基于NWP和深度学习神经网络短期风功率预测

陈家扬 陈华 张旭

摘  要： 对风电场的准确预测，可以为电网调度提供调峰和消纳依据，从而综合评估电网短期内消纳风电的能力，制定科学合理的消纳措施。通过预测风电场24 h内的出力，基于数值天气预报（NWP）数据的出力预测，采用深度学习神经网络算法，建立数值天气预报与风电功率之间的转换模型，计算功率点预测值，然后利用概率密度函数，建立风电出力预测的概率区间。最后通过实际案例仿真，验证了基于NWP和深度学习神经网络短期风功率预测的可靠性，为调度预留调峰容量提供理论依据。

关键词： 风功率预测; 深度学习神经网络; 数值天气预报; 建立转换模型; 概率密度; 案例分析

中图分类号： TN711?34; TK89; TM614         文献标识码： A                      文章编号： 1004?373X（2020）08?0063?05

Short?term wind power forecasting based on NWP and deep learning neural network

CHEN Jiayang， CHEN Hua， ZHANG Xu

（College of Electrical Engineering， Xinjiang University， Urumqi 830047， China）

Abstract： The accurate prediction of wind power plant can provide the basis for peak load regulation and absorption of power grid dispatching， so as to comprehensively evaluate the power grid′s short?term absorption capacity of wind power， and formulate scientific and reasonable absorption measures. The conversion model between numerical weather forecast （NWP） and wind power is established based on the output′s prediction of wind power within 24 hours， the NWP data and deep learning neural network algorithm， the power point prediction value is calculated， and then the probability interval of the wind power output prediction is established by means of the probability density function. The reliability of short?term wind power prediction based on NWP and deep learning neural network is verified by the simulation of practical cases， which provides the theoretical basis for scheduling and reserving peak load regulating capacity.

Keywords： wind power forecast; deep learning neural network; numerical weather prediction; building conversion model probability density

0  引  言

随着能源与环境问题的日益突出，风能作为清洁能源中最重要的可再生能源之一，已受到世界各国的高度重视。2010年底，我国风电装机4 182.7万kW，超过美国，居全球第一。新疆风能资源丰富，新疆风电场依据风资源区域优势，其风电场装机容量逐渐增大，预计到2020年将形成55个百万千瓦级风电基地，总装机规模达到千万千瓦[1] 。

风力发电输出电力的功率多少取决于自然风资源，而国内风电场在规划阶段，基本都是依托设计规划机构实地勘测进行选址和规划，这些机构大多利用的是临时测风和气象部的历史数据。早期的风电场在建设时只是建设了一个或多个测风塔，技术先进的风电场也只是在每台风力机上装备了实时测风装置，大多都没有按照要求建设完善的风速预测系统。因此，目前风电场出力的预测难点之一是每台风力机不能准确地、接近实际值地预测风速。

对于风功率的预测，文献[2]介绍了与风电功率预测相关的物理方法和统计方法，分析了预测误差产生的原因及其评价方法。文献[3]以支持向量机原理为基础，建立支持向量机回归模型，实现风电功率直接预测。文献[4]将非参数回归技术应用于短期风电功率预测，包括风电功率点预测和风电功率概率区间预测。文献[5]利用深度学习对风电场进行短期预测。文献[6?10]利用混合算法来预测风功率，预测精度有一定提高。但是这些方法大都是用一种预测数据去计算另一种预测数据，存在严重的误差积累问题且由于不同风电机组对风速的跟踪特性也不相同，建立的模型实用性差。

本文通过预测风电场24 h内的出力，基于数值天气预报（NWP）数据的出力预测，采用深度学习神经网络算法，建立数值天气预报与风电功率之间的转换模型，计算功率点预测值，然后利用概率密度函数，建立风电出力预测的概率区间，为调度预留调峰容量提供理论依据。

1  数值天气预报和深度学习神经网络的短期风功率预测

1.1  数值天气预报简述

数值天气预报是对大气运动中流体动力和热力学等模型的建立与求解，输入量是当地地理和气候条件，通过大量数值计算，求解表征天气演变过程的流体力学和热力学的方程组，基于求解来判断预测未来天气状况的方法[11]。数值天气预报通过物理建模的方法可以预测包括风速在内的多种气象数据，可以作为风电出力预测的基础。

我国风力发电企业在风速预测方面只能依赖气象部门的预测数据，大部分风电场的出力预测依托的是第三方开发的各种预测系统，这些系统中利用的风速数据主要来自气象部门公开发布的数据，这些公开发布的数据只是某个地区的数值，更新频率基本都在4～8 h以上，对于精准的出力预测存在一定的局限性。

1.2  深度学习神经网络

神经网络法是一种人工智能方法，是通过对人脑神经系统的结构进行模拟，将人脑神经系统结构抽象为某种拓扑结构，按照这种特定的拓扑结构将大量的简单神经元连接起来，从而构成复杂的神经系统，具有强大的非线性映射能力。BP网络的拓扑结构一般分为三层：一个输入层，一个输出层，但是不一定只有一个隐含层。理论上，这样的三层结构可以无限逼近求解任意问题。BP神经网络算法的主要思想就是通过不断向前反馈各层实际输出与期望输出的误差，得到所有各层的误差估计，然后不断修改权值和阈值，直到找到可以解决问题的最优解，到达期望误差。

图1为三层BP神经网络结构图，表示的BP神经网络具有d个输入信号，m个隐含层节点与c个输出信号。

由于神经网络法对初值选取要求非常高，初值的微小變化对于最终结果的影响也很大，而且神经元容易陷入局部最优。基于上述问题，提出深度学习神经网络。深度学习神经网络从输入开始，随着隐含层数的增加，信息在不断的提取和重新表达过程中转化成抽象而且易于构建模型的特征，最后将特征输出。而深度学习中三种常用的方法之一的受限的玻尔兹曼机同样是一个生成型模型，所不同的是，它是基于能量而不是信号。与神经网络相同的是都有一个输入层和一个隐含层，但是玻尔兹曼机不含输出层。它的拓扑结构类与神经元类似，也是同一层内之间不存在连接，不同层间全连接。而与神经元不同的是不同层间的连接不再是单向连接。受限的玻尔兹曼机典型的拓扑结构图可以表示为图2所示的形式。图2中，用v表示输入层，用h表示隐含层。

基于数值天气预报（NWP）的短期风功率预测方法，采用深度学习神经网络算法，建立数值天气预报与风电功率之间的转换模型，计算功率点预测值，然后利用概率密度函数，建立风电出力预测的概率区间，即形成一个风电功率上限和下限预测包络带，为调度预留调峰容量提供依据。基于NWP的短期风电出力预测流程图如图3所示。

利用风电场的NWP数据和实际出力数据，建立短期风电功率点预测模型和概率区间预测模型。基于深度自学习神经网络的算法不假定函数的形式已知，所以既不需要建立预测方程，也不需要设置参数，可以直接使用历史样本为训练数据，找到其内在规律，根据该规律建立出适应于该种情况的预测模型，之后将预测模型与训练数据中隐含的输入输出关系相结合，最终给出预测结果。由于该预测函数每一点的数值解都仅与所测数据相关，而与其他因素无关，减少了因变量。因此基于历史记录的统计方法可以有效降低物理模型中小的误差积累。

2  基于深度学习神经网络和数值天气预报的预测模型

2.1  预测模型的建立

建立基于深度学习神经网络和数值天气预报的预测方法基本思路为：采用深度学习神经网络算法，建立NWP与风电功率之间的转换模型，计算功率点预测值，然后利用概率密度函数，建立风电出力预测的概率区间，为调度预留调峰容量提供依据。其中每个神经网络的输入神经元数量为1，对应一个数值天气预报NWP风速数据，输出神经元数量为1，对应一个风电功率数据，隐含层神经元数量设置为6。

首先对样本进行归一化和初始权值设置，其各个分量设置相同的权值。训练结果出来后，根据误差调整权值分配，这样反复几个回合，将误差控制在阈值以内，就训练出第一个网络。紧接着抽取不同的样本训练第二个网络，重复该过程，直到训练出T个网络。

然后根据各个网络给定的权值进行风电预测，预测的方程如下：

式中：[H（x）]为学习器;[W（t）]为网络权值;[INT（x）]为 NT个网络。

基于深度自学习神经网络算法和数值天气预报的算法流程图，如图4所示。

2.2  模型评估指标

1） 误差指标

对于风功率预测采用的误差评价指标为[2]：平均绝对误差、最大绝对误差、方均根误差以及平均相对误差。

平均绝对误差：

最大绝对误差：

均方根误差：

平均相对误差：

式中：[x′（i）]为预测值;[x（i）]为实测值;RMSE为均方根误差;MRE为平均相对误差。

2） 概率密度估计

由于风功率预测具有不确定性和不可约束性，因此实现精确的风功率点预测较为困难。与确定性的预测相比，提供风功率的概率性预测比精确预测更具有意义，为制定科学合理的消纳措施提供有效的依据。而对于每个时刻，将所有历史数据输入到基于抛物线核函数的概率密度模型中，得到该时刻的概率密度曲线，将95%置信上限作为风电功率波动的上限，给出每个时刻风电功率的波动范围。这种做法一方面削弱了点预测的误差，另一方面提高了预测数据对调度调峰和风电消纳的实用性。概率密度函数通用表达式如下：

式中：h为控制局部域大小的窗宽，称为带宽或平滑参数;[xi]为给定样本;K（·）为核函数，本文采用抛物线核函数[2?4]为其表达式：[K（u）=341-u2]。应用到预测值的概率估计中，其具体表达式如下：

核函数K（·）用来确定样本点在估计[m（xi）]中的权重。给定样本后，h的选择要适合，过大会过于光滑，过小会过于粗糙。

3  案例分析

本文以新疆某148.5 MW风电场为例，该风电场共99台风力机，每台1.5 MW。该风电场机型最低切入风速为3 m/s，最高切出风速为25 m/s，额定风速为10.9 m/s。取某月31天的风电场数据，每天96个点，共2 976个点。该风电场某月每日整点实际风速与功率分布如图5所示。由图可知，某月内平均风速与实际出力的分布具有一定的规律性，尤其在平均风速为2～7 m/s之间时，大部分的样本呈线性分布。平均风速在7 m/s以上时，样本规律出现线性跳跃，但仍有规律可寻。而且在同一平均风速下有37.3%的样本偏离集中分布，较为分散，且大部分分布在规律样本以下。不规律的样本说明了平均风速并不能反映各个风力机的实际出力，印证了风电场的平均风速和实际出力之间的关系是不确定的。因此采用数值天气预报和概率估计来预测风电场的方法是非常适合的。

该风电场某日数值天气预报风速与实际风速，如图6所示。由于该风电场只有2座测风塔，风电场的平均风速为两座测风塔的平均值，而该风电场较大，每台风电机组的风速误差大。数值天气预报是根据风电场的面积，将风电场分割成网块，以10 km2的风电场为例，一般会被分割成10个网块左右，同时考虑了气压、湿度、地形等因素，数值天气预报的平均风速是各个网块中风速的平均值，相比测风塔而言样本更多，因此数据波动较为平滑。

将数值天气预报的风速作为输入量，实际的风电出力作为输出量，对基于深度自学习的BP神经网络的算法進行训练。训练完成后将数值天气预报的风速输入网络即可得到预测功率，得出该风电场某日24 h出力预测，如图7所示。从图7中可以看出，基于数值天气预报和深度自学习的BP神经网络的网络预测模型能准确地预测风电出力，且较好地跟踪了整个风电场平均风速与出力之间的不确定性关系。

由式（2）～式（5）可得，风电出力预测的误差指标如表1所示。由表1可得，绝对误差均控制在较小范围内，具有较高的预测精度，验证了基于NWP和深度学习神经网络的短期风功率预测的可靠性。

对该风电场某月31天内每天0∶00的风电出力数据进行核密度估计，得到概率密度曲线如图8所示。计算95%置信度下的风电功率置信上限，为116.13 MW，将95%置信上限作为风电出力波动的上限，从而得到该时刻风电出力的波动范围。 

图8  0∶00风电功率核估计概率密度曲线

对该风电场某月31天内以15 min为间隔，各个时刻的风电出力历史数据同样按照上述方法进行核密度估计，得到96组风电出力波动的上下限数值。分别将上限值和下限值用曲线进行拟合，得到该风电场某日24 h出力预测及波动范围预测，如图9所示。

由图9可知，以95%置信上限与60%的置信上限能很好地跟踪风电预测，利用概率密度函数，建立风电出力预测的概率区间，即形成一个风电功率上限和下限预测包络带，为调度预留调峰容量提供依据。综上所述，可以看出此预测模型对于实际问题是十分有效的。

4  结  论

本文提出基于深度学习神经网络和数值天气预报的预测模型，以新疆某风电场31天的历史实际功率和数值天气预报作为样本，代入模型进行了出力预测仿真，并通过误差检验指标对预测偏差进行了验证，验证数值天气预报和神经网络模型在风电出力预测中的良好效果。最后用概率密度估计给出了预测功率的上限和下限，为调度预留调峰容量提供理论依据。

参考文献

[1] 蔺红，孙立成，常喜强.新疆风电出力波动特性的概率建模[J].电网技术，2014，38（6）：1616?1620.

[2] 谷兴凯，范高锋，王晓蓉，等.风电功率预测技术综述[J].电网技术，2007（z2）：335?338.

[3] 李涛.支持向量机在风电功率预测中的应用研究[D].北京：北京交通大学，2012.

[4] 王彩霞.基于非参数回归模型的短期风电功率预测[J].电力系统自动化，2010，34（16）：78?82.

[5] 潘志刚，刘三明，李莹.基于深度学习网络的风电场功率短期预测研究[J].科技与创新，2015（19）：4?6.

[6] 鲁娅楠，王金梅，孙帆.基于PSO?BP神经网络的风电功率预测研究[J].电气传动自动化，2017，39（6）：24?27.

[7] 叶瑞丽，郭志忠，刘瑞叶.基于小波包分解和改进Elman神经网络的风电场风速和风电功率预测[J].电工技术学报，2017，32（21）：103?111.

[8] 李洪涛.人工神经网络和模糊技术在风能预测中的应用[J].中国电力，2012，45（8）：69?73.

[9] 李丹，任洲洋，颜伟.基于因子分析和神经网络分位数回归的月度风电功率曲线概率预测[J].中国电机工程学报，2017，37（18）：5238?5247.

[10] 蔡祯祺.基于数值天气预报NWP修正的BP神经网络风电功率短期预测研究[D].杭州：浙江大学，2012.

[11] 张怡.新能源风光发电预测技术的发展及应用[J].浙江水利水电学院学报，2018，30（1）：68?74.

[12] 杨楠，叶迪，周峥，等.基于NACEMD-Elman神经网络的风功率组合预测[J].水电能源科学，2018（9）：209?211.