基于神經元網絡方法的風電場風電功率預報研究

孫川永，陶樹旺，彭友兵，魏磊

（1.西北電網有限公司，陜西西安710048；2.國家氣候中心，北京 100081；3.西安交通大學 人居環境與建筑工程學院，陜西西安710049）

風力發電是目前技術最為成熟、最具有大規模開發和商業化發展前景的清潔可再生能源利用方式，近10年來發展極為迅速，在一些國家已經成為比較重要的能源供給方式。隨著風力發電的迅速發展，其弊端也逐漸凸顯。風力發電是將空氣動能轉換為電能，其特性會直接受到風特性的影響。風的隨機波動性和間歇性決定了風力發電的功率也是波動和間歇性的。當風電場的容量較小時，風電對電網系統的影響并不明顯。隨著風電場容量在系統中所占比例的增加，風電對電網系統的影響就會越來越明顯，大風速擾動會使系統的電壓和頻率產生很大的變化，嚴重時將可能使系統失去穩定。風力發電的不穩定性對電網會造成很大的沖擊，很大程度上制約了風電的發展，相關研究也對此作出了較為詳細的分析[1-4]。

風電場風電功率預報對于風電的穩定發展是至關重要的。對風電場進行風電功率預測，并實時對電網調度計劃進行相應的調整，可以有效減輕風電對電網的不利影響，提高風電場運行效益。

近年，我國非常重視風電事業的發展，隨著風電在電網中比例的增加，風電與其他常規電力資源在電網間的調度問題逐漸引起了國家的重視，為此，對風電場風電功率報問題進行了初步研究。

1 數據和方法

采用美國科羅拉多大學的三維區域模式（Regional Atmospheric Modeling System RAMS,version 6.0）預報風電場所在區域風速。其基本方程是標準的雷諾平均的原始方程，采用區域嵌套方案，來實現所選擇區域的高分辨率模擬，模擬采用四重嵌套方案，水平格距分別為48 km,16 km,4 km,1 km，最內層格點數為58×58。

采用美國NCEP的預報場資料作為模式的初始場和側邊界條件，第一層嵌套區域在垂直方向上采用40層格距，其余的三層嵌套區域采用42層垂直格距，以期更詳細的反應地形對風速的影響。地形高度資料采用美國的（TheShuttle Radar Topography Mission,SRTM）數據，水平分辨率為90 m，地表植被資料采用的是美國USGS提供的1 km水平分辨率資料。

所采用測風數據來自風電場區域內70 m，高測風塔記錄數據風速測量高度分別為70 m、50 m、30 m、10 m。風向測量高度為70 m、10 m，測風儀器為美國NRG測風儀，每十分鐘記錄一次平均風速、風向。所用風電功率資料來自于風電場內已投入運行的風電SCADA（Supervisory Control and Data Acquisition）系統的運行數據。SCADA系統每10分鐘記錄一次風力發電機功率資料。

2 風速預報結果

表1為2006—2008年各月1～84 h70 m高度月平均風速月平均預報均方根誤差。其中2006年1月與12月缺少觀測資料。由表1可以看出1～84 h均方根誤差基本上在2~3 m之間，這與歐洲風能預報計劃的風速預報水平基本相當[5]。

圖1為2006年2月1日測風塔處70 m高度風速預報結果。由圖1可以看出預報結果較好地反映了風速變化趨勢，尤其是前36 h的預報結果不僅對風速變化趨勢描述的比較準確，風速大小的預報結果也較為準確。而2月4日凌晨至早上八點，預報結果明顯小于觀測值。造成這樣的結果主要是因為NCEP預報場的風速在這段時間比較低，所以預報結果類似于預報場的結果，而并沒有真實地反映觀測值。

表1 2006—2008年各月1～84 h風速月平均預報均方根誤差（m/s）Tab.1 RMSE of month averaged observation wind speed and prediction wind speed for 1～84 hoursfrom 2006 to 2008

圖1 2006年2月1日測風塔處70 m高度風速預報結果Fig.1 The forecasting wind speed at 70 m on Feb.2th in 2006

3 風電功率預報模型的建立及其預報效果

3.1 神經元網絡

人工神經網絡（Artificial Network,ANN）是在現代神經生物學研究成果的基礎上發展起來的一種模擬人腦信息處理機制的網絡系統。由于其具有自學習、自組織的非線性映射能力，適合于一些信息復雜、知識背景不清楚和推理規則不明確問題的建模。自20世紀80年代中期以來，開始被應用于如數值預報產品釋用、天氣預報、預報質量保證等各個方面,同時在氣候模式、短期氣候預測、中短期天氣預報、強對流天氣和衛星資料處理等許多領域,也得到了廣泛的應用[6-10]。

BP算法是目前應用最廣泛的神經網絡方法之一，其各種變化形式占了實際應用的80%~90%，很多研究者[11-15]對BP網絡進行了深入研究，從不同的角度對BP網絡進行了改進并取得了顯著效果。

BP網絡除輸入輸出節點外，還有一層或多層隱含節點，同層節點中沒有任何連接。輸入信號從輸入層節點依次傳過各隱含節點，然后傳到輸出層節點，每層節點的輸出只影響下一層節點的輸出。BP網絡整體算法成熟，其信息處理能力來自于對簡單非線性函數的多次復合。BP神經網絡一般結構如圖2所示。

其中，x為訓練樣本，yk（t）為網絡的實際輸出，yk（t）為網絡的期望輸出，wij為輸入層節點i到隱含層節點j的權值，vik為隱含層節點j到輸出層節點k的權值，θj為隱含層節點j處的閾值，γt為輸出節點t處的閾值，f（x）為激活函數。要實現全局誤差函數E在曲面上按梯度下降，采用梯度規則，求E對輸出層和隱含層的連接權和閾值的負梯度

圖2 BP神經網絡結構示意圖Fig2 The construction of neural network

BP算法的數學模型是求解如下函數的最優解問題。

按梯度下降原則，確定網絡的引節點數和學習速率，對于隱含層的層數，許多學者做了理論的研究。根據Lippmann[16]的研究可知，三層網絡可以逼近任意一個連續的函數。后來Robert Hecht Nielsen[17]研究進一步指出：只有一個隱層的神經網絡，只要節點足夠多，就可以以任意精度逼近一個非線性的函數。因此，在該方法中隱層的數目設定為一層。又根據經驗，隱節點數一般選在輸入節點數的1～2倍之間時，能達到較好的效果。因此，在一個隱層、隱節點數為輸入節點數的1~2倍之間這兩個前提條件下進行計算。

在本研究中,BP網絡采用三層網絡，隱層的數目設定為一層。采用雙曲型函數作為其激發函數，描述為：

3.2 風電功率預報模型

由于資料限制，主要研究單個風電場風電功率預報方法，預報時效為48 h，時間間隔為15 min。利用2007年9月—2008年2月份的風力發電機出力資料與風速風向預報數據通過神經網絡方法對各個時刻分別進行建模，逐個時刻進行預報。預報因子為95 m、70 m、45 m高度處預報風速，預報量為風電場出力。

由于風電場內風力發電機故障、維修等原因會導致某些風力發電機資料缺測，導致每個時刻參與風電場出力的風力發電機臺數不一致。即使參與的風力發電機臺數一樣，而每個時刻參與的風力發電機編號不一樣，也會導致在相同的風況條件下風電場出力的差異。由于不能對每個時刻的天氣進行精確地測量，也就很難對這種情形下的問題進行考慮，所以暫不考慮因參與的風力發電機的差異而導致的出力差異。但在建模時對參與出力的風力發電機臺數小于25臺的時刻予以刪除。選擇25作為標準是在既考慮風電場出力代表性又考慮樣本數目足夠多的條件下而定的，選擇更大的標準，樣本數較少，選擇更小的標準，參與出力的風力發電機臺數變化太大不利于建模統計。圖3為2007年9月—2008年2月參與風電場出力的風力發電機臺數分布圖，可以看出大部分時間風電場內風力發電機運行狀況良好，參與風力發電機臺數在大部分時間為25~30臺。

圖3 2007年9月-2008年2月參與風電場出力的風力發電機臺數分布圖Fig.3 The distribution of wind turbine worked during 2007.9—2008.2

圖4 為 2008年3、4月份風電場風電功率預報均方根誤差示意圖，圖4（a）為3月份預報誤差示意圖，圖4（b）為4月份預報誤差示意圖。3月份風電場功率預報24 h均方根誤差占裝機容量的百分比為為17.32%，48 h均方根誤差占裝機容量的百分比為18.99%。2008年4月份24 h均方根誤差占裝機容量的百分比為為23.18%，48 h均方根誤差占裝機容量的百分比為24.6%，與國際上的平均風電功率預測誤差基本持平[12]。

圖4 2008年3、4月份風電場風電功率預報均方根誤差Fig.4 RMSE of wind power prediction for Mar and Apr in 2008

4 結論

利用數值模式與統計預報相結合的方式進行了風電場48 h風電功率預報實驗。通過風電場2008年3、4月份的實驗結果得知：3月份24 h總的平均均方根誤差站裝機容量的百分比為17.32%，4月份72 h總的平均均方根誤差占風電場裝機容量的百分比為23.18%。基本滿足風電場風電功率預報的要求，對實際調度運行有一定的指導意義。

[1] 傅旭,李海偉,李冰寒.大規模風電場并網對電網的影響及對策綜述[J].陜西電力，2010(1).FU Xu,LI Hai-wei,LI Bing-han.Review on Influences of Large-scale Wind Farms Power Systems and Countermeasures[J].Shaanxi Electric Power，2010(1).

[2] 呂俊昌,楊小東,沈又幸.德國風電發展策略研究及對我國的借鑒[J].陜西電力,2011(11).LüJun-chang,YANGXiao-dong,SHEN You-xing.Wind Power Development Strategies of German and its References to China[J].Shaanxi Electric Power,2011(11).

[3] 李成家.利用秦嶺北麓中小水庫群進行大規模抽水蓄能的研究[J].陜西電力,2010(3).LI Cheng-jia.Study on Large-scale Pumped Storage Power Station by Using Middle and Small Reservoir Group in Northern Piedmont of Qinling[J].Shaanxi Electric Power,2010(3).

[4] 時芝勇,周劍,張薇,等.2種風電機組對電網三相短路電流的影響[J].陜西電力,2010(10).SHI Zhi-yong,ZHOU Jian,ZHANG Wei,et al.Probe into the Influence of Two Types of Wind Turbine on Threephase Symmetrical Short-circuit Current.[J].2010(10).

[5] GIEBEL G,BADGER J.Short-term Forecasting Using Advanced Physical Modelling-The Results of the Anemos Project Results from Mesoscale,Microscale and CFD Modeling.Anemous_physical modeling_EWWC_Wthens_2006.doc[C].2006-02-08.

[6] HALL T,BROOKS H E,DOSWELL C A.Precipitation Forecasting Usinga Neuralnetwork[J].Weather and Forecasting,1999,14:338-345.

[7] JIN L,JU W M,MIAO Q L.Study on Ann-based Multistep Prediction Model of Short-term Climatic Variation[J].Advances in Atmospheric Sciences,2000,17:157-164.

[8] MARZBAN C,WITT A.A Bayesian Neural Network for Severe-hail Size Prediction[J].Weather and Forecasting,2001,16:600-610.

[9] 劉德，李晶，劉永華，等.BP神經網絡在長期天氣過程預報中的應用實驗[J].氣象科技，2006，34(3)：250-253.LIUDe,LIJing,LIYong-hua,et al.Application Experiment of BP Neural Network Model in Long-Term Weather Forecasts[J].Me-Teorologic-al Science and Technology,2006,34(3):250-253.

[10]施丹平.人工神經網絡方法在降水量級中期預報中的應用[J].氣象，2001,27(6):40-42.SHIDan-ping.An Application of Artificial Neural Network(ANN)to Rainfall Mid-range Forecasting[J].Meteorological Monthly,2001,27(6):40-42.

[11]朱武亭，劉以建.BP網絡應用中的問題及其解決[J].上海海事大學學報,2005,26(2).ZHU Wu-ting,LIU Yi-jian.Problems and Solutions of BP Neural Network[J].Journal of Shanghai Maritime Univer-sity，2005,26(2).

[12]曹均闊，舒遠仲，葉水生.一種結構自組織的改進BP網絡[J].計算機工程，2005，31（17）：165-167.CAO Jun-kuo,SHU Yuan-zhong,Ye Shui-sheng.A New Structure Adaptive Improved Neural Network[J].Computer Engineering，2005，31（17）：165-167.

[13]王正武，張瑞平，劉松.BP網絡的一種改進學習方法[J].數學理論與應用,2005，25（1）：31-34.WANG Zheng-wu,ZHANG Rui-ping,LIU Song.One Improved BP Neural Network Learning Algorithm[J].Mathematical Theory and Application,2005，25（1）：31-34.

[14]李宏剛,呂輝,李剛.一種BP神經網絡的改進方法及其應用[J].中國工程科學,2005,7(5):63-65.LI Hong-gang,LüHui,LI Gang.An Improving Method of BPNeural Network and Its Application[J].Engineering Science,2005,7(5):63-65.

[15]雷景生，康耀紅.一種改進的BP算法.海南大學學報自然科學[J].2003,21(4):326-329.LEI Jing-sheng,KANG Yao-hong.An Improved BP Algorithm and its Application[J].Natural Science Journal of Hainan University,2003,21(4):326-329.

[16]LIPPMANN R P.An Introduction to Computing with Neural Nets[J].IEEE ASSPMagazine,1987,4:4-22.

[17]HECHTNIELSENR.Theory of the Backpropagation Neural Network[J].International Joint Conference on Neural Networks,1989,1:593-605.