关键字：风电功率预测：神经网络：误差修正：插值法
0 引言
风能具有清洁无污染、储量巨大、可循环利用的特点而具有很大的开发价值与意义，但风能出力的不确定性又给风能的开发利用带来了巨大的挑战，风能具有高随机性和波动性，导致大规模风电并网后可能会出现电压和频率发生偏差、电压波动、甚至脱网等现象。因此对风电输出功率进行准确预测，可以为电力系统的安全、经济和优质运行提供重要支持[[[1]刘兴杰,岑添云,郑文书,米增强.基于模糊粗糙集与改进聚类的神经网络风速预测[J].中国电机工程学报,2014,34(19):3162-3169.]]。风电功率的精度直接影响着电网的稳定性与风能的开发。所以，如何建立高精度预测模型对风电场功率预测成为一个重要课题。
神经网络凭借其超强的非线性拟合与泛化能力，适合用于描述风电功率复杂非线性，已在风电功率预测中得到了广泛应用，并取得了不错的效果，而网络的输入变量与训练样本对其预测性能有着重要影响[1]。
我国大部分地区属于温带季风季候，风向、风速有着很强的规律性，因此，对于风电场功率的预测需要一年或者数年的样本数据进行学习、训练。当风电场投产初期由于数据不足，训练样本不够、精度较差，但目前的研究都没有重视这个问题。如文献[[[2]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(03):401-407.]]基于统计学概论误差修正法，文献[[[3]朱刘路,刘佳启,钱政.风电功率预测中风速预测误差的分析及修正[J].电测与仪表,2013,50(03):33-36+59.]]基于线性回归计算的神经网络来修正误差，都是基于大量数据的误差修正，都不能运用于新投产的风电场。文献[[[4]张浩. 基于深度学习的风电功率预测方法研究[D].华北电力大学(北京),2017.]]分析了NWP误差来源，将其分成了整体趋势偏差和局地特征决定的相对偏差。不同点位上的风速、风向分布规律趋同，并从长时间统计特征上展现出了NWP误差的规律，称之为空间分布误差。但该算法要求一年以上的数据量并不适用于新投产的风电场。文献[[[5]南晓强. 风电预测技术及其运行分析[D].西南交通大学,2013.]]运用EOF预测误差对模型预测值进行修正。依旧是需要大量原始数据的积累才能应用于实际当中。文献[[[6]黄通. 含随机功率修正的时间序列回归光伏功率预测方法研究[D].南京航空航天大学,2017.]]对模型残差进行预测引入预测模型中来提升预测精度。文献[[[7]茆美琴,曹雨,周松林.基于误差叠加修正的改进短期风电功率预测方法[J].电力系统自动化,2013,37(23):34-38.]]应用Delta学习规则来计算每次的误差。增加了一个误差预测模型，最后将预测值进行叠加。文献[[[8]刘沛汉,吐尔逊·伊不拉音,赵力,贾娜.一种光伏系统短期功率预测模型[J].电源技术,2017,41(02):236-239.]]依据相识日历史出力波动量统计规律对预测值加以修正。以上文献并未考虑新投产风电场数据不足、不精准的问题。
因此本文提出了在神经网络预测的基础上。将风电场投产初期往日的误差三次样条插值法进行修正提升预测精度的思想。在风电场投产初期训练量较少时依旧能够得出较为精确的预测结果。
1 改进的风电功率预测方法
1.1matlab样条插值法
样条曲线是经过一系列给定点的光滑曲线。最初，样条曲线都是借助于物理样条得到的，放样员把富有弹性的细木条（或有机玻璃条），用压铁固定在曲线应该通过的给定型值点处，样条做自然弯曲所绘制出来的曲线就是样条曲线。文献[[[9]曹德欣,王海军.三次样条插值函数的数值稳定性[J].中国矿业大学学报,2001(02):105-108.]]证明了三次样条插值的稳定的，为实际应用提供了理论基础。
在实际工程中，样条插值过程可具体使用线性（linear）插值、三次样条（spline）插值、立方（cubic）插值等方法[[[10]陈文略,王子羊.三次样条插值在工程拟合中的应用[J].华中师范大学学报(自然科学版),2004(04):418-422.
]]。本文采用三次样条插值法，用△P（t-3），△P（t-2），△P（t-1）预测△P的预测误差值。并运用神经网络对t时刻进行预测：
Pt= Pt0+△Pt
△Pt=f（△P（t-3），△P（t-2），△P（t-1））
1.2神经网络预测
BP神经网是目前运用最为广泛的预测算法之一，超强的非线性拟合与泛化能力，适合用于描述风电功率复杂非线性，已在风电功率预测中得到了广泛应用
图１为含有一个隐含层的ＢＰ神经网络的结构图。输入层有Ｍ个神经元，其中任一神经元用xm表示；隐含层有I个神经元，任一神经元用i表示；输出层有J个神经元，其中任一神经元用yj表示。输入层与隐含层突触权值用Wmi（m=1,2,3,…,M;i=1,2,3,…,I）表示，隐含层与输出层突触权值用Wij（i=1,2,3,…,I;j=1,2,3,…,J）表示。
.png)
图１ 含有一个隐含层的ＢＰ神经网络
其中任一训练样本xk=[xk1, xk2, …, xkM-1, xkM]，k=1,2,3,…,N对应的预测输出为yk=[yk1, yk2,…, yKJ-1, ykJ], k=1,2,3,…,N。
2误差评价指标
为了验证本文所提出的风电功率预测改进方法与传统的方法在预测效果上的表现，选取了平均绝对百分比误差（MAPE）、均方根误差（ＲＭＳＥ）、相关系数r对预测结果进行定量分析，各变量定义如式（1）—式（3）所示。
.png)
3算例分析
本文以我国四川某风电场共37台机组、总装机容量74MW的数值天气预测的风速、风向、温度、湿度等为原始数据，分别以5天、20天和40天为训练量对接下来的2天功率进行预测，分别采用误差校正、不引入误差校正的BP神经网络进行预测。结果与分析如下：
每15分钟一个点，
.png)
图4 训练量较少时原始预测
.png)
图7 训练量较多时引入误差修正
从预测结果来看，本文所提出的方法在网络训练量缺乏时、较少时、较多时都能提升预测的精度，尤其是在最初阶段训练数据缺乏时效果显著，预测结果误差见下表1：
.png)
表1 各阶段预测结果误差
4 结论
本文在传统BP神经网络预测模型的基础上，针对风电场投产初期训练量不足的问题，提出了运用插值法对误差进行预测，对预测结果进行修正的方法。通过对实例仿真分析，得出如下结论：
（1）本文所提方法对于风电场投产初期数据不足的问题有着很好的改善作用，无论是缺乏训练量，较少训练量还是较多训练脸量得预测精度都有一定的提升。
（2）本文所提方法所引起的预测结果震荡问题值得注意，待到数据充足时何时取消本文所提方法是接下来所要考虑的问题。
参考文献：
论文作者:张超峰,王豪
论文发表刊物:《中国电业》2019年第21期
论文发表时间:2020/4/15
标签：误差论文; 神经网络论文; 功率论文; 风电论文; 方法论文; 插值论文; 本文论文; 《中国电业》2019年第21期论文;