窦丽霞 周其龙

(河南师范大学新联学院 河南 郑州 450000)

0 引 言

由于风电本身的随机性，风电的大规模并入对电力系统[1]和电力市场[2]都提出了挑战。因此，高比例风接入下的电力系统的可靠和经济运行较大程度取决于风电预测值，尤其是在分布式和高度互联发电的智能电网模式中。短期预测的应用包括功率平衡和最佳备用以及风电场控制[3]。此外，风能的随机性和问题的复杂性要求进行时空概率处理，以便做出最优决策。

文献[4]和文献[5]对短期风电预测进行了回顾，其中对于小于约6 h的预测水平，通常使用位置信息的统计方法优于物理模型，它需要数小时的计算时间，并通过空间插值而引入不确定性。这些统计方法通常是非空间的，例如，自回归建模[6]、马尔可夫链[7]、数据挖掘[8]，以及各种混合方法[9]。超短期预测的方法包括马尔可夫切换[10]和参数概率预测[11]，两者都属于自回归技术。目前已有研究提出了空间预测方法来探索小区域中几个风电场的出力之间的时空关系。文献[12]通过风向对不同的空间信息进行回归模拟。文献[13]通过拟合向量自回归模型，分析风速和风向之间的空间相关性，并利用多个风力发电场作为空间传感器提高对风电的预测能力。近期的研究则试图建立具有稀疏高斯随机场的有效概率空间模型，但仅限于适度的空间维度[14-15]。随着当今许多电力系统中风力发电场的丰富，人们期望为数十个或数百个风力发电场建立一个空间预测因子，从而使得计算成本和自动化模型更契合现实。……