摘 要：

在電力市場中，風電所占電網(wǎng)的比例越來越大。但由于風的波動及其不可控性，風電場的發(fā)電量也在隨機變化，風速是影響產能最直接最根本的因素，所以很有必要對其進行預測。本文采用RBF人工神經(jīng)網(wǎng)絡模型對未來短時間風速進行預測。通過對風速反復訓練與檢測來選擇一組合適的模型參數(shù)，并對模型進行了誤差分析。研究結果表明，使用RBF神經(jīng)網(wǎng)絡對未來風速進行短時間預測能夠達到較好效果。

關堅詞：風電機組；matlab；RBF神經(jīng)網(wǎng)絡；風速預測

1. 引言

開發(fā)與利用新能源是我國21世紀的重要能源戰(zhàn)略。風能是一種“取之不盡，用之不竭”、環(huán)境友好的可持續(xù)性能源，已受到了越來越廣泛的重視，并成為發(fā)展最快的新型能源。但是風電具有間歇性和隨機性的固有缺點，隨著我國風電并網(wǎng)容量快速增大，風速波動使得風力機組功率不穩(wěn)定，給電力調度、風力機組維修帶來了困難，因此預先一段時間進行風速的預測是很有意義的。風電場短期風速預測是解決該問題的有效途徑之一。我國從20世紀90年代末開始了風速和風電功率預測研究，風電場風速預測誤差在25%-40%。

本文選用徑向基神經(jīng)網(wǎng)絡（即RBF神經(jīng)網(wǎng)絡），利用內蒙古某風電場2014年7月份每10分鐘平均實測風速數(shù)據(jù)，建立神經(jīng)網(wǎng)絡模型，通過網(wǎng)絡學習來預測風速。

2. 風速的變化特性

受氣候背景、地形以及海陸分布等多種自然因素影響，風速在時間分布上具有不確定性和不連續(xù)性。然而，風速仍然具有很強的變化特性。一般情況下，每月平均風速的空間分布與造成風速的氣候背景、地形以及海陸分布等有直接關系。以地處內蒙古的風場為例，風場海拔高度為1000-2000米，氣候條件多為溫帶大陸性季風氣候，風速在夏季（6月至9月）較小，在秋冬春季（10月至第二年5月）風速較大。因此對風速進行預測之前，要對風場風速變化特性有充分的考慮。

3. RBF神經(jīng)網(wǎng)絡構建

3.1 RBF神經(jīng)網(wǎng)絡

徑向基神經(jīng)網(wǎng)絡（即RBF神經(jīng)網(wǎng)絡）由三層組成，輸入層、隱含層和輸出層，如圖1所示。相比其他神經(jīng)網(wǎng)絡，RBF神經(jīng)網(wǎng)絡的訓練時間更短，其對函數(shù)的逼近是最優(yōu)的。

圖1 RBF神經(jīng)網(wǎng)絡結構

RBF神經(jīng)網(wǎng)絡的學習算法需要求解的參數(shù)有3個：基函數(shù)的中心、方差以及隱含層到輸出層的權值。根據(jù)徑向基函數(shù)中心選取方法的不同，RBF神經(jīng)網(wǎng)絡有很多學習方法，如隨機選取中心法、梯度訓練法、有監(jiān)督選取中心法和正交最小二乘法等。這里，選用自組織選取中心法作為RBF神經(jīng)網(wǎng)絡的學習方法。

自組織選取中心法由兩個階段組成：一是自組織學習階段，此階段為無導師學習過程，求解隱含層基函數(shù)的中心與方差；二是有導師學習階段，此階段求解隱含層到輸出層之間的權值。

3.2 數(shù)據(jù)歸一化

數(shù)據(jù)歸一化是神經(jīng)網(wǎng)絡預測前對數(shù)據(jù)常用的一種處理方法。數(shù)據(jù)歸一化處理把所有數(shù)據(jù)都轉化為[0，1]之間的數(shù)，其目的是取消各維數(shù)據(jù)間數(shù)量級別差，避免因為輸入輸出數(shù)據(jù)數(shù)量級差別較大而造成神經(jīng)網(wǎng)絡預測誤差較大。

本文中，應用多年統(tǒng)計的極限風速對風速數(shù)據(jù)進行歸一化處理。

3.3RBF神經(jīng)網(wǎng)絡的構建

首先挑選幾組數(shù)據(jù)風速作為樣本，通過前n個時刻的風速值預測后n個時刻的風速值?？蓪⒚總€樣本的前n個風速值進行歸一化處理，將處理后的數(shù)值作為RBF神經(jīng)網(wǎng)絡的輸入；可將每個樣本的后n個風速值進行歸一化處理，將處理后的數(shù)值作為RBF神經(jīng)網(wǎng)絡的目標輸出，通過對RBF神經(jīng)網(wǎng)絡的訓練學習，實現(xiàn)從輸入空間到輸出空間的映射。

3.3 短期風速預測結果

將前10天的風速數(shù)據(jù)作為訓練樣本，對風機風速提前1小時進行預測。由于陣風、湍流等因素影響，使得該風機風速有突變性質，觀察風速預測曲線需著重看其預測的趨勢與誤差情況。

由圖2預測風速與實測風速比較可知，可以看到神經(jīng)網(wǎng)絡預測風速變化趨勢與實際風速變化基本趨勢一致，并且預測風速比實際風速變化平緩，當實際風速有突變時，預測風速突變的幅度要小一些。

圖2 預測風速與實測風速比較

由圖3預測風速誤差曲線可以看出，神經(jīng)網(wǎng)絡在風速預測時，每點的預報誤差不盡相同，這主要與實際測風裝置的精度、早晚溫差造成的風速變化以及當天天氣變化情況等有關，從預測曲線的總體趨勢以及誤差值大小來看，該神經(jīng)網(wǎng)絡模型預測結果基本令人滿意。

圖3預測風速誤差曲線

4. 結論

采用RBF神經(jīng)網(wǎng)絡進行預測，與傳統(tǒng)BP神經(jīng)網(wǎng)絡相比精度更高、訓練速度更快，更適用于在線預測的場合。但是由于所用訓練數(shù)據(jù)為風速相對平穩(wěn)時期的數(shù)據(jù)，所以該模型對于突變風速的處理能力仍然有限，為提高預測結果的精度，還需對模型進行進一步改進?？傮w而言，通過建立RBF神經(jīng)網(wǎng)絡模型，對短期風速進行預測，雖有一定局限性，但其預測精度滿足工程要求。

參考文獻：

[1] Tony Burton等.風能技術[M].北京：科學出版社，2007.

[2] 廖明夫.風力發(fā)電技術[M].西安：西北工業(yè)大學出版社，2009.

[3] 周品.MATLAB神經(jīng)網(wǎng)絡設計與應用[M].北京：清華大學出版社，2013

作者簡介：周四平（1978.9-），男，工程師。