基于神经网络的风功率预测问题研究

张 涛，张新燕，王维庆

(新疆大学电气工程学院，新疆 乌鲁木齐 830047)

0 引言

全球性的能源危机和气候变暖，驱动了新能源在世界范围内的迅速发展。风能作为一种可再生、洁净的能源，已得到世界各国的高度重视。风力发电以其储藏量巨大、转换形式简单、可大规模开采以及零污染等特点成为未来经济、科技发展中最有代表性和最有潜力的新能源之一。2003年，中国风力发电累计总装机容量为567 MW，而到了2008年已达到了12210 MW。但是风力发电也有其缺点，其中波动性和间歇性最明显。随着风电在电网中所占比例增大，大电网的不确定性增大，电力调度的难度也随之增大。为此，对风功率的预测就显得尤为重要。目前相关的研究很多，文献［1］介绍了一种运用神经网络对风电功率进行短期预测的方法，证明了神经网络对研究风功率预测的有效性;文献［2］从物理和统计方法，给出了SVM(支持向量机)预测方法，其对风功率预测有很大应用空间;文献［3］分别将EMD和EEMD方法与时间序列的方法相结合应用于风功率预测中，实验证明该方法的正确性;文献［4］归纳了目前风功率预测的方法模型，提出了改进方向。还有很多文章也都从各个角度对风功率预测进行了研究［5-9］，都有各自见解。

1 风功率预测

1.1 风功率预测概念

风功率预测是指风电场风力发电机发电功率预测，其原理是根据风电场气象信息有关数据，利用物理模型计算和科学统计方法，对风电场的风力风速进行短期预报，并预测出风电场的功率，从而也可实现电力调度部门对风电调度的要求。

1.2 风功率预测相关要求

国家颁布的《风电场功率预报管理暂行办法的通知》给出了一系列预测预报要求:风电场功率预测系统提供的日预测曲线最大误差不超过25%;实时预测误差不超过15%。全天预测结果的均方差跟误差应小于20%。

风电场发电预测预报考核指标为风电场发电预测预报准确率、合格率和上报率。准确率为

其中，r1为预测计划曲线准确率;PMk为k时段的实际平均功率;PPk为k时段的预测平均功率;N为日考核总时段数;Cap为风电场开机容量。

合格率为

上报率为

月风电功率预测数据传输率(%)=(月成功传输数据天数/月日历天数)×100%。

2 BP神经网络优化

2.1 BP神经网络简介

BP神经网络是常见的三层(输入层、承接层和输出层)，网络通过学习自动校正各层之间的参数，以此来记忆前面的训练结果使系统具有适应时变特性的能力而不产生泛化，BP网络结构如图1所示。

图1 BP网络结构图

2.2 基于BP神经网络的风功率预测

通过如下非线性空间状态方程对网络进行建模。

上式中，y、m、x、J分别表示1个输出向量，n个神经元节点，k维输入向量和n维反馈状态向量;w1、w2、w3分别代表承接层与隐含层、输入层与中间层、隐含层和输出层之间的连接权值;G为输出神经元传递函数;F为隐含层神经元传递函数。网络采用BP算法进行权值修正，学习指标函数采用误差平方和函数，训练误差为

基于BP神经网络的风功率预测方法还有两个必备部分，即输入样本和对应的输出样本。将风电场给出的风功率预测曲线作为输入样本，这里取短期预测曲线。

3 仿真与结果

在Matlab中建立BP神经网络的数学模型，对样本进行训练和测试。

图2中各曲线的意义为:Train——训练误差曲线;Validation——验证误差曲线;Test——测试误差曲线;Best——理想误差曲线;Goal——预设误差限。

由图2可以看出经过6步训练后神经网络的训练误差已满足误差允许的限制，达到了预设的误差限;且验证误差曲线和测试误差曲线的下降趋势与训练误差曲线的下降趋势相同。

图2 网络训练误差曲线

图3 神经网络训练过程

图4 训练状态曲线

由图3和图4可以看出，通过6步训练，训练误差已达到预设误差限;Gradient(逼近梯度)和参数mu曲线的整体趋势是下降的，神经网络处于一个逼近最佳状态的趋势，由图5可以看出曲线的回归特性。

图5 回归特性曲线

图6为神经网络的优化输出与预测输出及实际输出的对比图，由图可以看出经过优化的输出曲线近似于实际输出曲线，而原始预测曲线则存在着较大的偏差。

图6 优化输出对比曲线

表1 优化数据对比

将表1中的数据，带入到准确率和合格率公式中计算。

准确率为

合格率为

优化后的数据准确率为88.75%，合格率为93.75%，符合国家颁布的《风电场功率预报管理暂行办法的通知》中的相关要求。

4 结语

通过运用BP神经网络的方法，对风电场风功率预测数据进行优化，计算数据和仿真结果表明，优化后的风功率数据准确率为88.75%，合格率为93.75%，符合国家颁布的《风电场功率预报管理暂行办法的通知》中的相关要求，证明该方法的有效性。

［1］黄金花，彭晖.风电场短期风功率的神经网络方法预测研究［J］.电工电气，2009(9):57-60.

［2］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(9):1600-1603.

［3］常鹏，高亚静，张琳，等.基于EEMD与时间序列法的短期风电场功率预测［J］.电力科学与工程，2012，28(3):33-39.

［4］王丽婕，廖晓钟，高阳，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.

［5］陆宁，周建中，何耀耀.粒子群优化的神经网络模型在短期负荷预测中的应用［J］.电力系统保护与控制，2010，38(12):65-68.

［6］王凤霞.风功率预测技术［J］.云南电力技术，2011，39(5):58-59.

［7］冯双磊，王伟胜，刘纯，等.风电场功率预测物理方法研究［J］.中国电机工程学报，2010(2):1-6.

［8］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］.2008，32(7):82-86.

［9］杜颖，卢继平，李青，等.基于最小二乘法支持向量机的风电场短期风速预测［J］.电网技术，2008，32(15):62-66.