[摘 要]本文将随机型时间序列看成由发展趋势曲线和围绕趋势曲线的波动二部分迭加而成。运用最小二乘法进行拟合得出整体预测趋势曲线，运用马尔可夫概率矩阵预测方法去分析围绕趋势曲线上下波动数据的变化规律。利用循环读取并随时保存的方法滚动地预测风电场24小时96个时点（每15分钟一个时点）的风电功率数值。结果表明，在预测风电功率时采用马尔可夫预测模型能很好地预测未来的变化趋势，预测值与实际值较为吻合。
　　[关键词]最小二乘法；马尔可夫模型；循环读取；拟合
　　中图分类号：O572.25文獻标识码：A文章编号：1009-914X（2013）21-0239-01
　　近年来，随着人类对风能的开发利用以及风电技术发展，风能作为可再生、无污染、能量大、前景广的能源，大力发展清洁能源是世界各国的战略选择。然而大规模风电场接入电网运行时，大幅度地风电功率波动会对电网的功率平衡和频率调节带来不利影响。如果可以对风电场的发电功率进行预测，电力调度部门就能够根据风电功率变化预先安排调度计划，保证电网的功率平衡和运行安全。本文对离散型数据进行分析，分成发展趋势曲线和围绕趋势曲线的波动二部分数据处理，建立马尔可预测模型滚动预测风电功率，取得了较好的预测效果。
　　1 最小二乘法（发展趋势曲线）
　　最小二乘法是根据最小二乘准则，利用样本数据估计回归方程的一种方法。对给定数据点{（Xi，Yi）}（i=0，1，…，m），在取定的函数类Φ 中，求p（x）∈Φ，使误差的平方和E^2最小，E^2=∑[p（Xi）-Yi]^2。函数p（x）称为拟合函数或最小二乘解。
　　运用最小二乘法对风电场的发电功率历史数据{（Xi，Yi）}（i=0，1，…，m）进行线性回归。得到随机数据的整体发展趋势函数。采用滚动预测的原则，所以预测趋势曲线的回归方程如下：
　　^（0）（1）0，1，1
　　2 马尔可夫模型（围绕趋势曲线）
　　马尔可夫链是时间离散，状态离散的随机过程。它的特点是无后效性，即在时刻t的状态只与前一个状态有关，而与前面其他各时间状态无关。一个数列有随机变量X0，X1，X2…。这些变量的范围被称为“状态空间”，而Xn的值则是在时间n的状态。如果Xn+1对于过去状态的条件概率分布仅是Xn的一个函数，则P（Xn+1=x│X0，X1，X2，…，Xn）=P（Xn+1=x│Xn） x为过程中的某个状态。其预测是根据状态之间的转移概率来推测系统未来的发展变化。马尔可夫预测模型步骤如下：
　　Step1：状态的划分
　　状态的划分，构成n个状态，任一状态 iH可表达为：
　　Step4：求解PA的预测值
　　根据上公式计算得到的PA的预测值表如（表1）
　　把表1的PA电功率实际值和马尔可夫预测值画图表示如（图2）：
　　4 结论
　　本文在预测风电功率时，考虑到随机波动性的影响因素，所以采用马尔可夫预测模型能很好地预测未来的变化趋势，对其它相似波动性的预测也有一定帮助。如果对马尔可夫模型进行区间划分的区域不断变小能不断地提高其精度。上图也形象地反应了马尔可夫的预测效果，说明了本文方法的其可行性和实际运用价值。
　　参考文献
　　[1] 贾小勇，徐传胜，白欣.最小二乘法的创立及其思想方法 [J].西北大学学报，2006，（03）.