基于神经模糊网络的短期风电预测

粟华祥

(广西金腾电力设备监理服务有限责任公司，广西 南宁 530000)

1 引言

随着风力发电技术的日益成熟，风电产业在全球范围内得到大力发展，这不仅缓解了各国电力短缺的压力，解决了部分偏远地区用电困难的问题，而且在减少环境污染的同时，也起到了完善能源结构组成的作用。然而，风电在电力系统中的高渗透给电网带来了诸多挑战，究其原因是风电具有随机性、间歇性和波动性等特性，使得风能无法进行调度。为了将更多的风电引入电力系统，需要在36小时左右的时间范围内进行准确的短期风电预测，从而实现最优的旋转备用容量调度和电网运行。

近年来短期风电预测引起了国内外许多研究机构的关注。根据风力发电预测技术的发展现状[1－3]，主要有两种方法:一种是物理方法，利用控制大气行为的物理规律模拟风电场的局部气流场，然后计算相应的风力发电机组发电量；另一种方法称为统计方法，利用历史数据发现解释变量与发电量之间的关系。另外，预报模式可分为数值预报和非数值预报两大类。一般来说，物理模式必须使用数值预报，但统计模式可以选择使用数值预报。不使用数值预报系统的模式在最初3～4小时内可能具有令人满意的预报精度，但在较长的预报期内会产生不准确的结果。本文着重研究了统计预报方法，由于预报时间范围确定为提前36小时，利用以往的实测资料是不够的，预测了风速、风向、温度、风速等气象变量，必须考虑数值天气预报(NWP)模式的湿度和气压。利用中尺度数值预报模式，以半小时为间隔，预报未来36小时风电场参考点的气象变量。这些预测变量被插值到风力涡轮机的轮毂高度。常用的统计模型包括针对相对较短预测时间(3～4h)的典型线性模型(persistence、AR、ARMA等)和可利用NWPs进行较长预测时间(24～36h)的非线性模型(神经网络等)。本文提出了一种融合神经网络和模糊逻辑的风电预测统计模型，该模型被定义为神经模糊网络。这种模型已成功应用于电力负荷预测[4]、太阳辐射预测、交通流预测、水位预测、财务预测等多个时间序列建模领域，很少有文献将其应用于该时段的风电预测。该模型将NWP模型的输出与SCADA和风塔在参考点的实测数据相结合，对风电场各风机的风电功率进行精确预测，并提出了一种基于BP神经网络的训练算法，将该方法应用于我国某风电场的风电功率预测。通过在风电场进行的试验，得出以下结论:训练后的神经模糊网络对风电场建模和风电功率预测有很好的效果，预测风电功率与实际风电功率的均方根误差小于20%，效果良好。所提出的方法可以集成到一个在线风力发电预测系统中，该系统可以在运行过程中自动调整。

2 风力发电预测系统

本文提出了一种基于神经模糊网络的短期风电预测框架，如图1所示。预测系统主要采用数值天气预报(NWPs)作为输入，对整个风电场未来的风电生产进行预测。所应用的NWP模型的气象预报是专门为风电场区域内的地理参考点提供的[5]。风力机模型WTM(i)表示NWP模型中气象变量与第i台风力机相应发电量之间的传递函数。每个WTM都用一个神经模糊网络来建模，当神经模糊网络经过训练后，它能正确地表示各个传递函数，以及由于地形特征引起的电力生产模式差异，考虑了各风力机的尾流效应和功率曲线特性，并对其进行了自动建模。WTM模型的输入是NWP模型预测的气象变量:预测平均风速值、预测平均风向值、预测平均湿度值、预测温度值和预测气压值。

图1 风电预测系统概述

功率聚合模块将每个风力发电机组对应的发电量预测进行聚合，以生成总的发电量预测。所有风力涡轮机的可用性时间表用于指示其在运行期间的开/关状态。计划由风电场运营商输入，通常基于常规停机的预期时间。

2.1 NWP模型

天气数值预报模式是一个被称为WRF的中尺度模式。图2显示了获取输入到风电预测模块的气象预报的过程。它从一个全球天气预报模型开始，其输出作为WRF模型的初始条件。全球预测系统(GFS)由美国国家环境预测中心维护，这个全球预测系统的数据可以在互联网上免费获得，它在给定的位置和高度为未来时间提供气象信息，将整个地球视为水平域。利用WRF模型，从初始数据和边界数据进行第一次降尺度。天气研究与预报(WRF)模式是一个为研究和业务应用而设计的数值天气预报和大气模拟系统。WRF的发展是一个多阶段的过程，该机构致力于建立下一代中尺度预报模式和资料同化系统，以促进对中尺度天气的理解和预报，并加速将研究进展转化为业务，WRF模型每隔半小时为风电场的一个参考地理点生成未来36小时的天气预报。预测(平均风速和风向、湿度、温度和压力)插值到风力涡轮机的轮毂高度。WRF模型预测每天12:00 CST可用。

图2 数值天气预报系统概况

2.2 神经模糊网络及其训练

传统的线性时间序列分析技术＆回归分析(AR、MA、ARMA等)已广泛应用于时间序列预测领域。这些模型的目的是通过捕捉历史数据中的时间和空间相关性来预测未来。将数值预报应用于短期风电预测领域时，模型通常不采用数值预报，因此，将预测时间限制在3～4小时内，以达到令人满意的预测精度。

为确保电网安全、经济的大规模风电并网，预测期应提前36小时。对于这样一个相对“长时间”的范围，为了获得可接受的预测性能，有必要使用数值预报作为预测模型的解释性输入。由于NWP模型提供的解释变量与各风力发电机组发电量之间存在复杂的非线性关系，使得线性统计预测模型效率低下。非线性系统如模糊逻辑推理系统、神经网络和遗传算法被认为是很好的替代。已有文献研究了它们在时间序列预测领域的应用。这些技术被定义为计算智能，有如下优点:模糊逻辑推理系统能够解释不精确的数据，有助于做出可能的决策；神经网络的突出特点是学习能力强；而遗传算法在很大的搜索空间内提供了随机、并行求解搜索过程的实现。融合不同的技术来创建混合智能系统可以在解决许多复杂问题方面取得进展。在这些混合智能系统中，融合神经网络和模糊逻辑推理的智能系统是很有前途的。最常见的数值数据驱动神经网络－模糊建模是采用Takagi－Sugeno型模糊模型[6]。这种模糊模型可以用“如果—然后”规则:

2.3 风机建模

如前所述，每个风力涡轮机都有自己的神经网络，即用它来表示风电场内某一参考点的气象变量与其发电量之间的关系。本文利用风电场内一个风塔(参考点)测得的历史气象数据和包含单个风力发电机组历史发电量的监控与数据采集(SCADA)系统存储的数据对神经模糊网络进行训练。一旦每个风电机组完成培训过程，将提供未来36小时参考点的预测气象变量，并计算出未来36小时每个风电机组和整个风电场的相应电功率。预测系统运行期间的训练数据(历史数据)和输入变量(NWP)的输入变量指的是相同的地理点，并且具有相同的名称列表。名称列表包括:(1)风机轮毂高度处的平均风速；(2)风机轮毂高度处的平均风向；(3)空气的平均湿度；(4)平均气压；(5)平均气温。

3 案例研究

在本节中，我们将所提出的风力发电预测系统应用于预测实际风电场输送到电网的平均发电出力。未来36个小时的预测每隔半小时进行一次。

3.1 风电场信息

该试验风电场包括33台额定功率为1.5WM的风力涡轮机，总额定风电容量为49.5MW，该风电场位于中国江苏省。这是一个靠近海滩的陆上风电场，地形相对平坦，风电场内设有风塔，用于气象测量。

3.2 数据过滤和模型训练

历史电力信息和实测气象信息分别从SCADA系统和风塔直接导出，风电机组在运行期间，风速有时会超过了风机的停转速度或没有达到风机的停转速度，或者在运行过程中对一些风机进行了例行维护，因此，必须对这些原始的历史数据进行过滤，以提高训练性能。然后将过滤后的历史数据导入神经模糊网络模型进行训练，输入向量[x1，x2，x3，x4，x5]表示风机轮毂高度处的平均风速时间序列(x1)、风机轮毂高度处的平均风向时间序列(x2)、平均湿度时间序列(x3)、平均压力时间序列(x4)和平均温度时间序列(x5)，这些神经模糊网络的输出(y)是一维电功率时间序列。

3.3 预测结果

在本案例研究中，从风塔和SCADA系统导出的历史数据是在2019年1月至2019年12月期间，利用这个数据集来训练每个涡轮的神经模糊模型，预测测试在2020年3月17日至3月31日之间进行，未来36小时的气象预报将于当日12时发布。几个代表日的预测结果如图3～图6所示，表1列出了每个预测对应的均方根误差(RMSE)。各代表日预测的RMSE均显著小于20%，基于这种令人满意的预测精度，可以看出神经模糊网络适用于提前36小时的短期风电预测，本文所采用的预测框架是有效的。神经模糊网络是一种自适应模型，因此当风电场寿命期间发生变化时(如风电场的扩建、通常无法通过SCADA获得的机器的维护或可用性)，所提出的自适应预测模型可以微调其参数。它将变得很容易跟踪真实的风电场，并在运行过程中正确表示。

图3 首个代表日预测和实测发电量

图4 第2代表日预测和实测发电量

图5 第3个代表日预测实测发电量

图6 第4个代表日预测实测发电量

表1 各代表日风电预测均方根误差

4 结论

本文将神经网络与模糊逻辑技术相结合的神经模糊网络应用于未来36小时的短期风电预测。预测基于NWP模型在参考点(风塔位置)给出的气象数据，将该方法应用于江苏某实际风电场，气象预报由中尺度数值预报模式(WRF)提供。实例分析结果证明了该方法在风电预测中的有效性。此外，神经模糊网络是一种自适应模型，因此所提出的风电功率预测模型可以在在线运行过程中进行参数整定。这种自适应将补偿风电场中发生的变化，使预测模型在运行过程中始终保持准确。