隨著資源環境約束的日趨嚴苛，以化石能源為主的能源發展模式必須進行根本轉變。近年來，可再生能源開發的熱潮遍及全球。我國已經規劃了8個千萬kW級的大型風電基地。截至2012年底，我國風電裝機容量已超過7000萬kW，居世界第1位。預計2020年全國風電裝機容量將超過2.0億kW。

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

　　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.

　　關鍵詞：期刊網論文, ARIMA模型,風電功率,時間序列

　　Key words： ARIMA model;wind power;time series

　　0 引言

　　大規模風電基地通常需接入電網來實現風電功率的傳輸與消納。風電功率的隨機波動被認為是對電網帶來不利影響的主要因素。研究風電功率的波動特性，不論對改善風電預測精度還是克服風電接入對電網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數據。本文以某風電站數據為例，應用ARIMA模型對風電站的風電功率進行預測，在經過模型識別，參數估計和模型定階，并通過檢驗后應用該模型進行風電場風速預測。對自動站風速數據的預測值和實際值的比較選擇適當的模型對風電功率進行預測。

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

　　2 實證分析

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

　　2.2 模型建立與參數估計 將數據導入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，風電功率的波動高于或低于平均值持續了一段時間，上下波動較為劇烈。因此，序列{Pt}可能是協方差不平穩的。

　　由圖2可知風電功率的一階差分{?駐Pt}則表現較為平穩，因此我們先預選差分后的風電功率序列{?駐Pt}。

　　在建立模型之前，我們需要檢查序列{Pt}的自相關函數和偏自相關函數，并試著來估計模型。由圖3的數據可知，序列{Pt}的自相關函數呈現出指數衰減，且衰減速度緩慢并且其偏自相關函數大致呈現出兩個峰值后截尾。這再一次論證了，原始的數據序列式是不平穩的。對時間序列的平穩性檢驗除了通過圖形直觀判斷之外，運用統計量進行統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，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序列。對差分序列{?駐Pt}做自相關和偏自相關圖如圖4。

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

　　由表3可知，Q統計量的值都很小，不能拒絕原假設，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期的數據建立ARIMA(1，1，1)模型并擬合數據，運用擬合的公式對271期到288期進行預測，得到圖5。可以看到，擬合的數據與真實的數據有些差距，殘差序列的標準差較大。預測的結果不太理想，主要原因在于單變量時間序列模型預測的為整體的均值，而此曲線的波動較為劇烈。

　　下面我們對從188到288期的數據進行單步預測。

　　單步預測的結果較好，能夠較好地擬合數據的變動，這說明時間序列模型對下一步的預測較好，對未來的預測則有較大偏差。我們可以選用時間序列模型對下一步的風電功率數據進行預測。

　　3 結論

　　本文使用時間序列理論對求和之后的風電功率數據進行建模，通過對模型的篩選確定相應的ARIMA模型后，對風電功率進行預測，取得了較好的效果。預測結果表明，時間序列模型(ARIMA)適用于風電功率的預測。但由于風的不確定性、間歇性以及風電場內各機組間尾流的影響，使得風力發電機不能像常規發電機組那樣根據對電能的需求來確定發電。并且風電場通常有幾十臺、上百臺風電機組。大型風電基地由數十甚至上百個風電場組成。因此，風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測產生相應的誤差。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.計量經濟學[M].北京：高等教育出版社，2005.

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