基于相似日和風速連續性的風電場短期功率預測

倪鵬，孫富榮

（國網山東省電力公司乳山市供電公司，山東乳山264500）

基于相似日和風速連續性的風電場短期功率預測

倪鵬，孫富榮

（國網山東省電力公司乳山市供電公司，山東乳山264500）

對風電場進行短期功率預測能夠有效減小風電場出力波動對電力系統的影響，降低電力系統的運行成本和旋轉備用。綜合考慮天氣因素以及風速連續性的影響，提出基于相似日和風電連續性的風電場短期功率預測方法。首先，完成BP神經網絡訓練樣本的選擇，然后利用預測日前一天的風速作為輸入，完成預測日功率的預測，最后將此模型運用于威海某風電場，并與僅考慮風速連續性得到的預測結果相比較，分析預測誤差，結果表明前者預測精度更高。

相似日；相似曲線；風速；BP神經網絡；功率預測

0 引言

風速具有隨機性和間歇性的特點，故而風電功率具有很強的波動性。隨著風電場的大規模并網，其對電力系統安全性和穩定性的影響越來越大［1］。如果可以對風電功率進行有效并且準確的預測，則可以有效降低對電力系統的影響，降低電力系統的運行成本和旋轉備用。依據預測的時間尺度，可將風電功率預測分為超短期預測、短期預測以及中長期預測。超短期預測一般指不超過30 min的預測，主要用于風力發電機控制、電能質量評估等；短期預測一般指0.5～72 h的預測，主要用于電力系統的功率平衡和調度、電力市場交易、暫態穩定評估等；中長期預測則主要用于系統檢修安排、風電場規劃等。

超短期預測的預測提前量較短，一般不使用氣象預報數據，根據之前時段的量測值或歷史數據采用時間序列法［2］或人工神經網絡法［3-4］等智能方法進行預測，預測精度較高。短期預測的預測提前量一般為幾小時至幾天，由于風速、風向等天氣情況是由大氣運動決定的，不考慮氣象預報數據無法反映大氣運動的本質，難以得到較好的預測結果，因此風功率短期預測要借助于氣象信息，且氣象信息的預測精度決定了整個預測系統的預測精度［5］，目前風電功率短期預測是研究的難點和熱點。風電功率短期預測主要分為物理方法和統計方法。物理方法依據氣象預報提供的各類信息，采用微觀氣象學理論，計算得到風電機組輪轂高度的風速、風向、氣溫、氣壓等信息；根據風機功率曲線計算得到每臺風電機組的預測功率，再計及風電機組間尾流影響；最后對所有風電機組的預測功率求和得到風電場的預測功率［6］。統計方法根據歷史數據進行統計分析，找出天氣狀況與風電功率的關系，根據實測數據和數值天氣預報數據對風電功率進行預測，常用的預測方法有時間序列［7-8］、神經網絡［9-11］以及組合預測方法［12-13］等。文獻［7］探討了風電場短期風速預測，并結合仿真實例說明時間序列法在短期風速預測中的應用，但沒有給出風電場輸出功率的預測結果。文獻［10］提出了基于BP神經網絡的風電功率預測方法，指出風速、風向、氣溫、氣壓、濕度等因素對風電場輸出功率有影響，并利用神經網絡對風電功率預測誤差進行預測。組合預測是對幾種預測方法得到的預測結果，選取適當的權重進行加權平均，消除單一預測方法可能存在的較大偏差，提高預測精度［14］。文獻［12］提出風電場輸出功率的組合預測模型，給出等權重平均法、協方差優選組合預測法和時變權系數組合預測法確定權重，計算結果表明組合預測模型能有效減少各預測點較大誤差的出現概率，有利于提高預測精度，但組合預測具有工作量大的缺點。

在前人研究的基礎上，綜合考慮影響風電功率的氣象因素以及風速的連續性因素，基于相似日［11］和相似性曲線［13］，選擇BP神經網絡的訓練樣本，并將預測日前一天的風速樣本作為輸入，完成預測日的功率預測。

1 風電場功率預測

1.1 影響風力機功率的因素

風力機的發電功率為

式中：P為風力機的輸出功率，kW；CP為風力機功率系數；A為風力機掃掠面積，m2；ρ為空氣密度，kg／m3；v為風速，m／s。

由式（1）可知，在風力機功率系數CP和掃掠面積A保持不變的情況下，風力發電機的輸出功率主要受空氣密度ρ和風速v的影響。空氣密度ρ主要受壓強、濕度以及溫度的影響，對于風電場來說，由于尾流效應的存在，風向也是影響風電功率的重要因素。風速具有連續性，所以風電場的功率也具有一定的連續性。

將兩者結合起來考慮，即將相似日和相似風速曲線結合，完成風電功率的預測。

1.2 相似日的選擇

選擇風速、風向、壓強、濕度和溫度作為影響風電場出力的天氣因素。這些歷史氣象信息以及預測日的氣象信息可以從氣象部門得到。將各個因素組合，構成天氣模式向量為

式中：Yi為第i（i=0，1，…，N）個天氣樣本模式向量，N為氣象部門提供的歷史天氣信息的天數，第0個天氣樣本表示預測日的數值天氣預報信息，而i=1，…，N則表示第i個歷史天氣樣本；vmaxi、vmini分別為第i個歷史天氣樣本風速的最大值和最小值；cosθi、sinθi分別為第i個歷史天氣樣本風向的余弦和正弦值，以正東方向為X軸正方向；Paveri為第i個歷史天氣樣本壓強的平均值；haveri為第i個歷史天氣樣本濕度的平均值；tmaxi、tmini分別為第i個歷史天氣樣本氣溫的最高值和最低值。

確定天氣樣本模式向量Yi后，需要對其進行歸一化變換，以方便比較各個向量之間的差異大小。采取極大極小差值法進行歸一化，為

式中：xi（j）為第i個天氣樣本歸一化后的第j個分量；yi（j）為第i個天氣樣本歸一化前的第j個分量；m（j）和M（j）分別為所有天氣樣本中第j個分量的最小值和最大值。

天氣樣本的歸一化模式向量的8個分量可由式（3）求出。則歸一化后的第i個天氣樣本模式向量為

根據天氣預報信息形成預測日原始的模式向量，然后和樣本向量進行統一歸化。比較歸一化后的預測日的模式向量和樣本的模式向量的相似度。相似度判別式為

式中：0表示預測日；i表示第i個樣本；j表示向量中的第j個分量。

利用模式向量進行相似日選擇的步驟為：從預測日開始倒推，選擇合適數量的歷史日樣本，依據歷史氣象數據以及預測日的天氣預報數據形成模式向量；將預測日的模式向量和歷史日的模式向量進行歸一化，并依次計算預測日歸一化后的向量與歷史日歸一化后的向量的相似度；選出相似度最高的n個歷史日作為相似日，并將這些相似日前一天的風速曲線集合作為初步樣本集。

1.3 基于分段線性化的相似風速曲線搜索算法

分段線性化方法最初是由Pavlidis和Horowitz提出的，此后Keogh提出了一種采用分段線性化方法的快速搜索算法。

1）找出風速曲線上的關鍵點集合。首先找出風速曲線上的所有極值點vm，包括極大值、極小值以及最大值vmax和最小值vmin，這些點能夠準確反映風速曲線的變化趨勢及形狀特點；然后按照式（6）對所有極值點進行歸一化處理為

對極值點歸一化后，所有極值點的幅值都在［-1，1］這一區間內，消除了幅值變化對相似性的判斷。然后將這些值的絕對值與設定的閾值η＞0相比，若大于η，則為關鍵極值點，再加上風速曲線上的第一個點和最后一個點，形成關鍵點集合P（x，y）。

2）在關鍵點集合P（x，y）的基礎上，形成風速曲線的分段線性化表示，其第l條線段可表示為

式中：XLl、YLl分別為第l條線段的左端點的橫坐標和縱坐標；XRl、YRl分別為第l條線段的右端點的橫坐標和縱坐標；Kl為第l條線段的斜率。

3）進行相似風速曲線的提取。任意兩條風速曲線A和B的相似性距離為

式中：KAl和KBl分別為風速曲線A和B分段線性化后的第l條線段的斜率；wAl和wBl分別為風速曲線A和B分段線性化后的第l條線段在樣本曲線總長中所占的長度比重；M為風速曲線A和B分段線性化的線段數量。

依據設定的相似距離門檻值σ，若D（A，B）＜σ，則認為兩條風速曲線相似。

應用上述相似曲線判定方法，從得出的風速曲線樣本集中選擇出與預測日前一天的風速曲線相似的曲線，并把此曲線集合作為神經網絡的訓練樣本。

1.4 神經網絡預測風電功率

BP神經網絡是運用最為廣泛地一種神經網絡。采用BP神經網絡預測風電功率。設定網絡為單隱含層結構，訓練方式為TRAINSCG，即共軛梯度法，避免了耗時的一維搜索，而且當訓練不收斂時，會自動停止搜索。

根據預測日氣象數據，依據模式識別方法，找出相似日，并將相似日前一天的風速曲線集合，一同作為訓練BP神經網絡的初步樣本集。

在初步樣本集中，尋找與預測日前一天的風速曲線相似的樣本，具體方法為分段線性化相似曲線搜索，并將此樣本作為訓練神經網絡的最終樣本，輸入為風速數據，輸出為此風速數據后一天的風電功率。

運用訓練好的神經網絡，將預測日前一天的風速數據作為輸入，輸出為預測日的風電功率。

2 算例分析

以威海某風電場為例進行驗證分析。該風電場裝機容量為200 MW，歷史統計數據為2010-01-01至2010-03-09，預測日為2010-03-10。

每隔15 min采樣一次風速及其風電場功率，每天共有96個點。采用BP神經網絡進行風電功率預測，采用單隱含層結構，隱含層神經元個數為5，輸入為預測點前一日的風速數據，輸出為預測點的功率。

分別采用兩種方法進行預測。方法1只考慮風速和功率連續性因素，采用相似曲線搜索，輸入前一日的風速曲線數據，得出預測結果；方法2即采用所提出的方法，既考慮風速和功率的連續性，又考慮預測日的氣象狀況。圖1～4顯示了方法1、2的訓練效果。

圖1 方法1的訓練、驗證、測試均方誤差

圖2 方法2的訓練、驗證、測試均方誤差

圖3 方法1線性回歸分析

圖4 方法2線性回歸分析

比較采用兩種方法的神經網絡訓練結果，方法1訓練18次，而方法2訓練39次，方法1的訓練效率更高。兩種方法的訓練效果大致相同，線性回歸分析也驗證了這一點，可見這兩種訓練數據都是可行的。

風電功率的預測結果如圖5所示。

圖5 風電功率預測結果曲線

由圖5可知，兩種不同方法所測得的功率曲線和實際功率曲線的變化趨勢基本一致，但在不同的采樣點，誤差值不同。將兩種方法預測的功率與實際功率比較，得到其絕對誤差值曲線，如圖6所示。

采用平均絕對誤差來評價預測的精度，其數值越小，表示預測精度越高，具體為

兩種方法測得的平均絕對誤差εR，方法1為15.99%，方法2為13.32%。可知，本文所采用方法的預測誤差較低，這是因為考慮了氣象因素對風電功率的影響。同時，也驗證了氣象條件是影響風電功率的重要因素。由此可知，在風電功率預測中，必須考慮氣象條件以及風速的連續性特性。

圖6 風電功率誤差曲線

3 結語

提出將氣象因素和風速連續性相結合的風電功率預測方法，提高了樣本訓練數據選擇的精確性，相比于將兩種因素分別考慮，分別預測功率、組合預測的傳統方法，具有工作量少且更易操作的優點。

采用BP神經網絡進行風電功率預測，其具有很強的非線性學習能力，訓練方式選擇TRAINSCG，相對于傳統訓練方法，具有計算速度快、收斂性好、不易振蕩的優點。

采用本文的算法，對威海某風電場進行了實際功率預測，驗證了提出的模型，提高了預測精度。驗證該方法具有一定的實用性。

［1］遲永寧，劉燕華，王偉勝，等.風電接入對電力系統的影響［J］.電網技術，2007，31（3）：77-81.

［2］潘迪夫，劉輝，李燕飛.基于時間序列分析和卡爾曼濾波算法的風電場風速預測優化模型［J］.電網技術，2008，32（7）：82-86.

［3］KARINIOTAKIS G.N.，STAVRAKIS G.S.，NOGARET E.F.Wind power forecasting using advanced neural network models［J］. IEEE Trans Energy Conversion，1996，11（4）：762-767.

［4］楊秀媛，肖洋，陳樹勇.風電場風速和發電功率預測研究［J］.中國電機工程學報，2005，25（11）：1-5.

［5］徐曼，喬穎，魯宗相.短期風電功率預測誤差綜合評價方法［J］.電力系統自動化，2011，35（12）：20-26.

［6］馮雙磊，王偉勝，劉純，等.風電場功率預測物理方法研究［J］.中國電機工程學報，2010，30（2）：1-6.

［7］吳國旸，肖洋，翁莎莎.風電場短期風速預測探討［J］.吉林電力，2005，33（6）：21-24.

［8］麻常輝，馮江霞，蔣哲，等.基于時間序列和神經網絡法的風電功率預測［J］.山東大學學報（工學版），2014，44（1）：85-89.

［9］WU Liang，PARK Jeonjie，CHOI Jaesok，et al.A study on wind speed prediction using artificial neural network［C］／／Processing of conference of IEEE T&D.JejuIsland，Korea，the IEEE：1-4.

［10］范高鋒，王偉勝，劉純，等.基于人工神經網絡的風電功率預測［J］.中國電機工程學報，2008，28（34）：118-123.

［11］孟洋洋，盧繼平，孫利華，等.基于相似日和人工神經網絡的風電功率短期預測［J］.電網技術，2010，34（12）：163-167.

［12］劉純，范高鋒，王偉勝，等.風電場輸出功率的組合預測模型［J］.電網技術，2009，33（13）：74-79.

［13］張國強，張伯明.基于組合預測的風電場風速及風電機功率預測［J］.電力系統自動化，2009，33（18）：92-95.

［14］牛東曉，曹淑華.電力系統負荷預測技術及其應用［M］.北京：中國電力出版社，1998.

Short-term Wind Power Prediction Based on Similar Days and Wind Speed Continuity

NI Peng，SUN Furong
（State Grid Rushan Power Supply Company，Rushan 264500，China）

Short-term wind power prediction is an effective approach for reducing both negative effects of wind power fluctuation on the power system and the operating cost and spinning reserve of power system.Taking weather factor and the continuity of the wind together as a whole，a short-term wind power forecasting method is proposed based on similar days and wind speed continuity.First of all，the training sample is selected for the BP neural network.Then the wind speed data of the prediction-day before are taken as input，and the wind power prediction is finished.At last，the proposed model is used in a wind farm located in Weihai.Analysis results show that this method possesses high accuracy.

similar days；similar curve；wind speed；BP neural network；power forecast

TK81；TM712

A

1007－9904（2016）11－0039－05

2016-05-16

倪鵬（1977），男，從事電網運維檢修、配電網規劃工作；

孫富榮（1978），男，從事電網運維檢修、配電網規劃工作。