孫愛國，黃黎，劉安國，潘健

（1.湖北工業(yè)大學電氣與電子工程學院，湖北 武漢 430068；2.鹽城市政府公共工程審計中心，江蘇 鹽城 224005；3.華中數(shù)控股份有限公司，湖北 武漢 430223；4.鹽城市路燈管理處，江蘇 鹽城 224005）

基于神經(jīng)網(wǎng)絡的風速預測技術(shù)研究

孫愛國1,2，黃黎3，劉安國4，潘健1

（1.湖北工業(yè)大學電氣與電子工程學院，湖北 武漢 430068；2.鹽城市政府公共工程審計中心，江蘇 鹽城 224005；3.華中數(shù)控股份有限公司，湖北 武漢 430223；4.鹽城市路燈管理處，江蘇 鹽城 224005）

本文對基于神經(jīng)網(wǎng)絡的風速預測技術(shù)進行了研究?；陲L電場的實際情況與實際歷史風速數(shù)據(jù)，建立基于實際歷史風速數(shù)據(jù)與人工神經(jīng)網(wǎng)絡的風速預測模型，對不同時間尺度下的風速進行預測，給出了不同時間尺度下的風況預測結(jié)果，并對計算結(jié)果進行了詳細分析。對時間尺度基于神經(jīng)網(wǎng)絡的風速預測技術(shù)的影響進行了研究，設置多種場景，給出了不同場景下的風速預測結(jié)果，進而說明風速預測的輸入樣本選擇方法的合理性與正確性。

風速風向；預測；神經(jīng)網(wǎng)絡；風電

全球風能理事全球風電發(fā)展報告預計到2021年底，全球風電裝機容量將超過800GW。與常規(guī)發(fā)電方式不同，風電出力受天氣影響較大，具有很強的間歇性、隨機性與不可控性，另外大部分風力發(fā)電具有反調(diào)峰特性，因此，不利于系統(tǒng)的調(diào)峰與調(diào)頻。另外，我國大部分風電遠離負荷中心、位于電力系統(tǒng)末端，電網(wǎng)較薄弱。因此，當風電裝機并網(wǎng)容量較大時，風電的上述特性會嚴重影響系統(tǒng)的不可靠性與穩(wěn)定性。準確的風功率預測能夠極大方便電網(wǎng)的調(diào)度計劃安排，提高系統(tǒng)的安全性。因此，研究風速或者風功率預測技術(shù)具有重要的理論研究意義與工程應用價值。目前，已有很多與風電預測的相關(guān)研究。文獻[1]、[2]基于神經(jīng)網(wǎng)絡模型研究了實測功率數(shù)據(jù)、不同高度氣象數(shù)據(jù)對風功率預測精度的影響。應用粒子群優(yōu)化技術(shù)改進神經(jīng)網(wǎng)絡預測模型，并對優(yōu)化前后的預測結(jié)果進行對比分析，結(jié)果表明，改進預測模型性能較好、預測精度較高。文獻[3]基于相似數(shù)據(jù)、合小波分析理論，應用支持向量機對短期風速預測進行了研究。計算結(jié)果表明，數(shù)據(jù)相關(guān)度能夠有效提高預測精度，且小波分解能夠有效提高風速信號的低頻和高頻特性的擬合效果，提高了預測精度。文獻[4]基于多變量局域預測法對短期風速預測技術(shù)進行了研究，在構(gòu)建的相空間中進行預測狀態(tài)點鄰域點搜尋。計算結(jié)果表明，空間構(gòu)造有效改善了短期風速預測精度。文獻[5]基于徑向基函數(shù)神經(jīng)元網(wǎng)絡技術(shù)研究了風電的預測技術(shù)，建立了風速預測的數(shù)學模型。對1h后風電輸出功率預測結(jié)果表明，預測誤差在12%左右。與實際數(shù)據(jù)與預測功率進行對比分析，驗證了所提方法的精確性與穩(wěn)定性。本文對射陽風電場的風速預測技術(shù)進行研究。應用了基于神經(jīng)網(wǎng)絡的風功率預測技術(shù)，對不同時間尺度下的預測結(jié)果進行分析，得到風功率預測的使用場景。應用射陽風電場的風速數(shù)據(jù)進行計算，并對計算結(jié)果進行詳細分析。分析結(jié)果表明，本文所提方法可以對風電場風速進行精確預測。

1 神經(jīng)網(wǎng)絡技術(shù)

神經(jīng)網(wǎng)絡技術(shù)作為新型人工智能技術(shù)，在各個行業(yè)領(lǐng)域得到了廣泛應用，近年來也越來越多的應用于風速/風功率預測技術(shù)。人工神經(jīng)網(wǎng)絡首先進行學習，即根據(jù)外部環(huán)境刺激來調(diào)整其自由參數(shù)，來對外部環(huán)境產(chǎn)生新方式的過程。該過程并不會改變神經(jīng)網(wǎng)絡單元本身，而是通過改變連接權(quán)值進行學習。學習規(guī)則如下：如果網(wǎng)絡學習提示錯誤，則通過反復的學習，減少下次出現(xiàn)相同錯誤的可能性。因此，神經(jīng)網(wǎng)絡能夠通過反復學習，根據(jù)外部環(huán)境來提高自身的性能。學習是改變處理單元性能的元素，即連接權(quán)值。由于學習的規(guī)則存在較大差異，因此，學習過程沒有統(tǒng)一的表達式，但學習類型與參數(shù)形式有關(guān)。神經(jīng)網(wǎng)絡的學習和訓練不同在于，學習是結(jié)果，而訓練是神經(jīng)網(wǎng)絡的學習過程，本質(zhì)上講，學習是神經(jīng)網(wǎng)絡的內(nèi)部過程，而訓練是神經(jīng)網(wǎng)絡的外部過程。學習方式可以劃分為監(jiān)督學習和自組織學習方法。前者在學習過程中給出目標值，神經(jīng)網(wǎng)絡并不知道外部環(huán)境條件，而是不斷調(diào)整網(wǎng)絡權(quán)值與閾值來優(yōu)化目標函數(shù)；后者是通過與外界環(huán)境的聯(lián)系適應最小化性能的標量索引，來完成輸入輸出映射的學習。自組織學習過程中只有輔助網(wǎng)絡學習的質(zhì)量尺度，達到優(yōu)化參數(shù)的目的。神經(jīng)網(wǎng)絡的學習規(guī)則主要包括：Hebb學習、Delta規(guī)則、Widrow-Hoff學習規(guī)則、Correlation（相關(guān)）學習規(guī)則、Winner-Take-all學習規(guī)則等。下面詳細介紹Hebb學習規(guī)則。Hebb學習規(guī)則是無監(jiān)督的學習，學習的結(jié)果是使網(wǎng)絡能夠總結(jié)輸入信息的統(tǒng)計特性，從而把輸入信息按照相似性程度來分類。這一點與人類觀察和認識世界的過程非常吻合，人類觀察和認識世界在相當程度上就是在根據(jù)事物的統(tǒng)計特征進行分類。Hebb規(guī)則由神經(jīng)元連接間的激活水平改變權(quán)值，所以Hebb又可稱為相關(guān)學習。神經(jīng)網(wǎng)絡中的Hebb算法可以簡單描述為：若兩神經(jīng)元之間傳遞激勵信號，而且如果兩者都處于高激勵，則量神經(jīng)元間的權(quán)值增加。即可表示為兩節(jié)點的連接權(quán)值是兩節(jié)點激勵的乘積，隨乘積進行改變：

對于Hebb學習，學習信號就是神經(jīng)元輸出，即：

權(quán)值增量變成： Δw = αf(wTx)x ，即如果輸出ii和輸入的乘積是正的，則連接權(quán)值增加，否則減小。

2 算例分析

本節(jié)對基于神經(jīng)網(wǎng)絡的風電場風況預測技術(shù)進行研究。

（1）基于神經(jīng)網(wǎng)絡的風況預測。本節(jié)基于神經(jīng)網(wǎng)絡技術(shù)對風電場的風況進行預測，預測某一天的風速與風向數(shù)據(jù)。風況數(shù)據(jù)每5分鐘采取一個數(shù)據(jù)點，共288個數(shù)據(jù)，總預測時間一天共1440分鐘，預測提前時間為2個小時。預測結(jié)果如圖1。

圖1 風況預測結(jié)果

由圖1可知，提前兩個小時對風電場風況進行預測時，風速與風向的預測曲線大致趨勢基本保持一致，雖然二者并非完全相等，但從電網(wǎng)調(diào)度角度來看，仍然具有很好的參考價值。另外，需要說明的是，風電預測是為了能夠?qū)︼L電進行更好的調(diào)度、消納，但并非是要做到全部消納。而是希望能夠在保持風量在一定程度的基礎(chǔ)上，盡可能多的消納風電，并使得風電預測能夠?qū)︼L電的調(diào)度更加可控?？芍?，提前兩個小時對風電場風況進行預測時，風速與風向的預測曲線大致趨勢基本保持一致，雖然二者并非完全相等，但從電網(wǎng)調(diào)度角度來看，仍然具有很好的參考價值。另外，需要說明的是，風電預測是為了能夠?qū)︼L電進行更好的調(diào)度、消納，但并非是要做到全部消納。而是希望能夠在保持風量在一定程度的基礎(chǔ)上，盡可能多的消納風電，并使得風電預測能夠?qū)︼L電的調(diào)度更加可控。

（2）不同時間尺度的風況預測。定義如下三種場景：場景1：提前4小時的預測結(jié)果；場景2：提前3小時的預測結(jié)果；場景3：提前2小時的預測結(jié)果。場景2的預測結(jié)果在3.3.1小節(jié)中已經(jīng)給出，下面給出場景1與場景3的預測結(jié)果。不同場景下的預測誤差如表1。

表1 不同場景下的預測誤差結(jié)果

由上述計算結(jié)果可知，場景1的預測誤差最小，場景3的預測誤差最大。因此，隨著預測提前時間的增長，風速的預測精度呈現(xiàn)下降的趨勢。但對于風速風向的整體趨勢的預測結(jié)果與實際情況大致相符。產(chǎn)生上述誤差的主要原因在于風速的隨機性、波動性與不可控性太大，受氣象等因素的影響顯著。因此，無法對其進行精確預測。在目前的實際應用中并非要對風速進行高精度的預測，而是在允許誤差范圍內(nèi)，能夠?qū)ζ溥M行預測，來為電網(wǎng)調(diào)度、發(fā)電計劃安排等提供一定的指導作用。

3 結(jié)語

本文對基于神經(jīng)網(wǎng)絡的鹽城地區(qū)射陽風電場風功率預測技術(shù)進行了研究。應用基于神經(jīng)網(wǎng)絡的風功率預測的時間尺度分析，對不同時間尺度下的風功率預測技術(shù)進行了分析。

[1]武小梅，白銀明，文福栓. 基于RBF神經(jīng)元網(wǎng)絡的風電功率短期預測[J].電力系統(tǒng)保護與控制，2011,39(15):80-83.

[2]高陽,鐘宏宇,陳鑫宇,等.基于神經(jīng)網(wǎng)絡和小波分析的超短期風速預測[J].可再生能源,2016,(05):705-711.

[3]楊錫運，孫寶君，張新房，等.基于相似數(shù)據(jù)的支持向量機的短期風速預測仿真研究[J].中國電機工程學報，2012,32(4):35-41.

[4]郭創(chuàng)新，王揚，沈勇等.風電場短期風速的多變量局域預測法[J].中國電機工程學報，2012,32(1):24-31.

[5]楊志凌，劉永前.應用粒子群優(yōu)化算法的全齊風電功率預測[J].電網(wǎng)技術(shù)，2011,35(5):159-164.

TM614

：A

：1671-0711（2017）12（下）-0133-02