文献综述（或调研报告）：
在全球化石能源短缺，新能源技术迅速发展的大背景下，风电、光伏等新能源电力开始大量并入电网。但由于风电的间歇性和不确定性，大量的风电并网严重影响电力系统稳定性，并增加电网计划和调度的难度。为了在提高电力系统稳定性的同时降低风力发电的运营成本，对风电功率进行高精度预测是最有效的解决方案[1]。风电预测按照时间尺度分类可分为超短期预测、短期预测、中期预测和长期预测，不同时间尺度的预测结果有不同的作用；按照预测方法可分为物理方法和统计学方法，物理方法主要是依据数值天气预报、风场地形、风机功率曲线等因素进行物理建模来预测风电功率，统计学方法根据历史风速和风电功率数据对未来的风电功率进行预测[1-4]。文献[2]根据模型的线性与非线性，将风电短期预测的统计方法又细分为线性统计方法(如，自回归分析、时间序列法、卡尔曼滤波法等)和统计学习方法(如，神经网络法、小波分析法和支持向量机等人工智能算法)。文献[3]、[4]将上述物理方法和统计学方法这些预测未来风电功率具体值的风电预测归为确定性预测，为了体现风速的不确定性，引入概率性预测概念，预测风电功率的概率分布。同时文献[4]还对区间预测进行了综述。
对一个风电功率预测模型的预测性能评价，主要使用的是预测误差方面的指标，常用的误差指标有平均绝对误差(MAE)、均方根误差(RMSE)等[3]。针对区间预测的误差指标，还有区间覆盖率(PICP)、区间标准化平均宽度(PINAW)、覆盖宽度(CWC)等[4]。不管使用什么方法建模预测，都要合理选取预测的时间间隔，由于风速的随机性，时间间隔过大会增大预测误差，时间间隔过小会占用大量计算资源，影响预测速度。工程中常用1h作为短期风电预测的时间间隔[5]，文献[5]通过不同预测间隔的误差指标和计算量的比较，验证了1h时间间隔合理性。
国外对风电功率预测的研究已有近30年的发展历史，不少国家已经研发出了完善的风电预测系统。丹麦是最早开展风电预测研究的国家之一，丹麦Risǿ国家实验室和丹麦技术大学两家单位合作，联合研发了基于物理模型和统计模型的短期风电功率预测系统Zephry[6]，并在丹麦电力系统投入使用至今。德国太阳能研究所和德国输电系统运营商联合研发了风电功率管理系统(WPMS)，其中的高级风功率预测工具(AWPPT)就是一个基于神经网络模型的风电预测工具[7]。此外，目前投入运行的风电预测系统还有美国AWS Truewind公司开发的eWind风功率预测系统，西班牙可再生能源中心开发的LocalPred系统以及爱尔兰开发的Honeymoon系统[8-10]。这些预测系统在欧美国家的应用，基本实现了大区域范围内的风电预测，确保了风电并网的电力系统稳定性，减少了系统备用设备容量，带来了良好的稳定性效益和经济效益，使丹麦、德国等欧美国家在风电技术研究与应用领域走在了世界前列[11]。
国内关于风电预测的研究起步较晚，但发展迅速，目前已经有开发完成的风电预测系统投入使用。由中国电力科学研究院开发，采用物理方法和学习方法的风电功率预测系统(WPFS)，在吉林、江苏等省得到广泛应用；由中国气象局公共气象服务中心研发，采用物理方法和统计方法的中国气象局风电功率预报系统，在河北、甘肃等地推广应用；北京国能日新系统控制技术有限公司研发的，使用物理方法和学习方法的SPWF-3000风电预测系统，在山西、广西等地得到推广[4]。
虽然目前风电功率预测技术已经得到了广泛研究和应用，但仍然存在许多问题需要深入研究。比如目前确定性预测技术已经相对成熟，而有关区间预测和概率预测的研究相对较少；神经网络模型、支持向量机等学习方法在风电预测领域得到应用，关于这些模型的最优参数选择和相关优化改进也是目前的研究热点；组合各种先进的预测模型，取长补短，提高预测精度也是目前风电预测研究的发展方向。如文献[12]提出了一种基于小波变换、模糊自适应神经网络、萤火虫优化算法和支持向量机的混合智能风电预测模型，并对预测结果进行了分位数回归概率预测，得到了比求和自回归移动平均模型(ARIMA)、支持向量机(SVM)等预测模型更精确的预测结果。
关于时间序列的ARMA建模的理论知识和应用，文献[13]和[14]做了详细阐述。文献[15]使用历史风电功率时间序列，建立了ARMA模型进行功率预测，得到了最大绝对误差(MAE)为17.2%的预测结果。ARMA模型只适用于均值为零的平稳时间序列，而文献[15]没有在对历史数据序列的平稳性判断方面做深入研究。文献[16]在建立风电预测的ARMA模型时充分考虑了历史风电功率数据可能出现非平稳性，对时间序列进行了平稳性检验，并进行平稳化预处理和零均值标准化处理。在有噪声的场合下，普通的ARMA模型的预测质量会受到极大的影响，文献[17]首先建立带有噪声的AR模型，再用长自回归模型法建立了一种基于噪声场合下的ARMA模型，比普通的ARMA相比有着更优越的预测性能。ARMA预测模型只使用历史风电功率数据进行预测，没有考虑风速对风电功率的影响，在短期风电预测中，ARMA模型能很好的满足误差要求。但要进行更长时间尺度和更精确的预测，ARMA模型就难以满足要求，因此需要考虑风速、气压等相关因素的影响，建立新的预测模型。
支持向量机(SVM)是基于统计学习理论，以结构风险最小化原则建立的机器学习算法，在解决非线性问题方面具有良好的泛化能力和预测性能[18]。近年来，支持向量机回归模型被广泛应用于短期风功率预测研究。文献[19]和[20]建立了基于支持向量机的风速风功率预测模型，并比较了以多项式核函数、Gauss径向基核函数和Sigmoid核函数三种和函数作为SVM的核函数时，预测模型的误差指标，其中Gauss径向基核函数的预测效果最好。传统支持向量机算法中存在维数灾难和求解速度慢等问题，对其约束条件和损失函数进行优化，得到改进的最小二乘支持向量机(LSSVM)算法[18]，提升学习速度。使用LSSVM的核函数进行预测时，核函数参数和损失函数惩罚参数对预测精度的影响很大[21]，为了得到最优的参数，需要使用优化算法对这两个参数进行优化。粒子群算法(PSO)是常用的优化算法，文献[22]对PSO优化算法进行了详细阐述。文献[21]和[23]建立了PSO优化的LSSVM短期风功率预测模型，得到了比SVM模型更优的预测结果。文献[24] 提出了基于LSSVM和预测误差校正相结合的方法，使用提升小波(LWT)分解原始数据，使用LSSVM模型对分解后的数据进行预测，最后用误差校正方式修正预测结果，提升了预测的稳定性。文献[25]先对风速数据进行相似性样本提取，再采用LSSVM进行预测，得到了比单一LSSVM预测模型更精确的预测结果。
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
