基于風速時空信息的BP神經網絡超短期風速預測研究

周建強，李玉娜，屈衛東，蘭增林

（鄭州電力高等專科學校，河南鄭州 450018）

風力的間歇性和不確定性是風能固有的特性，而電力系統是要求實時平衡的，大規模的風電接入將對電力系統的電能質量、系統的安全穩定運行帶來嚴峻挑戰[1-2]。若能夠提前0～4 h超短期風速進行準確的預測，將對電力系統的安全穩定運行具有重要現實意義[3-4]。目前，風速預測的方法主要分為2類：統計法和物理法。統計法是根據氣象歷史數據進行統計分析，建立回歸模型，不需考慮風速變化的物理過程，只需根據歷史統計數據求解出短期內的風力預測值的方法，其方法簡明，模型簡單，但其精度隨預測時間的增加而迅速下降，在風速波動較大的時段也較差，如持續法、人工神經網絡（ANN）、支持向量機（SVM）、基于小波法等；物理方法是根據數值天氣預報的風速、風向、氣壓、氣溫等數據，根據風電場地形、粗糙度等物理信息計算得到風機輪轂高度的風速、風向信息的風速預測方法，其預測精度高，不需要歷史運行數據，但需要風場詳細的地形圖數據，數據收集復雜，投資成本較大，如丹麥RIS準實驗室的Predictor預測系統[5]。

對于超短期風功率預測，目前的方法主要集中于一些統計方法，但這些方法完全依賴風力的歷史數據，地球表面的氣流時空分布特性非常復雜，統計方法并不能滿足風電上網調度的精度和時效要求。有些學者采用數值預報和統計預報模型相結合的方式進行短期風功率預報[5]，但數值天氣預報計算也需要較長時間，不適合超短期的風功率預測。

1 基于風速時空信息的BP神經網絡風功率預測的基本思想

風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。風在地球表面流動過程中受周圍地理環境的影響發生風速、風向的變化，故風電場任意時刻的風速、風向與其周邊地區的前一時刻風速風向存在著聯系。不同地點間風速、風向變化不但包含有空氣動力場信息，而且包含有風電場周圍的地理信息。采用風電場周邊地區風速信息進行統計法分析，可以得到風電場周圍的地形、表面粗糙度等信息，而且通過風電場周邊氣象站實時測量得到風速信息相當于得到了一個風場粗略的風速數值預報——風場周圍的風速、風向信息。把風場周邊的風速信息加入到風場歷史數據系列中，進行統計方法的預測，相當于結合物理法和統計法2種方法的優勢，不但減少了投資，避免了數值天氣預報復雜計算，提高超短期風功率預測的精度，而且提高了超短期風功率預測的時效性，是一種經濟適用的超短期風功率預測方法。

人工神經網絡是由大量簡單的神經元相互連接而成的自適應非線性動態系統，可以充分逼近任意復雜的非線性關系，適用于處理復雜非線性和不確定對象。風速及風電場功率的預測是一個涉及因素繁多、十分復雜的非線性過程，具有高度的不確定性。BP神經網絡是人工神經網絡的一種，是應用最廣泛、最成熟的網絡，具有很好的函數逼近能力，被廣泛用于短期風功率預測中。采用基于風電場的歷史數據和周邊空域風速數據的BP神經網絡方法對超短期風速率進行預測，將是一種精確、有效、經濟的超短期風速預測方法[6-7]。

2 基于風速時空信息的BP神經網絡風功率預測

2.1 BP神經網絡風速預測模型

風速序列屬于時間序列，風速歷史數據和周邊地區風速歷史數據中包含了影響風速很多信息，可以利用這些風速歷史數據建立歷史值與未來值的映射關系對風速進行預測[8]，如式（1）。

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

BP網絡（Back propagation NN）是一種單向傳播的多層前向網絡，除輸入輸出節點外，還有一層或多層的隱含節點，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，然后傳到輸出節點，每層節點的輸出只影響下一節點的輸出。

圖1 BP神經網絡風速預測模型Fig. 1 BP neural network model for wind speed prediction

利用BP神經網絡進行風速預測時，先將風速數據分為訓練集和預測集，利用訓練集對網絡進行訓練，然后把預測集數據輸入訓練好的網絡，輸出的結果即可得到預測風速?；陲L速時空信息的訓練集為P，目標集為T；

預測集為P-test，v（t+1）為預測值。

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時刻的風電場r-1個風速歷史數據和周邊n個氣象站t時刻的風速數據輸入到訓練好的BP神經網絡，就可以得到t+1時刻的風速數據v（t+1）。

2.2 算法實現

本文采用MATLAB提供的神經網絡工具箱進行編程[9-10]。預測模型為一個三層BP神經網絡，模型中每個神經元對應的傳遞函數為Sigmoid型函數，定義為：

式中，x為神經元輸入；f（x）為輸出。

2.2.1 傳遞函數選擇BP神經網絡中間層采用S型正切函數tansig（），輸出層神經元采用S型對數函數logsig（）.

2.2.2 輸入參數確定

在風速預測中，輸入輸出層參數都為風速，根據函數的要求要對風速進行歸一化處理，將數據處理為區間[0，1]之間的數據。本文采用式（3）進行處理。

2.2.3 節點數的確定

一般的預測問題都可以通過單隱層的BP網絡實現，如果輸入向量有是n維數據，則網絡輸入成的神經元就有n個，根據Kolmogorov定理，網絡中間層的神經元可取2n+1個，輸出層中的神經元等于輸出向量的維數m。

2.2.4 訓練函數確定

訓練BP神經網絡時，訓練函數一般選取trainlm（）函數，它采用Levenberg-Marquardt算法進行網絡學習，雖然trainlm（）函數在訓練時需要內存比較多，但在訓練速度和性能方面具有明顯的優越性。

2.3 誤差分析

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

平均絕對誤差（MAE）：

正規化均方差（NRMSE）

3 實例分析

由于目前風電場周邊地區還沒有建立風機高度的風速測量站，本文選用鄭州及其周邊城市氣象局氣象站測量的10 m高瞬時風速為驗證數據。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瞬時風速值及其周邊城市新鄉、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速信息為訓練值，按提前1 h預測模型訓練了BP神經網絡。

選擇2013年4月14日8：00至2013年4月15日6:00 14個城市的風速信息對鄭州風速提前1 h進行了風速預測。BP神經網絡輸入層節點為16（鄭州每20 min數據3個，13個周邊城市整點時刻風速數據13個），中間層節點為33個，輸出層節點為3個（下一時刻的3個風速數據）。訓練次數為1 000次，誤差函數值為0.01，學習速率為0.1。同時只采用同樣的鄭州風速歷史數據，采用同樣的BP神經網絡模型參數（只有輸入節點和中間層節點數不一樣）做了風速預測。預測結果如圖2所示。

采用基于風速時空信息的BP神經網絡模型和只采用歷史風速序列得到的平均絕對誤差值（MAE）分別為0.58和0.91，正規化均方差（NRMSE）分別為0.84和1.30。

從圖2中可知，采用基于風速時空信息的BP神經網絡預測方法比只采用歷史風速數據的風速預測方法明顯提高了精度。誤差分析也表明，采用歷史數據和周邊地區風速數據的基于風速時空信息的BP神經網絡風速預測方法有較小的誤差。

4 結論

圖2 兩種不同BP神經網絡風速預測結果Fig. 2 Wind prediction results by two different BP neural networks

實例分析可知基于風速時空信息的BP神經網絡預測方法比只采用歷史風速數據的風速預測方法明顯提高了精度，其風速變化趨勢與實際風速的變化趨勢非常一致，能夠預測變化復雜的風速。但也發現基于風速時空信息的BP神經網絡預測的精度還不高，特別是前半部分。本文認為，這主要是因為實例采用的是離地面10 m的風速數據，離地面越近，其風速受地面粗糙度影響越大，風速時空分布越復雜，預測難度越大。但這并不影響對加入周邊地區風速數據能夠提高風速預測精度的判斷。

[1] 孫華東，張振宇，林偉芳，等. 2011年西北電網風機脫網事故分析及啟示[J]. 電網技術，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，仇衛東. 大規模風電脫網事故的幾點思考[J]. 電力建設，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. 大規模風電場并網對電網的影響及對策綜述[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. 影響風電場電能質量的因素研究[J]. 節能技術，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. 風電場風速及風電功率預測方法研究綜述[J]. 電網與清潔能源，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. 風電場風功率短期預報技術研究[D]. 蘭州：蘭州大學，2009.

[7] 肖永山，王維慶，霍曉萍.基于神經網絡的風電場風速時間序列預測研究[J]. 節能技術，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-神經網絡的風速短期預報技術研究[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神經網絡應用[M]. 北京：機械工業出版社，2009.

[10] 郭琦，鮑金春，宋繼光. 基于BP神經網絡的風電功率預測[J]. 電源技術應用，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）.