國網山東省電力公司肥城市供電公司 劉曉曉

1 前言

風速一般會受到多種氣象與地理因素的影響，比如溫度、氣壓、地形等，這就使它會相應地表現出很強的隨機性，進而導致風電場風力發(fā)電功率也具有很強的隨機性，這也將使預測的難度遠遠加大，并且精度下降[1-3]。

風功率預測方法主要可以分為2類：一種方法是根據數值天氣預報的數據，然后通過物理方法計算風速與風電場的輸出功率；另一種方法是根據在線實測的歷史數據，挖掘其中的內在規(guī)律，進行預測的統(tǒng)計方法。一般來說，統(tǒng)計方法要優(yōu)于物理方法，但是這兩種方法在進行長期預測方面差別不是很大，而統(tǒng)計模型需要更多的輸入數據，而物理方法則要求較高的數值天氣預報的精確度[4-6]。

當今我國對風速及風電場出力的預測還大部分都還停留在理論研究階段，各科研單位、風電企業(yè)、電網公司都在努力探索。國內的風電預測水平近年來有較大提高，預測誤差不斷降低，但與國外相比，仍然偏高。造成這一現象的原因，一方面由于國內的風速及風電場功率預測研究起步比較晚，仍需時日以不斷進步，另一方面，國外的NWP系統(tǒng)較國內更為先進，可以提供精度更高、尺度更細的天氣預報數據進行分析預測[7-10]。

風功率預測的復雜和困難主要是由于其非線性和非平穩(wěn)性造成的，在實際分析的時候，若把與輸出功率有關的多個變量考慮到，運用多維數據作為影響能夠輸出功率的參數，輸出數據在理論上來說會更加精確的。本文數值環(huán)境因素的影響，通過運用時間序列來簡化處理各種參數，基于改進的BP神經網絡建立基于數值氣象數據的風電功率預測模型。

2 建模流程

BP神經網絡的基本結果和原理參考文獻[12]，本文主要工作為基于BP神經玩過建立風功率預測模型。影響風電功率輸出的最大因子是風速，而風速與年變化、地形不同、高度不同、時間不同都有關聯(lián)。而數值氣象包含溫度、濕度、風速等，期預測結果可以作為風速預測的有力依據。本文選擇的輸入數據有：風速、溫度、歷史功率，設計一個單隱層。從而本文的BP網絡模型結構為三層：輸入層、隱含層、輸出層。具體模型如圖1所示：

圖1 BP預測網絡直接預測風功率模型

3 算例分析

本文所采用的神經網絡結構為三層BP網絡，所用數據來源于我們南方某風電場，采樣時間間隔為10分鐘的340個連續(xù)風電功率數據，前320個數據作為模型訓練數據，后20個數據作為檢驗預測結果。本文將訓練模型的輸入向量設為7個，所以網絡輸入層的神經元有7個，根據Kolmogorov定理，可知網絡中間層即隱含層的神經元可以取13個，即2n+l法，輸入參數個數的2倍。輸出向量是1個，所以輸出層的神經元有1個。另外網絡中間層的神經元傳遞函數采用S型的tansig函數，輸出層的神經元傳遞函數采用線性purelin函數。利用以下代碼創(chuàng)建一個滿足上述要求的BP網絡：net=newff([minmax(pp)]，[13,1]，{'tansig','purelin’}，'trainlm’)；其中，pp是輸入向量，trainlm'表示設定網絡的訓練函數為trainlm，它采用Levenberg-Marquardt算法進行網絡學習。因為這里選取的功率預測功率訓練，模型相對簡單，除了預設誤差限之外，網絡其他參數按默認值訓練。由于其他參數都按默認值，而誤差曲面存在的多個極小點會使得訓練陷入局部最小值，無法收斂于給定誤差，針對以上情況，針對這一問題，本文采用增加動量項和可變學習速度的方法來進行改進BP神經網絡。

（1）增加動量項

標準BP算法在調整權值時，之按t時刻誤差梯度下降方向調整而沒有考慮t時刻以前的梯度方向，會導致訓練過程發(fā)生振蕩。為了提高訓練速度，可以在權值中加入一些動量項：

式(1)中W為某層權矩陣，O為某層輸出向量，α稱為動量系數，，反應了以前積累的調整經驗。

（2）可變學習速率的反向傳播法

由之前分析可以知道，可以通過調整學習速率來改變誤差曲面的形狀?？勺儗W習速度反向傳播法的規(guī)則如下：

1）如果平方誤差（在整個訓練集上）在權值更新后增加了，并且超過了某個設置的百分數β（在1%～5%之間），則權值更新取消，學習速率乘以一個0到1之間的因子，且動量系數α歸零。

2）如果平方誤差在權值更新后減少了，則權值更新被接受，并且學習速率保持不變。如果α過去被設置為0，則恢復到以前的值。

3）如果平方誤差小于β，則權值更新被接受，但學習速率不變。如果α過去被設置為0，則恢復到之前的值。

（3）學習速率的自適應調節(jié)

上面給出的可變學習速度算法需要設置若干個參數，算法性能對這些參數的改變很敏感，處理較麻煩。自適應學習速率法則沒有以上缺陷。學習速率之和網絡誤差有關聯(lián)。

在網絡經過一個批次處理后，如果總的誤差E總增加，則本次調整無效，且：

若E總下降，則調整有效，且：

（4）改進BP算法結果

按照上述改進方法改進BP網絡算法，結果如圖2所示。

圖2 改進BP網絡算法結果

一般而言采用均方根誤差和平均絕對誤差來衡量預測的效果，表1給出了風速預測各模型的主要誤差指標。

表1 各預測模型主要誤差指標

由表1可以看出，兩者改進前后的風速預測的絕對平均誤差和均方根誤差均小于0.15，滿足要求。但是改進后的指標明顯優(yōu)于修改之前。

4 結論

本文從風功率預測的基本理論出發(fā)，通過數值環(huán)境因素和改進的BP神經網絡對風電功率進行預測，實驗結果表明了本文方法的實用性和先進性，然而，本文的并沒有深度挖掘多種環(huán)境大數據對功率數據的影響，一定程度上限制了預測精度，因此今后的主要工作應該是從挖掘多種數值環(huán)境大數據出發(fā)，基于數據挖掘來提高預測精度。

[1]張麗英,葉廷路,辛耀中,等.大規(guī)模風電接入電網的相關問題及措施[J].中國電機工程學報,2010,30(25):1-9.

[2]袁鐵江,晁勤,李義巖,等.大規(guī)模風電并網電力系統(tǒng)經濟調度中風電場出力的短期預測模型[J].中國電機工程學報,2010,30(13):23-27.

[3]馮雙磊,王偉勝,劉純,等.風電場功率預測物理方法研究[J].中國電機工程學報,2010,30(2):1-6．

[4]王麗婕,冬雷,廖曉鐘,等.基于小波分析的風電場短期發(fā)電功率預測[J].中國電機工程學報,2009.

[5]Yongqian L,Jie S,Yongping Y,et al.Short-term wind power prediction based on wavelet transform-support vector machine and statistic characteristics analysis[J].IEEE Transactions on Industry Applications,2012,48(4):1136-1141.

[6]Antonino-Daviu J.A,Riera-Guasp M,Pons-Llinares J,Toward Condition Monitoring of Damper Windings in Synchronous Motors via EMD Analysis[J].IEEE Transactions on Energy Conversion,2012.27(2):432-439.

[7]Peiyuan C,Pedersen T,Bak-Jensen B,et al.ARIMA-Based Time Series Model of Stochastic Wind Power Generation.IEEE Transactions on Power Systems[J].2010,25(2):667-676．

[8]Bhaskar K.,Singh S.N.AWNN-Assisted Wind Power Forecasting Using Feed-Forward Neural Network.IEEE Transactions on Sustainable Energy[J].2012,3(2):306-315．

[9]楊錫運,孫寶君,張新房等.基于相似數據的支持向量機短期風速預測仿真研究[J].中國電機工程學報2012,32(4):35-41．

[10]康守強,王玉靜,楊廣學,等.基于經驗模態(tài)分解和超球多類支持向量機的滾動軸承故障診斷方法[J].中國電機工程學報,2011,31(14):96-102．

[11]崔楊,陳正洪,等.棄風限電條件下復雜地形風電場短期風功率預測對比分析[J].太陽能學報,2017.

[12]王小川,史峰,郁磊,等.MATLAB神經網絡43個案例分析[M].北京:北京航空航天大學,2013.