周建強(qiáng)，李玉娜，屈衛(wèi)東，蘭增林

（鄭州電力高等?？茖W(xué)校，河南鄭州 450018）

風(fēng)力的間歇性和不確定性是風(fēng)能固有的特性，而電力系統(tǒng)是要求實(shí)時平衡的，大規(guī)模的風(fēng)電接入將對電力系統(tǒng)的電能質(zhì)量、系統(tǒng)的安全穩(wěn)定運(yùn)行帶來嚴(yán)峻挑戰(zhàn)[1-2]。若能夠提前0～4 h超短期風(fēng)速進(jìn)行準(zhǔn)確的預(yù)測，將對電力系統(tǒng)的安全穩(wěn)定運(yùn)行具有重要現(xiàn)實(shí)意義[3-4]。目前，風(fēng)速預(yù)測的方法主要分為2類：統(tǒng)計法和物理法。統(tǒng)計法是根據(jù)氣象歷史數(shù)據(jù)進(jìn)行統(tǒng)計分析，建立回歸模型，不需考慮風(fēng)速變化的物理過程，只需根據(jù)歷史統(tǒng)計數(shù)據(jù)求解出短期內(nèi)的風(fēng)力預(yù)測值的方法，其方法簡明，模型簡單，但其精度隨預(yù)測時間的增加而迅速下降，在風(fēng)速波動較大的時段也較差，如持續(xù)法、人工神經(jīng)網(wǎng)絡(luò)（ANN）、支持向量機(jī)（SVM）、基于小波法等；物理方法是根據(jù)數(shù)值天氣預(yù)報的風(fēng)速、風(fēng)向、氣壓、氣溫等數(shù)據(jù)，根據(jù)風(fēng)電場地形、粗糙度等物理信息計算得到風(fēng)機(jī)輪轂高度的風(fēng)速、風(fēng)向信息的風(fēng)速預(yù)測方法，其預(yù)測精度高，不需要?dú)v史運(yùn)行數(shù)據(jù)，但需要風(fēng)場詳細(xì)的地形圖數(shù)據(jù)，數(shù)據(jù)收集復(fù)雜，投資成本較大，如丹麥RIS準(zhǔn)實(shí)驗(yàn)室的Predictor預(yù)測系統(tǒng)[5]。

對于超短期風(fēng)功率預(yù)測，目前的方法主要集中于一些統(tǒng)計方法，但這些方法完全依賴風(fēng)力的歷史數(shù)據(jù)，地球表面的氣流時空分布特性非常復(fù)雜，統(tǒng)計方法并不能滿足風(fēng)電上網(wǎng)調(diào)度的精度和時效要求。有些學(xué)者采用數(shù)值預(yù)報和統(tǒng)計預(yù)報模型相結(jié)合的方式進(jìn)行短期風(fēng)功率預(yù)報[5]，但數(shù)值天氣預(yù)報計算也需要較長時間，不適合超短期的風(fēng)功率預(yù)測。

1 基于風(fēng)速時空信息的BP神經(jīng)網(wǎng)絡(luò)風(fēng)功率預(yù)測的基本思想

風(fēng)是由于受太陽輻射引起的地球表面氣壓的不同生成的空氣流動。風(fēng)在地球表面流動過程中受周圍地理環(huán)境的影響發(fā)生風(fēng)速、風(fēng)向的變化，故風(fēng)電場任意時刻的風(fēng)速、風(fēng)向與其周邊地區(qū)的前一時刻風(fēng)速風(fēng)向存在著聯(lián)系。不同地點(diǎn)間風(fēng)速、風(fēng)向變化不但包含有空氣動力場信息，而且包含有風(fēng)電場周圍的地理信息。采用風(fēng)電場周邊地區(qū)風(fēng)速信息進(jìn)行統(tǒng)計法分析，可以得到風(fēng)電場周圍的地形、表面粗糙度等信息，而且通過風(fēng)電場周邊氣象站實(shí)時測量得到風(fēng)速信息相當(dāng)于得到了一個風(fēng)場粗略的風(fēng)速數(shù)值預(yù)報——風(fēng)場周圍的風(fēng)速、風(fēng)向信息。把風(fēng)場周邊的風(fēng)速信息加入到風(fēng)場歷史數(shù)據(jù)系列中，進(jìn)行統(tǒng)計方法的預(yù)測，相當(dāng)于結(jié)合物理法和統(tǒng)計法2種方法的優(yōu)勢，不但減少了投資，避免了數(shù)值天氣預(yù)報復(fù)雜計算，提高超短期風(fēng)功率預(yù)測的精度，而且提高了超短期風(fēng)功率預(yù)測的時效性，是一種經(jīng)濟(jì)適用的超短期風(fēng)功率預(yù)測方法。

人工神經(jīng)網(wǎng)絡(luò)是由大量簡單的神經(jīng)元相互連接而成的自適應(yīng)非線性動態(tài)系統(tǒng)，可以充分逼近任意復(fù)雜的非線性關(guān)系，適用于處理復(fù)雜非線性和不確定對象。風(fēng)速及風(fēng)電場功率的預(yù)測是一個涉及因素繁多、十分復(fù)雜的非線性過程，具有高度的不確定性。BP神經(jīng)網(wǎng)絡(luò)是人工神經(jīng)網(wǎng)絡(luò)的一種，是應(yīng)用最廣泛、最成熟的網(wǎng)絡(luò)，具有很好的函數(shù)逼近能力，被廣泛用于短期風(fēng)功率預(yù)測中。采用基于風(fēng)電場的歷史數(shù)據(jù)和周邊空域風(fēng)速數(shù)據(jù)的BP神經(jīng)網(wǎng)絡(luò)方法對超短期風(fēng)速率進(jìn)行預(yù)測，將是一種精確、有效、經(jīng)濟(jì)的超短期風(fēng)速預(yù)測方法[6-7]。

2 基于風(fēng)速時空信息的BP神經(jīng)網(wǎng)絡(luò)風(fēng)功率預(yù)測

2.1 BP神經(jīng)網(wǎng)絡(luò)風(fēng)速預(yù)測模型

風(fēng)速序列屬于時間序列，風(fēng)速歷史數(shù)據(jù)和周邊地區(qū)風(fēng)速歷史數(shù)據(jù)中包含了影響風(fēng)速很多信息，可以利用這些風(fēng)速歷史數(shù)據(jù)建立歷史值與未來值的映射關(guān)系對風(fēng)速進(jìn)行預(yù)測[8]，如式（1）。

式中，v贊（t）為預(yù)測風(fēng)速；v（t－1），v（t－2），…，v（t－r）為t基準(zhǔn)的前r時刻風(fēng)速；v1（t－1），…，vn（t－1）為風(fēng)電場周邊第n個氣象站t基準(zhǔn)的前（t-1）時刻的風(fēng)速。

BP網(wǎng)絡(luò)（Back propagation NN）是一種單向傳播的多層前向網(wǎng)絡(luò)，除輸入輸出節(jié)點(diǎn)外，還有一層或多層的隱含節(jié)點(diǎn)，同層節(jié)點(diǎn)中沒有任何連接。輸入信號從輸入層節(jié)點(diǎn)依次傳過各隱含節(jié)點(diǎn)，然后傳到輸出節(jié)點(diǎn)，每層節(jié)點(diǎn)的輸出只影響下一節(jié)點(diǎn)的輸出。

圖1 BP神經(jīng)網(wǎng)絡(luò)風(fēng)速預(yù)測模型Fig. 1 BP neural network model for wind speed prediction

利用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行風(fēng)速預(yù)測時，先將風(fēng)速數(shù)據(jù)分為訓(xùn)練集和預(yù)測集，利用訓(xùn)練集對網(wǎng)絡(luò)進(jìn)行訓(xùn)練，然后把預(yù)測集數(shù)據(jù)輸入訓(xùn)練好的網(wǎng)絡(luò)，輸出的結(jié)果即可得到預(yù)測風(fēng)速。基于風(fēng)速時空信息的訓(xùn)練集為P，目標(biāo)集為T；

預(yù)測集為P-test，v（t+1）為預(yù)測值。

P_test={v（t－r-1）v（t－（r－2））…v（t）v1（t）…vn（t）}；Out={v（t+1）}

將t時刻前的（t-r-1）到t時刻的風(fēng)電場r-1個風(fēng)速歷史數(shù)據(jù)和周邊n個氣象站t時刻的風(fēng)速數(shù)據(jù)輸入到訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)，就可以得到t+1時刻的風(fēng)速數(shù)據(jù)v（t+1）。

2.2 算法實(shí)現(xiàn)

本文采用MATLAB提供的神經(jīng)網(wǎng)絡(luò)工具箱進(jìn)行編程[9-10]。預(yù)測模型為一個三層BP神經(jīng)網(wǎng)絡(luò)，模型中每個神經(jīng)元對應(yīng)的傳遞函數(shù)為Sigmoid型函數(shù)，定義為：

式中，x為神經(jīng)元輸入；f（x）為輸出。

2.2.1 傳遞函數(shù)選擇BP神經(jīng)網(wǎng)絡(luò)中間層采用S型正切函數(shù)tansig（），輸出層神經(jīng)元采用S型對數(shù)函數(shù)logsig（）.

2.2.2 輸入?yún)?shù)確定

在風(fēng)速預(yù)測中，輸入輸出層參數(shù)都為風(fēng)速，根據(jù)函數(shù)的要求要對風(fēng)速進(jìn)行歸一化處理，將數(shù)據(jù)處理為區(qū)間[0，1]之間的數(shù)據(jù)。本文采用式（3）進(jìn)行處理。

2.2.3 節(jié)點(diǎn)數(shù)的確定

一般的預(yù)測問題都可以通過單隱層的BP網(wǎng)絡(luò)實(shí)現(xiàn)，如果輸入向量有是n維數(shù)據(jù)，則網(wǎng)絡(luò)輸入成的神經(jīng)元就有n個，根據(jù)Kolmogorov定理，網(wǎng)絡(luò)中間層的神經(jīng)元可取2n+1個，輸出層中的神經(jīng)元等于輸出向量的維數(shù)m。

2.2.4 訓(xùn)練函數(shù)確定

訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)時，訓(xùn)練函數(shù)一般選取trainlm（）函數(shù)，它采用Levenberg-Marquardt算法進(jìn)行網(wǎng)絡(luò)學(xué)習(xí)，雖然trainlm（）函數(shù)在訓(xùn)練時需要內(nèi)存比較多，但在訓(xùn)練速度和性能方面具有明顯的優(yōu)越性。

2.3 誤差分析

預(yù)測模型的好壞一般用預(yù)測精度來衡量，它表示了預(yù)測模型所產(chǎn)生的預(yù)測值與實(shí)際值擬合程度，國際上兩種通用平均絕對誤差（MAE）和正規(guī)化均方差（NRMSE）指標(biāo)進(jìn)行評價：

平均絕對誤差（MAE）：

正規(guī)化均方差（NRMSE）

3 實(shí)例分析

由于目前風(fēng)電場周邊地區(qū)還沒有建立風(fēng)機(jī)高度的風(fēng)速測量站，本文選用鄭州及其周邊城市氣象局氣象站測量的10 m高瞬時風(fēng)速為驗(yàn)證數(shù)據(jù)。本文選擇了2013年4月2日9:00至2013年4月6日8:00鄭州每20 min瞬時風(fēng)速值及其周邊城市新鄉(xiāng)、許昌、平頂山、南陽、菏澤、商丘、開封、洛陽、晉城、焦作、周口、亳州等13個城市的每時刻的瞬時風(fēng)速信息為訓(xùn)練值，按提前1 h預(yù)測模型訓(xùn)練了BP神經(jīng)網(wǎng)絡(luò)。

選擇2013年4月14日8：00至2013年4月15日6:00 14個城市的風(fēng)速信息對鄭州風(fēng)速提前1 h進(jìn)行了風(fēng)速預(yù)測。BP神經(jīng)網(wǎng)絡(luò)輸入層節(jié)點(diǎn)為16（鄭州每20 min數(shù)據(jù)3個，13個周邊城市整點(diǎn)時刻風(fēng)速數(shù)據(jù)13個），中間層節(jié)點(diǎn)為33個，輸出層節(jié)點(diǎn)為3個（下一時刻的3個風(fēng)速數(shù)據(jù)）。訓(xùn)練次數(shù)為1 000次，誤差函數(shù)值為0.01，學(xué)習(xí)速率為0.1。同時只采用同樣的鄭州風(fēng)速歷史數(shù)據(jù)，采用同樣的BP神經(jīng)網(wǎng)絡(luò)模型參數(shù)（只有輸入節(jié)點(diǎn)和中間層節(jié)點(diǎn)數(shù)不一樣）做了風(fēng)速預(yù)測。預(yù)測結(jié)果如圖2所示。

采用基于風(fēng)速時空信息的BP神經(jīng)網(wǎng)絡(luò)模型和只采用歷史風(fēng)速序列得到的平均絕對誤差值（MAE）分別為0.58和0.91，正規(guī)化均方差（NRMSE）分別為0.84和1.30。

從圖2中可知，采用基于風(fēng)速時空信息的BP神經(jīng)網(wǎng)絡(luò)預(yù)測方法比只采用歷史風(fēng)速數(shù)據(jù)的風(fēng)速預(yù)測方法明顯提高了精度。誤差分析也表明，采用歷史數(shù)據(jù)和周邊地區(qū)風(fēng)速數(shù)據(jù)的基于風(fēng)速時空信息的BP神經(jīng)網(wǎng)絡(luò)風(fēng)速預(yù)測方法有較小的誤差。

4 結(jié)論

圖2 兩種不同BP神經(jīng)網(wǎng)絡(luò)風(fēng)速預(yù)測結(jié)果Fig. 2 Wind prediction results by two different BP neural networks

實(shí)例分析可知基于風(fēng)速時空信息的BP神經(jīng)網(wǎng)絡(luò)預(yù)測方法比只采用歷史風(fēng)速數(shù)據(jù)的風(fēng)速預(yù)測方法明顯提高了精度，其風(fēng)速變化趨勢與實(shí)際風(fēng)速的變化趨勢非常一致，能夠預(yù)測變化復(fù)雜的風(fēng)速。但也發(fā)現(xiàn)基于風(fēng)速時空信息的BP神經(jīng)網(wǎng)絡(luò)預(yù)測的精度還不高，特別是前半部分。本文認(rèn)為，這主要是因?yàn)閷?shí)例采用的是離地面10 m的風(fēng)速數(shù)據(jù)，離地面越近，其風(fēng)速受地面粗糙度影響越大，風(fēng)速時空分布越復(fù)雜，預(yù)測難度越大。但這并不影響對加入周邊地區(qū)風(fēng)速數(shù)據(jù)能夠提高風(fēng)速預(yù)測精度的判斷。

[1] 孫華東，張振宇，林偉芳，等. 2011年西北電網(wǎng)風(fēng)機(jī)脫網(wǎng)事故分析及啟示[J]. 電網(wǎng)技術(shù)，2012，36（10）：76-80.SUN Huadong，ZHANG Zhenyu，LIN Weifang. Analysis on serious wind turbine generators tripping accident in northwest China power grid in 2011 and its lessons[J]. Power System Technology，2012，36（10）：76-80（in Chinese）.

[2] 張琳，仇衛(wèi)東. 大規(guī)模風(fēng)電脫網(wǎng)事故的幾點(diǎn)思考[J]. 電力建設(shè)，2012，33（3）: 11-14.ZHANG Lin，QIU Weidong. Consideration of large-scale wind farm disconnection from grid[J]. Electrc Power Constracture.，2012，33（3）: 11-14（in Chinese）.

[3] 傅旭，李海偉，李冰寒. 大規(guī)模風(fēng)電場并網(wǎng)對電網(wǎng)的影響及對策綜述[J]. 陜西電力，2010（1）: 53-57.FU Xu，LI Haiwei，LI Binghan. Review on influences of large-scale wind farms power systems and countermeasures[J]. Shaanxi Electric Power， 2010（1）: 53-57 （in Chinese）.

[4] 張趙青，朱建國，王雪，等. 影響風(fēng)電場電能質(zhì)量的因素研究[J]. 節(jié)能技術(shù)，2014（6）: 516-519.ZHANG Zhaoqing，ZHU Jianguo，WANG Xue，et al.Research on the factors for the quality of wind electric farm power[J]. Energy Conservation Technology，2014（6）:516-519（in Chinese）.

[5] 洪翠，林維明，溫步瀛. 風(fēng)電場風(fēng)速及風(fēng)電功率預(yù)測方法研究綜述[J]. 電網(wǎng)與清潔能源，2011（1）: 60-66.HONG Cui，LIN Weiming，WEN Buying. Overview on prediction methods of wind speed and wind power[J]. Power System and Clean Energy，2011（1）: 60-66（in Chinese）.

[6] 孫川勇. 風(fēng)電場風(fēng)功率短期預(yù)報技術(shù)研究[D]. 蘭州：蘭州大學(xué)，2009.

[7] 肖永山，王維慶，霍曉萍.基于神經(jīng)網(wǎng)絡(luò)的風(fēng)電場風(fēng)速時間序列預(yù)測研究[J]. 節(jié)能技術(shù)，2007（2）: 106-108，175.XIAO Yongshan，WANG Weiqing，HUO Xiaoping. Study on the time-series wind speed forecasting of the wind farm based on neural networks[J]. Energy Conservation technology，2007（2）: 106-108，175（in Chinese）.

[8] 劉軍濤，吉超盈. 基于BP-神經(jīng)網(wǎng)絡(luò)的風(fēng)速短期預(yù)報技術(shù)研究[J]. 西北水電，2013（4）: 81-84.LIU Juntao，JI Chaoying. Study on BP-neural-networkbased technoloy for short-term forecast of wind speed[J].Northwest Hydropower，2013（4）: 81-84（in Chinese）.

[9] 張德豐. MATLAB神經(jīng)網(wǎng)絡(luò)應(yīng)用[M]. 北京：機(jī)械工業(yè)出版社，2009.

[10] 郭琦，鮑金春，宋繼光. 基于BP神經(jīng)網(wǎng)絡(luò)的風(fēng)電功率預(yù)測[J]. 電源技術(shù)應(yīng)用，2011，14（6）: 14-18.GUO Qi，BAO Jinchun，SONG Jiguang. Wind Power torecast based on BP neural network[J]. Power Supply Technologies and Applications，2011，14（6）: 14-18（in Chinese）.