基于神經網絡和模式識別的中長期風速及發電量預測

李建林，張海軍，龐俊強

（國華（河北）新能源有限公司， 張家口 07500）

引言

大力發展可再生能源，增加可再生能源發電量是實現能源安全和環境保護可持續發展的根本途徑。2020年全國風電新能裝機達到111 GW，伴隨著國家3060任務目標的提出，“十四五”期間風電裝機規模將進一步提升，預計到2030年風電裝機容量達12億千瓦時，2050年達24億千瓦時[1]。電力系統新能源接入進入中高比例后，系統在穩定控制、運行、規劃等不同時間尺度將面臨多重挑戰，準確預報風電場的送出功率對于高比例可再生能源的電力系統經濟調度和安全運行具有重要意義[2]。因此，在多尺度上提供高精度的風速及功率預測方法是必需的。由于風力發電機的輸出功率與風速的立方成正比，準確估計風力發電機的輸出功率至關重要。近年來，許多研究文獻提出了功率預測模型，以期在實際應用中找到一種有效的方法。這些模型大多依賴于復雜的統計和人工智能技術，以及大量的氣象和地形數據[3]。理想情況下，這些方法能夠將能源系統內的故障風險降至最低，并通過建?；蚰M未來情景來預測其可靠性。但是，其可靠性取決于所用預測技術的準確性，目前這一領域的研究和開發工作仍在繼續。

風速預測是一項非常復雜的任務，因為精度與不斷增加的預測時間幀之間存在負相關，風速時間序列數據的混沌特性導致預測精度在很大程度上依賴于時間間隔。根據氣象資料和應用的時間尺度，文獻[4-6]總結了多種風及功率預測方法，風速預測一般分為短期、中期和長期預測三類。風速預測模型常規包含物理方法、統計方法、人工智能方法和混合方法。物理方法由一些基于物理的方程組成，將某一時刻的氣象數據轉換為某一地點的預報風速，是一種有效的長期預測方法[7]。統計方法是一種基于模式的短期預測技術，其多利用曲線擬合等參數設計風速預測模型，然后將近期實際數據與預測數據進行比較，對設計模型進行修正[8]。然而，統計方法不能單獨用于長期預測。相反，其他方法，如數值天氣預報、人工智能技術和混合方法，應予以考慮。人工智能方法也是預測風速數據的一種有效方法，優點是不需要任何預定義的數學模型就可以預測未來的時間序列數據，當滿足相同或相似的模式時，可以達到最小的錯誤概率，缺點是隨著時間范圍擴大，精確度顯著下降[9]。近年來人工神經網絡作為一種非線性系統的預測和函數逼近方法得到了廣泛的應用[10-15]，由于其處理噪聲和不完全數據的能力，許多研究人員將人工神經網絡應用于不同時間尺度的氣候變量時間序列預測，結果表明預測效果優于傳統方法，一經訓練，可以以更高的速度執行預測任務[16]?；旌戏椒ㄔ陬A測過程中使用一種或多種模型，以獲得最佳的預測性能并可減小誤差，與其他方法相比，混合方法看起來更準確，常被用來預測未來一年的每小時風速。

本研究應用統計和神經網絡組合方法，通過研究特定區域的風速特征以期找到風速變化的模式來預測下一年的每小時風速數據，長期預測區域內的平均小時風速及發電量。為了識別風速趨勢，將一組識別子模式應用于月平均預測，將神經網絡應用于與位置的識別模式相關聯的時間序列數據，以優化預測。

1 風電場址風資源

使用河北省張家口地區張北某風電場數據和內蒙烏蘭察布地區某風電場數據測試，兩風電場差距約300 km。河北省風能資源豐富區主要分布在張家口、承德壩上地區和沿海秦皇島、唐山、滄州地區。張家口地區10 m高年平均風速可達5.4~8 m/s，主風向為西北風，風能資源十分豐富。張北風電場安裝33臺1.5 MW風機，輪轂高度70 m，葉輪直徑82 m，功率曲線如圖1所示。烏蘭察布風電場一期同樣安裝33臺1.5 MW風機，葉輪直徑87 m。圖2為張北風電場2010~2020年間的70 m高度風資源數據，該圖顯示了月平均風行為和風速模式的季節性因素，通過研究風場的風速特征來預測下一年的風速走勢，然后預測每小時風速，繼而考慮電網等各種損失，預測風電場發電量。

圖1 功率曲線

圖2 場址多年風資源

2 理論方法

2.1 預測誤差指標

對誤差進行綜合評價是風速及風電功率預測理論研究的一項重要內容。評價指標能夠從各方面反映預測算法的運行情況，本文選取平均絕對誤差來評價模型性能。平均絕對誤差是絕對誤差的平均值（MAE-mean absolute error）。它被用作衡量預測誤差的常用指標。

式中：

N—數據個數；

Pf—預測值；

Pa—實際值。

2.2 人工神經網絡模型的設計

模型預測流程如圖3所示，主要是通過研究特定區域的風速特征并找到風速變化的模式來預測下一年的每小時風速數據，繼而預測發電量。上一年的總體趨勢作為輸入，實際小時數為目標，以訓練網絡并更新神經網絡中神經元的權重，然后使用神經網絡模擬預測數據。模型詳細預測過程如下：

圖3 模型設計過程

步驟1：年風速預測。使用ANN網絡架構預測下一年月平均風速。通過存儲獲得的輸出值作為反饋和輸入來預測序列。預測流程如圖4所示。本研究中的模型以過去10年（2010~2020年）的月平均月風速數據為訓練網絡（4年為輸入，2年為延遲，4年為目標），輸出預測未來4年的月平均風速。為了找到最佳的預測，對結果進行檢驗，如果過去3年的誤差小于0.6 m/s，則接受第4年的預測值；否則，將重復訓練，直到達到預期輸出。圖5為年預測風速與實際數據的對比。

圖4 年度風速預測

圖5 預測風速與實際數據

步驟2：月風速預測。由于風速模式可能與上一年的風速有很大的差異，統計方法無法幫助發現或預測風速模式。由圖6月平均速度曲線可以發現每個月風速存在周期性特征。鑒于模式存在一定的周期性變化，因此可以應用神經網絡對每個月的模式進行預測。圖7是兩種網絡架構示意圖，具體根據預測結果精度選擇使用，本例中，選用兩個前饋反向傳播網絡來預測每月的風速形態，兩層分別有7個和16個神經元。選擇之前需要測試訓練數據集數量對ANN預測結果精度的影響。用于訓練模型的數據越多，獲得的準確度就越高。兩層網絡情況下，第一個網絡利用上一年前6個月的平均風速值訓練后預測下一年前6個月的平均風速值，同理，第二個網絡利用上一年后6個月的平均風速值訓練后預測下一年后6個月的平均風速值示。僅單層網絡時，與其他訓練數據集（一個月數據、兩個月數據等）相比，十一個月的數據給出了更準確的預測。

圖6 每月風速特征

圖7 ANN神經網絡的架構(級聯和反饋)

研究過程中同時需要觀察特征設計的效果以及隱藏層和隱藏神經元的數量，并找出哪種模式的準確率最高。測試流程與訓練數據量測試流程相同，使用經過測試的最佳數據集數量，本次使用11個月數據集合，不同的是在第二步中每個模型創建不同的 ANN 層架構，設置多種 層 架 構（Layer_5_5，Layer_5_5_5，Layer_5_5_5_5，L a y e r_5_5_5_5_5，L a y e r_1 0_1 0_1 0_1 0_1 0，Layer_20_20，Layer_20_20_20，Layer_20_20_20_20，Layer_20_20_20_20_20等），然后使用訓練數據集訓練所有 ANN 模型，最后使用經過訓練的 ANN 模型的輸出作為能量估算應用程序的輸入來獲得預測的發電量。對于給定的模式，ANN 層架構越復雜，結果就越好。對于三種模式，與其余層（layer_5、layer_10、Layer_20 等）相比，layer 20_20_20_20_20 顯示出更好的結果。模式 3與layer_20_20_20_20_20組合對四個變量（風速、溫度、風向和功率）的預測吻合度最高，同時也說明輸入特征設計的復雜性越多，ANN 模型的準確性就越高。

圖8 為網絡訓練回歸結果，通常，經過更多次訓練后，誤差會減少，但隨著網絡開始過度擬合訓練數據，驗證數據集上的誤差可能會開始增加，訓練在驗證錯誤連續6 次增加后停止，最佳性能取自驗證錯誤最低的時期。

圖8 網絡訓練回歸結果

為了更好地預測，需要對數據進行一些修改。在本研究中，訓練網絡之前使用了兩種數據修正方法。研究表明，在時間序列數據中，當滿足相同或相似的模式時，可以實現最小的錯誤概率[14]。因此，將下半年的數據顛倒，用于訓練和模擬的網絡輸入將變得幾乎相似，降低錯誤概率。樣本關聯函數可以識別神經網絡中輸入和目標之間的偏移量，使時間序列更加對稱。通過對不同時間段的數據遷移和不同神經網絡的測試，發現該方法與鏡像函數（逆函數）相結合，可使時間序列數據的誤差降低50 %。訓練中時間序列數據移動約1個月，使時間序列數據對稱1年，在訓練和模擬之后，將原點移回原始位置。

步驟3：每日風速預測。從上一年的每小時風速數據中提取每日風速模式，如圖9所示。利用往年的氣象資料計算出每天每小時的平均小時風速。然后，使用等式（2）對數據集進行歸一化處理。式中，Vh,p計算每小時風速，Va為平均小時風速，Vh為逐小時風速。

圖9 每月風速特征

步驟4：模式識別。如圖10所示，一整年的一般趨勢是使用以上1~3步驟識別，用于從上一年每小時的風速數據中提取日風速的一般趨勢特征。

圖10 趨勢識別流程

步驟5：每小時風速預測。如圖11所示，將去年的每小時的實際數據用作輸入和目標來訓練網絡并更新神經元的權重。

圖11 日風速預測

3 案例分析

使用張北地區某風電場和烏蘭察布某風電場數據進行測試，并與前饋，時延，分層遞歸和非線性自回歸神經網絡進行了比較。使用MAE作為不確定性度量指標評估模型性能。通過使用帶有外部輸入的非線性自回歸網絡來預測年風速，使用兩層前饋反向傳播網絡（中間層和輸出層具有8和30個神經元）預測風速的月度模式。

對于長期預測，前饋反向傳播網絡的性能要優于時間序列神經網絡[17]。從過去的數據中提取風速的每日模式，兩層前饋反向傳播網絡分別具有30和12個神經元，使用6~8年的平均每月風速數據和僅1年的每小時數據來開發和優化神經網絡。對于MAE，本測試獲得的最佳配置精度約為0.6~0.8 m/s。

測試結果同時與文獻[18]中開發的幾種風速預測方法進行了比較。前饋網絡可以使用隱藏層中的神經元來擬合輸入和輸出，具有外部輸入的非線性自回歸神經網絡是一種遞歸動態網絡，使用輸出作為輸入的反饋[19]。循環層網絡在除最后一層之外的每層均具有一個單個延遲的反饋環路，該環路可用于建模和過濾應用程序，可以用于長期風速預測[20]。

隱藏神經單元數據采用反復實驗法確定，由少到多，逐漸增加到26個神經元，同時訓練網絡，直到達到最低的誤差。經測試，本次前饋網絡的最佳神經元數在輸入層和隱藏層分別為5和9，時間延遲和自回歸網絡則為11。由表1可以看出，與其他預測方法比較，本方法的最小絕對誤差最小，說明通過該方法可以獲得較好的預測結果。但同時，該方法有一定的局限性，根據獲得的數據，風速變化與相關性誤差增加之間存在正相關，仍然需要繼續改進以提高預測的準確性。

表1 平均絕對誤差結果

圖12 是風速預測值與實際值比較曲線，大部分誤差在0.5 m/s之內。神經網絡得出的性能在不同的運行情況下會略有不同，張北風電場的平均每月風速的MAE結果約為0.27~0.37 m/s，內蒙風電場的平均每月風速的MAE結果約為0.18~0.34 m/s，表明與現有工程相比有所改善。兩個場址皆超過50 %的估計值顯示誤差小于1 m/s，但是在某些情況下，兩風電場的最大誤差接近2 m/s，這不是我們希望看到的，并且會嚴重影響風電功率的預測。為了盡可能的避免此類錯誤，使用目標年份相近的預測風速值與實際風速值之間的差值來定期更新預測模型，以提高長期時間序列預測的準確性，目前正在研究測試中。

圖12 典型月風速預測曲線和實際曲線對比

圖13 顯示了風電場發電量功率預測，如圖所示，預測值與有功功率的吻合趨與風速預測相似，說明模型提供了有效的預測能力。功率預測基本流程：首先將數據集劃分為多月組合的訓練數據集合和單月的對比測試數據集，其次使用 ANN 預測應用程序創建 ANN 模型，繼而使用相同的 ANN 層架構訓練創建ANN 模型，使用經過訓練的 ANN 模型為測試數據集創建預測，最后使用經過訓練的 ANN 模型的預測輸出作為能量估算應用程序的輸入來獲得預測的發電量。能量估算需要考慮電網、風電場、設備等過程中能量損失，模型中嵌入相應損失因子，包括歐姆損耗、變壓器損耗、尾跡損耗、地形特征摩擦系數等，其中尾流損耗使用Jensen Wake模型，考慮風機間布置及距離，為便于比較，兩風電場能量估算使用相同的損失系數。由圖可以看出，超過50 %的預測誤差在10 %以內，烏蘭察布風電場超過70 %誤差在10 %以內，烏蘭察布風電場2~4月預測趨勢與風速趨勢相比存在不一致，主要考慮風電場的風向因素，其中可能存在設備利用率問題導致數據有誤，需要進一步排查。鑒于風速預測使用的是風電場中測風塔單點數據，而風電場功率或發電量預測需要綜合考慮風電場地形、風電機組間的排布、設備等眾多因素，后續需要建立更為全面的預測模型，提高模型預測精度。同時，研究中 發現訓練樣本參數多少和周期對預測精度影響較大，需要更多的數據訓練以尋找建立工程可用的通用數據標準范圍，及開發基于神經網絡的時間序列預測模型及通用預測平臺。

圖13 典型風電場發電量預測曲線和實際曲線對比

4 結論

基于統計方法和神經網絡方法，通過設計一個多神經網絡的數據融合算法識別過去的風速特征來預測下一年的每小時風速及發電量。為了確定來年的風速趨勢，識別數據模式特征并將其相應地應用于年/月/日平均風速預測，同時將時間序列數據應用于與位置識別模式相關聯的神經網絡，以訂正預測。利用張北和烏蘭察布地區某風電場的風速及功率測量樣本對數據集進行訓練和測試，結果顯示平均絕對誤差（MAE）很小，預測效果較好。研究結果表明，風速及功率預測值與實際值比較趨勢較一致，所采用的模型方法提升了長期風速及功率預測結果，說明混合技術可以很好的預測實際的數據序列，鑒于其較好的預測了整體趨勢，可以用于長期風速預測任務的替代模型，后評估預測結果可作為中長期發電量預測的依據，未來可以進一步結合氣象數據建立中長期電量預測模型，為風電中長期交易提供參考及風電場制定檢修計劃提供輔助決策。