎｇｌｅ　ｏｆ　ｒｅｖｉｓｉｏｎ，ａ　ｒｅｖｉｓｉｏｎ　ｍｅｔｈｏｄ　ｗａｓ　ｐｒｏｐｏｓｅｄ　ａｎｄ　ａｐｐｌｉｅｄ　ｔｏ　ｒｅｖｉｓｉｏｎ　ｔｈｅ　ｆｏｒｅｃａｓｔ　ｗｉｎｄ　ｓｐｅｅｄ　ｉｎ　ｔｈｉｓ　ｐａｐｅｒ，　ｗｈｉｃｈ　ｂａｓｅｄ　ｏｎ　ｔｈｅ　ｈｉｓｔｏｒｉｃａｌ　ｄａｔａ　ｗａｖｅ　ｃｈａｒａｃｔｅｒｉｓｔｉｃｓ　ａｎｄ　ｃｏｎｆｉｄｅｎｃｅ　ｌｅｖｅ１．Ｕｎｄｅｒ　ｔｈｉｓ　ｍｅｔｈｏｄ，ｗｅ　ｃａｎ　ｔｕｒｎｅｄ　ｔｈｅ　ｏｒｉｇｉｎａｌ　ｆｏｒｅｃａｓｔ　ｗｉｎｄ　ｓｐｅｅｄ　ｉｎｔｏ　ｔｈｅ　ｏｐｔｉｍｉｚｅｄ　ｆｏｒｅｃａｓｔ　ｗｉｎｄ　ｓｐｅｅｄ．Ｔｈｅ　ｒｅｖｉｓｉｏｎ　ｍｅｔｈｏｄ　ａｐｐｌｉｅｓ　ｔｏ　ａｌｌ　ｓｈｏｒｔ—ｔｅｒｍ　ｗｉｎｄ　ｐｒｅｄｉｃｔｉｏｎ　ｍｅｔｈｏｄｓ．Ｔｈｅ　ｖａｌｉｄｉｔｙ　ａｎｄ　ｆｅａｓｉｂｉｌｉｔｙ　ｏｆ　ｔｈｅ　ｍｅｔｈｏｄ　ｗａｓ　ｖｅｒｉｆｉｅｄ　ｔｈｒｏｕｇｈ　ｔｈｅ　ｒｅａｌ　ｅｘａｍｐｌｅ　ｏｆ　ａ　ｗｉｎｄ　ｓｐｅｅｄ　ｆｏｒｅｃａｓｔｉｎｇ　ｍｅｔｈｏｄ　ｂａｓｅｄ　ｏｎ　ｔｈｅ　Ｇｒｅｙ　ｍｏｄｅ１．　Ｋｅｙ　ｗｏｒｄｓ：ｗｉｎｄ　ｓｐｅｅｄ　ｆｏｒｅｃａｓｔ；ｗａｖｅ　ｃｈａｒａｃｔｅｒｉｓｔｉｃｓ：ｍａｔｈｅｍａｔｉｃｓ　ｓｔａｔｉｓｔｉｃｓ；ｄａｔａ　ｒｅｖｉｓｉｏｎ；　ｗｉｎｄ　ｐｏｗｅｒ　近年来，随着化石能源危机、环境污染和温室　效应等问题的日益加剧，风能已成为当今世界增长　最快的可再生能源【ｌ】。但由于风电具有很强的随机　性和波动性，风电事业的发展受到了很大的限制。　对风电场和风速进行准确的预测，将有利于电力系　Ａｎａｌｙｓｉｓ１［４－５］、人工神经网络法（ＡＮＮ）［６－７］、模糊逻　辑法（Ｆｕｚｚｙ　Ｌｏｇｉｃ１［８－９】、空间相关性法（Ｓｐａｔｉａｌ　Ｃｏｒｒｅｌａｔｉｏｎ１［８－９］、小波分析法　以及上述方法的各种　组合［１１－１　３］等，利用这些方法进行的风电场风速预测　的误差在２５％￣４０％左右。预测误差不仅与预测方　统调度部门调整调度计划，减轻风电对电网的不利　影响，同时有效地减少电力系统的运行成本以及旋　转备用，并且有利于在电力市场环境下制定正确的　电能交换计划【２Ｊ。　法有关，还与预测周期以及预测地点的风速特性有　关。一般来说，预测周期越短，预测地点的风速变　化越缓和，预测误差就会越小；反之，预测误差就　会越大［Ｉ４］。　由于预测的滞后性，现有的风速预测方法均存　在着在风速突变点预测误差较大，进而降低整体预　目前，风速预测方法主要有，卡尔曼滤波法　（Ｋａｌｍａｎ　ｆｉｌｔｅｒ）［３１、时间序列分析法（Ｔｉｍｅ　Ｓｅｒｉｅｓ　１　０　ｌ电囊｜｛技术　２０１３年第１　１期　Ｉ　测效果的情况，且通过改善预测方法本身并不能得　到有效地解决。同时，当前对风速预测的研究更多　的是从预测方法改进的角度出发，但预测效果并没　有随着预测方法的日益复杂而得到有效的提高，尤　其是风速突变点预测误差较大的情况迄今未得到有　效的改善。关于风速预测修正方面的研究尚存在较　大改进空间。　鉴于上述分析，本文从短期风速预测修正的角　度出发，提出了一种基于历史风速数据波动特性及　置信水平的风速预测修正方法。该方法先对风速历　史数据进行统计分析，根据不同的置信水平确定的　预测时刻的风速波动范围，之后对现有成熟的预测　方法获取的预测结果进行修正，从而提高整体预测　精度。　ｌ　风速突变点预测问题分析　风速预测方法，通常是指一套系统的处理过去　与未来风速的数学方法，即在满足一定精度要求的　前提下，利用历史风速数据，尤其是与预测时刻相　关性最强的几个数据的内在规律特性确定未来某特　定时刻的风速值或某特定时段的平均风速值。　由持续预测法预测风速的原理可知，相邻两组　数据的相关性最强，且随着相隔时间的增加相关性　减弱，这就表明预测时刻的前两组数据的内在规律　变化对特定时刻的风速预测值影响最大，这也就意　味着当预测时刻的前两组风速数据呈现递增的规律　时，特定时刻的风速预测值呈现继续增加的趋势，　反之亦然，这也与实际情况相符。　风速突变点，通常是指风速变化规律在某一固定　监测时刻发生改变时对应的风速监测值，即风速突变　点的风速值与上一监测时刻的风速值的增减规律和　上一监测时刻风速值与上上监测时刻的风速值的增　减规律不同。如图１所示，图中第４个时刻的风速值为　风速突变点，且可以发现在风速突变点预测误差较大　的原因，即原有预测继续呈现增加的趋势，而实际风　速值出现减少，这就意味着风速突变点的实际值与预　测值之间的相对差值比一般时刻的相对差值要大。选　例中预测风速值由基于灰色模型ＧＭ（１，１）的风速预　测方法得到，原始风速序列长度为５。　对于这些突变点，通过进一步完善风速预测方　法，通常很难提高预测精度，这是由预测方法的滞后　性所决定的。因此，本文引入历史风速数据的波动特　性来确定未来特定时刻的风速波动范围，以此来弥补　研究与开发　预测方法的滞后性所引发的较大的预测误差。　１１，ｑ４　。。　＝　篇麟　篓　ｌｌ　１０．０２　１０．０７　ｌ０．１９　—一预测德一实测值　２　３　４　预测时刻　图１风速突变点预测情况示意图　２　基于波动特性及置信水平的短期风速预　测修正模型　风电功率随着风速的随机变化而呈现很强的非　规律性的波动是风力发电最显著的特点。从长时间　来看，风速的变化幅度很大，且周期性不强，但风　速是逐渐变化的，即在秒级数据记录中，大部分时　间内风速的变化率是很平缓的。　由基于持续预测法的风速预测基本原理，可知　相邻监测的风速值ｖ　与ｖ　１相关性最大，这也与实际　经验相符。具体到风电机组而言，可以通过单位时　间风速变化率和风速波动率两个指标来表示其对应　的风速波动特性。定义如下：　△　二　：　△　△　ｆ＝　二　：　ｌ００％　（２）　式中，Ａｖ　、　分别为固定监测时间间隔对应的单　位时问风速变化率（单位：ｍ／ｓ　）和风速波动率（单位：　１），ｆ为监测点编号，　、Ｖｆ（ｆ＿ｆ）为相邻监测风速值，　△　为监测时问间隔（单位：ｓ）。　对历史风速数据进行上述处理，并对Ａｖ　、Ａｐ　进行分段统计，可以得知不同单位时间风速变化率　和风速波动率出现的频率，进而可以得到基于一定　置信水平　的单位时间风速变化率Ａｙ　和风速波动　率△　最大值△　＾、△　，即单位时间风速变　化率小于△　一，　和风速波动率小于　，　的概率　值为　。　由单位时间风速变化率△Ｖ　、风速波动率　的最大值△　＾、△　ｉ　州和监测风速值　（ｆ＿】），可　确定下一时刻风速Ｖｉ，的波动范围，即有　２０１３．￣１１期电毒囊ｌ技徽Ｉ　１　１　研究与开发　［ｒＩ　ｎ（（　（ｆ—１）一△　ｎ　×△　，（　ｏ　小时共计１４４组的风速数据。　修正对象为基于灰色ＧＭ（１，１）模型的风速预测　１）二＋＿ｇｉ　（ｔ　１）×　））ｌ　３　ｒ￣ｘ（（ｖｉ（ｔ　１）－｛－ＡＶｉｍａｘ，＾×△　，（Ｖｉ（ｔ　简记为　［　ｆｆｍｉｎ，　，Ｖ　ｉｔｍ“。＾］　（４）　此时可建立基于一定置信水平　的风速预测初　步修正公式　ｆ　“ｍ　≤　…，　：｛【　，Ｖ　ｉｉ一，　　ｍ≥　ｉｎ，２≤Ｖ一，ｔ　ｉｔ≤　。一．　（５）　式中，　，，为初步修正预测风速，　为原始预测风　速，　，　、　ｉ　。　分别为基于历史风速数据及一　定置信水平　确定的ｆ时刻的风速波动范围的上、　下限。　由基于一定置信水平　确定的初步修正预测风　速仍需满足由历史风速数据确定的整体风速的波动　范围［ｖｉｍｉｎ，ｖｉｍ　］，其中ｖｉｍ　可设定为０ｍ／ｓ，Ｖｉｍ　可　设定为风电机组的切出风速。　最后，可建立完善的风速预测修正公式　ｆ　≤　ｆ　，：Ｉ　，，　Ｖｆｍｉ　≤　≤Ｖ　ｍａｘ　（６）　ｌＶｉｍａｘ　≥Ｖｉｍａｘ　式中，Ｖ一　为修正预测风速，　为初步修正预测风　速，Ｖｉ　、Ｖｉ　ｉ　分别为基于历史风速数据确定的整　体风速波动范围的上、下限。　分析可知，当　＝０时，原有预测方法将变更为　持续预测法的一种情况，即把最近一点的风速观测　值作为下一点的风速预测值，此时预测误差较大，　这也说明置信水平不能设置过低；当　＝１时，修正　预测风速等于原始预测风速，修正方法将不起作用，　修正效果得不到体现。　３算例分析　通过上节内容可知，基于历史风速数据的波动　特性及一定置信水平建立的修正模型对风速预测方　法并没有特殊要求，限于篇幅，本文仅介绍基于ＧＭ　（１，１）灰色模型的短期风速预测方法，并用实际算　例验证该方法的有效性与可行性。　３．１研究数据及修正对象　历史数据采用我国北方某风电场在２００９年３月７　日至１７日以１０分钟为采样间隔的实际监测风速数据　（共计ｌ５８４组）。预测日期及时段为３月１８日持续２４　１２　ｌ电　技】ｌｔ　２ｏｌ３￣ｇ　１１期　值，鉴于篇幅有限，ＧＭ（１，１）模型可参见文献［１５１，　数据窗长度为５，对３月１８日共计１４４组的风速的预测　数据进行修正。　３．２修正步骤　第一步：由历史风速数据得到单位时间风速变　化率和风速波动率，并完成分段统计。结果见表１、　表２。　第二步：设定修正置信水平　，进而确定与之　对应的单位时间风速变化率、风速波动率的最大值　Ａｗ　ｒｉｌ＇ａｘ．　、Ａｐ　ｍａｘ．　。　如设定置信水平　＝０．８５，由历史风速数据统计　结果可知对应的单位时间风速变化率△　嗽　等于　２．１３　１０。ｍ／ｓ　，以及对应不同风速段的风速波动率　的最大值△ｐ　“，如Ｖｉ（　）位于９～１０ｍ／ｓ时，　／￣ｐｉｍａｘ，　＝１３．５％，具体结果见表３（ａ）、（ｂ）。　表１　基于１０ｒａｉｎ监测间隔的单位时间风速变化率统计数据　单位时间风速变化率（１Ｏ。ｍ／ｓ　１　概率／％　０．Ｏ～０．４　２８．１７　０．４～０．８　２０．６６　０．８～１．２　１５．４ｌ　１．２～１．６　１２．００　１．６～２．０　７．Ｏ１　２．Ｏ～３．Ｏ　９．４１　３．Ｏ～６．０　６＿３２　＞６．０　１．Ｏ１　表２基于１０ｒａｉｎ监测间隔的风速波动率统计数据　风速　风速波动率概率／％　／（ｍ／ｓ）　０—１０　ｌ０—２０　２０　４０　４０－８Ｏ　８０—１５Ｏ　＞ｌ５０　Ｏ～ｌ　１－３９　２．７８　５．５６　１５．９８　６３．２０　１１．１１　１～２　１７．７８　１２．２２　２７．７８　２５．５５　１２．２２　４．４４　２～３　２７．６８　１７．８６　２５．９０　１７．８５　ｌＯ．７２　０．００　３～４　２８．７ｌ　２６．７３　３１．６８　１０．８９　１．９９　０．Ｏ０　４～５　４０．１６　２７．０５　２２．９６　８＿２Ｏ　１　６４　０．００　５～６　４９．１１　２５．０Ｏ　ｌ８．７５　６－２５　０　９　０．Ｏ０　６～７　６３．Ｏ３　２５　２１　ｌ０．Ｏ８　１．６８　Ｏ．００　０．Ｏ０　７～８　７５．５Ｏ　１７－２２　５．９６　ｌ－３２　Ｏ．ＯＯ　０．Ｏ０　８～９　７３．６４　２Ｏ．１６　５．４３　Ｏ．７８　Ｏ．００　Ｏ．Ｏ０　９～１０　７３．１１　２３．５３　３　３６　０．００　Ｏ．００　０．Ｏ０　ｌ０～１１　７６．１９　１９．０５　３．５７　１．１９　０．Ｏ０　０．０Ｏ　１１～１２　８３　ｌ３　１５．６６　１．２Ｏ　Ｏ．Ｏ０　Ｏ．Ｏ０　０．ＯＯ　ｌ２～１３　７８＿３３　２０．Ｏ０　１．６７　０．００　０．００　０．００　ｌ３～１４　８８．５２　１１．４８　Ｏ．００　０．Ｏ０　Ｏ．ＯＯ　０．ＯＯ　Ｉ４～ｌ５　８０．００　２０．００　０．Ｏ０　０．ＯＯ　０．Ｏ０　０．００　１５～ｌ６　８９．４７　５．２６　５．２６３２　Ｏ．Ｏ０　Ｏ．Ｏ０　０．０Ｏ　＞ｌ６　１Ｏ０　０．Ｏ０　０．０Ｏ　０．００　０．００　０．０Ｏ　第三步：基于修正公式（４）、　（５）完成预测风　速数据修正，得到优化预测风速值。　如置信水平　＝０．８５时，修正前、后预测风速　与实际监测风速对比结果如图２所示。由图２可知，　通过修正处理，优化预测风速值较原始预测风速值　更加接近于实际值，有效地降低了预测风速值与实　际风速值的偏离程度，弥补了预测方法的滞后性引　起的较大误差，尤其是在风速突变点修正效果得到　明显的体现，提高了整体预测效果。　鬟　戆　矗　ｌ　逢　曼最　一　多厂　ｉ　一　—　实际监测风速　一修正前预测风速　修正后预测风速　”　∞　６１时　０　８５　如０挖　坞　图２预测风速修正前后与实际监测风速对比图　３．３修正误差分析　修正误差的确定采用绝对百分比误差　ＰＥ和平　均绝对百分比误差ＭＡＰＥ。定义如下：　Ｐ　＝Ｌ——　：　二　×１Ｏ０％　×　％　（７）（　）　ＭＡＰＥ：一１　ＡＰＥ　（８）　Ｎ　式中，Ⅳ是参与计算的样本点数。最大、最小绝对　百分比误差分别记为ＭＡｘ　ＡＰＥ、ＭＩＮ　ＡＰＥ。　为了判断不同置信水平对修正效果的影响，本　文基于不同的置信水平对修正对象进行了多组修　正，其中不同置信水平对应的单位时间风速变化率、　风速波动率的最大值Ａｖｉｍａｘ，　、Ａｐ，一，　见表３、表４，　修正结果对比见表５、图３。修正对象原始预测风速　的ＭＡＸＡＰＥ（％）、ＭＩＮＡＰＥ（％）、ＭＡＰＥ（％）分　别为６０．３５％、０．１ｌ％、１４．４４％。　由图２、表５可以看出，经过本文方法的数据修正，　预测精度较修正前有了明显的提高。与修正对象的原始　预测数据相比，其平均绝对百分比误差、最大绝对百分　比误差均有了较大幅度的下降，整体预测效果得到明显　提高。如置信度水平　＝０．８５时，其平均绝对百分比误　差降低为１２．２９％，预测精度提高了２．１５％，最大绝对　百分比误差也下从６０．３５％降低到了４９．０２％，有效的缓　解了风速突变点预测误差较大的情况。　研究与开发　表３不同置信水平及其对应Ａｖ　一，　置信度　Ｏ．６５　０．７　０．７５　０．８　０．８５　０．９　０．９５　Ａｖ／ｍａｘ，２　１．２３　ｌ＿３７　１．５５　１．８　２．１３　２．６０　３．５Ｏ　表４不同置信水平及其对应　，　风速段　置信水平　ｍ∞　Ｏ．６５　０．７０　Ｏ．７５　０．８０　Ｏ．８５　０．９　０．９５　０～１　ｌＯ０　１００　１０Ｏ　１Ｏ０　１Ｏ０　１　７４　２９８．　１～２　４８．２　５４．３　６３．９　６８．０　８０．２　９５．３　１１２　２～３　３２．８　３７．１　４４－３　５１．４　５７．９　８４．０　９６．６　３～４　２２－３　２４．３　２７．１　２８．９　３５．６　４３．６　６０．５　４～５　ｌ９．０　２１．Ｏ　２２．Ｏ　２４．２　２８．５　３７．８　５Ｏ．５　５～６　１５．１　１６．５　２０．Ｏ　２３．１　２５．０　３１．９　４２．７　６～７　ｌ０．２　１１．２　１２．８　ｌ３．６　１６．８　２０．６　３３．６　７～８　７．７３　８．７６　９．９４　１Ｏ．９　１３．２　１５．９　２４．２　８～９　７．５８　８．５７　ｌ０＿３　１１＿３　ｌ３．１　１５．７　２１．４　９～１０　７．２２　８．６５　ｌ０．１　１２．２　１３．５　１５－３　ｌ７．６　１０～ｌ１　６．８３　７．５５　９．５２　１０．９　１３．５　１４．６　１９．５　１１～ｌ２　５－３６　６．１７　６．５４　７．９０　１１．２　１３．７　１５．３　１２～ｌ３　６．１４　７．１３　９．１０　１０．Ｏ　ｌ１＿３　１３．４　１９．５　ｌ３～ｌ４　４．３５　４．７７　６＿３５　７．１５　７．８４　１０．１　ｌ２．９　ｌ４～１５　５＿３２　５－３９　６．６４　６．８８　１０．１　ｌ１．４　１７．９　ｌ５～ｌ６　５．８３　６．７６　７．０ｌ　７．１２　８＿３６　８．６９　ｌ６．４　＞１６　４．８４　４．８４　６．４６　６．４６　７．４２　７．４２　１２．１　十平均绝对百分比误差　啪最＿丈绝对百分比误差　一／　一一　～一　一０．５　０．，５５　０．６　０．６５　０　７　０　７５　０．８　０　８，５　０．９　０　９５　置信度水平　图３不同置信水平修正结果比较　表５不同置信水平修正结果　置信度２　ＭＡＰＥ｜％　Ｍ　Ｘ４ＰＥ｜　ＭｌＮＡＰＥ｜％　０．５Ｏ　８．１３　３８．９４　Ｏ．Ｏ３　Ｏ．５５　８．６１　４０－２５　０．０４　０．６Ｏ　８．９５　４１．０３　Ｏ．Ｏ３　０．６５　９．５２　４１．７９　Ｏ．０５　０．７０　ｌ０．０３　４３．１５　Ｏ．１５　Ｏ．７５　１０．７０　４４．７１　０．００　０．８０　ｌ１．２７　４５．９３　０．４２　０．８５　１’，０　４９．Ｏ２　Ｏ．０１　０．９０　１３．１８　５２．５Ｏ　０＿２４　０．９５　１４－２０　６０－３５　Ｏ．１１　同时，由图３、表５可以看出，随着置信水平　的不断降低，修正对象的平均绝对百分比误差、最　大绝对百分比误差呈现逐步下降的趋势，尤其是当　置信度水平　＝０．５０时，其平均绝对百分比误差、　最大绝对百分比误差两项指标下降幅度分别高达　　Ｉ２０１３年第１　１期电　技　Ｉ　１３　研究与开发　４２．７５％、３５．４５％，预测效果得到根本性的提升，　但　此时置信水平较低，可信度较差。　总体而言，通过历史风速数据的统计处理，可　以较好的发现风电机组对应的特定地区的风速的变　化规律，有效的改善风速预测模型在风速突变点预　测误差较大的情形，提高整体风速预测效果，为准　确的风电功率预测奠定了良好的基础，对减轻风电　场对电力系统的不利影响，提高风电场在电力市场　中的竞争能力具有重要的意义。但是，仍然存在个　别监测点预测误差偏大的现象，仍需进一步的研究，　如　＝０．８５时，其最大绝对百分比误差仍然达到　４９．Ｏ２％。　最后，基于上述分析可知，获取准确的基于一　定置信水平的单位时间风速变化率、风速波动率的　最大值Ａｖｉ　，　、Ａｐｉ　，　对修正效果起着至关重　要的作用，此时也可以获知不断增加历史风速数据　的总量将逐步提高风速预测修正效果，进而提高风　速预测模型的整体预测效果。　４结论　本文从预测风速预测结果修正的角度出发，提　出了一种基于波动特性及置信水平的风速预测修正　方法，即通过分析大量历史风速数据的波动特性建　立具有一定置信水平的预测时刻的风速波动范围，　利用风速波动范围将原始风速预测值进行修正处　理，得到了最终的优化风速预测值。对我国某风电　场基于灰色模型ＧＭ（１，１）的风速预测结果进行了修　正处理，并讨论了不同置信度对预测结果的影响。　结果表明，经过修正处理可以得到更接近于实　际值的优化风速预测值，有效地缓解了因预测方法　的滞后性引起的风速突变点预测误差较大的情况，　且随着置信水平的不断减小，整体的预测效果呈现　逐步提高的趋势。该修正模型可有效地提高整体风　速预测效果，风速突变点的预测精度提高得尤为明　显，对提高风电在电力市场中的竞争力具有重要意　义。该方法与预测方法无关，理论上可以应用于不　同方法风速预测结果的修正。　参考文献　［１］杨茂，熊吴，严干贵，等．基于数据挖掘和模糊聚类的风　电功率实时预测研究［Ｊ］．电力系统保护与控制，２０１３，　４１（１）：１－６．　１４　Ｉ电　技琳　２０１３年第１１期　［２】谷国利，王维庆，张新燕，等．风电场风速预测方法的研　究【Ｊ】．农业工程学报：新能源产业，２００９（６）：２２—２４．　［３］　卿湘运，杨富文，王行愚．采用贝叶斯一克里金一卡尔曼　模型的多风电场风速短期预测［Ｊ］．中国电机工程学　报，２０１２，３２（３５）：１０７—１　１４．　［４】ＴＯＲＲＥＳ　Ｊ　Ｌ，ＧＡＲＣＩＡ　Ａ，ＢＬＡＳ　Ｍ　Ｄ，ｅｔ　ａ　１．Ｆｏｒｅｃａｓｔ　ｏｆ　ｈｏｕｒｌｙ　ａｖｅｒａｇｅ　ｗｉｎｄ　ｓｐｅｅｄ　ｗｉｔｈ　ＡＲＭＡ　ｍｏｄｅｌｓ　ｉｎ　ｎａｖａｒｒｅ（Ｓｐａｉｎ）［Ｊ］．Ｓｏｌａｒ　Ｅｎｅｒｇｙ，２００５，７９：６５—７７．　［５】张宏宇，印永华，申洪，等．基于概率测度变换的风速时间　序列建模方法［Ｊ］．电力系统自动化，２０１３，３７（２）：７—１０．　【６］ＢＡＲＢＯＵＮＩＳ　Ｔ　ＧＴＨＥＯＣＨＡＲＩＳ　Ｊ　Ｂ，ＡＬＥＸＩＡＤＩＳ　Ｍ　Ｃ．ｅｔ　ａ１．Ｌｏｎｇ—ｔｅｒｍ　ｗｉｎｄ　ｓｐｅｅｄ　ａｎｄ　ｐｏｗｅｒ　ｆｏｒｅｃａｓｔｉｎｇ　ｕｓｉｎｇ　ｌｏｃａｌ　ｒｅｃｕｒｒｅｎｔ　ｎｅｕｒａｌ　ｎｅｔｗｏｒｋ　Ｍｏｄｅｌｓ［Ｊ］．Ｔｒａｎｓａｃｔｉｏｎｓ　ｏｎ　ｅｎｅｒｇｙ　ｃｏｎｖｅｒｓｉｏｎ，２００６，　２１（１）：２７３—２８４．　［７】黄小华，李德源，吕文阁．基于人工神经网络模型的风　速预测［Ｊ］＿太阳能学报，２０１１，３２（２）：１９３－１９７．　［８］ＡＬＥＸＩＡＤＩＳ　Ｍ，ＤＯＫＯＰＯＵＬＯＳ　ＳＡＨＳＡＭＡＮＯＧＬＯＵ　Ｈ．ｅｔ　ａ１．Ｓｈｏｒｔ　ｔｅｒｍ　ｆｏｒｅｃａｓｔｉｎｇ　ｏｆ　ｗｉｎｄ　ｓｐｅｅｄ　ａｎｄ　ｒｅｌａｔｅｄ　ｅｌｅｃｔｒｉｃａｌ　ｐｏｗｅｒ［Ｊ］．Ｓｏｌａｒ　Ｅｎｅｒｇｙ，１９９８，６３（１）：　６１—６８．　［９】　ＢＡＲＢＯＵＮＩＳ　Ｔ　Ｇ，ＴＨＥＯＣＨＡＲＩＳ　Ｊ　Ｂ．Ａ　ｌｏｃａｌｌｙ　ｒｅｃｕｒｒｅｎｔ　ｆｕｚｚｙ　ｎｅｕｒａｌ　ｎｅｔｗｏｒｋ　ｗｉｔｈ　ａｐｐｌｉｃａｔｉｏｎ　ｔｏ　ｔｈｅ　ｗｉｎｄ　ｓｐｅｅｄ　ｐｒｅｄｉｃｔｉｏｎ　ｕｓｉｎｇ　ｓｐａｔｉａｌ　ｃｏｒｒｅｌａｔｉｏｎ［Ｊ］．　Ｎｅｕｒｏｃｏｍｐｕｔｉｎｇ，２００７，７０（１　５）：２５－４２．　［１０］郭虎全，刘吉臻，柳玉，等．基于小波包分析的风速预测　研究［ＪＪ．华东电力，２０１１，３９（１２）：２０７７—２０７９　［１　１］罗文，王莉娜．基于小波分解与遗传算法和支持向量机　的短期风速预ＮＩＪ［ｊ］．太阳能学报，２０１２，３３（８）：１３２７—１３３３．　［１２］刘辉，田红旗，李燕飞．基于小波分析法与滚动式时间　序列法的风电场风速短期预测优化算法［Ｊ］．中南大　学学报（自然科学版），２０１０，４１（１）：３７０—３７５．　［１３】蔡凯，谭伦农，等．时间序列与神经网络法相结合的短　期风速预测［Ｊ］．电网技术，２００８，３２（８）：８２—８５．　［１４】杨秀嫒，肖洋，陈树勇．风电场风速和发电功率预测研　究［Ｊ］．中国电机工程学报，２００５，２５（１１）：１－５．　［１５】杜松怀，温步瀛，蒋传文．电力市场［Ｍ］．３版．北京：中国　电力出版社．２００８：１０７．１０８．　作者简介　王世谦（１９８８．），男，河南濮阳人，硕士，主要研究方向为电力系　统分析、电网规划。