1、 基于神经网络的风电功率预测方法研究 The Study on Wind Power Forecasting Method Based on Netural Network I 摘 要 随着可再生能源的大力发展，大规模风电接入电网，相较于常规能源，风力发电具有间歇性、波动性和随机性，给电网的安全、稳定运行带来了巨大的挑战，而功率预测对风力的合理、安全、有效的利用至关重要，所以能够及时、精确地对风电功率进行预测的意义尤为重大。 风电功率短期预测误差主要是内在随机性因素和外在随机性因素造成的。内在随机性因素是指预测系统本身存在缺陷或不完善，外在随机性因素是指系统输入的数据不完善或输入数据存在误差。
2、要解决在风电功率短期预测中随机性因素带来误差的问题，引入性能更为优越的人工神经网络算法来改进以及设计新的预测系统是目前主要研究方向。目前国内外该领域研究逐步深入，国外已有多套成熟的预测系统投入实际使用，而国内在此领域还未到达令人满意的程度。 本文综述了国内外风力发电的发展状况，风电功率预测技术的研究现状、基本原理，阐述了不同分类标准下的风电功率预测方法，分析了基于历史数据和数值天气预报的功率预测方法。 在此基础上，采用人工神经网络算法进行风电功率短期预测，构建了 BP 神经网络和卷积神经网络风电功率预测模型，探讨了建模过程中学习精度的确定、隐含层节点数以及训练函数的选取，得到最优的神经网络预测
3、模型。仿真结果显示BP 神经网络模型的预测精度和稳定性都不够理想。 针对于 BP 神经网络的易陷入局部极小值、稳定性差的问题，建立卷积神经网络风电功率短期预测模型，仿真结果显示预测系统的预测精度和稳定性有了明显的提高，卷积神经网络算法弥补了BP 神经网络算法的不足，验证了该算法的有效性、可行性。 关键词：关键词： 风电场功率预测，短期预测，数值天气预报，BP 神经网络，卷积神经网络 II ABSTRACT With the development of renewable energy, large-scale wind power access to the grid, compared t
4、o conventional energy, wind power is intermittent, volatility and randomness, which has brought great challenges to the safe and stable operation of the grid. It is very important to predict the reasonable, safe and effective use of wind power, so it is very significant to predict the wind power in
5、time and accurately. The short-term prediction error of wind power is mainly caused by the internal randomness factor and the external randomness factor. The inherent randomness factor means that the prediction system itself is defective or imperfect, and the external randomness factor means that th
6、e system input data is not perfect or the input data is in error. To solve the problem of random error in wind power short-term prediction,it is the main research direction to introduce the artificial neural network algorithm with superior performance to improve and design new forecasting system. At
7、 home and abroad in this field research gradually in-depth, there are several sets of mature foreign forecast system put into practical use, the domestic in this area has not yet reached a satisfactory level. This paper summarizes the development status of wind power generation at home and abroad, t
8、he research status and basic principles of wind power forecasting technology, expatiates on the wind power forecasting method under different classification standards, and analyzes the power forecasting method based on historical data and numerical weather forecast. Based on the artificial neural ne
9、twork (ANN) algorithm, the BP neural network and Convoluted neural network wind power forecasting model are constructed. The modeling process is selected to determine the learning accuracy, the number of hidden layer nodes and the selection of training function,to get the optimal neural network pred
10、iction model. The simulation results show that the BP neural network model has generic prediction accuracy and stability. Aiming at the problem that the BP neural network is easy to fall into the local minimum and poor stability, the short - term wind power model of Convolution neural network is est
11、ablished. The simulation results show that the prediction accuracy and stability of the prediction system are obviously improved, which effectively solves the shortcomings of BP neural network algorithm. The validity and reliability of the Convolution neural network algorithm are verified. KEY WORDS
12、: Wind farm power prediction, Short-term forecast, Numerical weather forecast, BP neural network，Convolutional neural network 目 录 摘 要 . I ABSTRACT . II 第 1 章 绪论. 1 1.1 课题研究背景及其意义 . 1 1.1.1 课题研究背景 . 1 1.1.2 课题研究目的与意义 . 2 1.2 国内外风电功率预测研究现状. 3 1.2.1 国外风电功率预测研究现状 . 3 1.2.2 国内风电功率预测研究现状 . 5 1.3 本文的主要工作.
13、6 第 2 章 风电功率短期预测方法 . 7 2.1 引言 . 7 2.2 风电功率预测方法分类 . 7 2.2.1 按预测时间长短分类 . 7 2.2.2 按预测对象范围分类 . 8 2.2.3 时间和区域的几种组合方式 . 8 2.3 风电场功率的预测方法和原理. 9 2.3.1 基于历史数据的风电场功率预测 . 9 2.3.2 基于数值气象预报的风电场功率预测. 9 2.3.3 不同预测方法在风速测试中的应用比较 . 11 2.4 本章小结 . 11 第 3 章 神经网络算法原理及其预测模型. 12 3.1 BP 神经网络的基本原理 . 12 3.1.1 BP 神经网络的数学模型 . 1
14、2 3.1.2 BP 神经网络参数的设定 . 14 3.1.3 BP 神经网络的预测模型 . 14 3.2 卷积神经网络简介 . 15 3.3 卷积神经网络的基本特性 . 16 3.3.1 卷积运算. 16 3.3.2 稀疏连接. 17 3.3.3 权重共享. 18 3.3.4 卷积神经网络的整体构架 . 18 3.4 反向传导算法 . 20 3.5 基于卷积神经网络算法的风电场功率预测模型 . 23 3.6 本章小结 . 24 第 4 章 风电功率预测影响因素及数据选择 . 25 4.1 引言 . 25 4.2 风电场输出功率的影响因素及参数选择 . 25 4.2.1 输出功率与风速的关系.
15、 25 4.2.2 输出功率与风向的关系. 26 4.2.3 输出功率与空气密度的关系 . 27 4.2.4 输出功率与地表粗糙度的关系 . 28 4.3 风电场预测模型建立 . 29 4.3.1 输入数据的选择 . 29 4.3.2 数据归一化 . 29 4.4 本章小结 . 31 第 5 章 算例仿真及结果分析 . 32 5.1 算例简介及原始数据处理 . 32 5.1.1 风电场功率数据分析与处理 . 33 5.1.2 数值天气预报数据分析与处理 . 34 5.2 预测结果及其分析 . 34 5.2.1 不同学习精度的预测结果 . 34 5.2.2 不同隐含层节点数的预测结果 . 36
16、5.2.3 不同训练函数的预测结果 . 37 5.2.4 卷积神经网络算法的预测结果 . 37 5.3 本章小结 . 40 第 6 章 结论与展望 . 41 参 考 文 献. 42 附录 1 BP 神经网络代码 . 44 附录 2 卷积神经网络部分代码 . 46 风电预测报告 1 第第 1 1 章章 绪论绪论 1.1 1.1 课题研究背景及其意义课题研究背景及其意义 1.1.1 1.1.1 课题研究背景课题研究背景 众所周知，电能的应用极其广泛，在生产技术上引起划时代的革命，在现代工业、农业及国民经济的各部门中，电力作为主要的动力来源，其重要性不言而喻。 首先由发电厂产生电能，经过输电线路将电
17、能传递给用户，供用户使用。目前，火力发电是我国主要的发电方式。火力发电是通过燃烧可燃物（比如煤、石油、天然气）来产生电能。在可燃物燃烧的过程中，无疑会产生大量二氧化硫，氮氧化合物和烟尘等物质，这种方式发电对环境的污染是很大的，可持续发展前景黯淡。 随着环境污染的日益加重，大面积持续雾霾等现象的普遍发生，高效利用可再生能源来替代不可再生能源的意识深入人心。风能是世界上增长最快的能源，全球风电产业属于高速增长的行业，见图 1-1。 图图 1-1 全球风电历年累计装机和历年新增装机变化趋势图全球风电历年累计装机和历年新增装机变化趋势图 全球化石能源的日益消耗和电力需求的不断增长，开发可再生能源进行电
18、力生产已成为全球各国关注的焦点，相比于其它能源，风能在大规模商业化开发的背景下具有显著优势，成为近年来发展最为迅速的的新能源发电技术。 全球风能资源蕴藏量巨大，约达 27.4 亿兆瓦，其中可利用风能为 2000 万兆瓦。根据全球风能理事会发布的 2015 年全球风电装机统计数据显示：全球风电产业 2015 年新增装机 63013 兆瓦，实现了 22%的年度市场增长率。到 2015 年底，全球风电累计装机容量达到432419 兆瓦，累计年增长率达到 17%1。 随着风电技术的不断发展，并网型风电场的规模在不断的扩大。近几年，我国风电并0500001000001500002000002500003
19、00000350000400000450000500000全球风电历年累计装机/MW 全球风电历年新增装机/MW 风电预测报告 2 网容量迅速增加，已成为世界第一风电大国，根据 2015 年中国风电装机容量统计结果显示：2015 年，中国风电装机量再创新高。全国（除台湾地区外）新增装机容量 30753 兆瓦，同比增长 32.6%，累计装机容量 145362 兆瓦，同比增长 26.8%，见图 1-2。 图图 1-2 中国风电历年累计装机和历年新增装机变化趋势图中国风电历年累计装机和历年新增装机变化趋势图 虽然风电接入电网容量逐年增加，但是风电接入电网给电力系统造成的影响却依然很大。 风电机组的动
20、力来源于自然风， 而自然风的不稳定性对风电机组的输出功率影响很大，因此输出功率难免有所波动。随着风力发电技术的快速发展，装机容量持续增加，大规模风电接入电网对电力系统所造成的影响也日益突出。风电机组输出功率具有波动性、间歇性、随机性等特点，当大规模风电并网后，其输出功率的波动将会对电力系统的平稳运行造成极大的影响， 与此同时， 随机的扰动也会严重影响到电能的质量， 例如造成电压突变、频率波动等。虽然风能本身不具有自我调节能力，但对风电场输出功率的规律性进行研究和把握是可实现的，而对风电功率的准确预测一直以来被看作是改善电能质量，使电网安全稳定运行的最简易、最重要的方法之一。 1.1.2 1.1
21、.2 课题研究目的与意义课题研究目的与意义 近年来，风力发电在我国得到了长足的发展，然而与常规能源不同之处在于风的大小受当地的地形概况和气候条件的影响，使得风电场输出功率具有随机性、波动性和不可控性等特点。当风电大规模接入电网时，势必对电力系统安全稳定运行造成安全隐患，甚至可能导致局部电压波动、频率不稳定，造成严重的生产事故。同时，我国风电发展呈现出相对集中，分布不均的态势。风力发电的生产基地主要分布于华北地区、东北的吉林、内蒙两省以及西北的甘肃、 新疆、 宁夏等地， 距负荷中心较远， 要实现风电资源的合理分配，只能将风电基地联网后进行大容量、远距离的外送2。为了保证供电质量，必须事前对电力系
22、统进行合理的计划和安排，来应对风电的不稳定性对电网造成的影响。 风电预测报告 3 准确的风电功率预测是降低风电并网不利影响的重要措施之一，可有效减小风电接入电网对系统造成的影响，提高系统运行的安全性和可靠性，有效保证电网电能质量；有利于调度运行人员更加及时有效地调整运行计划，提高电网调峰能力；还可以最大程度减小弃风，增加风电的并网容量，根据预测结果及时有效地调整和优化常规能源的发电计划。因此，对大规模风电场超短期风电功率预测进行分析与评价，具有重要的学术价值、经济价值以及工程实用价值。 1.2 1.2 国内外风电功率预测研究现状国内外风电功率预测研究现状 1.2.1 1.2.1 国外风电功率预
23、测研究现状国外风电功率预测研究现状 基于数值气象预报模型的风电场功率预测研究3-4现在丹麦、德国、西班牙、英国以及美国等风电发展较为成熟的国家，已经研发出多个(表 1-1)用于风电场功率短期预测的系统8并交付使用， 这些系统都使用气象部门提供的数值气象预报模型作为预测系统的输入。 表表 1-1 具有具有代表性的风电场功率短期预测系统代表性的风电场功率短期预测系统 预测模型 开发商 使用方法 Prediktor Ris 物理 WPPT IMM，哥本哈根大学 统计 Zephyr、 Ris，IMM 物理、统计 Previento 德国奥尔登堡大学 物理、统计 Local Pred-Regio Pre
24、d 西班牙马德里 CENER（可再生能源中心） 物理 HIRPOM 科克大学，爱尔兰、丹麦气象院 物理 WPPS（More-Care） 巴黎 Amines 模糊-神经网络 WPPS（AWPT） 德国 ISET 统计（神经网络） ANEMOS 欧洲 7 个国家 26 个单位 物理、统计 这些系统有的使用统计模型,有的使用物理模型。第一个风电场功率短期预测系统是丹麦里索国家实验室的 Prediktor， 使用了物理模型方法； 德国有两个系统使用物理模型 方法 ，由 Eurowind Gmb H 开 发 的 SOWIE 系统和由（energy&meteo systems Gmb H）Universi
25、ty of Oldenburg 开发的 Priviento。统计方法的例子有丹麦技术大学开发的 WPPT（Wind Power Prediction Tool）系统，使用自回归统计方法，功率被描述成为一非线性随时间变化的随机过程；另外一个著名的例子是德国 ISET 开发的 WPMS（Wind Power Management System）系统，使用神经网络（ANN）方法3-5。这些模型的预测误差一般都在 15%-20%之间，主要误差来源是数值气象预报模型，另外还有模型的误差等，结果还不尽如人意。 于是， 基于以前的研究基础，人们开始寻求新的方法，以提高预测精度。 例如，使用多个数值气象预报模
26、型模型提供气象预报，对气象预报的输出进行预处理以及将功率风电预测报告 4 预测和数值气象预报模型结合到一起等。极具代表性的是欧盟资助的 ANEMOS7项目，共有 7 个国家的 23 个机构参加。ANEMOS 是 2002 年 10 月开始的一个 4 年期项目，目的是开发适用于陆上和海上风电场短期功率预测的方法和工具。并且可以优化风电场的储能系统和需要的备用容量。ANEMOS 将物理和统计两种模型结合到一起，这将优于以前开发的只使用其中一种模型的系统。 基于历史数据的风电场功率预测研究 （1）持续预测方法 需要说明的是，最简单的预测方法就是持续预测方法，即把最近一点的风速或功率观测值作为下一点的
27、预测值，该方法适用于 3-6h 以下的预测。现在的预测技术一般都把持续法作为比较基准，来评价该技术的精确度。 （2）线性预测方法 在线性预测方法中，应用最广泛的就是 ARMA 方法。 西班牙的 J.L.Torres 等，使用 ARMA 方法进行了风速预测的研究。结果表明，从 1h-10h，预测均方根误差从 1.2m/s-3m/s 左 右 ，相 对 误 差 则 从 12%-20% 。 而 持 续 法 的 预测 均 方 根 误 差 则 从 1.2m/s-3.7m/s 左右。美国的 M.Milligan 等7使用 ARMA 方法对提前 1-6h 的风速及风电场功率预测进行了研究。一共使用了 10 个
28、月的数据，1、2 月份每个月前两周的数据作为训练数据，其余数据作为验证数据。结果表明，ARMA 方法优于持续法。而用不同阶的模型在不同提前时间的预测中有不同的表现，因此对于提前 1-6h 的预测，可以采用一组不同阶数 ARMA 的模型组合。 用 4 月份前 3 周的数据作为训练数据， 其余数据作为验证数据，结果发生一些变化，仍是 ARMA 优于持续法，但提高程度下降。用 3 月份的数据作为训练数据，4 月份的数据作为验证数据，没有 ARMA 模型能提高预测精度；用 4 月份的数据作为训练数据，5 月份的数据作为验证数据，使用 ARMA 模型，预测精度好于持续法。这就说明，训练数据和验证数据的选
29、取至关重要，但并未说明应该怎样选取训练数据可以得到更好的预测结果。 英国的 Z.Huang 等建立了一时变的 AR 模型， 来预测未来几个小时的风速，用于温室气体的在线控制。 （3）神经网络方法 2016 年一场举世瞩目的人机大战拉开了序幕， 代表人类围棋水平的顶尖棋手李世石输给了谷歌的人工智能 AlphaGo，而谷歌旗下的 Deep Mind 公司所使用的技术正是现在形成热潮的深度学习。与此同时，这场著名的人机大战也再一次让人们将焦点放在了人工智能上，现在越来越多的人在研究如何让深度学习来彻底改变人们的生活。深度学习的概念源于人工神经网络的研究。含多隐层的多层感知器就是一种深度学习的结构，深
30、度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示。 20 世纪 80 年代末期，用于人工神经网络的反向传播算法（也叫 BP 算法）6的发明给机器学习带来了希望，掀起了基于统计模型的机器学习热潮。利用 BP 算法可以让一个人工神经网络模型从大量训练样本中学习统计规律，从而对未知事件做预测。这种基于统计风电预测报告 5 的机器学习方法比起过去基于人工规则的系统，在很多方面显出优越性。 为了提高风电功率预测精度，解决风电功率预测误差一大问题，希腊的 A.Sfetsos 对持续法、AR、ARIMA、线性神经网络、BP 神经网络、LM 神经网络、RBF 神经网络、E
31、LM 神经网络、ANFIS 神经网络、NLN 神经网络等多种方法在风速预测中的应用进行了比较，结果表明，神经网络方法优于线性方法9-10。当前，在国外人工智能方法己经被广泛引入到风电场功率短期预报的研究中,目前已用于风电场风速及功率预测的神经网络有 BP 神经网络、RBF 神经网络、局部递归神经网络、卷积神经网络等。 1.2.2 1.2.2 国内风电功率预测研究现状国内风电功率预测研究现状 目前中国该领域仍旧处于探索和研究阶段。 现在， 国内从事这方面研究的有清华大学、中国电力科学研究院、金风科技股份有限公司等高校和科研机构。相对于国外较长的风电功率预测发展历史，国内在风电功率预测领域所开展的
32、研究是近 10 年来伴随风力发电兴起进行的，使用多尺度数值天气预报信息来专门服务于风电场短期预报的预测系统还比较少。 近几年，国内学者对风电功率预测理论及系统模型开发进行了大量的研究，对于预测方法提出了很多新的理论和见解。清华大学开发的风电功率综合预测系统，成为首个利用国内气象服务部门数值天气预报服务的风电功率预报系统。该系统提供了从地区到省域的不同规模预测粒度；结合历史数据统计分析，在有年度历史数据的情况下，可按不同天气类型设定典型预测模式，且考虑了高风速、低气温等极端天气，为内蒙古地区风电场提供短期和超短期功率预测。 此外，由中国电力科学研究院研发的 WPFS Ver1.0 预报系统可以结
33、合实时气象数据和风电场统计资料提供基于物理方法和统计方法的不同预测模型，针对不同地区的地形地貌特点，运用计算机对影响因素优化后得到微观尺度下的数值天气状况，结合流体力学、人工神经网络和时间序列分析方法，提供精度较高的短期及超短期风电功率预测，预测误差可控制在 16%-19%11，达到了目前风电功率预测领域内的行业标准。 但相较于欧洲和美国等风电强国，预测系统的预测精度和稳定性方面表现不佳，基本处于国外五年前的水准。造成这种情况的主要原因是：国内风电功率预测主要基于统计预测，数值天气预报系统不完善，不能提供较为准确的气象信息。近年来，国内风电装机容量规模不断变大，为了电网安全稳定运行，风电功率预
34、测愈发重要。提高风电功率预测精度，引入人工智能算法（BP 神经网络算法、卷积神经网络算法）得到更优的风电功率预测模型，来改善和解决预测误差问题具有重大意义。 风电预测报告 6 1.3 1.3 本文的主要工作本文的主要工作 由于风电的输出功率具有波动性和间歇性，风电大规模接入导致发电计划制定难度大大增加，给电力系统调度运行带来巨大挑战。针对国内实际情况，采用人工智能算法进行短期风电功率预测，以提高预测精度和可靠性，是当前中国风电预测研究的当务之急。 本文首先阐明了风电功率预测的背景和意义，综述了国内外风力发电的发展现状，风电功率预测技术的研究现状、基本原理及预测方法，对国内外已经开发并投入实际运
35、行的风电功率预测系统进行了相关介绍。 第二章研究了风电功率各种预测方法。按预测时间长短、预测对象范围不同、输入数据不同、时间尺度长短对风电功率预测方法进行分类，详细介绍并比较了基于历史数据和基于数值气象预报下风电功率预测的优缺点。 第三章研究了神经网络方法原理及其预测模型。目前国内研究中，只有 BP 等少数神经网络被用于风电功率预测，尤其是通过人工智能算法优化的神经网络算法研究更为少见。本文采用 BP 神经网络和卷积神经网络两种人工智能算法，应用到风电功率短期预测中。 首先介绍了 BP 神经网络方法原理，设计了 BP 神经网络数学模型，对 BP 网络建模过程参数的设定及选取进行了探讨；接着介绍
36、了卷积神经网络的基本特性和整体架构，设计了卷积神经网络短期风电功率预测模型，并采用反向传导算法对各个权值进行修正。对 BP神经网络和卷积神经网络不同之处进行分析比较。 第四章研究了风电功率预测相关数据的选择。根据风电场输出功率的影响因素，对风电场运行数据和测量数据等相关参数进行预处理。 第五章进行了算例计算及结果分析。基于已有的历史数据及数值天气预报，利用 BP神经网络和卷积神经网络风电功率短期预测模型对实际算例进行功率预测，设置不同的学习精度、 隐含层节点数以及训练函数， 对仿真结果进行分析比较， 评估两种方法预测性能。 第六章对研究工作进行总结，并对研究工作进行展望。 风电预测报告 7 第
37、第 2 2 章章 风电功率风电功率短期预测方法短期预测方法 2.1 2.1 引言引言 通常风电功率预测的输出受到各种随机性因素的影响,根据对预测模型预测精度的影响方式的不同分为内在的随机性因素和外在随机性因素。内在随机性因素主要是指预测模型存在缺陷或者预测系统不完善,外在随机性因素主要是指预测系统的输入数据不完善或者输入数据存在误差。风电功率预测的误差是内在随机性因素和外在随机性因素共同影响产生的结果,因此在优化风电功率预测精度方面要将两方面都进行考虑。 2.2 2.2 风电功率预测方法风电功率预测方法分类分类 按照不同的标准，可以对预测方法进行分类，见图 2-1。根据预测的物理量可以分为两类
38、，第一类为对风速的预测，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；第二类为直接预测风电场的输出功率。 1.ARMA2.3.4. 风电机组或风电场功率曲线先预测风速输出功率按预测的物理量分类直接预测输出功率持续预测方法模型按数学模型分类卡尔曼滤波风智能方法，如神经网络等电功时间序列模型不采用数值天气预报数据率神经网络等统计方法预按输入数据分类物理方法测采用数值天气预报 统计方法综合方法超短期预测按时间尺度分类 短期预测中长期预测 图图 2-1 风电风电预测方法分类预测方法分类 2.2.1 2.2.1 按预测时间按预测时间长短长短分类分类 风电功率预测， 按预测时间尺度的不同可分为超
39、短期， 短期， 中期和长期的功率预测；风电预测报告 8 根据预测的时间尺度可分为超短期预测和短期预测和中长期预测12-15。所谓的超短期并没有一致的标准，一般可认为不超过 30min 的预测为超短期预测。而对于时间更短的数分钟内的预测，主要用于风力发电控制，电能质量评估及风轮机机械部件的设计等。这种分钟级的预测一般不采用数值天气预报数据。短期预测一般可认为是 30min-72h 的预测，主要用于电力系统的功率平衡和经济调度，电力市场交易、暂态稳定评估等。对于更长时间尺度的预测，主要用于系统检修安排等。目前，中长期预测还存在比较大的困难。 表表 2-1 按按预测时间预测时间长短分类长短分类 预测
40、类型 预测提前时间 预测单位/步长 用途 常用方法 超短期预测 数分钟至数小时 一分钟或几分钟 为了风电机组控制的需要 主要是持续预测方法 短期预测 数小时至数天 数十分钟至数小时 便于电网合理调度，保证供电质量 一般是基于 NWP，对于提前几个小时，如 1-6h，也可采用单纯的基于历史数据的方法 中期预测 数月至一两年 一周或一月 安排检修 基 于 数 值 天 气 预 报（NWP） 长期预测 数年至数十年 数月至一年 风电场设计的可行性研究 根据气象站数十年的观测资料和风电场测风塔至少一年的测风数据，经过统计分析，再结合欲装风电机组的功率曲线，来测算风电场的年发电量 2.2.2 2.2.2
41、按预测对象范围分类按预测对象范围分类 根据预测对象范围的不同，可以分为对单台风电机组功率的预测、对整个风电场功率的预测和对一个较大区域（数个风电场）的预测。 2.2.3 2.2.3 时间和区域的几种组合方式时间和区域的几种组合方式 对于一个风电场在“年”数量级的预测（长期预测），是为了对拟建风电场进行可行性研究； 风电预测报告 9 高分辨率组合，即对单台风电机组在“分钟”数量级的预测（特短期预测），是为了控制的需要和稳定电能质量； 在“天”数量级的预测（中期预测），是为了风电场安排运行维护计划和优化电厂调度； 对于一个风电场或更大区域范围在 “小时” 数量级的预测 （短期预测， 一般低于 72
42、h） ，是为了市场交易的需要、运行维修计划的需要和安全供应的需要；前两项的受益者是电场运行者，后一项受益者是电网运行者。 2.3 2.3 风电场功率的预测方法和原理风电场功率的预测方法和原理 根据使用数值气象预报（NWPNumerical Weather Prediction）与否，短期预测还可以分为两类：一类是使用数值气象预报的预测方法，一类是不使用气象预报的预测方法，叫做基于历史数据的预测方法。 2.3.1 2.3.1 基于历史数据的风电场功率预测基于历史数据的风电场功率预测 基于历史数据的风电场功率预测，是只根据历史数据，来预测风电场功率的方法，也就是在若干个历史数据（包括功率、风速、风
43、向等参数）和风电场的功率输出之间建立一种映射关系，方法包括：卡尔曼滤波法、持续性算法、ARMA 算法、线性回归模型、自适应模糊逻辑算法等。另外还有采用人工神经网络(Artificial neural network)方法等人工智能方法。受到预测精度的限制，这种预测方法的时间一般不会太长，例如 6h 或 8h。 2.3.2 2.3.2 基于数值气象预报的风电场功率预测基于数值气象预报的风电场功率预测 借助于数值气象预报，预测时间可以更长一些，具体取决于数值气象预报的预测时间长度，可以达到 24h、48h 甚至 72h 或者更长。数值气象预报由气象部门提供，一般分辨率都在数十平方公里（如 60km
44、、30km 或 20km），不能满足直接计算风电机组功率的要求。因此，基于数值气象预报模型的风电场功率短期预测，就是要由数值气象预报模型计算风电场的功率。 1、预测原理 基于数值气象预报模型方法的主要思路是：利用气象部门提供的数值气象预报模型，对风电场或附近某个点的天气情况 （主要包括风速、 风向、 气温、气压等参数） 进行预测；建立预测模型，结合其它输入，将数值气象预报模型的预测值转换成风电场的功率输出，见图 2-1。 风电预测报告 10 图图 2-2 基于基于数值气象数值气象预报预报模型的模型的风电场风电场功率短期预测功率短期预测 风电场功率短期预测模型可以分为两大类：一类是统计模型，一类
45、是物理模型。 2、统计模型 统计模型方法就是在系统的输入（数值气象预报模型、风电场的测量数据等）和风电场的功率之间建立一种映射关系，包括线性的和非线性的方法，具体有自回归技术、黑盒子技术（先进的最小平方回归、神经网络等）、灰盒子技术等。 统计方法的优点是预测自发地适应风电场位置，所以系统误差自动减小了。缺点是需要长期测量数据和额外的训练；另外，在训练阶段很少出现的罕见天气状况，系统很难准确预测，对这些罕见天气状况的修正预测是十分重要的，否则将会导致很大的预测误差。 3、物理模型 物理模型方法的实质是提高数值气象预报模型模型的分辨率，使之能够精确预测某一点（如每台风电机组处）的天气（风速、风向等
46、），即建立风电场当地版的数值气象预报模型模型， 它们的精度一般能从数十平方公里 （如60km、 30km或 20km） 提高到 1km或 2km。 物理模型方法试图用中尺度或微尺度模型在数值气象预报模型和当地风之间建立一种联系。 物理方法包括两个重要的步骤：从气象预报点水平外推到风电机组坐标处；从气象预报提供的高度转换到轮毂高度。 图图 2-3 用于用于风电场功率短期预测的物理模型风电场功率短期预测的物理模型 物理模型的优点是不需要大量的、长期的测量数据，更适用于复杂地形。缺点是需要风电预测报告 11 具有丰富的气象知识，需要了解物理特性，如果模型建立的比较粗糙，预测精度差。 2.3.3 2.
47、3.3 不同预测方法不同预测方法在风在风速速测试中的应用比较测试中的应用比较 通过大量文献阅读中得到，持续预测方法、时间序列分析模型和神经网络模型的预测精度依次递增，时间序列分析模型相对于持续预测方法预测精度有很大的提高，神经网络方法相对于时间序列分析模型有一定程度的提高，但幅度不如前者大。而且随着预测时间的增加，时间序列分析模型和神经网络模型的优越性越来越明显。大多数文献认为，随着预测时间的增加，时间序列分析模型和神经网络模型的优越性越加明显。本文打算采用神经网络预测方法来进行风电场的功率预测。 图图 2-4 三种三种方法预测均方根误差比较方法预测均方根误差比较 2.4 2.4 本章小结本章
48、小结 本章首先介绍了风电功率预测方法的分类，如按预测物理量分类的风速预测和功率预测；按数学模型分类的持续预测方法，ARMA 模型，卡尔曼滤波，神经网络；按输入数据分类的是否采用数值天气预报预测；按时间尺度分类的长期预测，中长期预测，短期预测，超短期预测等。接着介绍了基于数值天气预报的风电场功率预测，在图中对比了持续预测方法，时间序列分析法和神经网络法的预测误差大小，简要评估其性能。 风电预测报告 12 第第 3 3 章章 神经神经网络算法原网络算法原理及其预测模型理及其预测模型 3.1 3.1 BPBP 神经网络的基本原理神经网络的基本原理 BP 神经网络（Back Propagation N
49、eural Network）是一种多层前馈神经网络，即 BP 学习算法。BP 学习算法是 D.E.Rumelhart 和 J.L.McCelland 及其研究小组在 1986 年研究并设计出来的16。具有如下优点：（1）能够充分逼近任何非线性映射，实现对复杂系统建模、预测，比其他方法更实用、更经济；（2）可以学习和自适应未知信息，如果系统发生了变化可以通过修改网络的联接值而改变预测效果；（3）分布式信息存储与处理结构，具有一定的容错性，因此构造出来的系统具有较好的鲁棒性17-18；（4）多输入、多输出的模型结构，适合处理复杂问题；（5）具有很强的信息综合能力，能同时处理定量和定性的信息，很好地
50、协调多种输入信息关系，适用于处理复杂非线性和不确定性对象。 BP 网络除输入输出节点外，还有一层或多层隐含节点，同层节点中没有任何连接。输入信号从输入层节点依次传过各隐含节点，然后传到输出层节点，每层节点的输出只影响下一层节点的输出。 BP 网络整体算法成熟， 其信息处理能力来自于对简单非线性函数的多次复合19。BP 神经网络一般结构如图 3-1 所示。 输入层输出层隐含层 图图 3-1 BP 神经网络示意图神经网络示意图 3.1.1 BP3.1.1 BP 神经网络的数学模型神经网络的数学模型 BP 算法的数学模型是求解如下函数的最优解问题： np111121.)i(11)()(*)()()(
