（电气工程专业论文）基于非经典计量经济学的短期风电功率预测.pdf

s h o r tt e r m 删dp o w e r p i 冱d i c t i o nb a s e do n n o n c l a ss i c a le c o n o m e t i u cs m o d e l s at h e s i ss u b m i t t e dt o s o u t h e a s tu n i v e r s i 够 f o rt h ea c a d e m i cd e g r e eo fm a s t e ro f e n g i n e e r i n g ( s u p p o i r t e db yn a t i o n a ln a t u r a ls c i e n c ef o u n d a t i o no fc h i n au n d e rg r a n t n o 5 0 7 0 7 0 0 4 ) b y h ey r u s u p e r v i s e db y a s s o c i a t e p r o fg a os h a n s c h o o lo fe l e c t r i c a le n g i n e e r i n g s o u t h e a s tu n i v e r s i t y m a r c h2 0 1 0 东南大学学位论文独创性声明 本人声明所呈交的学位论文是我个人在导师指导下进行的研究工作及取得的研究成果。 尽我所知，除了文中特别加以标注和致谢的地方外，论文中不包含其他人已经发表或撰写过 的研究成果，也不包含为获得东南大学或其它教育机构的学位或证书而使用过的材料。与我 一同工作的同志对本研究所做的任何贡献均已在论文中作了明确的说明并表示了谢意。 研究生签名：盔鹭盔日期：丛：i ：1 7 东南大学学位论文使用授权声明 东南大学、中国科学技术信息研究所、国家图书馆有权保留本人所送交学位论文的复印 件和电子文档，可以采用影印、缩印或其他复制手段保存论文。本人电子文档的内容和纸质 论文的内容相一致。除在保密期内的保密论文外，允许论文被查阅和借阅，可以公布( 包括 以电子信息形式刊登) 论文的全部内容或中、英文摘要等部分内容。论文的公布( 包括以电 子信息形式刊登) 授权东南大学研究生院办理。 研究生签名：鳟导师签名：尘皿日期：园筮毕 摘要 摘要 随着国内风电产业的飞速发展，风电单机容量不断增加，并网型风电场在电网中的所占 比例也越来越大。而风力发电的波动性和不确定性增加了电网规划和调度的难度。但如果能 够对风电场出力进行准确的预报，就有助于电力调度部门及时调整调度计划，使电力供需达 到平衡，同时还能减少系统备用容量，降低运行成本。 风电功率预测算法是风电场功率预测的核心部分。本文在研究非经典计量经济学算法的 基础上建立了基于非经典计量经济学模型的风电功率短期预测模型。非经典计量经济学是计 量经济学发展的新阶段，其主要的学术理论为a r c h 族模型和协整理论。在研究遗传算法 和b p 神经网络算法的各自特点的基础上，建立了遗传神经网络模型。本文采用a r c h 族模 型和遗传神经网络模型研究了风电功率的短期预测。本文的主要工作如下： ( 1 ) 分析了国内外风电发展的现状，讨论了国内外风电功率短期预测的各种算法。 ( 2 ) 对博克斯- 詹金斯( b o x - j e n “n s ) 方法论作了较为详细的论述，给出具体步骤的程 序框图。 ( 3 ) 对非经典计量经济学中的条件异方差模型作了比较完整的论述。 ( 4 ) 选择最能反映风电功率特性的训练样本数据，并处理不良数据，为得到理想的模 型精度打下基础。选取中国沿海某风电场夏季八月份的数据，采样时间分别为1 5 m i n 和6 0 m i n 的两个数据样本。 ( 5 ) 分析了风电功率时间序列的a r c h 效应和厚尾现象，建立了a r m a 模型、 a r m a - g a r c h 模型、a 鼢舱g a r c h g e d 模型，并利用三个模型对风电功率时间进行了 实证研究。 ( 6 ) 结合遗传算法和b p 神经网络算法的各自特点，建立遗传神经网络模型并对风电 功率进行短期预测。 ( 7 ) 分析比较预测结果。论证了非经典计量经济学模型利用于风电功率短期预测的可 行性。 【关键词】风电功率预测，a r c h ，g a r c h ，波动集聚，厚尾，遗传神经网络 a b s t r a c t a bs t r a c t w i t ht h er a p i dd e v e l o p m e n to ft h ed o m e s t i cw i n dp o w e ri n d u s t l m t h es i n g l e m a c h i n ec a p a c i t y 御1 dt h es c a l eo ft h eg d - c o 衄e c t e dw i n df a ma r ei n c r e a s i n g h o w e v e r ，t h ev o l a t i l i t ya n dt h e r a n d o m i c i t yo ft h ew i n di n c r e a s et h ed i 伍c u l t yo ft h ep l a n n i n gf o rt h ep o w e rs y s t e m i ft h e s h o r t - t e mw i n dp o w e rc a nb ef o r e c a s t e da c c u r a t e l y ，t h ep o w e rd i s p a t c h i n gd e p a n m e n tc 卸a d i u s t t 1 1 ee l e c t r i c i t ) rd i s p a t c h i n gp l a l la h e a dt 0m e e tt h eb a l a n c eo ft h es u p p i ya 1 1 dd e m a n d ，w h i c hw i l l m a l ( et h ew i n dp o w e rm o r ec o m p e t i t i v e s i m u l t a l l e o u s l y i tc a l ls a v et h er c s e r v ec a p a c i t yo ft h e p o w e rs y s t e m ，w h i c hw i l ll e a dt ot h ed e c r e a s eo fc o s t t h ea l g o r i t h i no fw i n dp o w e rp r e d i c t i o np a l y s 锄i m p o n a n tp a r ti nt h ed e v d o p m e n to fw i n d p o 、v e rp r e d i c t i o n 1 nt h i sp a p e r ，b a s e do nt h en o n c l a s s i c a le c o n o m e t r i c sa 1 2 0 r i t h m ，t h en o n c l a s s i c a l e c o n o m e t r i c sm o d e lo ft h es h o n - t e 兀t lw i n dp o w e rp r i d i c t i o ni sb u i l tu p t h en o n - c l a s s i c a j e c o n o m 硎c si san e ws t a g eo ft h ed e v e l o p m e n to fe c o n o m e t r i c s ，w h o s em i 觚a c a d e m i ct h e o r i e si s t h e a u t o r e g 球s s i v ec o n d i t i n o a lh e t e r o s c e d a l s t i c i 饵( a r c h ) f 锄i l ym o d e la 1 1 dc o i n t e g a 而o n t h e o r y b a s e do nt h ec h a r a c t e r i s t i c so f 霉e n e t i ca l g r o r i t h ma n db pn e u r a ln e t w o r k ，t h eg a b pn e u r a l n e m o r km o d e li ss e tu p i nt h i sp a p e r ，a r c hf - 砌订ym o d e l 锄dg a b pn e u m ln e m o r km o d e li s b u i l tu pt of o r e c 硒tt t l es h o r tt e r n lw i n dp o w e r t h em a i n h i e v e m e n t sm v o l v et h ef o l l o w i n g a s p e c t s ： ( 1 ) t h ed e v e l o p m e n ts t a t u so fw i n dp o w e ra th o m ea n da b r o a di sa n a l y z e d ，锄dv “o u s a l 星r o r i t so fs h o r t - t e mf i o r e c a s t i n go fw i n dp o w e ra th o m ea n da b r o a di sd i s c u s s e d ( 2 )b o x - j e n k i n sm e t h o d o l o 科 i sr e v i e w e dd e t a i l e d l y t h en o w c h a r to fb o x - j e n 虹n s m e t h o d o l o g yi sa l s og i v e n ( 3 ) t h e 鲫t o r e g r e s s i v ec o n d i t i n o a lh e t e r o s c e d a s t i c i 付( a r c h ) m o d e lo ft i l en o n c l a l s s i c a l e c o n o m 硎c sa r ei n e x t e n s or e v i e w e d ( 4 ) t h en a i n i n gd a 饥w h i c hm o s tr e f l e c tw i n dp o w e rc h a r a u c t e r i s t i c sa n dt h er e q u i r e m e n t so f m o d e li sc h o o s e d ，锄dt h eb a dd a t ai sd i s p o s e d t h ed a t a l so faw i n df 锄a tt i l ec o a s to fc h i n ai i l a u g u s ti ss e l e c t e d ，w h o s es a m p l i n gt i m ei sl5m i na n d6 0m i n ( 5 ) a r c he 债c t sa u l df a t t a i lc h a r a c t e r is t i c so ft i m es e r i e so fw i n dp o w e r 骶锄a l y z e d a r m am o d e l ，a r m a g a r c hm o d e l ，a r m a g a r c h g e dm o d e l 棚eb u i l tu pt of 0 r e c a s tt h e s h o nt e 咖w i n dp o w e r ( 6 ) w i t hc o m p r e h e n s i v ec o n s i d e r a t i o no fc h a r a c t e r i s t i c so fg a 锄db pn e u r a jn 加r k g a - b pn e u r a ln e t 、) r o r km o d e li sb u i l tu pt of o r e c a s tt l l es h o r tt e n nw i n dp o w e r ( 7 ) t h ef o r e c a s t i n gr e s u l to fm r e em o d e l si sc o m p a r e da n d 觚a l y z e d t h ef e 笛i b i l i 戗s h o r t 仃e mw i n dp o w e rb ef o r e c a s t e db yn o n c l 勰s i c a je c o n o m e t r i cm o d e l ，i sd e m o n s n a t e d 【k e ) w o r d s 】 w i n dp o w e rf o r e c a s t i n g ，a r c h ，g a r c h ，v 0 l a t i l i t yc l u s t e r i n g ，g a r c h - g e d ， g a b pn e u m ln e t w o r k 目录 目录 摘要i a b s t r a c t 。l i i 第一章绪论5 1 1 风电产业发展现状及课题背景5 1 1 1 风电产业发展现状2 3 劓5 1 1 2 课题背景崎1 5 1 1 3 短期风电功率预测的意义埔1 6 1 2 风电功率短期预测发展现状。6 1 2 1 国外研究现状o e 引6 1 2 2 国内研究现状嗡7 。一8 1 3 计营经济学概述0 1 1 1 8 1 4 遗传神经网络算法概述：9 1 5 本论文的主要工作：1 0 第二章自回归移动平均a r m a 模型1 l 2 1 非经典计量经济学涉及的一些统计知识，2 h2 2 1 1 l 2 1 1 单整与单位根过程1 1 2 1 2 时间序列的基本统计特征分析1 2 2 2 自回归移动平均a r m a 模型的理论1 3 2 2 1a r 队模型基础理论1 3 2 2 2a r m 模型识别15 2 2 3a r m a 模型参数估计l8 2 2 4 平稳性检验2 1 2 2 5 预测2 2 2 3 _ 、l 省：1 2 第三章自同归条件异方差( a r c h ) 模型2 3 3 1 自同归条件异方差( a r c h ) 模型理论，3 。矧2 3 3 2a r c h 效应检验3 。2 5 3 3 广义自同归条件异方差( g a r c h ) 模型参数估计 3 3 1 2 7 3 4g a r c h 模型的条件分布2 8 3 5 卅、结2 8 第四章a 对、，认a r c h 模型及预测算例2 9 4 1 数据预处理2 9 4 2 风电功率时间序列的基本统计特征分析3 0 4 3a f m n 模型建模预测31 4 3 1 平稳性检验3l 4 3 2 建立a r m a 模型。3l 4 3 3 建立误差评价指标3 3 4 3 4 预测实例3 3 4 4a r m a a r c h 建模预测。3 5 4 4 1a r c h 效应检验3 5 4 5a r m a g a r c h 建模预测。3 6 4 6a r m a g a r c h g e d 建模预测。3 8 4 7 j 、结。4 0 第五章遗传神经网络模型及预测算例。4 1 5 1 遗传神经网络算法的基本原理4 1 5 2 印神经网络模型的设计和预测4 2 5 2 1 网络拓扑结构的设计4 2 5 2 2 网络主要参数的确定4 3 5 2 3 训练样本的组织4 3 i i i 东南大学硕士学位论文 5 2 4b p 神经网络预测结果4 4 5 3 遗传神经网络模型预测实例4 5 5 3 1 遗传算法优化b p 网络初始化权重和阈值4 5 5 3 2 遗传神经网络模型预测结果及分析4 7 5 4 小结4 9 第六章风电功率短期预测结果分析5 0 第七章结论和展望。5 3 7 11 1 2 i 论5 3 7 2 有待研究的问题5 3 j 目谢! ；4 参考文献5 5 攻读硕士学位期间发表的论文5 8 i v 第一章绪论 第一章绪论 1 1 风电产业发展现状及课题背景 1 1 1 风电产业发展现状n ，2 3 4 1 发展可再生能源已经是大势所趋。主要发达国家、发展中国家，都已经将发展风能、太 阳能等可再生能源作为应对新世纪能源和气候变化双重挑战的重要手段。然而，除水能之外 的所有可再生能源中，风能无疑是世界上公认的最接近商业化的可再生能源技术之一。与太 阳能、生物质能相比，风能的产业化基础最好，经济性优势最明显，而且不存在生物质能所 面临的资源约束，另外也没有任何大的环境影响，在可预见的时间内( 2 0 3 旷_ 2 0 5 0 年) ，都 将是最有可能大规模发展的能源资源之一【l j 。 2 0 0 8 年是风电发展具有标志性的一年：这一年风电成为非水电可再生能源中第一个全 球装机超过1 亿千瓦的电力资源。风电作为能源领域增长最快的行业，共为全球提供了近 2 0 万个就业机会，仅2 0 0 6 年风电场建设投资就接近1 7 0 亿欧元。欧洲和美国在风电市场中 占统治地位，其中德国是目前风电装机最大的国家，装机容量超过2 0 0 0 万千瓦；美国和西 班牙也都超过了1 0 0 0 万千瓦；印度是除美国和欧洲之外新装机容量最大的国家，装机总容 量也超过6 0 0 万千瓦j 。 中国是一个发展中国家，经济、能源与环境的协调发展是实现中国现代化目标的重要前 提。中国是个能源大国，也是个能源消费大国，当前中国能源发展面临人均能耗水平低，环 境污染严重，能源利用率低以及可再生能源比例少等问题。因此，调整能源结构，减少温室 气体排放，缓解环境污染，加强能源安全已成为全国关注的一个热点，对可再生能源的利用， 特别是风能开发利用给予了高度的重视。 我国幅员辽阔，海岸线长，风能资源丰富。在2 0 世纪8 0 年代后期和2 0 0 4 2 0 0 5 年， 中国气象局分别组织了第二次和第三次全国风能资源酱查，得出我国陆地1 0 米高度层风能 资源理论可开发储量分别为3 2 2 6 亿千瓦和4 3 5 亿千瓦、技术可开发量分别为2 5 3 亿千瓦 和2 9 7 亿千瓦的结论。目前全球装机容量中，中国已经排在第5 位。中国在全球的风电份 额上已占有一席之地。我们国家的风电事业已进入快速发展的上升时期。风电占电力供应的 比例将逐步增加【2 1 。 1 1 2 课题背景网 目前，国内外对于风力发电各种课题的研究越来越深入和广泛，主要包括：风力发电机 组输出功率的计算、风电场风能资源特性参数的计算、风速和风力发电功率的预测、含风电 场的电力系统潮流计算、风电对电能质量的影响及改善措施( 电压波动和闪变、电压控制) 、 风电场穿透功率极限的计算、风力发电对系统安全稳定运行的影响、含人穿透功率的电力系 统快速安全评估、风电机组的可靠性分析、风电场的发电可靠性模型、风电场内风电机同步 运行问题、容量扩建最优规划、风电场的概率评价、风力发电成本等。但其中关于风电场风 速和发电功率预测的研究还达不到令人满意的程度，而且在我国基本还没有做过此方面的研 究【4 1 。 根据风力事业利益集团( u w l g ) 的研究，由于风电场运行中的较大不确定性和多变性， 产生了净负荷( 总负荷减去风电出力) 波动。当风电装机比例达到2 0 以上时，系统运行成本将 5 东南大学硕士学位论文 出现高达5 美元删h ) 的上升。出现成本上升的原因，大部分是因为不能准确作出对风电 出力的日前预测从而导致在日前机组安排承诺方面的不确定性。要应对风电场出力的可变 性问题，需要一个运行良好的日前市场和小时市场。根据u w l g 所做的研究，商业化的风电 出力预测工具能够有效地降低与日前市场的不确定性相关的成本。在一项重要的研究中，最 佳水准的预测结果所产生的效益能够实现完美预测结果下效益的8 0 1 4 j 。 风具有波动性、间歇性、低能量密度等特点，因此，风电功率也是波动的、间歇的。当 风力发电在电网中所占的比例很小时，上述特点不会对电网带来明显影响。但是，随着风力 发电装机容量的迅猛发展，风电在电网中的比例不断增加，一旦超过某个比例( 这个比例目 前并无定论，但一般认为它不能一概而论，而是取决于许多因素，例如电网网络结构、调度 运行模式等) ，接入电网的风力发电将会对电力系统的安全、稳定运行以及保证电能质量带 来严峻挑战。对风电场的功率进行短期预测，将使电力调度部门能够提前根据风电功率变化 及时调整调度计划，保证电能质量，减少系统的备用容量，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。一些国家已经对风 电预测提出了要求。中国的可再生能源产业发展指导目录中指出，要进行“风电场发电 量预测及电网调度匹配软件”的技术开发，目的是用于实时监测和收集风电场各台风电机组 运行状况及发电量，分析和预测风电场第2 天及后一周的功率变化情况，为电网企业制定调 度计划服务，促进大规模风电场的开发和运行p j 。 1 1 3 短期风电功率预测的意义嘲 为了分析风力发电机组的出力变化情况，为电网企业制定调度计划服务，促进大规模风 电场的开发和运行，进行风电场短期功率预测是必要和紧迫的。本课题选择中国风力发电场 功率的短期预测作为研究内容，对电网调度方以及风电场的运行都具有重要的现实意义和学 术价值f 4 5 】： 1 )优化电网调度，减少旋转备用容量，节约燃料，保证电网经济运行 对风电功率作短期预测，可以使调度部门提前根据风电功率的变化来及时调整调度计 划，从而减少系统的备用容量，降低电力系统的运行成本。 2 )满足电力市场交易需要，为风力发电竞价上网提供有利条件 风电最终将会参与市场竞争，与其他发电方式比较，风电的随机性和间隙性将大大消弱 它的竞争力，提前预测风电功率，有利于风电场的风电竟价上网。 3 )有利于风电场安排机组的维护运营，从而提高风电场的发电量和容量系数 风电场可以根据风电功率预测的结果，在无风或低风的时候，安排机组的维护和检修， 这样就有可能提高风电场的发电量和容鼍系数。 由此可见，对风电场的风电功率进行预测是必须的和紧追的。中国现在对风电功率的研 究还是比较少的，中国的风电场和欧洲的不同，目前还没有风电功率预测软件的应用，所以， 必须自主研发可以直接用于风电功率预测的软件。本文对风电功率短期预测的算法进行了研 究，可以为研发风电功率预测软件提供一些理论参考，并积累一些经验1 5 j 。 1 2 风电功率短期预测发展现状 1 2 1 国外研究现状叭8 川 国外从事风电功率预测研究的工作已有近2 0 年的历史。早在上世纪9 0 年代初期，丹麦 r i s o e 国家实验室开发了p r e d i l ( t o r 预测系统以及丹麦科技大学开发的、v p p t 风电功率预测软 件。9 0 年代中期以后，美国的风电功率预测服务也开始商业化。同时，在欧洲和世界其他 地方也开始研究风电功率预测，并开展风电功率预测服纠3 1 。 ( 1 ) 基于数值气象预报模型的风电场功率预测研究 6 第一章绪论 借助于数值气象预报，预测时间可以更长一些，具体取决于数值气象预报的预测时间长 度，可以达到2 4 h 、4 8 h 甚至7 2 h 或者更长。数值气象预报由气象部门提供，一般分辨率都 在数十平方公里( 如6 0 1 ( i i l 2 、3 0 h n 2 或2 0 l ( n 1 2 ) ，不能满足直接计算风电机组功率的要求。 因此，基于数值气象预报模型的风电场功率短期预测，就是要由数值气象预报模型计算风电 场的功率3 1 。 现在，在丹麦、德国、西班牙、英国以及美国等风电发展较为成熟的国家，都掌握了比 较成熟的风电功率预测软件( 表1 1 ) ，这些预测系统都使用气象部门提供的数值气象预报 模型作为预测系统的输入。这些预测系统有的采用的是物理方法，如：丹麦里索国家实验室 开发的p r e d i l ( t o r 、e u r o w i n dg m b h 开发的s o w l e 系统、( e n e 啊& m e t e os y s t e m sg m b h ) u n i v e r s i t yo f o l d e n b u 曙开发的p r i v i e n t 0 和美国t r u e w i n d 开发的e w i n d 模型( 此模型最后 又使用自适应统计方法来消除系统误差) ，有的采用的是统计方法，如：丹麦技术大学开发 的、v p p t ( 晰n dp o 、e rp r e d i c t i o n t 0 0 1 ) 系统( 此模型中功率被描述成为一非线性随时间变 化的随机过程) 、德国l s e t 开发的、忡m s ( w n dp o w e rm a n a g e m e n ts y s t e m ) 系统和英国 g a n a dh 鹄s 觚公司开发的g hf o r e c a s t e r 功率预测系统、有的则采用神经网络方法，如：巴 黎a m i n e s e c o l ed e sm i n e sd e 开发的a w p p s 预测系统1 4 。 表1 1 具有代表性的风电场功率短期预测系统 这些模型的预测误差一般都在1 5 2 0 之间，主要误差来源是数值气象预报模型，另 外还有模型的误差等，结果还不尽如人意。于是，基于以前的研究基础，人们开始寻求新的 方法，以提高预测精度。例如，使用多个数值气象预报模型提供气象预报，对气象预报的输 出进行预处理以及将功率预测和数值气象预报模型结合到一起等。极具代表性的是欧盟资助 的a n e m o s 项目，共有7 个国家的2 3 个机构参加。a n e m o s 是2 0 0 2 年1 0 月开始的一个 为期4 年的项目，目的是开发适用于陆上和海上风电场短期功率预测的方法和工具。并且可 以优化风电场的储能系统和需要的备用容量。a n e m o s 将物理和统计两种模型结合到一 起，这将优于以前开发的只使用其中一种模型的系统。 ( 2 ) 基于历史数据的风电场功率预测研究 基于历史数据的风电场功率预测，是只根据历史数据，来预测风电场功率的方法，也就 是在若干个历史数据( 包括功率、风速、风向等参数) 和风电场的功率输出之间建立一种映 射关系，方法包括：卡尔曼滤波法、持续性算法、a m 算法、线性回归模型、自适应模 糊逻辑算法等。另外还有采用人工神经网络( a n i f i c i a ln e u r a jn e t 、v o r k ) 方法等人工智能方法。 受到预测精度的限制，这种预测方法的时间一般不会太长，例如6 h 或8 h 。 美国的m m i l l i g a n 等一共使用了1 0 个月的数据，并使用a r 肌方法对提前1 6 h 的风 速及风电场功率预测进行了研究。结果表明：利用a r m a 方法进行风速预测的时候，训练 数据和验证数据的选取至关重要，但其并未说明应该怎样选取训练数据可以得到更好的预测 结果。 西班牙的j l t o 鹏s 等使用a 砌雌方法进行了风速预测的研究。结果表明，从1 h 到l o h ， 预测均方根误差从1 2 州s 3 l n s 左右，相对误差则从1 2 2 0 。 英国的z h u 锄g 等建立了一时变a r 模型，来预测未来几个小时的风速，用于温室气体 的在线控制。 7 东南大学硕士学位论文 希腊的a s f e t s o s 对持续法、a r 、a r i m a 、线性神经网络、b p 神经网络、l m 神经网 络、r b f 神经网络、e l m 神经网络、a n f i s 神经网络、n l n 神经网络等多种方法在风速预 测中的应用进行了比较，结果表明，神经网络方法优于线性方法【4 1 。 1 2 2 国内研究现状田用 随着当前( 特别是最近一两年) 风电的大力发展，风电的相关研究开始进入人们的视线。 由于国家政策以及各方面的大力支持，目前，国内在风电功率预测方面的研究迅猛发展，出 现了一些风电功率短期预测软件。 在国家科技支撑计划风电场输出功率预测系统的开发及示范应用和国家电网公司科 技项目风电场接入电网稳定性及风电功率预测技术研究的支持下，中国电力科学院新能 源研究所和德国太阳能研究所( i s e t ) 、丹麦r i s o 国家实验室、挪威、阴n d s i m 公司合作开 发了一套风电功率预测系统。这套风电功率预测系统，建立了基于数值天气预报和神经网络 的风电功率预测系统，即将应用于吉林电网调度中心。其风电功率天前预测结果的均方差误 差在1 5 左右1 4 6 4 9 1 。 上海区域气候中心在中国气象局新技术推广项目的支持下，开发了风电功率短期数值预 报系统。该系统基于高分辨率中尺度气象模式，同时利用k a l m 绷滤波对模式输出结果进行 释用订正，得到风电场未来7 2 小时风电功率预测值。该系统同时为风电场实时观测资料预 留接口，通过用户输入的实时观测风速信息，自动调用k a l m 锄滤波方法和经验统计方法对 模式预报风速进行实时释用订正，进而减小模式预报风速误差。将释用订正后预报风速代入 风能功率函数即可得到发电场逐时风电功率预报值。该系统界面友好，操作简单，用户只需 输入风电场位置信息，即可得到未来7 2 小时逐时风速预测值和发电功率预测值。利用该系 统在上海崇明风电场进行为期两个月的预报试验，发现引入k a l m 觚滤波和经验统计释用订 正技术后，释用订正后预报发电量误差比模式本身预报发电量误差明显减小，效果良好。 甘肃省电力公司风电技术中心承担的“风电功率超短期预测系统开发应用”重点科技项 目通过了由国家电网公司组织的专家立项论证。“风电功率超短期预测系统开发应用”项目 主要针对风电间歇性、波动性的问题，在风电预测预报系统的基础上，通过建设侧风塔系统、 风电场监测系统、风能预测预报系统和风电预测预报系统四个子系统，采用多种预测预报模 型相结合，综合采用统计方法和物理方法开发风功率超短期预测系统软件，建立酒泉风电基 地超短期风电功率预测示范应用系统，实现0 4 小时超短期风功率准确预测。为电力系统 调度和运行管理提供依据。 但总体来讲，国内风电功率预测研究还处于起步阶段，预测精度还有很大的提升空间。 相对于风电产业其方面的发展，风电功率预测在模型和方法上稍显落后，为中国风电产业能 够健康地发展，应大力支持风电功率预测软件的开发及应用。 1 3 计量经济学概述n 0 1 1 3 计量经济学是以统计知识为基础，数学方法为手段，经济理论为指导，考察和研究经济 社会中各种经济变量之间的数理关系、预测经济发展的趋势、检验和预测经济政策效果的一 门实用学科。计量经济学的发展可分为经典计量经济学和非经典计量经济学两个阶段【】。 经典计量经济学方法的核心是采用同归分析的方法揭示变量与变量之间的因果关系。回 归分析是计量经济学的基础。时间序列分析也是计量经济学方法的一部分，但时间序列模型 和回归模型性质上有一些区别，前者是利用其他变量与被解释变量因果关系来研究，而时间 序列模型则是利用变量自身的历史数据所蕴含的信息来预测未来的行为。到6 0 年代后期， 博克斯和詹金斯提出了一套比较完善的建模理论及方法，这使得时间序列方法迅速发展起 来。到8 0 年代后期，经济时间序列被视为随机过程已经是经济计量分析中一种标准的做法 【1 1 1 。 计量经济学模型的应用大体可以被概括为四个方面：结构分析、经济预测、政策评价、 8 第一章绪论 检验与发展经济理论。已经全面渗透到了经济学科各个应用领域。 计量经济学在最近2 0 年又有了新的发展，大量几代数理统计领域的学术成果引入计量 领域，并针对经典计量经济学实用中的一些不尽如人意之处，提出了一系列新的方法和理论， 进入了计量经济学的新阶段，本文所涉及的a r c h 模型就是这一阶段的学术奇葩，为区别 于传统的经典计量经济学，本文这里采用文献【l l 】的说法，称这个计量经济学的新阶段为非 经典计量经济学。 计量经济学不仅在实用领域不断取得成功，在学术理论界的声势也在不断提高。经济学 界的最高荣誉n o b e l 经济学奖2 0 0 0 年和2 0 0 3 年两度授予计量经济学领域的学者( 赫克曼 ( j a o e s j h e c k o a n ) 和麦克法登( d 觚i e ll m a c f a d d 锄) ，2 0 0 0 ，罗伯特恩格尔承o b e r t f e n g l e ) 和克 莱夫格兰杰( c i ，v e w j g 1 a n g e r ) ，2 0 0 3 ) 这样的获奖频率在经济学诸分支中是极为罕见的。 2 0 0 3 年获奖的计量经济学界两位泰斗其主要功绩在于“时变波动性 ( t i m e - v a 叮i n g v o l a t i l i t y ) 和共同趋势( c o m m o n t r e n d s ) 这两种新方法分析时间序列。”本文所涉 及的a r c h 模型正是这两位0 3 年n b o e l 经济学奖得主的学术成就核心部分【圳。a r c h 模型 已经广泛应用于经济学的各个领域。文献【1 1 】中把非经典计量经济学应用于电力负荷预测， 开辟了新一种负荷预测的方法，取得了不错的成绩。 1 4 遗传神经网络算法概述 遗传神经网络算法是遗传算法和人工神经网络b p 算法相结合的一种算法。从遗传算法 和神经网络b p 算法自身特点上讲，两者结合实现了优势互补，有利于更好解决实际问题。 目前，遗传算法与神经网络的结合方式有几种，大致归纳如下：( 1 ) 进化神经网络的权重 和阈值；( 2 ) 进化神经网络的拓扑结构；( 3 ) 同时进化神经网络的权重、阈值和拓扑结构； ( 4 ) 分析神经网络的训练数据与训练结果。实践证明，不管是否同时进化网络的权重与否， 单就进化网络结构来讲，这是一件非常困难的事，这种方法只解决一些简单的问题；况且， 对如何选择网络的拓扑结构问题，目前无论在理论上还是在方法上，都没有找到有效的指导 原则。所以，遗传算法与神经网络相结合的研究，大都集中在网络权重的训练上【7 2 l 。 2 0 世纪6 0 年代，美国m i c h i g a i l 大学的h o l l a n d 教授首次明确提出遗传算法的概念。遗 传算法是模拟生物在自然环境中的遗传和进化过程而形成的一种自适应全局优化概率搜索 算法。遗传算法通常由个体编码、初始种群的产生、适应度计算、选择算子、交叉算子、变 异算子组成。也可以归纳为两种运算过程：遗传运算( 交义与变异) 与进化运算( 选择) 。 遗传算法模拟了基因在每一代中产生新后代的繁殖过程，进化运算则是通过竞争不断更新种 群的过程。遗传算法与传统优化算相比，具有如下优点：广泛的适用性和全局优化。广泛的 适用性是指遗传算法可以处理任意复杂的目标函数和约束条件。全局优化是指遗传算法解决 的问题无论是否为图性的，理论上都能获得最优解，避免落入局部极小点【7 9 l 。 1 9 8 6 年，r u m e l l h 矾和m c c l e l l a n d 领导的科学家小组在并行分布处理一书中，对 具有非线性转移函数的多层前馈网络的权重进行调整，提出了误差反传播的算法( b a c k p r o p a g a t i o n ，简称b p ) ，从而实现了m i n s k y 关于多层网络的设想。人们也常把按误差反传 算法训练的多层前馈网络直接称为b p 网络。 b p 算法的训练过程可分为两个过程：输入的信息流从输入层，经隐层到输出层逐层 处理并计算出各神经元节点的实际输出值，这一过程称为信息流的正向传递过程：计算网 络的实际输出与训练样本期望值的误差，若该误差未达到允许值，根据此误差的逆向修改过 程。两个过程完成了一次学习迭代。这种信息的正向传递与根据误差的逆向修改网络权重的 过程，是不断迭代中重复进行的，直到网络的输出误差逐渐减小到允许的精度，或达到预定 的学习次数【7 引。 尽管在理论上的完善性和广泛的实用性，决定了b p 神经网络算法在人工神经网络中的 重要地位，但其算法自身的缺陷也是不可回避的。主要问题可以归纳为以下几点：易陷入 局部极小点：算法的收敛速度很慢；隐层神经元节点个数难以确定。一些学者提出了 b p 算法的若干改进方法：初始权重的优化；学习率自适应调整；动量法【7 2 】。 9 东南大学硕士学位论文 1 5 本论文的主要工作 风电功率预测有很多种分类方式，按照其预测时间可以分为长期预测( 以“年”为预测 单位) 、中期预测( 以“月”为预测单位) 、短期预测( 以“小时”为预测单位) 和超短期预测( 以 “分钟”为预测单位) ；按照有无数值气象预报可以分为使用数值气象预报的方法和基于历 史数据的方法1 3 j 。目前，国内有关基于数值气象预报的和基于历史数据的风电功率短期预测 研究起步比较晚，况且，还没有专门用于风电场的数值气象预报。所以，基于历史数据的风 电功率预测的研究就显得很重要。另外，考虑成本问题，在大型风电场中所设立的气象信息 测量塔也不可能很多，设立的位置不可能代表所有的风力发电机所处的气象参数。在大型风 电场中风力发电功率时间序列本身就含有气象信息。考虑到并网型风力发电系统通常的工作 模式为最大功率点跟踪模式( 脚p t ) ，通过对该数据的分析和挖掘就可以获得新的风力发 电功率预测方法【1 引。 根据上面的分析，本文选择基于历史数据的风电功率短期预测作为研究内容。以中国 某风电场的实测数据作为研究对象，通过对计量经济学中的时间序列分析以及遗传神经算法 的原理的研究，建立风电功率实测数据的时间序列模型和神经网络模型来完成对风电功率的 短期预测。由于采用的是基于历史数据的方法，所以在预测时间上有一定的限制，本文预测 l 石小时以后的数据，这是因为预测的前提是大气在