基于BP神经网络的风电场发电功率短期预测

刘晓楠，王胜辉,金月新，曲可丁

(沈阳工程学院 a.电力学院； b.产业管理处; c.东北电网有限公司，辽宁 沈阳 110136)



基于BP神经网络的风电场发电功率短期预测

刘晓楠a，王胜辉a,金月新b，曲可丁c

(沈阳工程学院 a.电力学院； b.产业管理处; c.东北电网有限公司，辽宁 沈阳 110136)

摘要：结合我国风电发展的基本情况，分析总结了国内外风力发电功率预测的现状及方法。由于BP神经网络能以任意精度逼近任意非线性映射并且泛化能力强，所以运用BP神经网络法来进行功率预测，建立内蒙某风电场提供的数值天气预报数据与发电功率的映射模型。利用MATLAB进行仿真，验证设计预测模型的实际可行性，并且预测精度满足相关要求。最后运用VB简单设计开发了一个风电功率预测系统。

关键词：风力发电；功率预测；BP神经网络；预测系统

1人工神经网络方法

人工神经网络(artificial neural networks,ANN)系统是20世纪40年代后出现的。它的原理就是模仿人脑的结构和功能，由大量记忆元件和拓扑元件连接而成，具有较强的泛化能力，对处理非线性的问题非常有效，适合预测有间歇性、波动性等特点的风电场功率。神经网络能够以任意的精度来逼近任意的非线性映射。目前在风电场输出功率预测的方法中应用最成熟的就是人工神经网络方法，而80%～90%的人工神经网络模型是采用BP(Back Propagation，以下简称BP)神经网络或它的变化形式。

BP神经网络模型的学习训练过程包括输入样本的正向传播过程和输出误差的反向传播过程。BP神经网络的学习规则是：对网络权值和阈值的修正要沿着表现函数梯度下降最快的方向，即负梯度方向。

1.1BP神经网络模型的算法

图1是多输入单输出的BP神经网络的结构示意图。

图1中，xi为输入层第i个节点的输入，i=1,2,……,M；ωij为输入层第i个节点到隐含层第j个节点之间的权值；θj为隐含层第j个节点的阈值；φ为隐含层的激励函数；ωj为隐含层第j个节点和输出节点之间的权值，j=1,2,……,N；θ为输出节点的阈值；φ为输出层的激励函数；Y为输出节点的输出。

图1　BP神网络的结构

1.1.1信号的前向传播过程

隐含层第j个节点的输入

(1)

隐含层第j个节点的输出

(2)

输出节点的输入

(3)

输出节点的输出

(4)

1.1.2误差的反向传播过程

误差的反向传播，即首先由输出层开始逐层计算各层神经元的输出误差，然后根据误差梯度下降法来调节各层的权值和阈值，使修改后的网络的最终输出能接近期望值。

网络对于每一个样本k的期望输出值y与实际输出值Y之差的平方和定义为误差函数，即

(5)

网络对K个训练样本的总误差函数为

(6)

根据误差梯度下降法依次修正输出层权值的修正量Δωj，输出层阈值的修正量Δθ，隐含层权值的修正量Δωij，隐含层阈值的修正量Δθj。

(7)

(8)

(9)

(10)

根据预测误差E修正BP经网络权值和阈值，第p+1次修正值为

(11)

1.2BP神经网络的设计

要建立一个BP神经网络，首先应该确定网络的层数和各层节点数，然后还需确定各层传递函数和相关参数。

2BP神经网络实例模型

利用基于数值天气预报提供的数据建立BP神经网络模型来预测未来1天的风电场发电功率。所选数据均来自位于内蒙古通辽市开鲁县义和塔拉的深能北方(通辽)能源开发有限公司的深能义和风电场。数据样本为该风电场4月2日至30日29天的天气预报。风电场实际输出功率每15 min进行一次采样，共2 784个样本，其中前2 112个数据为训练样本，后672个样本为测试样本。该风电场总装机容量为150 MW，共安装了100台单机容量为1.5 MW采用东方汽轮机有限公司生产的FD77B-1500风力发电机组，其理论功率输出特性如图2所示。

需要注意的是，采用BP神经网络方法来建立风电场发电功率预测模型，如果输入变量幅值过大会使神经元输出饱和，无法建立准确的预测模型。同时为了提高BP神经网络的学习精度和效率，在网络训练之前必须将输入输出样本进行归一化处理。即将网络的输入输出样本值限制在[0,1]或[-1,1]区间内。MATLAB的mapminmax函数默认将数据归一化到[-1,1]，利用该函数将风速、温度，压力以及实测功率进行归一化处理，风向的归一化采用其正弦值和余弦值。在得到归一化后的预测值之后，再把预测值还原为原来的量纲。

图2　FD77B型风机理论标准功率曲线

预测模型的输入数据主要是天气预报数据归一化处理后的数据，输入参数包括风速、风向、温度和压力，其中风向可由角度的正弦值和余弦值来进行表示，从而确定神经网络的输入层神经元数量为5个。利用经验公式计算出隐层神经元个数的范围为3～13个，通过多次试验可知当神经网络隐层节点数选11个时的效果最好，也就是等于输入节点数加1。建立的模型如图3所示。

图3　建立模型的结构

构建的BP神经网络隐含层和输出层都采用tansig函数，训练算法采用Levenberg-Marquard算法即trainlm函数，初始权值和阈值采用learngdm学习函数，性能函数采用为mse函数。对神经网络进行训练的最大训练次数为5 000次，训练误差为0.005，整批学习的学习效率为0.05。

图4是风电场的实际与预测输出功率对比图，从图中可知风电场实际功率与神经网络输出功率的变化趋势基本相同。

图4　实际与预测输出功率对比

3风电场短期功率预测系统的开发

运用VB搭建简单界面，图5为用户登陆界面。当输入用户名为“liuxiaonan”，密码为“1234567”时，可以进入风电功率预测系统，系统的界面如图6所示。点击菜单栏按钮就可以进行相应的操作。包括各种数据的查看还有风电功率的预测。相应的操作结果将显示在界面上。

图5　登陆界面

4预测结果的误差分析

预测结果的误差指标采用平均绝对误差(MAE)和均方根误差(RMSE)，计算公式如下：

(11)

(12)

式中，Pt实测为t时刻的实际功率；Pt预测为t时刻的预测功率；Cap为装机容量；T为样本个数。

图6　系统界面

得到的MAE大约为12.173%，RMSE为17.067%，根据国家能源局发布的《风电场功率预测预报管理暂行办法》规定：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根误差应小于20%。所建立的预测模型的预测结果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，因此利用BP神经网络预测未来一天的输出功率具有实际可行性。

对于风速变化较快的情况，模型的预测误差也较大，说明风速剧烈波动降低了BP神经网络的泛化能力，影响了模型的预测性能。模型的预测误差除了受模型的构建及参数的选取的影响，另外输入数据(本文即数值天气预报数据)的准确性也会对预测误差产生影响，因此在输入样本输入模型之前应该检验数据的正确性，剔除坏数据和补全缺失数据。

5结语

通过实例验证了BP神经网络应用于风电场发电功率预测的的正确性和可靠性，具有较高的实用价值和参考意义,模型预测结果的误差满足国家相关规定。虽然人工神经能够以任意精度逼近任意非线性映射，但是传统的BP算法其收敛速度慢且容易陷入局部极小，因此许多学者都把更多优秀的预测方法引入到风力发电功率预测中来。随着风电预测技术的不断发展，预测方法也从单一化走向多样化，组合预测方法充分利用各单一方法数据，减少了误差，提高了预测的精度。最后运用VB开发设计了一个简单的风电功率预测系统，其中还有很多需要改进和完善的地方。

风电功率预测是长期的、复杂的工作，应当立足现在，努力专研，继续发展适合我国国情的预测方法。

参考文献

[1]国家电网公司国家电力调度通信中心.风电功率预测系统功能规范[S].北京:中国电力出版社，2010.

[2]符金伟，马进.风电功率预测研究方法综述[J].华东电力，2012，40(5).

[3]陈茜.关于风电场输出功率预测技术发展的综述[J].山西电力，2012，172(2).

[4]AHLSTROM ML，ZAVADIL RM.The role of wind forecasting in grid operations and reliability[C]//Transmission and Distribution Conference and Exhibition.Asia and Pacific：2005： 1-5.

[5]范高峰，王伟胜，刘纯.基于人工神经网络的风电功率短期预测系统[J].电网技术，2008，32(22)：72-76.

[6]周斌，文亮，杨力，等.BP神经网络在风电功率预测中的应用.宜宾学院学报,2012，12(6)：30-32.

[7]郑君里,杨行峻.人工神经网络[M].北京:高等教育出版社,1992.

[8]肖永山，王维庆，霍晓萍.基于神经网络的风电场风速时间序列预测研究[J].节能技术，2007，25(2)：106-108.

(责任编辑佟金锴校对张凯)

Wind Power Short Term Prediction based on Back

Propagation Neural Network

LIU Xiao-nana,WANG Sheng-huia，JIN Yue-xinb，QU Ke-dingc

(a.College of Energy and Power，Shenyang Institute of Engineering，Shenyang 110136;

b.Industry Management Office,Shenyang Institute of Engineering，Shenyang 110136;

c.NorthEast China Grid Company Limited，Shenyang 110136，Liaoning Province)

Abstract：This paper analyze and summarize the current situation as well as methods of forecasting wind power from home and aboard based on wind power development of China.Due to the BP neural network can approximate any nonlinear mapping with any degree of accuracy and it’s generalization ability is strong.This paper used BP neural network for power prediction,set up a model with numerical weather prediction data and wind power of a wind farm in Inner Mongolia Autonomous Region.Then used MATLAB to simulate and verify the feasibility of this prediction model The precision meet the requirements.

Key words：Wind power generation；Wind power forecasting；BPNN

DOI：10.13888/j.cnki.jsie(ns).2015.01.006 10.13888/j.cnki.jsie(ns).2015.01.004

通讯作者：李智(1963-)，男，辽宁沈阳人，教授，博士，硕士生导师，国务院特殊津贴专家，主要从事电站热力过程仿真控制技术及电站机组优化运行技术方面的研究。 鞠振河(1962-),男,辽宁开原人,教授,博士,硕士生导师,主要从事太阳能应用科学技术方面的研究。

作者简介：谷聪伟(1990-)，女，河北石家庄人，硕士研究生。 刘婕(1986-)，女，山东菏泽人，硕士研究生

基金项目：国家自然科学基金项目(61371200)

收稿日期：2014-07-02 2014-06-18

中图分类号：TM614

文献标识码：A

文章编号：1673-1603(2015)01-0010-04