风电功率短期预测算法研究

郝洁，谷祥拓，马桂兰

摘要：风电功率的可靠预测能够有效降低风电接入电网所带来的负面影响，并且增强风电出力的稳定能力。本文章利用将风电机组运行历史数据作为参考样板，对其进行初步处理，再结合BP神经网络算法构建预测模型，针对于模型本身的不足，加入数值天气预测方法，构建了结合人工鱼群算法以及聚类分析法的优化BP神经网络预测模型与支持向量机预测模型。I

关键词：风电功率；短期预测；BP神经网络算法；向量机

1概述

短期风电功率预测主要在于模型的建立以及历史数据的选择[1-6]。本文着重研究了预测模型的优化以及数据的选择和结构，主要完成了以下工作：

（1）首先仔细研究了影响风电功率预测的各个重要因素，并分析了风的特点、风速及功率预测特性。

（2）借鉴BP神经网络建模方法，将风电场的NWP数据信息作为BP神经网络的输入。研究某历史数据，建立了风电场的功率模型，实现了风电场的功率预测。BP神经网络建模过程中的训练数据处理方法单一，缺乏一定的历史价值。针对风电场的天气预报数据和历史实际功率数据存在的问题，提出了一种聚类分析方法对训练数据进行分类，并将分类后的数据作为BP神经网络的输入。以某风力发电机组的历史数据和实际输出功率为对象，在Matlab中进行了仿真实验，验证了两种算法的预测结果和优化效果。

（3）为解决风电预测中使用向量机模型时经常出现的参数选择错误，引入人工鱼群算法（ArtificialFishSwarmAlgorithm,AFSA）从而完善风电预测模型。

2风电功率预测分类及影响因素

风机发电的多寡主要受当地天气及气候情况影响，所以不同地区依照自身情况所构建的预测模型是互不相同的[7]。

风速即单位时间内风的移动距离，风速会随着时间的推移随机变化，具有很强的随机特性，因此风速的选取应取多次测量数据的平均。

在同一地区，不同季节甚至于同一天内风速也在时刻变化，同时，温度、湿度、高度都会影响风速，当海拔较高时，风速较大；而凌晨的风速较小。

风电功率的可靠预测能够有效降低风电接入电网所带来的负面影响，并且增强风电出力的稳定能力。而风能具有很强的随机性，这也给预测带来很大难度。风电功率预测包括历史数据，数据选择和处理，预测模型搭建和偏差研究组成。

1）历史数据

历史数据主要有天气及风速风向情况、风机运行数据、维护数据等，主要选取最近的最新的最全面的数据。

2）数据选择和处理

历史数据无法全面客观的展现风机实际状况，甚至含有部分错误或不准确信息，所以需要对数据进行初步处理以剔除干扰因素。可以通过以下方式进行数据处理：按照日常经验对风速情况进行修正、对风机输出功率进行校正；对于丢失的数据，根据前后数据情况进行数据补充；根据历史情况对目前的数据进行修正。

3）预测模型搭建

搭建预测模型是风电功率预测的最重要的步骤。常见的模型包括：BP神经网络构建模型、SVM构建模型等。模型包括：物理性预测模型、持续性预测模型等。本文一是利用聚类分析方法，结合BP神经网络构建模型；二是利用改进SVM构建模型，利用AFSA优化第二种模型从而提高预测效果。

4）偏差研究

偏差研究能够有效估计预测结果和实际结果。通常情况下风电预测结果与实际值均存在一定差异，偏差通常利用均方根误差（RMSE）表示。

3利用BP神经网络构建预测模型

BP神经网络算法属于多层前馈神经网络。它的信号按照正向传播，而其误差则按照反向来进行传播，通过实时改变并校准每层的权值、闭值，来促进预测值不断接近真实值。正向传输过程中，信号由输入层输入，通过隐含层，对信号进行初步处理，传输至输出层，如果输出信号不同于期望值亦或是无法符合预设条件时，开始进行反向传播，继而调整每层的权值、闭值，促进预测值不断接近真实值。[8-10]。

所谓聚类分析，即对于各种数据，按照其共同特征进行分类学习，即将具有相似特性的数据处于同一种类。

此处利用某风场2018年9月数据来对其进行风电功率预测，数据包括温度、风速、气压值以及风向。将该场元月的数据设定为BP神经网络的起始条件，将2月10日的NWP信息设定为功率预测初始输入信息，预测长度是24小时（96个点），每个数据间隔15分钟。

每个数据可用如下向量来表达，即X=[V,Dcos,Dsin,T,P]，其中V是风速，D是风向，T是温度，P是大气压。

预测过程如下：设定历史数据为预测输入数据，而预测值则是输出数据，对输入数据训练，从而得出各层权值，再按照天气预报信息来进行功率预测。

建模分析之前，首先要聚类现有数据，聚类时采用模糊减法聚类来确定相应的分类数。风电功率预测精度可以通过样本选择来增强准确性。由于历史数据庞大，从中获取关键信息十分重要，因而首先进行聚类分析，求出各聚类中心；接下来使用各类数据训练BP神经网络，获取各层权值阈值。

4基于改进型支持向量机风电功率预测模型优化

当今，风力发电研究的重要方向为风电场功率预测模型优化研究是，众学者提出了在智能控制基础上的的风功率预测模型优化方式[11]。在上述第三节中介绍的基于BP神经网络和NWP聚类分析方法的风电功率预测模型优化方法可大概跟踪实际功率，此两种预测方法的缺点是较大的平均绝对误差以及均方根误差值，应用中有一定局限性。本节采用基于改进的SVM建立了风电场功率预测模型，引入人工鱼群智能优化算法，改进了SVM惩罚参数与核函数难以选定的缺陷，进一步改善和减小了风电功率预测跟踪效果以及预测误差。

支持向量机（SupportVectorMachine,SVM）是Vapnik等提出的一种有效机器学习方法，其在回归算法上函数拟合能力和逼近能力较好，在模式识别、函数回归、时间序列预测等数据挖掘问题有着广泛地应用。

人工鱼群算法（ArtificialFishSwarmAlgorithm,AFSA）是鱼群整体行为的智能优化算法，它通过效仿鱼类的行为在寻优于搜索区域内。该算法有寻优能力较强，鲁棒性较强等优点。

基于AFSA-SVM风电功率预测的目标函数返回的是平均均方根误差的倒数。具体步骤为：

（1）首先选取训练样本，对其进行归一化处理，初始化人AFSA和SVM的各项参数；

（2）以SVM的平均均方根误差倒数为适应度，对SVM模型参数进行优化；

（3）利用上步中优化的SVM模型参数对SVM模型进行重训练；

（4）根据NWP的数据和训练好的回归预测模型进行风电场功率的预测。

对我国某大型风电场2016年3月5日以前20天的NWP数据和实测功率数据进行分析、建模和预测，时间间隔为15分钟。以2016年3月5日作为预测日，预测步长是24小时（小于96个点）。NWP数据提供了风电场单位置的风速、风向、气温和气压四维信息，每个点的数据对象用5维向量表示为X=[V,Dcos,Dsin,T,P]，选定RBF函数为SVM的核函数，目标函数选取模型中的平均均方根误差之倒数，进行AFSA-SVM预测模型建模，经AFSAAFSA优化后得到的SVM的参数为：惩罚参数C=0.49,RBF核函数的参数r=30.56。

用训练所得的SVM模型和2016年3月5号的NWP的归一化后数据进行风电功率预测，得到其迭代过程中的适应度曲线和预测结果曲线。

5结论

风电功率预测的核心在于历史数据的选取和输入以及模型的确定。模型的输入信号一般利用天气预报数据，而输出数据则是风电功率预测信息。

（1）本文主要影响风电功率预测的因素，从风的特点、风速、风电功率的分析和预测过程入手，分析分类风电预测方法；

（2）通过BP神经网络对风电预测进行建模，将NWP信息输入BP神经网络中，将风电功率作为输出信息。对于BP神经网络建模的部分缺点，有针对性使用聚类分析来分类信息再输入网络。

（3）对于SVM模型中的参数选择情况，利用AFSA来对模型进行更新和优化，再参考NWP信息来进行预测并得出结果，并针对具体风机利用Matlab仿真校验，得出该模型能够有效精确预测风电功率。

参考文献

[1]王丽婕,廖晓钟,高阳,etal.风电场发电功率的建模和预测研究综述[J].电力系统保护与控制,2009,37（13）.

[2]杨志凌.风电场功率短期预测方法优化的研究[D].华北电力大学（北京）,2011.

[3]张艳青.基于神经网络的风电场风速及输出功率预测研究[D].华北电力大学（河北）,2010.

[4]郭华旺.兆瓦级风电机组输出功率预测研究[D].兰州交通大学,2012.

[5]张浩.基于深度学习的风电功率预测方法研究[D].

[6]洪翠,林维明,温步瀛.风电场风速及风电功率预测方法研究综述[J].电网与清洁能源,2011,27（1）:60-66.

[7]谷兴凯,范高锋,王晓蓉,etal.风电功率预测技术综述[J].电网技术,2007（S2）.

[8]刘永前,韩爽,胡永生,etal.风电场出力短期预报研究综述[J].现代电力,2007（5）.

[9]师黎.智能控制理论及应用[M].清华大学出版社,2009.

[10]丁志勇.基于相似日聚类的支持向量机风电功率预测方法[J].电气应用,2013（19）:25-28.

[11]陈道君[1],龚庆武[1],金朝意[2],etal.基于自适应扰动量子粒子群算法参数优化的支持向量回归机短期风电功率预测[J].电网技术,2013,37（4）:974-980.

StudyonShort-termWindPowerPredictionAlgorithm

HAOjie,GUxiangtuo,MAguilan

(NorthwestUniversityforNationnalities,SchoolofElectricalEngineering,LanZhou,China)

Abstract:Reliablepredictionofwindpowercaneffectivelyreducethenegativeimpactofwindpoweraccesstothegridandenhancethestabilityofwindpoweroutput.ThisarticleUSESthewindgeneratorwillrunhistorydataasthereferencemodel,carriesonthepreliminaryprocessing,buildingforecastingmodelcombinedwithBPneuralnetworkalgorithm,aimingattheshortcomingsoftheonthemodelitself,withnumericalweatherforecastmethod,combinedwiththeartificialfishalgorithmisconstructedandtheclusteringanalysismethodtooptimizetheBPneuralnetworkforecastingmodelandsupportvectormachineforecastingmodel.

Keywords:Windpower;Short-termprediction;BPneuralnetworkalgorithm;SVM