风电场风速预测的研究方法

陈丹丹，李永光，张 莹，刘 祥

(上海电力学院能源与环境工程学院，上海 200090)

风能是重要的绿色能源，随着风力发电成本的大幅下降，已具有与传统发电能源竞争的潜力［1，2］.但由于受温度、气压、地形、地理位置等诸多因素的影响，风能具有很强的随机性，因此风力发电的稳定性较差，并网后会严重影响电能质量和电力系统的正常运行［1，3，4］.风电装机容量增加后，为了抑制风电波动给电网带来的冲击，需相应增加常规机组的旋转备用容量，这会增加系统的运行费用［3，5-7］.通过研究发现，如果能对风电场风速作出较准确的预测，则有利于及时调整电网的调度计划，以提高风电的经济性［5，8-14］.此外，由于风电设备运行的环境较为恶劣，易出事故，因此也需要对风场的风速作出预测［9］.目前，国内外对于风电场风速的预测一般可分为用于风电场规划设计的中长期预测，用于电力系统的功率平衡和调度、交易、暂态稳定评估等的30 min到72 h的短期预测，以及用于发电系统控制的分钟级超短期预测［10，15-18］.比较常用的方法有人工神经网络法［5，11，19-23］、卡 尔 曼 滤 波 法［24，25］、时 间 序 列法［26，27］等.

1 风速预测的基本方法

1.1 人工神经网络法

人工神经网络由大量的简单处理元件以拓扑结构连接形成，可以有效处理很多复杂问题.运用人工神经网络预测风速则是结合了天气预报模型和人工神经网络的功能，通过神经网络分析天气预报模型所提供的温度、压力、风速，以及风机本身采集的数据等信息，可以预测风电场中每一台风力发电机周围的风速.该方法的缺点是输入数据的选取及网络结构不易确定［9］.

根据神经网络连接及计算方法的不同，人工神经网络法中常用的有多层前馈神经网络(Back Propagation，BP)、广义回归神经网络(Generalized Regression Neural Network，GRNN)等.BP 网络结构如图1所示，它包括输入层、一个或多个隐层，以及输出层，层间的神经元单向连接，层内神经元则相互独立［23］.

图1 BP神经网络结构

GRNN网络结构如图2所示.

图2 GRNN网络结构

文献［11］基于BP神经网络算法建立了风电功率预测的神经网络模型，并进行了误差带预测.研究结果表明:神经网络的结构和输入数据对预测结果有一定的影响;将实测功率数据作为输入可以提高30 min内的预测精度.这为弥补该预测方法的缺陷提供了可能的解决途径，即利用实测功率及时修改神经网络的输入，以提高预测精度.

1.2 卡尔曼滤波法

由线性系统离散方程可推导出卡尔曼滤波法的预测递推方程［24］.

1.2.1 最优滤波方程

式中:(k+1|k+1)——对k+1时刻的状态估计;

K(k+1)——k+1时刻的卡尔曼增益矩阵.

由此可看出，卡尔曼滤波算法可用最新测量值来修正前一时刻的估算值，具有动态修改权值的优点.

1.2.2 最优增益矩阵方程

式中:P(k+1|k)——从k时刻到k+1时刻的单步预测误差协方差矩阵;

R(k)——V(k)的协方差矩阵.

1.2.3 单步预测误差协方差方程

式中:Q(k)——w(k)的协方差矩阵.

1.2.4 滤波预测的误差协方差方程

式中:P(k+1|k+1)——对k+1时刻滤波预测的协方差矩阵;

I——单位矩阵.

利用卡尔曼滤波算法，将风速作为状态变量来建立状态空间模型，可以实现风速预测.但建立卡尔曼状态方程及测量方程比较困难，并且这种方法适用于噪音统计特性已知的情况下对在线风速进行预测，但噪音统计特性往往很难得出［24，25］.

1.3 时间序列法

(1)随机时间序列法 利用大量的历史数据来建立数学模型，进而推导出预测模型，以达到预报的目的.该方法的优点是序列本身具有时序性和自相关性，为建模提供了足够的信息，只需要有限的样本序列，就可以建立预测模型.但该方法也有局限性，低阶模型的预测精度较低，而高阶模型参数的确定难度较大［12，24，26］.

(2)混沌时间序列法 是根据风电出力时间序列的混沌属性，以及非线性动力学的相关理论在短期内进行的预测［14，26-35］.因此，将风速时间序列进行相空间重构，可以将其应用于短期风速的预测.

(3)滚动式时间序列法 对传统时间序列法进行改进，其建模思路为［36］:模型在进行超前多步预测计算时，迭代得到t时刻的预测值后，利用该预测值重新估计模型参数，得出包含该预测值的新的模型方程，再进行t+1时刻的预测计算.计算结果证明该方法能有效提高预测精度，改善延时问题，并且具有建模简单、可获得预测显式方程等优点.

此外，衍生的时间序列法还有基于EMD的短期风速多步预测法，以及基于EMD和LS-SVM的短期风速预测法［37-40］.

1.4 混合算法

(1)时间序列和卡尔曼滤波的混合算法 利用时间序列建立一个能反映信号变化规律的低阶模型，再从该模型推导出卡尔曼滤波预测递推方程，实现信号预测［24，36，41］.该混合算法有效弥补了单纯时间序列法建模预测的不足，而且在不提高所建时序模型阶次的情况下提高了预测精度.

(2)时间序列和神经网络的混合算法 利用时间序列法建模，得到风速特性的基本参数，而后将这些参数作为神经网络的输入变量［5，10，42］.文献［5］和文献［42］计算结果表明，运用该方法进行风速预测时，绝对平均误差在22%左右，优于时间序列法.

2 风速预测方法的综合分析

2.1 各预测方法的分析比较

风速预测的方法主要有人工神经网络法、随机时间序列法和混沌序列预测法.

人工神经网络法［11］的理论基础是非线性数学理论［43］，具体的网络设计方法可利用径向基函数法、最小二乘法、傅里叶变换等不同的数学方法对人工神经网络的非线性函数进行逼近.另外，也可以用现有的软件如MATLAB中的神经网络工具箱等来建立人工神经网络.运用人工神经网络法能够预测风电场中每一台风机周围的风速，因此，当负荷变化时，可快速决定风机的停启，方便风电场调度.但由于人工神经网络的输入参数及网络结构不易确定，而输入变量的选择直接影响神经网络的收敛速度甚至收敛性，因此需要慎重选择输入的样本.而利用时间序列模型来选择输入变量则可以相对方便地确定神经网络的输入参数，将两种方法结合起来可有效提高收敛速度，并改善预测效果.

随机时间序列法的实现相对简单，只需要单一的风速时间序列即可建模，但预测精度需要取决于模型的阶数，阶数低则预测精度低，而阶数高则模型参数计算难度大.为解决这一问题，可采用滚动式时间序列法，或者将时间序列分析和卡尔曼滤波法结合使用.这两种算法的实质都是在计算中利用当前步的计算结果及时更新参数，以优化计算模型.时间序列分析和卡尔曼滤波算法的结合可避开建立高阶模型和推导测量方程，在降低建模难度、减少计算工作量的同时提高了预测精度［24］.

在预测风速的过程中，当部分时间点的风速明显大于或小于均值时，可以将其看作非线性系统中的混沌行为，利用数值分析方法建立的全局或局域性的线性预测函数，即为混沌序列预测法.目前常用的3种预测法理论上是等价的，性能也相同［33］，可以根据实际需要选择合适的模型.混沌时间序列可通过调整有关参数来控制预测精度，但由于系统对初值较敏感，因此只能用于短期风速预测.混沌时间序列法除了用于风电场短期风速预测外还可以预测电网负荷［30］.

比较各方法的预测周期，人工神经网络法在网络设计、操作等均较优的情况下能够作出48 h内工程允许误差范围内的预测，而时间序列法及混沌时间序列法一般只用于2 h内的预测.从单个风电场的实际需求来看，2 h内的预测能够较好地满足风机调控的需求，而从整个电网需求出发，则需要更长时间范围的预测，以便于电网提前调控分配各区域的发电指标.需要注意的是，越长时间范围的预测，在时间点上的预测失真往往越严重.因此，在实际预测风速时，需要根据不同对象的需求、综合考虑预测方法实现的成本等选择不同的预测方法.

2.2 算例误差分析比较

预测周期一般有预测时间及预测步数两种表示方法.根据算例采样点的时间间隔长度，可以将精选后的预测时间和步数进行等效换算.

文献［11］利用人工神经网络法进行风速预测时，综合考虑了实测风电功率作为输入数据和风轮不同高度处的风速数据对于预测结果的影响.计算结果表明，综合考虑风轮下边缘处及轮毂高度处的风速，比单独利用轮毂高度处的风速作为神经网络的输入值的预测精度要高，且当预测周期越短时，预测误差越小.文献［28］利用随机时间序列法对我国西北某风电场进行风速预测，得出提前10 min的风速预测值，从该算例所用的时间序列样本为每10 min采样1点来看，其预测周期及预测步数都很短，因此计算精度较高，预测平均误差为7%.而根据文献［36］，时间序列超前1步的预测精度较高，可达6.49%，但随着预测步数的增大，误差也迅速增大，超前10步以上的预测精度由于误差太大已不适用于工程计算.

文献［27］、文献［34］和文献［35］利用混沌时间序列法进行风速预测，其中文献［27］预测样本为每小时采样1点的风速序列，进行提前1天的风速预测，预测精度为8.19%.文献［36］利用滚动式时间序列法超前3步预测，预测样本为每分钟采样1点的风速序列，预测结果误差为7.01%，随着超前预测步数的增大，预测误差也增大，但利用时间序列和卡尔曼滤波的混合算法对相同样本进行预测时，超前1步的预测误差仅为3.19%.文献［10］利用时间序列和神经网络的混合算法进行提前1天的风速预测，平均误差为21%，考虑到本算例预测周期比较长，而且是对海风进行预测，由于海风比陆地风随机性更大，预测也更加困难，因此本算例的精度不算太低.

文献［27］的算例也进行了提前一天的风速预测，其预测精度较高的原因可能有:一是混沌系统对初值敏感，本算例选取的初值较好;二是所预测的风场风速变化较平缓;三是该算法精度比较好.

目前风速预测的平均误差为25% ～40%［5］，然而以上各种预测方法的算例计算误差为3.19%～22%，且其中绝大多数误差在10%以内，其原因为文献算例中的预测周期较短，多数只计算了提前3步甚至提前1步的预测，因此得出的预测精度远远高于平均值.此外，选取的风速数据样本的采样间隔时间也会影响计算结果.一般来说，采样间隔时间越长，预测结果的平均值越准确，但是对风速变化规律的预测会失真.文献［27］、文献［28］和文献［36］所采用的数据样本采样间隔时间各不相同，但是由于所预测的周期较短，因此对预测结果没有明显影响.

目前，国内对于短期风速预测的研究还存在以下不足:一是需要根据风速的历史数据预测将来的风速，如果不知道历史风速数据，则不可预测;二是没有实现风电功率的预测，风速预测的算法并不完全适用于功率预测;三是由于功率杂散分布，由风速推导风电功率将导致误差进一步增大.

3 结语

风速预测有针对一种方法的改进或者将几种方法结合使用的趋势.预测的准确度和预测方法、预测周期、地理位置等有关.一般预测周期越短，预测地点的风速变化越缓和，预测精度越高.风电的发展离不开风速预测.随着各种预测法的发展和完善，我国风电事业也会得到进一步的发展.

［1］迟永宁，李群英，李琰，等.大规模风电并网引起的电力系统运行与稳定问题及对策［J］.电力设备，2008，9(11):16-19.

［2］丁明，张立军，吴义纯.基于时间序列分析的风电场风速预测模型［J］.电力自动化设备，2005，25(8):32-34.

［3］耿天翔，丁茂生，刘纯，等.宁夏电网风电功率预测系统开发［J］.宁夏电力，2010(1):1-4.

［4］孟祥星，王宏.大规模风电并网条件下的电力系统调度［J］.东北电力大学学报，2009，29(1):2-7.

［5］杨秀媛，肖洋，陈树勇.风电场风速和发电功率预测研究［J］.电机工程学报，2005，25(11):1-5.

［6］UMMELS B C，GIBESCU M，PILGRUM E，et al.Impacts of wind power on thermal generation unit commitment and dispatch［J］.IEEE Trans on Energy Conversion，2007，22(1):44-51.

［7］颜巧燕，温步瀛，江岳文.风电并网后系统备用容量需求分析［J］.电力与电工，2009(2):26-29.

［8］吴炳琦.风电机组运行的预测预警和自动监控保护［J］.电气技术，2008(3):5-11.

［9］吴国炀，肖洋，翁莎莎.风电场短期风速预测探讨［J］.吉林电力，2005(6):21-24.

［10］吴兴华，周晖，黄梅.基于模式识别的风电场风速和发电功率预测［J］.继电器，2008，36(1):27-32.

［11］范高锋，王伟胜，刘纯，等.基于人工神经网络的风电功率预测［J］.中国电机工程学报，2008，28(34):118-123.

［12］傅蓉，王维庆，何桂雄.基于气象因子的BP神经网络风电场风速预测［J］.可再生能源，2009，27(5):86-89.

［13］屠强.风电功率预测技术的应用现状及运行建议［J］.电网与清洁能源，2009，25(10):4-9.

［14］王丽婕，廖晓钟，高爽，等.风电场发电功率的建模和预测研究综述［J］.电力系统保护与控制，2009，37(13):118-121.

［15］雷亚洲，王伟胜，戴慧珠.风电对电力系统运行的价值分析［J］.电网技术，2002，26(5):10-14.

［16］DAI Hui-zhu，WANG Wei-sheng，LI Han-xiang.Special report relationship between wind farms and power grids［J］.Engineering Sciences，2009，7(2):13-19.

［17］陈兆庆，王峥，陆艳艳，等.华东沿海风电场出力预测的研究和探讨［J］.华东电力，2010，38(3):384-387.

［18］张彦宁，康龙云，周世琼，等.小波分析应用于风力发电预测控制系统中的风速预测［J］.太阳能学报，2008，29(5):520-524.

［19］SIDERATOS G，HATZIARGYRIOU N D.An advanced statistical method for wind power forecasting［J］.IEEE Trans.on Power Systems，2007，22(1):258-265.

［20］FLORES Juan J，LOAEAZ Roberto，HÉCTOR Rodríguez，et al.Wind speed forecasting using a hybrid neural-evolutive approach［J］.Micai，2009，58(45):600-609.

［21］MENDEZ Juan，LORENZO Javier，HERNANDEZ Mario.Experiments and reference models in training neural networks for short-term wind power forecasting in electricity markets［J］.Iwann，2009，55(17):1 288-1 295.

［22］ALEXIADIS M，DOKOPOULOS P，SAHSAMANOGLOU，et al.Short term forecasting of wind speed and related electrical power［J］.Solar Energy，1998，63(1):61-68.

［23］杨刚，陈鸣.基于BP神经网络的风速预测和风能发电潜力分析［J］.华东电力，2010，38(2):304-309.

［24］潘迪夫，刘辉，李燕飞.基于时间序列分析和卡尔曼滤波算法的风电场风速预测优化模型［J］.电网技术，2008，32(7):82-86.

［25］BOSSANYE E A.Short-term wind prediction using Kalman filters［J］.Wind Engineering，1985，9(1):1-8.

［26］KAMAL L，JAFRI Y Z.Time series models to simulateand forecast hourly averaged wind speed in Wuetta Pakistan［J］.Solar Energy，1997，6l(1):23-32.

［27］罗海洋，刘天琪，李兴源.风电场短期风速的混沌预测方法［J］.电网技术，2009，33(9):67-71.

［28］高文元，刘尊朋，王鹏，等.基于时间序列法的短期风速建模［J］. 甘肃科技，2009，25(7):14-16.

［29］吕金虎，陆君安，陈士华.混沌时间序列分析及其应用［M］.武汉:武汉大学出版社，2002:57-80.

［30］温权，张勇传，程时杰.负荷预报的混沌时间序列分析方法［J］.电网技术，2001，25(10):13-16.

［31］LINSAY P S.An efficient method of forecasting chaotic time series using linear interpolation［J］.Phys Lett A，1991，153(6-7):353-356.

［32］NAVONE H D，CECEATTO H A.Forecasting chaos from small data sets:a comparison of different nonlinear algorithms［J］.Phys A:Math Gen，1995，28(12):3 381-3 388.

［33］任晓林，胡光锐，徐雄.混沌时间序列局域线性预测方法［J］.上海交通大学学报，1999，33(1):19-21.

［34］王丽婕，廖晓钟，高爽，等.并网型大型风电场风力发电功率-时间序列的混沌属性分析［J］.北京理工大学学报，2007，27(12):1 076-1 080.

［35］蒋传文，侯志俭，张勇传.基于关联度的高嵌入维混沌预测方法研究［J］.系统工程与电子技术，2002，24(12):65-66.

［36］潘迪夫，刘辉，李燕飞.风电场风速短期多步预测改进算［J］.中国电机工程学报，2008，28(26):87-91.

［37］米增强，杨奇逊，樊小伟.一种基于EMD的短期风速多步预测方法［J］.电工技术学报，2010，25(4):165-170.

［38］王晓兰，李辉.基于EMD与LS-SVM的风电场短期风速预测［J］.计算机工程与设计，2010，31(10):2 303-2 307.

［39］戚双斌，王维庆，张新燕.基于支持向量机的风速与风功率预测方法研究［J］.华东电力，2009，37(9):1 060-1 063.

［40］周培毅，张新燕.基于时间序列与支持向量机的风电场风速预测研究［J］.陕西电力，2009(12):1-4.

［41］陶文斌，张粒子，潘弘.基于双层贝叶斯分类的空间负荷预测［J］.中国电机工程学报，2007，27(7):13-17.

［42］蔡凯，谭伦农，李春林，等.时间序列与神经网络法相结合的短期风速预测［J］.电网技术，2008，32(8):82-8.

［43］徐富强，郑婷婷，方葆青.基于广义回归神经网络(GRNN)的函数逼近［J］.巢湖学院学报，2010，12(6):11-16.