陳家揚 陳華 張旭

摘? 要： 對風電場的準確預測，可以為電網調度提供調峰和消納依據(jù)，從而綜合評估電網短期內消納風電的能力，制定科學合理的消納措施。通過預測風電場24 h內的出力，基于數(shù)值天氣預報（NWP）數(shù)據(jù)的出力預測，采用深度學習神經網絡算法，建立數(shù)值天氣預報與風電功率之間的轉換模型，計算功率點預測值，然后利用概率密度函數(shù)，建立風電出力預測的概率區(qū)間。最后通過實際案例仿真，驗證了基于NWP和深度學習神經網絡短期風功率預測的可靠性，為調度預留調峰容量提供理論依據(jù)。

關鍵詞： 風功率預測; 深度學習神經網絡; 數(shù)值天氣預報; 建立轉換模型; 概率密度; 案例分析

中圖分類號： TN711?34; TK89; TM614? ? ? ? ?文獻標識碼： A? ? ? ? ? ? ? ? ? ? ? 文章編號： 1004?373X（2020）08?0063?05

Short?term wind power forecasting based on NWP and deep learning neural network

CHEN Jiayang， CHEN Hua， ZHANG Xu

（College of Electrical Engineering， Xinjiang University， Urumqi 830047， China）

Abstract： The accurate prediction of wind power plant can provide the basis for peak load regulation and absorption of power grid dispatching， so as to comprehensively evaluate the power grid′s short?term absorption capacity of wind power， and formulate scientific and reasonable absorption measures. The conversion model between numerical weather forecast （NWP） and wind power is established based on the output′s prediction of wind power within 24 hours， the NWP data and deep learning neural network algorithm， the power point prediction value is calculated， and then the probability interval of the wind power output prediction is established by means of the probability density function. The reliability of short?term wind power prediction based on NWP and deep learning neural network is verified by the simulation of practical cases， which provides the theoretical basis for scheduling and reserving peak load regulating capacity.

Keywords： wind power forecast; deep learning neural network; numerical weather prediction; building conversion model probability density

0? 引? 言

隨著能源與環(huán)境問題的日益突出，風能作為清潔能源中最重要的可再生能源之一，已受到世界各國的高度重視。2010年底，我國風電裝機4 182.7萬kW，超過美國，居全球第一。新疆風能資源豐富，新疆風電場依據(jù)風資源區(qū)域優(yōu)勢，其風電場裝機容量逐漸增大，預計到2020年將形成55個百萬千瓦級風電基地，總裝機規(guī)模達到千萬千瓦[1] 。

風力發(fā)電輸出電力的功率多少取決于自然風資源，而國內風電場在規(guī)劃階段，基本都是依托設計規(guī)劃機構實地勘測進行選址和規(guī)劃，這些機構大多利用的是臨時測風和氣象部的歷史數(shù)據(jù)。早期的風電場在建設時只是建設了一個或多個測風塔，技術先進的風電場也只是在每臺風力機上裝備了實時測風裝置，大多都沒有按照要求建設完善的風速預測系統(tǒng)。因此，目前風電場出力的預測難點之一是每臺風力機不能準確地、接近實際值地預測風速。

對于風功率的預測，文獻[2]介紹了與風電功率預測相關的物理方法和統(tǒng)計方法，分析了預測誤差產生的原因及其評價方法。文獻[3]以支持向量機原理為基礎，建立支持向量機回歸模型，實現(xiàn)風電功率直接預測。文獻[4]將非參數(shù)回歸技術應用于短期風電功率預測，包括風電功率點預測和風電功率概率區(qū)間預測。文獻[5]利用深度學習對風電場進行短期預測。文獻[6?10]利用混合算法來預測風功率，預測精度有一定提高。但是這些方法大都是用一種預測數(shù)據(jù)去計算另一種預測數(shù)據(jù)，存在嚴重的誤差積累問題且由于不同風電機組對風速的跟蹤特性也不相同，建立的模型實用性差。

本文通過預測風電場24 h內的出力，基于數(shù)值天氣預報（NWP）數(shù)據(jù)的出力預測，采用深度學習神經網絡算法，建立數(shù)值天氣預報與風電功率之間的轉換模型，計算功率點預測值，然后利用概率密度函數(shù)，建立風電出力預測的概率區(qū)間，為調度預留調峰容量提供理論依據(jù)。

1? 數(shù)值天氣預報和深度學習神經網絡的短期風功率預測

1.1? 數(shù)值天氣預報簡述

數(shù)值天氣預報是對大氣運動中流體動力和熱力學等模型的建立與求解，輸入量是當?shù)氐乩砗蜌夂驐l件，通過大量數(shù)值計算，求解表征天氣演變過程的流體力學和熱力學的方程組，基于求解來判斷預測未來天氣狀況的方法[11]。數(shù)值天氣預報通過物理建模的方法可以預測包括風速在內的多種氣象數(shù)據(jù)，可以作為風電出力預測的基礎。

我國風力發(fā)電企業(yè)在風速預測方面只能依賴氣象部門的預測數(shù)據(jù)，大部分風電場的出力預測依托的是第三方開發(fā)的各種預測系統(tǒng)，這些系統(tǒng)中利用的風速數(shù)據(jù)主要來自氣象部門公開發(fā)布的數(shù)據(jù)，這些公開發(fā)布的數(shù)據(jù)只是某個地區(qū)的數(shù)值，更新頻率基本都在4～8 h以上，對于精準的出力預測存在一定的局限性。

1.2? 深度學習神經網絡

神經網絡法是一種人工智能方法，是通過對人腦神經系統(tǒng)的結構進行模擬，將人腦神經系統(tǒng)結構抽象為某種拓撲結構，按照這種特定的拓撲結構將大量的簡單神經元連接起來，從而構成復雜的神經系統(tǒng)，具有強大的非線性映射能力。BP網絡的拓撲結構一般分為三層：一個輸入層，一個輸出層，但是不一定只有一個隱含層。理論上，這樣的三層結構可以無限逼近求解任意問題。BP神經網絡算法的主要思想就是通過不斷向前反饋各層實際輸出與期望輸出的誤差，得到所有各層的誤差估計，然后不斷修改權值和閾值，直到找到可以解決問題的最優(yōu)解，到達期望誤差。

圖1為三層BP神經網絡結構圖，表示的BP神經網絡具有d個輸入信號，m個隱含層節(jié)點與c個輸出信號。

由于神經網絡法對初值選取要求非常高，初值的微小變化對于最終結果的影響也很大，而且神經元容易陷入局部最優(yōu)?；谏鲜鰡栴}，提出深度學習神經網絡。深度學習神經網絡從輸入開始，隨著隱含層數(shù)的增加，信息在不斷的提取和重新表達過程中轉化成抽象而且易于構建模型的特征，最后將特征輸出。而深度學習中三種常用的方法之一的受限的玻爾茲曼機同樣是一個生成型模型，所不同的是，它是基于能量而不是信號。與神經網絡相同的是都有一個輸入層和一個隱含層，但是玻爾茲曼機不含輸出層。它的拓撲結構類與神經元類似，也是同一層內之間不存在連接，不同層間全連接。而與神經元不同的是不同層間的連接不再是單向連接。受限的玻爾茲曼機典型的拓撲結構圖可以表示為圖2所示的形式。圖2中，用v表示輸入層，用h表示隱含層。

基于數(shù)值天氣預報（NWP）的短期風功率預測方法，采用深度學習神經網絡算法，建立數(shù)值天氣預報與風電功率之間的轉換模型，計算功率點預測值，然后利用概率密度函數(shù)，建立風電出力預測的概率區(qū)間，即形成一個風電功率上限和下限預測包絡帶，為調度預留調峰容量提供依據(jù)?；贜WP的短期風電出力預測流程圖如圖3所示。

利用風電場的NWP數(shù)據(jù)和實際出力數(shù)據(jù)，建立短期風電功率點預測模型和概率區(qū)間預測模型?；谏疃茸詫W習神經網絡的算法不假定函數(shù)的形式已知，所以既不需要建立預測方程，也不需要設置參數(shù)，可以直接使用歷史樣本為訓練數(shù)據(jù)，找到其內在規(guī)律，根據(jù)該規(guī)律建立出適應于該種情況的預測模型，之后將預測模型與訓練數(shù)據(jù)中隱含的輸入輸出關系相結合，最終給出預測結果。由于該預測函數(shù)每一點的數(shù)值解都僅與所測數(shù)據(jù)相關，而與其他因素無關，減少了因變量。因此基于歷史記錄的統(tǒng)計方法可以有效降低物理模型中小的誤差積累。

2? 基于深度學習神經網絡和數(shù)值天氣預報的預測模型

2.1? 預測模型的建立

建立基于深度學習神經網絡和數(shù)值天氣預報的預測方法基本思路為：采用深度學習神經網絡算法，建立NWP與風電功率之間的轉換模型，計算功率點預測值，然后利用概率密度函數(shù)，建立風電出力預測的概率區(qū)間，為調度預留調峰容量提供依據(jù)。其中每個神經網絡的輸入神經元數(shù)量為1，對應一個數(shù)值天氣預報NWP風速數(shù)據(jù)，輸出神經元數(shù)量為1，對應一個風電功率數(shù)據(jù)，隱含層神經元數(shù)量設置為6。

首先對樣本進行歸一化和初始權值設置，其各個分量設置相同的權值。訓練結果出來后，根據(jù)誤差調整權值分配，這樣反復幾個回合，將誤差控制在閾值以內，就訓練出第一個網絡。緊接著抽取不同的樣本訓練第二個網絡，重復該過程，直到訓練出T個網絡。

然后根據(jù)各個網絡給定的權值進行風電預測，預測的方程如下：

式中：[H（x）]為學習器;[W（t）]為網絡權值;[INT（x）]為 NT個網絡。

基于深度自學習神經網絡算法和數(shù)值天氣預報的算法流程圖，如圖4所示。

2.2? 模型評估指標

1） 誤差指標

對于風功率預測采用的誤差評價指標為[2]：平均絕對誤差、最大絕對誤差、方均根誤差以及平均相對誤差。

平均絕對誤差：

最大絕對誤差：

均方根誤差：

平均相對誤差：

式中：[x′（i）]為預測值;[x（i）]為實測值;RMSE為均方根誤差;MRE為平均相對誤差。

2） 概率密度估計

由于風功率預測具有不確定性和不可約束性，因此實現(xiàn)精確的風功率點預測較為困難。與確定性的預測相比，提供風功率的概率性預測比精確預測更具有意義，為制定科學合理的消納措施提供有效的依據(jù)。而對于每個時刻，將所有歷史數(shù)據(jù)輸入到基于拋物線核函數(shù)的概率密度模型中，得到該時刻的概率密度曲線，將95%置信上限作為風電功率波動的上限，給出每個時刻風電功率的波動范圍。這種做法一方面削弱了點預測的誤差，另一方面提高了預測數(shù)據(jù)對調度調峰和風電消納的實用性。概率密度函數(shù)通用表達式如下：

式中：h為控制局部域大小的窗寬，稱為帶寬或平滑參數(shù);[xi]為給定樣本;K（·）為核函數(shù)，本文采用拋物線核函數(shù)[2?4]為其表達式：[K（u）=341-u2]。應用到預測值的概率估計中，其具體表達式如下：

核函數(shù)K（·）用來確定樣本點在估計[m（xi）]中的權重。給定樣本后，h的選擇要適合，過大會過于光滑，過小會過于粗糙。

3? 案例分析

本文以新疆某148.5 MW風電場為例，該風電場共99臺風力機，每臺1.5 MW。該風電場機型最低切入風速為3 m/s，最高切出風速為25 m/s，額定風速為10.9 m/s。取某月31天的風電場數(shù)據(jù)，每天96個點，共2 976個點。該風電場某月每日整點實際風速與功率分布如圖5所示。由圖可知，某月內平均風速與實際出力的分布具有一定的規(guī)律性，尤其在平均風速為2～7 m/s之間時，大部分的樣本呈線性分布。平均風速在7 m/s以上時，樣本規(guī)律出現(xiàn)線性跳躍，但仍有規(guī)律可尋。而且在同一平均風速下有37.3%的樣本偏離集中分布，較為分散，且大部分分布在規(guī)律樣本以下。不規(guī)律的樣本說明了平均風速并不能反映各個風力機的實際出力，印證了風電場的平均風速和實際出力之間的關系是不確定的。因此采用數(shù)值天氣預報和概率估計來預測風電場的方法是非常適合的。

該風電場某日數(shù)值天氣預報風速與實際風速，如圖6所示。由于該風電場只有2座測風塔，風電場的平均風速為兩座測風塔的平均值，而該風電場較大，每臺風電機組的風速誤差大。數(shù)值天氣預報是根據(jù)風電場的面積，將風電場分割成網塊，以10 km2的風電場為例，一般會被分割成10個網塊左右，同時考慮了氣壓、濕度、地形等因素，數(shù)值天氣預報的平均風速是各個網塊中風速的平均值，相比測風塔而言樣本更多，因此數(shù)據(jù)波動較為平滑。

將數(shù)值天氣預報的風速作為輸入量，實際的風電出力作為輸出量，對基于深度自學習的BP神經網絡的算法進行訓練。訓練完成后將數(shù)值天氣預報的風速輸入網絡即可得到預測功率，得出該風電場某日24 h出力預測，如圖7所示。從圖7中可以看出，基于數(shù)值天氣預報和深度自學習的BP神經網絡的網絡預測模型能準確地預測風電出力，且較好地跟蹤了整個風電場平均風速與出力之間的不確定性關系。

由式（2）～式（5）可得，風電出力預測的誤差指標如表1所示。由表1可得，絕對誤差均控制在較小范圍內，具有較高的預測精度，驗證了基于NWP和深度學習神經網絡的短期風功率預測的可靠性。

對該風電場某月31天內每天0∶00的風電出力數(shù)據(jù)進行核密度估計，得到概率密度曲線如圖8所示。計算95%置信度下的風電功率置信上限，為116.13 MW，將95%置信上限作為風電出力波動的上限，從而得到該時刻風電出力的波動范圍。?

圖8? 0∶00風電功率核估計概率密度曲線

對該風電場某月31天內以15 min為間隔，各個時刻的風電出力歷史數(shù)據(jù)同樣按照上述方法進行核密度估計，得到96組風電出力波動的上下限數(shù)值。分別將上限值和下限值用曲線進行擬合，得到該風電場某日24 h出力預測及波動范圍預測，如圖9所示。

由圖9可知，以95%置信上限與60%的置信上限能很好地跟蹤風電預測，利用概率密度函數(shù)，建立風電出力預測的概率區(qū)間，即形成一個風電功率上限和下限預測包絡帶，為調度預留調峰容量提供依據(jù)。綜上所述，可以看出此預測模型對于實際問題是十分有效的。

4? 結? 論

本文提出基于深度學習神經網絡和數(shù)值天氣預報的預測模型，以新疆某風電場31天的歷史實際功率和數(shù)值天氣預報作為樣本，代入模型進行了出力預測仿真，并通過誤差檢驗指標對預測偏差進行了驗證，驗證數(shù)值天氣預報和神經網絡模型在風電出力預測中的良好效果。最后用概率密度估計給出了預測功率的上限和下限，為調度預留調峰容量提供理論依據(jù)。

參考文獻

[1] 藺紅，孫立成，常喜強.新疆風電出力波動特性的概率建模[J].電網技術，2014，38（6）：1616?1620.

[2] 谷興凱，范高鋒，王曉蓉，等.風電功率預測技術綜述[J].電網技術，2007（z2）：335?338.

[3] 李濤.支持向量機在風電功率預測中的應用研究[D].北京：北京交通大學，2012.

[4] 王彩霞.基于非參數(shù)回歸模型的短期風電功率預測[J].電力系統(tǒng)自動化，2010，34（16）：78?82.

[5] 潘志剛，劉三明，李瑩.基于深度學習網絡的風電場功率短期預測研究[J].科技與創(chuàng)新，2015（19）：4?6.

[6] 魯婭楠，王金梅，孫帆.基于PSO?BP神經網絡的風電功率預測研究[J].電氣傳動自動化，2017，39（6）：24?27.

[7] 葉瑞麗，郭志忠，劉瑞葉.基于小波包分解和改進Elman神經網絡的風電場風速和風電功率預測[J].電工技術學報，2017，32（21）：103?111.

[8] 李洪濤.人工神經網絡和模糊技術在風能預測中的應用[J].中國電力，2012，45（8）：69?73.

[9] 李丹，任洲洋，顏偉.基于因子分析和神經網絡分位數(shù)回歸的月度風電功率曲線概率預測[J].中國電機工程學報，2017，37（18）：5238?5247.

[10] 蔡禎祺.基于數(shù)值天氣預報NWP修正的BP神經網絡風電功率短期預測研究[D].杭州：浙江大學，2012.

[11] 張怡.新能源風光發(fā)電預測技術的發(fā)展及應用[J].浙江水利水電學院學報，2018，30（1）：68?74.

[12] 楊楠，葉迪，周崢，等.基于NACEMD-Elman神經網絡的風功率組合預測[J].水電能源科學，2018（9）：209?211.