基于神经元网络方法的风电场风电功率预报研究

孙川永，陶树旺，彭友兵，魏磊

（1.西北电网有限公司，陕西西安710048；2.国家气候中心，北京 100081；3.西安交通大学 人居环境与建筑工程学院，陕西西安710049）

风力发电是目前技术最为成熟、最具有大规模开发和商业化发展前景的清洁可再生能源利用方式，近10年来发展极为迅速，在一些国家已经成为比较重要的能源供给方式。随着风力发电的迅速发展，其弊端也逐渐凸显。风力发电是将空气动能转换为电能，其特性会直接受到风特性的影响。风的随机波动性和间歇性决定了风力发电的功率也是波动和间歇性的。当风电场的容量较小时，风电对电网系统的影响并不明显。随着风电场容量在系统中所占比例的增加，风电对电网系统的影响就会越来越明显，大风速扰动会使系统的电压和频率产生很大的变化，严重时将可能使系统失去稳定。风力发电的不稳定性对电网会造成很大的冲击，很大程度上制约了风电的发展，相关研究也对此作出了较为详细的分析[1-4]。

风电场风电功率预报对于风电的稳定发展是至关重要的。对风电场进行风电功率预测，并实时对电网调度计划进行相应的调整，可以有效减轻风电对电网的不利影响，提高风电场运行效益。

近年，我国非常重视风电事业的发展，随着风电在电网中比例的增加，风电与其他常规电力资源在电网间的调度问题逐渐引起了国家的重视，为此，对风电场风电功率报问题进行了初步研究。

1 数据和方法

采用美国科罗拉多大学的三维区域模式（Regional Atmospheric Modeling System RAMS,version 6.0）预报风电场所在区域风速。其基本方程是标准的雷诺平均的原始方程，采用区域嵌套方案，来实现所选择区域的高分辨率模拟，模拟采用四重嵌套方案，水平格距分别为48 km,16 km,4 km,1 km，最内层格点数为58×58。

采用美国NCEP的预报场资料作为模式的初始场和侧边界条件，第一层嵌套区域在垂直方向上采用40层格距，其余的三层嵌套区域采用42层垂直格距，以期更详细的反应地形对风速的影响。地形高度资料采用美国的（TheShuttle Radar Topography Mission,SRTM）数据，水平分辨率为90 m，地表植被资料采用的是美国USGS提供的1 km水平分辨率资料。

所采用测风数据来自风电场区域内70 m，高测风塔记录数据风速测量高度分别为70 m、50 m、30 m、10 m。风向测量高度为70 m、10 m，测风仪器为美国NRG测风仪，每十分钟记录一次平均风速、风向。所用风电功率资料来自于风电场内已投入运行的风电SCADA（Supervisory Control and Data Acquisition）系统的运行数据。SCADA系统每10分钟记录一次风力发电机功率资料。

2 风速预报结果

表1为2006—2008年各月1～84 h70 m高度月平均风速月平均预报均方根误差。其中2006年1月与12月缺少观测资料。由表1可以看出1～84 h均方根误差基本上在2~3 m之间，这与欧洲风能预报计划的风速预报水平基本相当[5]。

图1为2006年2月1日测风塔处70 m高度风速预报结果。由图1可以看出预报结果较好地反映了风速变化趋势，尤其是前36 h的预报结果不仅对风速变化趋势描述的比较准确，风速大小的预报结果也较为准确。而2月4日凌晨至早上八点，预报结果明显小于观测值。造成这样的结果主要是因为NCEP预报场的风速在这段时间比较低，所以预报结果类似于预报场的结果，而并没有真实地反映观测值。

表1 2006—2008年各月1～84 h风速月平均预报均方根误差（m/s）Tab.1 RMSE of month averaged observation wind speed and prediction wind speed for 1～84 hoursfrom 2006 to 2008

图1 2006年2月1日测风塔处70 m高度风速预报结果Fig.1 The forecasting wind speed at 70 m on Feb.2th in 2006

3 风电功率预报模型的建立及其预报效果

3.1 神经元网络

人工神经网络（Artificial Network,ANN）是在现代神经生物学研究成果的基础上发展起来的一种模拟人脑信息处理机制的网络系统。由于其具有自学习、自组织的非线性映射能力，适合于一些信息复杂、知识背景不清楚和推理规则不明确问题的建模。自20世纪80年代中期以来，开始被应用于如数值预报产品释用、天气预报、预报质量保证等各个方面,同时在气候模式、短期气候预测、中短期天气预报、强对流天气和卫星资料处理等许多领域,也得到了广泛的应用[6-10]。

BP算法是目前应用最广泛的神经网络方法之一，其各种变化形式占了实际应用的80%~90%，很多研究者[11-15]对BP网络进行了深入研究，从不同的角度对BP网络进行了改进并取得了显著效果。

BP网络除输入输出节点外，还有一层或多层隐含节点，同层节点中没有任何连接。输入信号从输入层节点依次传过各隐含节点，然后传到输出层节点，每层节点的输出只影响下一层节点的输出。BP网络整体算法成熟，其信息处理能力来自于对简单非线性函数的多次复合。BP神经网络一般结构如图2所示。

其中，x为训练样本，yk（t）为网络的实际输出，yk（t）为网络的期望输出，wij为输入层节点i到隐含层节点j的权值，vik为隐含层节点j到输出层节点k的权值，θj为隐含层节点j处的阈值，γt为输出节点t处的阈值，f（x）为激活函数。要实现全局误差函数E在曲面上按梯度下降，采用梯度规则，求E对输出层和隐含层的连接权和阈值的负梯度

图2 BP神经网络结构示意图Fig2 The construction of neural network

BP算法的数学模型是求解如下函数的最优解问题。

按梯度下降原则，确定网络的引节点数和学习速率，对于隐含层的层数，许多学者做了理论的研究。根据Lippmann[16]的研究可知，三层网络可以逼近任意一个连续的函数。后来Robert Hecht Nielsen[17]研究进一步指出：只有一个隐层的神经网络，只要节点足够多，就可以以任意精度逼近一个非线性的函数。因此，在该方法中隐层的数目设定为一层。又根据经验，隐节点数一般选在输入节点数的1～2倍之间时，能达到较好的效果。因此，在一个隐层、隐节点数为输入节点数的1~2倍之间这两个前提条件下进行计算。

在本研究中,BP网络采用三层网络，隐层的数目设定为一层。采用双曲型函数作为其激发函数，描述为：

3.2 风电功率预报模型

由于资料限制，主要研究单个风电场风电功率预报方法，预报时效为48 h，时间间隔为15 min。利用2007年9月—2008年2月份的风力发电机出力资料与风速风向预报数据通过神经网络方法对各个时刻分别进行建模，逐个时刻进行预报。预报因子为95 m、70 m、45 m高度处预报风速，预报量为风电场出力。

由于风电场内风力发电机故障、维修等原因会导致某些风力发电机资料缺测，导致每个时刻参与风电场出力的风力发电机台数不一致。即使参与的风力发电机台数一样，而每个时刻参与的风力发电机编号不一样，也会导致在相同的风况条件下风电场出力的差异。由于不能对每个时刻的天气进行精确地测量，也就很难对这种情形下的问题进行考虑，所以暂不考虑因参与的风力发电机的差异而导致的出力差异。但在建模时对参与出力的风力发电机台数小于25台的时刻予以删除。选择25作为标准是在既考虑风电场出力代表性又考虑样本数目足够多的条件下而定的，选择更大的标准，样本数较少，选择更小的标准，参与出力的风力发电机台数变化太大不利于建模统计。图3为2007年9月—2008年2月参与风电场出力的风力发电机台数分布图，可以看出大部分时间风电场内风力发电机运行状况良好，参与风力发电机台数在大部分时间为25~30台。

图3 2007年9月-2008年2月参与风电场出力的风力发电机台数分布图Fig.3 The distribution of wind turbine worked during 2007.9—2008.2

图4 为 2008年3、4月份风电场风电功率预报均方根误差示意图，图4（a）为3月份预报误差示意图，图4（b）为4月份预报误差示意图。3月份风电场功率预报24 h均方根误差占装机容量的百分比为为17.32%，48 h均方根误差占装机容量的百分比为18.99%。2008年4月份24 h均方根误差占装机容量的百分比为为23.18%，48 h均方根误差占装机容量的百分比为24.6%，与国际上的平均风电功率预测误差基本持平[12]。

图4 2008年3、4月份风电场风电功率预报均方根误差Fig.4 RMSE of wind power prediction for Mar and Apr in 2008

4 结论

利用数值模式与统计预报相结合的方式进行了风电场48 h风电功率预报实验。通过风电场2008年3、4月份的实验结果得知：3月份24 h总的平均均方根误差站装机容量的百分比为17.32%，4月份72 h总的平均均方根误差占风电场装机容量的百分比为23.18%。基本满足风电场风电功率预报的要求，对实际调度运行有一定的指导意义。

[1] 傅旭,李海伟,李冰寒.大规模风电场并网对电网的影响及对策综述[J].陕西电力，2010(1).FU Xu,LI Hai-wei,LI Bing-han.Review on Influences of Large-scale Wind Farms Power Systems and Countermeasures[J].Shaanxi Electric Power，2010(1).

[2] 吕俊昌,杨小东,沈又幸.德国风电发展策略研究及对我国的借鉴[J].陕西电力,2011(11).LüJun-chang,YANGXiao-dong,SHEN You-xing.Wind Power Development Strategies of German and its References to China[J].Shaanxi Electric Power,2011(11).

[3] 李成家.利用秦岭北麓中小水库群进行大规模抽水蓄能的研究[J].陕西电力,2010(3).LI Cheng-jia.Study on Large-scale Pumped Storage Power Station by Using Middle and Small Reservoir Group in Northern Piedmont of Qinling[J].Shaanxi Electric Power,2010(3).

[4] 时芝勇,周剑,张薇,等.2种风电机组对电网三相短路电流的影响[J].陕西电力,2010(10).SHI Zhi-yong,ZHOU Jian,ZHANG Wei,et al.Probe into the Influence of Two Types of Wind Turbine on Threephase Symmetrical Short-circuit Current.[J].2010(10).

[5] GIEBEL G,BADGER J.Short-term Forecasting Using Advanced Physical Modelling-The Results of the Anemos Project Results from Mesoscale,Microscale and CFD Modeling.Anemous_physical modeling_EWWC_Wthens_2006.doc[C].2006-02-08.

[6] HALL T,BROOKS H E,DOSWELL C A.Precipitation Forecasting Usinga Neuralnetwork[J].Weather and Forecasting,1999,14:338-345.

[7] JIN L,JU W M,MIAO Q L.Study on Ann-based Multistep Prediction Model of Short-term Climatic Variation[J].Advances in Atmospheric Sciences,2000,17:157-164.

[8] MARZBAN C,WITT A.A Bayesian Neural Network for Severe-hail Size Prediction[J].Weather and Forecasting,2001,16:600-610.

[9] 刘德，李晶，刘永华，等.BP神经网络在长期天气过程预报中的应用实验[J].气象科技，2006，34(3)：250-253.LIUDe,LIJing,LIYong-hua,et al.Application Experiment of BP Neural Network Model in Long-Term Weather Forecasts[J].Me-Teorologic-al Science and Technology,2006,34(3):250-253.

[10]施丹平.人工神经网络方法在降水量级中期预报中的应用[J].气象，2001,27(6):40-42.SHIDan-ping.An Application of Artificial Neural Network(ANN)to Rainfall Mid-range Forecasting[J].Meteorological Monthly,2001,27(6):40-42.

[11]朱武亭，刘以建.BP网络应用中的问题及其解决[J].上海海事大学学报,2005,26(2).ZHU Wu-ting,LIU Yi-jian.Problems and Solutions of BP Neural Network[J].Journal of Shanghai Maritime Univer-sity，2005,26(2).

[12]曹均阔，舒远仲，叶水生.一种结构自组织的改进BP网络[J].计算机工程，2005，31（17）：165-167.CAO Jun-kuo,SHU Yuan-zhong,Ye Shui-sheng.A New Structure Adaptive Improved Neural Network[J].Computer Engineering，2005，31（17）：165-167.

[13]王正武，张瑞平，刘松.BP网络的一种改进学习方法[J].数学理论与应用,2005，25（1）：31-34.WANG Zheng-wu,ZHANG Rui-ping,LIU Song.One Improved BP Neural Network Learning Algorithm[J].Mathematical Theory and Application,2005，25（1）：31-34.

[14]李宏刚,吕辉,李刚.一种BP神经网络的改进方法及其应用[J].中国工程科学,2005,7(5):63-65.LI Hong-gang,LüHui,LI Gang.An Improving Method of BPNeural Network and Its Application[J].Engineering Science,2005,7(5):63-65.

[15]雷景生，康耀红.一种改进的BP算法.海南大学学报自然科学[J].2003,21(4):326-329.LEI Jing-sheng,KANG Yao-hong.An Improved BP Algorithm and its Application[J].Natural Science Journal of Hainan University,2003,21(4):326-329.

[16]LIPPMANN R P.An Introduction to Computing with Neural Nets[J].IEEE ASSPMagazine,1987,4:4-22.

[17]HECHTNIELSENR.Theory of the Backpropagation Neural Network[J].International Joint Conference on Neural Networks,1989,1:593-605.