一种实时校正的改进BP神经网络超短期风速预测模型

张文，胡从川，阙波，滕明尧，钱海，杨昊

（1.都城绿色能源有限公司，北京 100020；2.鲁能集团有限公司，北京 100020；3.国网浙江省电力公司，浙江杭州 310007）

一种实时校正的改进BP神经网络超短期风速预测模型

张文1，胡从川2，阙波3，滕明尧1，钱海1，杨昊1

（1.都城绿色能源有限公司，北京 100020；2.鲁能集团有限公司，北京 100020；3.国网浙江省电力公司，浙江杭州 310007）

风电机组出力可由风速计算得出，提高风速预测精度对减小风电并网冲击、合理调度风能资源至关重要。基于风电场气象及风速数据的时间连续性，提出了一种加入误差实时校正环节及风速变化趋势分析的改进方法介绍，在提高风速预测精度的同时有效改善了过校正情况。采用某个风电场的实际运行数据进行了仿真，结果表明，所提出的改进BP神经网络风速预测模型方法具有较好的预测精度。

风速预测；BP神经网络；实时校正

近年来，风力发电作为技术成熟的可再生能源在我国得到了快速发展，2010年我国累计装机容量就已跃居世界第一，风电已成为我国继煤电和水电之后的第三大电源。风力发电具有很强的间歇性和波动性，大规模风力发电接入给现代电力系统预测、规划、调度、控制和优化运行等带来巨大的挑战[1-2]。若能对风电场出力做出准确预测，则可有效减轻其对整个电网的影响。由于风电机组的输出功率主要取决于风速，因此，提高风速预测精度，对电网的安全经济运行至关重要。

风速预测本质上是对高维空间非线性复杂函数的逼近。根据预测时间尺度可分为：超短期预测（几 s至30 min）、短期预测（30 min至6 h）、中期预测（6 h至1 d）和长期预测（1 d以上）[3]。其中超短期预测可为实时调整电网调度计划安排备用容量提供依据，有利于提高系统安全稳定和经济运行[4]。

目前，针对风速预测方法主要有时间序列法[5-6]、人工神经网络法[4，7]、组合预测法[8-10]等，这些方法均取得了较高的预测精度，但仍存在提升空间。如时间序列预测法对非平稳时间序列具有较差处理效果，对奇异数据序列需要增加奇异数据辩识方

法；传统神经网络模型存在网络结构参数难以确定、容易陷入局部最优、泛化能力易受历史数据影响等不足，且对应出力的数值天气信息等数据不易获取；组合预测方法确定各方法结合方式比较困难，同时预测精度易受组合方式影响。文献[11]指出，风速与自然环境密切相关，风速预测不能仅仅依靠风速历史数据而忽略湿度、温度和气压等气象数据。

本文基于神经网络方法，针对10 min尺度超短期风速预测开展研究。考虑到已有反向传播（backpropagation，BP）神经网络超短期风速预测时常采用离线校正或不校正的方式、不太适合超短期预测风速变化率大的特点，本文对基于数值天气预报的BP神经网络预测模型加以改进，设计了依据当前时刻预测误差实时校正环节，并根据预测时刻前30 min的风速变化趋势进行预判，旨在通过利用风速变化趋势及BP神经网络当前时刻预测误差实时修正模型的权值阈值，提升下一超短期预测点的预测精度。

1 BP神经网络模型

BP神经网络是一种按误差反向传播算法训练的多层前馈网络，具有很强泛化能力。BP网络结构包括输入层、隐含层和输出层[12]。

1.1 输入层和输出层

相对于一般神经网络模型，基于主成分分析的神经网络模型预测精度更高、泛化性能更好[13]。依据主成分分析法确定采集气象数据类型为：风速、风向、温度、气压和湿度。由于短期风速预测普遍采用等采样间隔或等时段长度均值的单一时间尺度序列建立预测模型，时间间隔一般为10 min、15 min或1 h[14]。本文采用当前时刻前0.5 h气象数据来预测风速，预测结果时间尺度为10 min，因此输入层节点个数为5种气象类型的4个时刻点数据共20个，预测风速作为输出，输出层节点个数为1。

1.2 隐含层

BP神经网络隐含层节点数对预测精度有较大影响：节点数太少，学习能力不强，预测精度不高；节点数太多，训练时间增加，易出现过拟合，陷入局部极小点[15]。本文采用Kolmogorov定理计算选取最佳隐含层节点数为15个。

1.3 数据归一化处理

由于输入层变量单位不同，数量级相差较大，将原始数据直接进行神经网络训练会使网络性能和收敛性变差。本文对风速、风向、温度、气压、湿度各数据进行归一化处理，采用方法为下式所示最大最小法[15]

式中：xmin和xmax分别为原始输入数据的最小值和最大值。

2 误差实时校正

由于风速变化具有波动性，目前风电场根据数值天气预报的超短期风速预测与实际值存在较大误差，需要进行进一步校正[16]。风速预测校正环节基本要求：能基于实时出力数据进行学习，更新预估环节状态参数，尽可能克服预估环节调节参量维数较多的问题[17]。

2.1 误差实时校正分析

本文提出的在线校正方法，通过引入当前时刻预测值与真实值差值来设计校正器。当差值大于之前BP训练所得平均绝对误差E（或某小于E的数值，本文依据经验取为0.01）时，运用最速下降法对权值阈值进行修正，直至当前时刻预测误差满足要求，再将修正后权值阈值赋给BP神经网络，进行下一时刻的风速预测。

每一个风速预测值都是基于当前时刻对下一时刻预测结果影响最大这一假设，依据当前时刻预测误差对权值阈值不断修正后得到的，通过校正器的设计实现了实时校正，将预测系统由开环变为闭环。

2.2 误差实时校正流程

含误差实时校正环节的BP神经网络预测流程图如图1所示。

1）由历史数据训练BP神经网络，得到权值w1、w2，阈值b1、b2。

2）通过预测获得当前时刻风速值，计算与真实值之差作为预测误差e。

3）判断e是否大于等于0.01，若是，转步骤4），否则转步骤5）。

4）用最速下降法修正w1、w2、b1、b2后进行预测，计算预测误差e，转至步骤3）。

5）将修正后权值阈值赋给网络进行风速预测。

6）判断是否满足收敛条件，若否，转步骤2）。

7）结束。

图1 实时校正BP神经网络流程图Fig.1 BP neural network real-time correction flow chart

3 考虑风速变化趋势的方案改进

风速变化趋势具有时间连续性，文献[18]中将数值天气预报和历史数据精确分类，运用灰色关联分析方法及基于改进的支持向量机，不仅很好地追踪天气变化趋势，而且风速预测精度得到很大提高。由于BP神经网络对每个当前时刻风速预测误差不同，依据当前时刻预测误差校正，权值阈值调整量不同，当误差波动较大时，很容易出现过校正，所以为得到最优预测值，依据预测点之前风速变化趋势判断由当前时刻预测误差校正方法是否可取，若不可取则有必要设计新的修正方案。

由于当前时刻误差过大时，权值阈值修正量很大，导致修正后并不适应于预测点进行预测，所以，当前时刻预测误差较大时（2倍平均误差左右，本文取值为0.5），应根据前一时刻预测误差进行修正。本文BP神经网络预测时采用预测点前0.5 h气象数据，气象数据输入中包括当前时刻、前10 min、前20 min和前30 min 4个风速数据，由此可求出前半小时风速变化率α，其值取为4个时刻风速变化的平均值。

依据风速变化率及变化趋势简单定性分析出预测点风速情况。风速呈上升趋势时，若校正后预测风速V小于当前时刻风速V0-2α，则以V0+α作为最终预测值；风速呈下降趋势时，若校正后预测风速V大于当前时刻风速V0+2α，则以V0-α作为最终预测值。

加入误差实时校正环节及风速变化趋势，分析的改进方案流程图如图2所示。

图2 计及风速变化趋势分析的改进方案Fig.2 An improved scheme considering the wind speed varying trend analysis

4 算例分析

以某风电场2009年5月1日至5月31日风速为例，数据时间间隔为10 min，则一共包含4 460组真实气象数据。本文将其中4 300组数据作为BP神经网络训练样本，160组数据作为测试样本，进行仿真实验。

BP神经网络输入层节点数为20，隐含层节点数为15，输出层节点数为1，网络训练次数为5 200次，学习效率取为0.1。设置如下3种预测方法。

方法1：未加误差实时校正的BP神经网络预测方法。

方法2：加入误差实时校正环节的BP神经网络

预测方法。

方法3：加入误差实时校正环节及风速变化趋势分析的BP神经网络预测方法。

采用方法1训练效果如图3所示。采用方法2加入误差实时校正环节的测试效果如图4所示，平均相对误差如图5所示。由图4、图5可知，加入实时校正的BP改进算法具有明显提高预测精度的效果。由于当前时刻预测误差大小不同，校正时权值阈值调整程度不同。当前时刻预测误差较大时，可看作预测坏点，可以很明显地看出存在过校正情形。

图3 方法1BP神经网络训练效果Fig.3 BP neural network training results of method 1

图4 方法2测试样本预测效果Fig.4 Prediction results of testing samples using method 2

图5 方法2测试样本平均相对误差Fig.5 Average relative errors of testing samples using method 2

采用方法3加入误差实时校正环节及风速变化趋势分析预测效果如图6所示，平均相对误差如图7所示。由图6与图7中可知：加入趋势预判可有效避免风速预测过校正现象，总体预测效果明显优于前2种方法。

图6 方法3测试样本预测效果Fig.6 Prediction results of testing samples using method 3

图7 方法3测试样本平均相对误差Fig.7 Average relative errors of testing samples using method 3

3种预测方法预测绝对与相对误差如表1所示。通过对比可以看出，所提出预测模型具有良好预测效果，明显提高了超短期风速预测精度。

表1 3种预测方法预测效果Tab.1 Prediction result comparison of three prediction methods

5 结语

本文在传统BP神经网络超短期风速预测方法的基础上，设计了误差实时校正环节，并引入风速变化趋势分析，在提高风速预测精度的同时有效改

善了过校正情况。

[1]丁华杰，宋永华，胡泽春，等.基于风电场功率特性的日前风电预测误差概率分布研究[J].中国电机工程学报，2013，33（34）:136-144.DING Huajie，SONG Yonghua，HU Zechun，et al.Probability density function of day-ahead wind power forecast errors based on power curves of wind farms[J].Proceedings of the CSEE，2013，33（34）:136-144（in Chinese）.

[2]韩爽.风电场功率短期预测方法研究[D].北京：华北电力大学，2008.

[3]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].Proceedings of the CSEE，2008，28（34）:118-123（in Chinese）.

[4]杨秀媛，肖洋，陈树勇.风电场风速和发电功率预测研究[J].中国电机工程学报，2005，25（11）:1-5.YANG Xiuyuan，XIAO Yang，CHEN Shuyong.Wind speed and generated power forecasting in wind farm[J].Proceedings of the CSEE，2005，25（11）:1-5（in Chinese）.

[5]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.DING Ming，ZHANG Lijun，WU Yichun.Wind speed forecast model for wind farms based on time series analysis[J].Electric Power Automation Equipment，2005，25（8）:32-34（in Chinese）.

[6]潘迪夫，刘辉，李燕飞.风电场风速短期多步预测改进算法[J].中国电机工程学报，2008，28（26）:87-91.PAN Difu，LIU Hui，LI Yanfei.Optimization algorithm of short-term multi-step wind speed forecast[J].Proceedings of the CSEE，2008，28（26）:87-91（in Chinese）.

[7]李文良，卫志农，孙国强，等.基于改进空间相关法和径向基神经网络的风电场短期风速分时预测模型[J].电力自动化设备，2009，29（6）:89-92.LI Wenliang，WEI Zhinong，SUN Guoqiang，et al.Multiinterval wind speed forecast model based on improved spatial correlation and RBF neural network[J].Electric Power Automation Equipment，2009，29（6）:89-92（in Chinese）.

[8]张国强，张伯明.基于组合预测的风电场风速及风电机功率预测[J].电力系统自动化，2009，33（18）:92-96.ZHANG Guoqiang，ZHANG Boming.Wind speed and wind turbine output forecast based on combination method[J].Automation of Electric Power Systems，2009，33（18）:92-96（in Chinese）.

[9]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.PAN Difu，LIU Hui，LI Yanfei.A wind speed forecasting optimization model for wind farms based on time series analysis and Kalman filter algorithm[J].Power System Technology，2008，32（7）:82-86（in Chinese）.

[10]王松岩，于继来.风速与风电功率的联合条件概率预测方法[J].中国电机工程学报，2011，31（7）:7-15.WANG Songyan，YU Jilai.Joint conditions probability forecast method for wind speed and wind power[J].Proceedings of the CSEE，2011，31（7）:7-15（in Chinese）.

[11]孙国强，卫志农，翟玮星.基于RVM与ARMA误差校正的短期风速预测[J].电工技术学报，2012，27（8）:187-193.SUN Guoqiang，WEI Zhinong，ZHAI Weixing.Short term wind speed forecasting based on RVM and ARMA error correcting[J].Transactions of China Electrotechnical Society，2012，27（8）:187-193（in Chinese）.

[12]Simon Haykin.神经网络原理[M].叶世伟，史忠植，译.北京：机械工业出版社，2004.

[13]周松林，茆美琴，苏建徽.基于主成分分析与人工神经网络的风电功率预测[J].电网技术，2011，35（9）:128-132.ZHOU Songlin，MAO Meiqin，SU Jianhui.Prediction of wind power based on principal component analysis and artificial neural network[J].Power System Technology，2011，35（9）:128-132（in Chinese）.

[14]曹新莉，王树朋.基于多维时间序列和BP神经网络的短期风电功率预测[J].陕西电力，2014，42（4）:19-23.CAO Xinli，WANG Shupeng.Short time wind power prediction based on multidimensional time-series and BP neural networks[J].Shaanxi Electric Power，2014，42（4）: 19-23（in Chinese）.

[15]史峰，王辉，郁磊，等.MATLAB智能算法30个案例分析[M].北京:北京航空航天大学出版社，2011.

[16]朱建红，潘文霞，马飞.超短期最优预报下风电场功率预制修正策略[J].可再生能源，2016，34（3）:401-407.ZHU Jianhong，PAN Wenxia，MA Fei.Prefabricated modification strategies for optimal wind power ultra-shortterm forecasting[J].Renewable Energy Resources，2016，34（3）:401-407（in Chinese）.

[17]高亚静，刘栋，程华新，等.基于数据驱动的短期风电出力预估-校正预测模型[J].中国电机工程学报，2015，35（11）:2645-2653.GAO Yajing，LIU Dong，CHENG Huaxin，et al.Predictorcorrector model of wind power forecast based on datadriven[J].Proceedings of the CSEE，2015，35（11）:2645-2653（in Chinese）.

[18]彭怀午，韩佳彤，李敏.基于趋势分析的风电功率超短期预测系统研究[J].内蒙古大学学报（自然科学版），2016，47（1）:96-101.PENG Huaiwu，HAN Jiatong，LI Min.A research on wind power ultra-short term forecasting based on trend analysis[J].Journal of Inner Mongolia University（Natural Science Edition），2016，47（1）:96-101（in Chinese）.

An Ultra-Short-Term Wind Speed Prediction Model Based on Improved BP Neural Network with Real-Time Correction

ZHANG Wen1，HU Congchuan2，QUE Bo3，TENG Mingyao1，QIAN Hai1，YANG Hao1
（1.Ducheng Green Energy Co.，Ltd.，Beijing 100020，China；2.Luneng Group Co.，Ltd.，Beijing 100020，China；3.State Grid Zhejiang Electric Power Company，Hangzhou 310007，Zhejiang，China）

The output of the wind turbine can be calculated by the wind speed，thus it is very important to improve the prediction accuracy of wind speed，so that impact on grid by wind power integration can be reduced，and wind energy resources can be reasonably scheduled.Considering the time continuity of meteorological and wind speed data of wind farms，this paper proposes an ultra-short-term wind speed forecasting model based on the BP neural network with real-time error correction and wind speed change trend analysis.In this way，prediction accuracy can be promoted and over correction can be avoided to some extent.Using the actual operation data of a wind farm，a simulation example is conducted through the MATLAB simulation.The results show that the proposed wind speed prediction model of improved BP neural network is feasible，effective and has better prediction precision.

wind speed forecasting；BP neural network；real-time correction

2016-03-21。

张 文（1968—），男，硕士，高级工程师，研究方向为新能源智能控制研究与应用。

（编辑 张晓娟）

国家电网公司科技项目《智能风力发电场监控与预测关键技术研究与应用》（国家电网科[2015]709号文）。

Project Supported by the State Grid Science and Technology Project‘Research and Application of Critical Monitoring and Predicting Technologies in Smart Wind Farms’.

1674-3814（2016）09-0118-05

TP391.7

A