数据分辨率影响风电功率预测精度分析

徐茂峻，雷阳，王文海，段建东

（西安理工大学电气系，陕西 西安 710048）

数据分辨率影响风电功率预测精度分析

徐茂峻，雷阳，王文海，段建东

（西安理工大学电气系，陕西 西安 710048）

Project Supported by Shaanxi Province Natural Science Basic research program（2014JM7255）；Shaanxi Key Discipline Construction Special Funds（5X1201）；Local Service Industrialization Special Plan of Shaanxi Education Department（2013JC24）；Xi’an Science& Technology Planning Program，and the Science&Technology Project of Gansu Electric Power Corporation（KJ［2012］239）.

还有不少的文献利用了10 min、15 min等常用时间分辨率的数据进行风电功率短期预测，但都没有对这些常用分辨率的数据进行深入的探讨和分析。不同分辨率数据的相关性不同，利用不同时间分辨率的原始数据进行短期风电功率预测时，结果差别很大。本文提出几种典型时间分辨率的输入数据，结合人工神经网络［15-17］算法，最后采用了某风场的实测数据对不同分辨率数据的预测精度进行了测试，寻找合适的分辨率。

1 风电功率的波动特性

在较大的数据分辨率（秒、分级）观测下，风电功率的变化量通常较小，而较长时间尺度（小时级）内的变化会很大。随着时间尺度的增大，风电功率的相对可变性呈现上升的趋势［18］，尽管较短时间尺度下风电功率变化量小，但当风电并网规模很大时，则不可忽视。此种时间尺度下的风电波动将影响电网有功功率调整，如频率实时调整、发电日前调度等。

风电功率波动的实时变化具有分散性和剧烈性，为量化该波动特性，定义风电输出功率波动的1阶差分量分布概率G，来描述风电输出功率波动变化的剧烈程度，即：

G=NΔP/Nall（1）

式（1）中，NΔP为功率变化1阶差分的某数值出现的次数；Nall为风电功率1阶差分出现的总次数。

以内陆区某风场的某单机一个月的输出功率数据为例，本节分别对比讨论了3种典型分辨率为5 min、10 min、15 min数据下的风电功率波动特性。

图1—图3分别给出了某西北典型风场下时间分辨率为5 min、10 min、15 min风电功率1阶差分变化情况。表1列出了3种数据的均值和标准差数值比较。

表1 不同时间分辨率数据的均值和标准差Tab.1 Mean and standard deviation under different time scales

统计结果表明，不同时间尺度下的输出功率测量呈现出了明显的变化趋势。

图1 分辨率为5 min时单机出力的1阶差分变化情况Fig.1 First-order difference of output power of single wind machine under 5-minute-scale

图2 分辨率为10 min时单机出力的1阶差分变化情况Fig.2 First-order difference of output power of single wind machine under 10-minute-scale

图3 分辨率为15 min时单机出力的1阶差分变化情况Fig.3 First-order difference of output power of single wind machine under 15-minute-scale

类似的，在利用风速、风向及数值天气预报等数据进行风电功率的实际预测中也会有此变化趋势。因而，有必要讨论数据分辨率在风电功率预测精度中的影响。

2 风电功率预测及其分析方法

2.1 基于Elman神经网络的预测方法

本文基于出力为1.5 MW的双馈式风机，在众多相关历史风电数据中，包括平均风速、平均功率、风向、温度、数值天气预报等，采集出单机间隔5 min的平均风速和风向2个影响因子，作为参考量。

同时为了提高人工神经网络的学习精度和效率，还对原始数据进行预处理，并剔出错误数据（主要包括风机测风仪器故障数据、风机正常或非正常停机数据、通信故障数据等）。因为考虑神经元的饱和问题，对数据进行了归一化处理：

1）风速归一化，采用历史最大风速对输入风速数据进行归一化处理。

2）风向归一化，由于风向为自0°～360°的数据，通过分别取正弦值和余弦值，换算到［-1，1］区间。

对比一般人工神经网络，Elman神经网络是一种典型的局部回归网络（global feed for word local recurrent），其网络（见图4）可以看作是一个具有局部记忆单元和局部反馈链接的前向神经网络。类如BP神经网络，在其结构上多了一个连接层，用于构成局部反馈。连接层的传输函数为线性函数，但是多了一个延迟单元，因此连接层可以记忆过去的状态，并在下一时刻与网络的输入一起作为隐含层的输入，使网络具有动态记忆的功能，非常适合时间序列预测问题。

图4 Elman网络结构Fig.4 Structure of Elman neural network

2.2 分辨率影响预测精度的分析方法

为更好地对比5 min、10 min、15 min 3种原始数据时间分辨率对输出结果的影响，除了在抽选样本时保持统一外，本文还采用2种参数配置下的预测方法互成比较，降低偶然误差：

1）仅输入历史风速因子。

2）输入包含历史风速、风向因子。

同时，考虑到风的间歇性和在白昼、四季中的分散性，分别探讨了超短期预测（4 h）和短期预测（24 h）2种模式，来更好地阐述数据分辨率这一因素影响精度的问题。

为定量分析模型的有效性，需要选用适当的精度评价指标，本文采用平均绝对误差（MAE）、均方根误差（MSE）来分析比较预测结果：

3 实例分析

选取西北典型风场下某台单机一月份前10 d的观测数据作为训练样本，第11 d的数据作为预测样本。就单独输入风速以及输入风速和风向2种不同的情况分别利用5 min、10 min、15 min 3种时间分辨率的数据进行预测与分析。

3.1 超短期（4 h为例）预测结果

超短期的风电功率预测以典型4 h为例，图5—图7是短期预测4 h下5 min、10 min、15 min 3种时间分辨率的数据预测的对比结果。表2为2种方法通过3种数据预测结果的均方根误差（MSE）、平均绝对误差（MAE）。

图5 时间分辨率为5 min的两组4 h预测值Fig.5 4h power prediction of two methods under 5-minute-scale

图6 时间分辨率为10 min的两组4 h预测值Fig.6 4h power prediction of two methods under 10-minute-scale

表24 h预测误差比较Tab.24 h forecasting error comparison

观察所得的曲线可以看出这一直观现象，当数据分辨较大时，预测曲线比实际曲线多出许多尖峰、毛刺；当数据分辨率变小后，预测曲线的跟随性明显变差。可以认为，数据分辨率大时，观测噪声等因素可能对预测精度占主要影响，使预测精度不高；数据分辨率小时，采样不足，预测水平自然不够。

从图5—图7和表2可以看出2种输入分别利用3种数据进行4 h预测时，时间分辨率为10 min的原始数据使2种输入都取得了最好的效果，平均误差、均方根误差都最小。当输入变量仅为风速时，10 min预测结果较误差最大的15 min预测结果在均方根误差上降低了26.8%，在平均误差上降低了31.1%。当输入变量为风速和风向时，10 min预测结果并且较误差最大的15 min预测结果在均方根误差上降低了12.8%，在平均误差上降低了10.2%。

3.2 短期（24 h为例）预测结果

同样的，超短期的风电功率预测以典型24 h为例，图8—图10为单独输入风速以及输入风速和风向2种方法分别利用5 min、10 min、15 min 3种时间分辨率的数据进行24 h预测的结果。表3为2种方法通过3种数据预测结果的均方根误差（MSE）、平均绝对误差（MAE）。

同样的，短期预测曲线经对比后也能获得与超短期曲线直观印象相类似的结论。此外，从图8—图10和表3具体数据中可以看出2种输入分别利用3种数据进行24 h预测时，时间分辨率为15 min的原始数据使2种输入都取得了最好的效果，平均误差、均方根误差都最小。当输入变量仅为风速时，15 min预测结果较误差最大的5 min预测结果在均方根误差上降低了10.7%，在平均误差上降低了9.1%。当输入变量为风速和风向时，15 min预测结果并且较误差最大的5 min预测结果在均方根误差上降低了2.9%，在平均误差上降低了6.1%。

图8 时间分辨率为5 min的两组24 h预测值Fig.8 24 h power prediction of two methods under 5-minute-scale

表3 24h预测误差比较Tab.3 024 h forecasting error comparison

另外，本节还进行了其他分辨率下的预测统计工作，其变化规律同样适应，选取上述典型情况做以说明。

4 结论

针对数据的时间分辨率问题，本文采用Elman人工神经网络算法，对典型的5 min、10 min、15 min 3种分辨率数据的预测结果进行了实际风场功率预测的分析对比：

1）风电功率预测精度的高低与风电功率原始数据时间分辨率有关。

2）时间分辨率为10 min的原始数据对超短期功率预测具有更好的结果，分辨率为15 min的数据对短期预测的结果更佳。

3）不同时间分辨率的原始数据适合不同的预测时长。采用合适的时间分辨率的原始数据进行风电功率预测，能有效提高预测精度。

［1］World wind energy association.World wind capacity has crossed 250 gigawatt［EB/OL］.（2012-11-07）.http：//www. wwindea.org/home/.

［2］刘瑞叶，黄磊.基于动态神经网络的风电场输出功率预测［J］.电力系统自动化，2012，36（11）：19-22.

LIU Ruiye，HUANG Lei.Wind power forecasting for wind farms based on neural network［J］.Automation of Electric Power System，2012，36（11）：19-22（in Chinese）.

［3］洪翠，林维明，温步瀛.风电场风速及风电功率预测方法研究综述［J］.电网与清洁能源，2011，31（3）：21-22.

HONG Cui，LIN Weiming，WEN Buying.Overview on prediction methords of wind speed and wind power［J］. Power System and Clean Energy，2011，31（3）：21-22（in Chinese）.

［4］王健，严干贵，宋薇.风电功率预测综述［J］.东北电力大学学报，2011，31（3）：21-22.

WANG Jian，YAN Gangui，SONG Wei.Overview on prediction of wind speed and wind power［J］.Journal of Northeast China Institute of Electric Power Engineering，2011，31（3）：21-22（in Chinese）.

［5］王丽婕，廖晓忠，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.

WANG Lijie，LIAO Xiaozhong，GAO Yang，et al.Summarization of modeling and prediction of wind power generation［J］.Power System Protection and Control，2009，37（13）：118-121（in Chinese）.

［6］ZHANG Wei，WANG Weimin.Wind speed forecasting via kalman filter［C］//2010 2nd International Conference on Advanced Computer Control（ICACC），2010（2）：73-77.

［7］SIDERATOS G，HATZIARGYRIOU N D.Probabilistic wind power forecasting using radial basis function neural networks［J］.IEEE Transactions on Power System，2012，27（4）：1788-1796.

［8］蔡凯，谭伦龙，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）：82-85，90.

CAI Kai，TAN Lunlong，LI Chunlin，et al.Shortterm wind speed forecasting combing time series and neural network method［J］.Power System Technology，2008，32（8）：82-85，90（in Chinese）.

［9］王晓兰，王明伟.基于小波分解和最小二乘支持向量机的短期风速预测［J］.电网技术，2010，34（1）：179-184.

WANG Xiaolan，WANG Mingwei.Short-term wind speed forecasting based on wavelet decomposition and least square support vector machine［J］.Power System Technology，2010，34（1）：179-184（in Chinese）.

［10］CATALAO J P S，POUSINHO H M I，MENDES V M F. Hybrid Wavelet-PSO-ANFIS approach for short-term wind power forecasting in portugal［J］.IEEE Transactions on Sustainable Energy，2011，2（1）：50-59.

［11］孟洋洋，卢继平，孙华利，等.基于相似日和人工神经网络的风电功率短期预测［J］.电网技术，2010，34（12）：164-167.

MENG Yangyang，LU Jiping，SUN Huali，et al.Shortterm wind power forecasting based on similar days and artificial neural network［J］.Power System Technology，2010，34（12）：164-167（in Chinese）.

［12］张靠社，杨剑.基于Elman神经网络的短期风电功率预测［J］.电网与清洁能源，2012，28（12）：87-91.

ZHANG Kaoshe，YANG Jian.Short-term wind power forecasting based on the elman neural network［J］.Power System and Clean Energy，2012，28（12）：87-91（in Chinese）.［13］彭怀午，刘方锐，杨晓峰.风基于人工神经网络的风电场短期功率预测［J］.太阳能学报，2011，32（8）：1245-1250.

PENG Huaiwu，LIU Fangrui，YANG Xiaofeng.Short-term wind power forecasting based on artificial neural network［J］. Acta Energiae Solar Sinica，2011，32（8）：1245-1250（in Chinese）.

［14］易跃春，马月，王霁雪，等.风电场超短期风电功率预测问题研究［J］.水力发电，2013，39（7）：96-99.

YI Yuechun，MA Yue，WANG Jiexue，et al.Study on very short-term power forecasting of wind farm［J］.Water Power，2013，39（7）：96-99（in Chinese）.

［15］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.

FAN Gaofeng，WANG Weisheng，LIU Chun，et al.Wind power prediction based on artificial neural network［J］.Processings of the CSEE，2008，28（34）：118-123（in Chinese）.

［16］华晨辉，杨仲江，罗骕翾，等.基于BP神经网络的普通建筑雷灾风险评估［J］.电瓷避雷器，2014（5）：60-65.

HUA Chenhui，YANG Zhongjiang，LUO Suxuan，et al. Risk assessment method of lightning disaster about ordinary buildings based on the BP neural network process［J］. Insulators and Surge Arresters，2014（5）：60-65（in Chinese）.

［17］李德超.一种基于BP神经网络的快速谐波分析算法研究［J］.电瓷避雷器，2014（6）：67-71.

LI Dechao.Study of fast harmonic analysis algorithm based on BP neural network［J］.Insulators and Surge Arresters，2014（6）：67-71（in Chinese）.

［18］崔杨，穆钢，刘玉，等.风电功率波动的时空分布特性［J］.电网技术，2011，35（2）：110-114.

CUI Yang，MU Gang，LIU Yu，et al.Spatiotemporal distribution characteristic of wind power fluctuation［J］.Power System Technology，2011，35（2）：110-114（in Chinese）.

（编辑 董小兵）

Analysis of the Influence of Data Sampling on the Short-Term Wind Power Prediction Accuracy

XU Maojun，LEI Yang，WANG Wenhai，DUAN Jiandong

（Department of Electrical Engineering，Xi’an University of Technology，Xi’an 710048，Shaanxi，China）

目前对风电功率短时预测的研究主要集中在预测方法上，而缺乏对数据本身特性的探讨。从实测数据出发，呈现3种典型分辨率5 min、10 min、15 min，并结合Elman神经网络算法对超短期（4 h）和短期（24 h）的风力发电机输出功率进行预测分析。结果表明：分辨率为10 min的原始数据对风电输出功率的超短期预测具有更好的结果，15 min分辨率的数据对风电功率的短期预测结果更佳。采用合理分辨率的数据后，能够有效地提高风电功率的预测精度。

风电功率预测；时间分辨率；预测精度；Elman神经网络

At present，the study of short-term wind power prediction focuses mainly on the prediction method，but little attention is paid to the characteristics of the data itself on the wind power prediction accuracy.Based on the measured data this paper presents three typical resolutions of 5 min，10 min and 15 min，and combined with the Elman neural network algorithm conducts the forecast analysis for a single 4 h and 24 h actual wind power output.The results shows that for the ultra-short-term prediction the temporal resolution of 10 min has better results while for the short-term prediction the 15 min resolution has better results.And with adoption of the reasonable resolution data，the prediction accuracy of wind power can be improved effectively.

wind power prediction；time resolution；forecast precision；Elman neural network

1674-3814（2015）04-0095-05

TM73

A

陕西省自然科学基础研究计划项目（2014JM7255）；陕西省重点学科建设专项资金资助项目（5X1201）；陕西省教育厅服务地方专项计划项目（2013JC24）；西安市科技计划项目（CXY1441）；甘肃省电力公司科技项目（KJ［2012］239）。

2014-10-24。

徐茂峻（1993—），男，本科，研究方向为风电功率预测方法。

风能作为可再生的清洁能源，其开发热潮已经遍及全球。据悉，在美国、丹麦、日本以及中国等地，其年发电量已超过10亿kW·h，装机容量也以每年超过10%的速度增长［1］。但由于风速的间歇性和随机性，风电的大规模并网仍会给电力系统运行带来严峻的挑战［2］。研究风电功率的波动特性，改善风电预测精度对降低风电接入电网的不利影响都具有十分重要的意义。

近年来，国内外对风电功率预测方法［3-5］也进行了大量深入的研究，并取得了一系列的新成果，包括卡尔曼滤波法［6］、神经网络法［7］、时间序列法［8］、支持了向量机［9］、小波分析法［10］、相似日以及相关方法的组合［11］等。它们采用了不同分辨率的原始数据进行风电功率的预测工作，文献［12］建立了多隐含层Elman神经网络，对时间分辨率为10 min的数据进行了1 h、24 h的短期风电功率预测，取得了更好的预测结果。文献［13］基于人工神经网络，同样利用时间分辨率为10 min的数据进行单一ANN和混合ANN 2种预测方法，得出混合ANN方法结合物理方法和统计方法的优点能较精确地给出预测结果。文献［14］通过了前馈神经网络，对时间分辨率为15 min的数据进行了风电功率超短期预测，得到了考虑风机历史功率、风速因子以及天气预报数据的风速和风向因子能够有效提高神经网络的预报精度的结论。