1、第 47 卷 第 2 期 电 网 技 术 Vol.47 No.2 2023 年 2 月 Power System Technology Feb.2023 文章编号：1000-3673（2023）02-0688-10 中图分类号：TM 721 文献标志码：A 学科代码：47040 基于时序残差概率的风电场超短期风速混合预测模型戴剑丰1,2，阎诚3，汤奕3（1南京邮电大学自动化学院，江苏省 南京市 210023；2南京邮电大学人工智能学院，江苏省 南京市 210023；3东南大学电气工程学院，江苏省 南京市 210096）Ultra-short-term Wind Speed Hybrid For
2、ecasting Model for Wind Farms Based on Time Series Residual Probability Modeling DAI Jianfeng1,2,YAN Cheng3,TANG Yi3(1.College of Automation,Nanjing University of Posts and Telecommunications,Nanjing 210023,Jiangsu Province,China;2.College of Artificial Intelligence,Nanjing University of Posts and T
3、elecommunications,Nanjing 210023,Jiangsu Province,China;3.School of Electrical Engineering,Southeast University,Nanjing 210096,Jiangsu Province,China)1ABSTRACT:Accurate prediction of the wind speed is of great significance for improving the accuracy of wind power prediction and the stable operation
4、of the power grid.The precise characterization of the prediction model residuals is a prerequisite to achieve accurate prediction of the wind speed series in the wind farm.This paper proposes an ultra-short-term wind speed hybrid forecasting model based on the probability of time series residuals.Fi
5、rst,the wind speed is decomposed into components with different frequency characteristics based on the optimized variational modal decomposition.Then,a deterministic prediction model is constructed for the linear components with regular changes in the wind speed components through the time series mo
6、del.For the fitting residual components,the conditional kernel density estimation is used to establish a probability forecasting model.Then based on the superposition of the recursive results of the two models the wind speed prediction value is formed.On this basis,in view of the problem that the re
7、sidual conditional probability of each component cannot directly represent the original wind speed probability forecasting result,this paper proposes a probability generation based on the simulation to realize the wind speed probability forecasting.Finally,taking the operating data of a wind farm in
8、 Northeast China as an example,it is verified that the proposed method has high forecasting accuracy.While ensuring the reliability,the proposed method has a very low prediction interval width,which reduces the uncertainty of the probability forecasting.基金项目：国家自然科学基金项目(51877037)。Project Supported by
9、 National Natural Science Foundation of China(51877037).KEY WORDS:wind speed prediction;time series;conditional kernel density estimation;residual;probability forecasting 摘要：风速的准确预测对提升风电功率预测精度和电网稳定运行具有重要意义，预测模型残差的精准刻画是实现风电场风速序列准确预测的前提，提出一种基于时序残差概率的风电场超短期风速混合预测模型。首先，基于改进变分模态分解方法将风速分解为频率特征互异的分量；然后，通过时
10、间序列模型对分量中具有规律变化特征的线性成分构建确定性预测模型，对于拟合残差成分采用条件核密度估计建立概率预测模型，并基于二者时序递推叠加结果构成风速预测值。在此基础上，针对各残差分量条件概率无法直接表征原始预测结果的问题，提出了一种基于模拟法的概率生成方法，实现对风速的概率预测。最后，以我国东北某风电场运行数据为例，验证所提方法具有较高的预测精度，在保证可靠性的同时，具有极低的预测区间宽度，降低了概率预测不确定性。关键词：风速预测；时间序列；条件核密度估计；残差；概率预测 DOI：10.13335/j.1000-3673.pst.2021.2252 0 引言 构建新型电力系统是实现碳达峰、碳
11、中和的基本思路和主要举措1。风电作为一种清洁高效的能源形式，对于推进低碳排放和促进能源清洁转型具有深远意义。截至 2020 年，全球风电机组装机总容量达 743GW，较去年增加 14%2。对于风电场，准确的风速预测易于指导发电计划调整、优化风电场内及场群控制策略，以此降低旋转备用容量和实现系统安全稳定运行3。第 47 卷 第 2 期 电 网 技 术 689 风速受外界多因素影响而具有随机波动性4-6，传统点预测方法，其精度无法满足风电并网及电网运行等方面需求。概率预测方法可提供风速不确定性信息7，通常以分位数、不确定性区间和概率密度函数的形式表征8，如 Bootstrap 分位数回归9、高斯过
12、程回归(gaussian process regression，GPR)10、边界估计(lower upper bound estimation，LUBE)11以及贝叶斯神经网络等方法12。模型参数设置的复杂性和对样本数据的强烈依赖性导致上述模型应用场景存在局限。相反，非参数模型无需对风速样本分布做任何假设，如核密度估计方法，易推广至多元形式，构成条件核密度估计模型(conditional kernel density estimation，CKDE)，直接对风速进行概率预测13。针对风速序列的随机波动特性，大量研究结果表明，任何单一方法只能在某一特定场景下发挥其优势14。构建混合模型是提升预
13、测模型性能的有效途径，主要分为：基于数据预处理方法的混合模 型15和基于多预测模型组合的混合模型16。基于数据预处理方法的混合模型将复杂时间序列分解为多个子序列，分别构建合适的预测模型，将各预测模型输出结果叠加，以提升预测模型的适应性17。如文献18-19提出了一种根据子序列中心频率变化和分解残差进行参数优选的改进变分模态分解(optimized variational mode decomposition，OVMD)方法，并应用于风速预测场景中，以避免人为调参等问题。基于多预测模型组合的混合模型具有多种形式，其核心思想在于多预测模型弥补单一模型的缺陷，但增加了模型复杂程度，导致其收敛性较差2
14、0。文献21通过多目标智能优化算法对多种模型预测结果权重进行寻优，实现对预测模型性能的较大提升。因此如何结合以上2类混合模型性能提升思路，以应对风速不确定性特征是有待解决的问题。风速预测模型残差导致预测结果不确定性，理想状态下，残差应为不含有任何时序相关特征和动态规律的白噪声。然而，任何预测模型的构建均会涉及到一系列样本选取、特征筛选和参数设置等问题，此类问题不存在通解。对于点预测方法，预测模型不完备会导致残差存在大量未充分提取关键信息，因而有必要针对模型残差进一步建模；对于概率预测方法，模型残差描述了预测值与真实值的差异，研究其变化规律可有效反映风速不确定性。因此，基于上述思想，本文提出了一
15、种基于时序残差概率的超短期风速混合预测模型。从预测数据来源和预测模型残差 2 阶段提升预测精度，针对风速多分量预测残差概率无法直接累加的问题，提出了一种基于随机数生成的模拟方法。最后将预测结果与实际风电场数据进行对比，验证所提模型的有效性。1 混合预测模型总体方案 为发挥混合模型在点预测和概率预测中的优势，提出了基于时序残差概率的超短期风速混合预测模型的总体方案，如图 1 所示。首先以样本熵(sample entropy，SE)为风速序列复杂程度量化指 残差分量iARIMA模型ARIMA预测条件核密度估计残差分量i预测值分量i预测值分量i条件概率密度 概率密度原序列预测概率密度分量1条件概率密
16、度X概率密度分量N条件概率密度X概率密度分量2条件概率密度X概率密度分量概率预测结果概率预测结果预测值叠加计算最短置信区间数据预处理ARIMA-CKDE混合模型分量i模拟法计算预测概率线性分量i预测值分量1分量2分量K线性分量预测结果分量1分量2分量K残差分量预测结果 原始风速序列优化VMD模型参数序列进行OVMD分解分量1分量2分量KARIMA-CKDE混合模型 超短期风速点预测结果超短期风速概率预测结果1()2f1(1)2f 图 1 混合预测模型总体方案 Fig.1 Overall scheme of hybrid forecasting model 690 戴剑丰等：基于时序残差概率的风电场超短期风速混合预测模型 Vol.47 No.2 标，对原始风速序列变分模态分解(variational mode decomposition，VMD)分解参数进行优选，分解得到 K 个风速分量。然后对于各分量建立对应的混合模型，实现分量的点预测和概率预测。对于风速点预测，通过自回归差分移动平均(auto regressive integrated moving average，ARIMA)对风
