【摘  要】对于电网来说，电网的稳定性至关重要，而风电场的风能转化率是其中一个十分重要的指标。因此准确的预测风电场功率对电力系统的稳定运行具有重要意义。针对普通的风电功率预测短期预测方法预测精度不够的问题，本文建立了一种时间序列模型的预测方法，在不考虑外界因素影响的情况下，能能够预测短期风电功率，并且误差较小，对工程具有一定的指导作用。
　　【关键词】短期;风;功率;预测;研究
　　引言
　　全球的石化资源是不可再生的，现在全球的不可再生能源在逐日减少，全球大力发展可再生清洁能源的趋势越来越强烈。由于使用可再生能源发电的几种能源中，风能占据了很大比重，对于电网中风能发电的风功率预测便十分重要。在风电功率分为中长期预测，短期预测，超短期预测的三种预测范围，其中中长期预测的持续时间是几天到几个月，短期预测是几小时到几天，超短期预测是一小时之内。
　　常用的风电功率的预测方法有：算法预测、物理预测，直接数据拟合预测等。其中物理预测受外部影响较大，而直接拟合的数据误差值较大，在电网中，由风能直接转化过来的电能存在不稳定的情况，则不能直接使用受外部影响较大的算法。而算法中受外部影响较小，常用的算法有神经网络，灰色预测，时间序列等。
　　针对风电场功率预测不够精确的问题，本文首先建立了一种时间序列预测模型，得到了特征根等参数，选择了ARAM模型。之后在算例分析中，分析了原始序列数据，并用LSSVM仿真，得到了时间序列模型对风电场功率的误差。最后利用中国能源局发布的数据得到了有效的验证，本文建立的模型，能够较为准确的预测风电场功率，具有一定的工程指导作用。
　　1.时间序列预测模型
　　1.1时间序列预测简述
　　本文采用基于LSSVM仿真对于风电功率的时间序列预测，它能够作为线性方程组解决问题，替代解决等效初始非线性问题，从而保证时间序列的拟合性的准确率。这方法不仅能够解决时间序列的一部分缺陷还能够提高预测指标的精确值。
　　1.2时间序列模型
　　时间序列由3个基本操作：平稳化，白噪声，ARMA模型p，q定阶。
　　（1）平稳化检测。在时间序列平稳化是根据ADF单位根检验序列是否平稳，为，则假设本文序列至少存在一个单位根。若数据为非平稳序列，需要进行差分，对此进行平稳化处理。
　　若，则假设不成立，不存在单位根，序列平稳。
　　（2）自然关函数ACF与偏相关函数PACF。假设时间序列在t时刻 ，在s时刻为，并且t-s=k。
　　自相关函数ACF即为自相关系数：
　　则偏自相关函数则是需要考虑到时间序列的影响，分母则为时刻t与s的条件协方差，而分子根号内为时刻t与s的条件方差，公式为：
　　2.算例分析
　　2.1样本选择
　　选择国家能源局给出某风电场的58台风电机组成的总输出风电功率进行算例分析。主要为间隔15min，总数2688组数据，将15min的数据拟合为整天的数据，总数28组，历时28天。将风电总功率构成由基于LSSVM仿真构成的时间序列预的风电场输出功率。样本数据划分为训练样本和测试样本。其中，训练样本选取24组，测试样本4组。
　　2.2时间序列参数
　　预测模型的时间序列采用ARMA模型，该模型由预测模型的时间序列在matlab环境下调LSSVM仿真箱进行时间序列模型预测分析。
　　使用上列公式得到如图1的误差预测图形，最大误差点为（50，143.9）与（47，130.4），误差皆在10%以内，说明本文提出的方法能较为准确的的预测短期风电功率。
　　3.结语
　　在风电功率的短期预测中，针对传统的预测方法存在预测精度不高等问题，本文建立了一种基于由LSSVM仿真的时间序列结合风电场短期功率的预测模型。其中LSSVM仿真主要是结合时间序列更优化的建立了原始序列的回归模型。时间序列算法预测短期风电场功率解决了现实中不能较为准确预测短期风电功率的情况。经国家能源局发布的某风电场实际的运行数据验证，所建立时间序列模型能够较为精确的预测风电场功率，减低外部环境影响的误差，具有一定的工程应用价值。
　　参考文献
　　[1]李晶，宋家骅，王伟胜. 大型变速恒频风力发电机组 建模与仿真[J] ，中国电机工程学报. 2004，24（ 6） ：104 -109.
　　[2] 国家电网公司促进新能源发展白皮书[EB/OL].[2016-0316]
　　http：//www.sasac.gov.cn/n86114/n326638/c2253361/content.html.
　　[3]雷亚洲，王伟胜，印永华，风电对电力系统运行的價值分析[J].电网技术，2020（5）：10-14.
　　[4]王丽婕，廖晓钟，高阳，等. 风电场发电功率的建模 和预测研究综述[J]. 电力系统保护与控制，2009，37（ 13） ： 118 -121.