4.5 基于EEMD的风速−风功率预测模型

4.5.1 风速短期预测仿真结果

由改进FOA优化参数后，得到了原始风速时序信号模态分解的相空间重构参数和LS-SVM模型参数，结合这些参数值建立基于LS-SVM的风速预测模型。风速各自序列预测结果如图4-9所示。

图4-9分别画出了原始风速分解序列波形和采用LS-SVM预测模型求出的序列波形。由图可见，IMF₁～IMF₃由于频率特性波动较大，其预测波形存在较大的误差，而IMF₄～IMF₉以及剩余分量r_n（t）比较平缓，频率较为稳定，有利于曲线的拟合，预测波形基本实现了真实风速序列的回归。

图4-9 风速自序列预测波形

图4-9 风速自序列预测波形（续）

将风速预测子序列叠加后即可得最终风速的预测值。本部分分别采用基于EEMD模型、EMD模型和LS-SVM模型对风速进行短期预测，通过对比证明本部分采用方法的有效性和优越性。对比波形图如图4-10所示。由图可见，基于EEMD模型的风速预测模型精度更高，有效地实现了风速值的跟踪。

为了能够更加直观地评估这两种模型的整体预测性能，本部分分别将两模型的波形误差量化分析，采用了平均绝对误差百分比（Mean Absolute Percentage Error，MAPE）和方均根误差（Root Mean Square Error，RMSE）进行对比，这两种误差指标表达式见式（3-6）与式（3-7），具体误差评价指标见表4-3。

图4-10 风速预测结果对比

表4-3 风速误差评价指标

从表4-3风速预测误差指标值和图4-10风速预测波形对比可见：

1）采用基于EEMD和EMD的方法对风速序列进行模态分解后建立的预测模型其预测精度高于直接采用LS-SVM模型的结果，这说明对于风速这种具有不平稳、波动性大的时间序列，考虑波形的模态分解能够有效改善预测的精度。

2）采用EEMD模型与EMD模型的结果对比可以发现，改进后的模型在一定程度上提高了精度，有效避免了模态混叠这种现象对于波形分解的干扰，验证了本部分所建模型的合理性。

4.5.2 风功率短期预测的实现

风速特征量是风电功率转换模型的主要变量，提高风速的超短期预测精度能够有效改善短期风功率波动变化响应不足的问题。考虑风功率相关气象特征因素，利用NWP提供的天气预报数据结合EEMD短期风速预测结果，考虑风力机可获功率为

式中 P——风轮输出功率；

ρ——空气密度；

A——风轮扫掠面积；

C_p——风能利用系数，取最大利用系数C_p，max=16/27；

v——风速。

其中，对于单个风力机而言，A为常数，通常认为空气密度也保持在恒定值，同时考虑风力机的最大输出功率、风力机的切入风速（v_in）和切出风速（v_off），可以得到微网EMS模拟1.5MW风力机的理想输出功率拟合曲线如图4-11a所示。由于风力机运行期间，实际出力不可能严格服从理想功率曲线，风力机受外界随机因素的影响，会出现一些浮动，如图4-11b所示。

将风速-风功率拟合曲线线性化，划分为4个阶段：

1）初始低风速阶段（v<v_in），小于切入风速不足以带动风力机输出功率。

2）中风速上升阶段（v_in≤v<v_N），大于切入风速且小于额定风速v_N时，较小的风速变化会产生明显的功率输出。

3）高风速饱和阶段（v_N≤v<v_off），大于额定风速但小于切出风速时，风力机输出功率为恒定值即额定功率，风速的变化不会造成功率的变化。

4）风力机停止运行阶段（v≥v_off），大于切出风速时，为保护风力机，此时风力机应停止工作，输出功率为0。

可得风速-风功率之间函数关系式：

图4-11 风速-风功率拟合曲线

最终，风速-风功率转化曲线建立数学模型后，结合风速预测值便可求得风电功率的预测值。

预测值的误差评价指标和风电功率短期预测曲线分别见表4-4和图4-12所示。

表4-4 功率误差评价指标

图4-12 风电功率短期预测模型结果对比

由表4-4和图4-12可得，采用EEMD建立的短期风电功率预测模型精度高于采用EMD和LS-SVM模型，这是由于EEMD模型将风速序列信号分解为较为平稳的波形，有利于波形的回归，并且避免了分解后的子序列之间产生的模态混叠。在风力机处于风速波动大的外界环境下，仅针对历史风速数据无法有效改善功率预测的精度，本部分建立的风电预测模型通过间接法改进预测风速的模型，最终提高了风电功率预测的精度。