苏婷
（国网宁夏电力公司经济技术研究院 宁夏银川市 750002）
摘要：该文根据风电场输出功率的影响因素，在Matlab平台下建立了基于数值天气预报的反向传播神经网络，采用宁夏某风电场实测数据实现了短期风电功率预测，并对预测误差的原因进行分析。
关键词：风电功率预测；BP神经网络；数值天气预报；Matlab
由于风电输出功率的间歇性及波动性，将其直接接入电网必然会对电力系统的安全稳定运行造成影响。因此对风电功率进行有效预测，可以让电力运行人员提前制定调度计划、安排风电机组出力等，对电力系统的功率平衡和经济调度具有重要意义[1]。
短期风电功率预测的意义有[2]：①用于经济调度，根据风电场预测的出力曲线优化常规机组的出力，减少旋转备用容量，达到降低运行成本的目的；②根据风电出力变化规律减少不确定性，增强系统的安全性、可靠性和可控性；③在风电参与电力市场系统中，优化电力市场中电力的价值。在电力市场中，风电场对风电功率进行预测，参与电力市场竞价；电网公司对风电功率进行预测，保证系统安全经济运行。④为风电场的运行维护提供有益的参考。
1 风电功率预测方法
1.1 风电功率预测方法的不同分类
风电功率预测方法根据预测的物理量不同可以分为两种[2]：一种为对风速的预测，然后根据风电机组或风电场的功率曲线得到风电场的功率输出；另一种则直接预测风电场的输出功率。
根据预测的时间尺度可分为超短期预测、短期预测和中长期预测三类。本文主要考虑与风速短期波动相关的短期风电功率预测问题。
根据预测系统输入数据可分为不采用数值天气预报数据以及采用数值天气预报数据两类。
根据采用的数学模型不同可分为持续预测法、卡尔曼滤波法、模糊逻辑法和人工神经网络法[3]等。本文采用人工神经网络法中的反向传播神经网络（Back-Propagation Neural Network，简称BPNN）法实现风电功率预测。
1.2 数值天气预报
数值天气预报是根据大气实际情况，在一定初值和边界条件下，通过数值计算求解描写天气演变过程的流体力学和热力学方程组来预报未来天气的方法[4]。从数值天气预报系统获得风速、风向、气压、温度等气象数据，输入预测程序，得到风电场的输出功率。预测程序采用BPNN方法。
2 BPNN算法
BPNN是一种信号前向传递，误差反向传播的多层前馈神经网络，由输入层、隐含层和输出层构成。在前向传递过程中，输入信号由输入层经隐含层逐层处理，再到输出层。如果输出层得不到期望输出，则转入反向传播，根据预测误差对网络的权值及阈值进行修正，使得BPNN预测输出不断逼近期望输出。如果误差小于给定值或者迭代次数超于设定值，则结束学习。
2.1 数据归一化
数据归一化处理的目的是将各维数据限制在一个数量级上，避免因为输入输出数据数量级差别较大而造成网络预测误差较大。常用的归一化方法有最大最小法和平均数方差法。采用最大最小法函数形式如下：
式中，xmin为数据序列中的最小值；xmax为数据序列中的最大值。
2.2 隐含层节点数的确定
BPNN的隐含层节点数对BPNN预测精度有较大影响。节点数太少，网络不能很好地学习，需要增加训练次数，训练的精度也受影响；节点数太多，训练时间增加，网络容易过拟合。最佳隐含层节点数需要试验获得。
2.3 神经网络的泛化能力
一个神经网络是否优良，体现在其对后来的预测能力，即泛化能力。一般情况下，随着训练能力地提高，预测能力也提高，但这种趋势存在一个极限，当达到极限时，随着训练能力地提高，预测能力反而下降，即出现“过拟合”现象。此时网络学习了过多的样本细节，而不能反映样本内含的规律。
神经网络不能一味地追求训练误差最小，这样很容易出现“过拟合”，只要能实时检测误差率的变化就可以确定最佳训练次数。
3 算例分析
以宁夏某风电场的实测功率数据及不同高度的大气数据为例，在Matlab平台下对该风电场的输出功率进行预测。
3.1 BPNN各层神经元节点数的确定
通过分析影响风电场输出功率的因素，可以确定BP网络的输入层共有8个神经元节点，分别代表30m风速、100m风速、30m风向正弦、30m风向余弦、100m风向正弦、100m风向余弦、气压以及温度；输出层只有一个神经元节点，即风电场输出功率；通常一个隐含层就可以逼近任意复杂的非线性模型，因此选择一个隐含层，隐含层的最佳神经元节点数根据仿真实验获得。
当隐层节点数较少时，测试精度随着训练精度的提高而提高，但是当隐层节点数较多时，网络的测试精度随着训练精度的提高反而在下降，即网络的泛化能力降低。综合考虑，选择最佳隐层节点数为13。
3.2 BPNN预测功率结果分析
为提高BPNN的学习效率，提高预测精度，将实测功率数据及不同高度的大气数据均做归一化处理。图1为实际功率与预测功率曲线图，其中细实线为实际功率曲线，粗虚线为预测功率曲线。从二者曲线可以看到BPNN可以很好地实现风电功率预测。
图1 实际功率与预测功率曲线
3.3 误差分析
本文采用BPNN实现风电功率预测的误差曲线如图2所示，可以看到误差基本保持在±0.2之内
图2 误差曲线
4 结语
本文对风电功率预测的方法进行研究，根据风电场输出功率的影响因素，采用基于数值天气预报的BP神经网络，以宁夏某风电场的实测数据为例，成功实现风电场的短期功率预测。
参考文献：
[1]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，2007，31（2）：335-338.
[2]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.
[3]王丽婕，廖晓钟，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．
[4]周毅，侯志明，刘宇迪．数值天气预报基础[M]．北京：气象出版社，2003．
作者简介：
苏婷（1989-），女，硕士，工程师，主要研究方向为电力系统二次设计。
论文作者:苏婷
论文发表刊物:《河南电力》2018年7期
论文发表时间:2018/9/11
标签：功率论文; 风电论文; 神经网络论文; 节点论文; 误差论文; 风电场论文; 数据论文; 《河南电力》2018年7期论文;