风电功率预测的多扇区BP神经网络模型.doc

风电功率预测的多扇区BP神经网络模型范高锋，刘纯，王伟胜，戴慧珠（中国电力科学研究院，北京市 海淀区 100192）Wind Power Prediction Based on Multi-sector BP Neural Network ModelFAN Gao-feng，LIU-Chun，WANG Wei-sheng， DAI Hui-zhu（China Electric Power Research Institute，Haidian District，Beijing 100192，China）6ABSTRACT: Wind power prediction is important to the operation of power system with comparatively large mount of wind power. The impact factors of the wind farm power is analyzed, a BP neural network model for prediction is established. The weather data and wind farm output power are classified according the sector. A BP neural network model is established for each sector. A study is processed on the historical data of a wind farm. The result shows that multi-sector BP neural network model can improve the forecast precision. KEY WORDS: wind farm； power；prediction；Artificial Neural Networks (ANN)；sector摘要：风电场输出功率预测对接入大量风电的电力系统运行有重要意义。研究了风电场输出功率的影响因素，建立了功率预测的BP网络模型。把气象数据及风电场输出功率数据根据扇区进行分类，每个扇区建立一个BP神经网络模型。对一个风电场历史数据进行了研究，研究结果表明，多扇区BP神经网络模型能够提高预测精度。关键词：风电场；功率；预测；人工神经网络；扇区1 引言大规模并网风电场对电力系统带来一些新问题，其中很重要的一方面是对电力系统运行调度的影响1-3。风电功率预测对电力系统的功率平衡和经济调度具有非常重要的意义。根据预测物理量的不同，目前对风电场输出功率预测的研究可以分为两类，一类为对风速的预测，然后根据风电机组或风电场的功率曲线得到风电场的功率输出；第二类为直接预测风电场的输出功率。根据所采用的数学模型不同可分为持续预测法、ARMA模型法、卡尔曼滤波法和智能方法等。持续预测方法4是最简单的预测模型，这种方法认为风速预测值等于最近几个风速值的滑动平均值。通常认为最近一点的风速值为下一点的风速预测值5。该模型的预测误差较大, 且预测结果不稳定。改进的方法有ARMA模型6-8和向量自回归模型9、卡尔曼滤波算法10,11或时间序列法和卡尔曼滤波算法相结合12。时间序列方法本质上讲是对风速时间序列或功率时间序列的拟合和预测。从建模的观点来看，不同时间尺度是有本质区别的，对于03h的预测，因为其变化主要由大气条件的持续性决定，因此采用时间序列模型可以得到较好的预测结果13；而对于较长时间的预测，不考虑数值天气预报数据无法反映大气运动的本质，因此也难以得到较好的预测结果，所以现在研究的风电场输出功率预测都把数值天气预报数据作为一组重要输入数据。神经网络具有较强的非线性学习能力，能够对风电场输出功率及其相关因素的多维曲面进行拟合，进而实现预测。文献14基于时间序列法和神经网络法对风速和风电场功率进行了研究，这种时序神经网络模型本质上还是以时间序列为基础的，对较长时间的预测效果会比较差。文献15研究了基于神经网络的风电场风速时间序列的预测，但没有对风电场的输出功率进行预测。文献16研究了应用多层感知器网络进行风电功率预测。文献17,18结合数值天气预报数据，应用神经网络进行风电功率预测，预测系统应用于电网调度中心并取得了很好的效果。对基于BP神经网络的风电功率预测的研究发现，如果训练数据样本较少，则神经网络的学习不完善。而神经网络的学习样本过多，又会导致神经网络结构复杂，预测结果也不一定好。对风电场风速、风向数据分析发现，一般风电场存在一个主风向。不同风向出现的概率不同，而且不同风向下的风速分布也不一样。因此，本文提出了按照扇区筛选训练样本，然后分别训练神经网络，采用多扇区神经网络模型进行预测。2 BP神经网络模型2.1 输入数据的选择风力机捕获的风功率可以用下式来表示： （1）式中：P-风轮输出功率（kW）；-风轮的功率系数；-空气密度（kg/m3）；A-风轮扫掠面积（m2）； v-风速（m/s）。从式（1）可以看出，风电机组的输出功率取决于风速及空气密度。因为受到湍流及阵风的影响，风速的空间分布并不完全符合对数风廓线，这导致风电机组的输出功率较杂散。一般风电场由很多风电机组组成，由于风能被风电机组叶轮吸收，风轮后面的风速降低，这就是尾流。由于上风向的风电机组尾流的影响，下风向风电机组捕获的风能减少，相应风电机组的出力也降低。为了进一步定量分析风向对风电场输出功率的影响，定义风电场的效率系数 （2）式中：为实测的风电场在一定风速和一定风向下的输出功率。为风电场在一定风速和风向下不受尾流影响的输出功率。某风电场的效率如图1所示。风电场所处地区地势平坦，装机容量为49.3MW，行间距为480m，行内每两台风机间距为360m。从图中可以看出，风速较低时，由于尾流和粗糙度的影响，在某些风向下风电场效率较低，在风速为4m/s时，效率最低为65%。同时可以看出，风速越大，风电场效率系数越高，风速超过额定风速一定量后，后面机组的风速也超过额定风速，此时尾流效应不影响输出功率，风电场在任何风向下效率系数都为100%图1 风电场在不同风速、风向下的效率Fig.1 Wind farm efficiency in different wind speed and wind direction图2是根据实测数据绘制的某风电场风电场的风速-风向-功率三维图，从图2中可以看出，由于风电场输出功率的杂散性，功率曲面并不是平滑的。图2 风速-风向-功率三维图Fig.2 wind speed-wind direction-wind power 3-dimension diagram空气密度也是影响输出功率的重要因素之一。空气密度和湿度、温度、压强密切相关。因此在风电功率预测中要考虑温度、湿度和压强。总之，风电功率预测模型的输入数据有风速、风向、温度、湿度和压强。2.2 数据归一化（1）风速归一化一般风电机组运行的风速范围为3m/s25 m/s，陆地上极限风速一般不超过30 m/s。当然，不同地区极限风速是不一样的。可以采用这样的办法对风速归一化： （3）式中，是归一化后的风速值，是数值天气预报系统预测的风速值，是气象观测的历史最大风速。（2）风向归一化风向对风电场出力有重要的影响，一年中风向可能在0360之间变化，取风向的正弦值或余弦值可实现01的映射，但是单一的正弦值或余弦值不能完全区分0360的所有风向，风向的正弦值和余弦值结合在一起可以区分所有的风向，因此输入神经网络的风向为两个值，一个为风向的正弦值，一个为余弦值。（3）气温归一化气温有正有负，所以要取绝对值的最大值进行归一化，如下式所示 （4）式中，为归一化后的气温值，为数值天气预报预测的气温，为气象观测的气温绝对值的最大值。气压、湿度的归一化采用和风速归一化类似的方法，取气象观测的最大值进行归一化。BP神经网络的基本结构如图3所示。图3 BP神经网络结构Fig.3 The structure of BP networks3 多扇区神经网络模型根据各扇区的风速和功率数据，对每个扇区建立神经网络模型。采用多扇区神经网络预测的流程见图4。根据读入的气象数据首先判断落入哪个扇区，然后选用对应的神经网络模型进行预测。图4 多扇区神经网络预测流程Fig.4 multi-sector neural network prediction flow chart4 算例4.1 风电场基本情况算例风电场包含58台G58-850kW的机组，总装机容量为49.3MW。风电场共有6行风机，行间距为480m，行内每两台风机间距为360m。G52-850kW型风电机组是一种变速双馈风电机组，风轮直径58m，轮毂高度为55m。训练数据为3个月数值天气预报数据和风电场出力数据，包含了不同风速段、不同风向的数据。取另一时间段的数据（3个月）用于神经网络的测试。4.2 气象数据分析风向指风的方向，通常用16个方位来表示风向，如5图所示。风向是不断变化的，图6是根据某测风塔的实测数据绘制的风向日变化曲线。图5 风向的16个方位Fig.5 16 sector of wind direction图6 风向的日变化Fig.6 wind direction daily change图7是风电场的风向概率图，可以看出，这个风电场的风向落入第16扇区的概率最大。图8是各扇区的风速分布图，可以看出各扇区风速分布有所差别。图7 风向分布概率Fig.7 probability distribution of the wind direction 图8 各扇区的风速分布图Fig.8 wind speed probability distribution of each sector4.3 模型参数的确定及预测结果分析对于BP神经网络，三层网络理论上就可以逼近任何非线性函数，因此选择包含一个隐含层的三层网络19。网络隐层神经元传递函数采用S型正切函数,输出层神经元传递函数采用S型对数函数。隐层节点数会影响预测精度。经逐一筛选分析，当网络的隐层节点数为19时，训练样本误差最小，均方根误差（RMSE）为8.9%；隐层节点数继续增加，出现过学习现象，网络外推能力变差，预测误差反而增大。因此不分扇区的神经网络模型隐层节点数选择19。根据各扇区的风速和功率数据，对每个扇区建立神经网络模型。经过逐一分析得到每个扇区神经网络模型的隐层节点数，见图9。图9 各扇区神经网络的隐层节点数Fig.9 the hidden layer neurons number of each sector图10是采用多扇区预测模型和单扇区预测模型预测的24h的风电场输出功率。图11是预测误差柱状图（为了便于比较，图中给出了三种误差指标，对误差的说明见附录，单扇区模型和多扇区预测模型预测结果的均方根误差分别为30.2%、 25.5%，由此可见，多扇区预测模型能够提高预测精度。图10 预测结果Fig.10 prediction result图11 预测误差柱状图Fig.11 prediction error histogram表1是对每个扇区预测值的统计分析结果。表1 各扇区预测误差比较Table1 the prediction error of each sector单扇区模型预测误差（%）多扇区模型预测误差（%）MAEMSERMSEMAEMSERMSE扇区132.7 16.4 40.5 32.3 16.0 40.1 扇区232.0 16.6 40.7 29.3 12.9 36.0 扇区319.1 6.3 25.2 16.5 5.0 22.4 扇区414.1 4.3 20.8 13.0 3.7 19.3 扇区513.1 3.6 19.1 10.8 3.1 17.5 扇区627.8 10.9 32.9 26.4 10.6 32.5 扇区725.3 12.1 34.8 25.9 10.7 32.7 扇区830.9 14.4 37.9 27.4 12.0 34.7 扇区922.0 8.6 29.4 21.8 8.1 28.4 扇区1033.7 18.7 43.2 34.7 17.9 42.3 扇区1130.3 15.2 39.0 29.8 15.1 38.9 扇区1225.4 10.9 33.0 25.6 9.7 31.1 扇区1323.7 9.8 31.3 23.5 9.1 30.2 扇区1432.8 16.0 40.0 32.7 14.6 38.3 扇区1529.6 13.5 36.8 29.5 13.2 36.3 扇区1625.7 8.9 29.8 19.9 6.1 24.7 从表1可以看出采用多扇区模型的预测误差在各个扇面上都普遍降低。这表明：多扇区神经网络模型能更准确地反映出气象数据与风电场输出功率之间的关系。5 结论根据风电场输出功率的影响因素建立了风电功率预测的BP神经网络模型；把风向分为16个扇区，每个扇区建立一个BP神经网络模型，构成了风电功率预测的多扇区神经网络模型。多扇区神经网络模型是一种更为精细的建模方式，对算例风电场的研究结果表明，多扇区神经网络模型能够提高预测精度。参考文献 1Hannele Holttinen. Handling of wind power forecast errors in the Nordic power marketC. International Conference on Probabilistic Methods Applied to Power Systems,2006. 2B. C. Ummels, M. Gibescu,W. L. Kling, et al. Integration of Wind Power in the Liberalized Dutch Electricity MarketJ. Wind Energy,2006, ( 9 ): 579-590 3A. J. Brand, M. Gibescu,W. L. Kling, et al. Impacts of Wind Power on Thermal Generation Unit Commitment and DispatchJ. IEEE Transaction on Energy Conversion,2007, 22( 1 ): 44-51 4Barbara G. Brown, Richard W. Katz,Allan H. Murphy. Time Series Models to Simulate and Forecast Wind Speed and Wind PowerJ. Journal of Climate and Applied Meteorology,1984, 23: 1184-1195 5M. A. lexiadis, P. Dokopoulo s,H. Sah samanoglou, et al. Short term forecasting of wind speed and related electrical powerJ. Solar Energy,1998, 63( 1 ): 61-68 6Andrew Boone.Simulation of Short-term Wind Speed Forecast Errors using a Multi-variate ARMA(1,1) Time-series ModelD.Stockholm, Sweden:Royal Institute of Technology,2005. 7吴国旸，肖洋，翁莎莎. 风电场短期风速预测探讨J. 吉林电力,2005, ( 6 ): 21-24 Wu Guo-shang, Xiao yang,Weng Sha-sha. Discussion about Short-term Forecast of Wind Speed on Wind FarmJ.Jilin Electric Power,2005, 6): 21-24(in Chinese). 8丁明，张立军，吴义纯. 基于时间序列分析的风电场风速预测模型J. 电力自动化设备,2005, 25( 8 ): 32-34 Ding Ming, Zhang Yi-jun,Wu Yi-chun. Wind speed forecast model for wind farms based on time series analysisJ.Electric Power Automation Equipment,2005, 25(8): 32-34(in Chinese). 9孙春顺，王耀南，李欣然. 小时风速的向量自回归模型及应用J. 中国电机工程学报,2008, 28( 14 ): 112-117 SUN Chun-shun, Wang Yao-nan,LI Xin-ran. A Vector Autoregression Model of Hourly Wind Speed and Its Application in Hourly Wind Speed ForecastingJ.Proceedings of the CSEE,2008, 28(14): 112-117(in Chinese).10E. A. Bossanyi. Short-Term Wind Prediction Using Kalman FiltersJ. Wind Engineering,1985, 9( 1 ): 1-8 11王耀南，孙春顺，李欣然. 用实测风速校正的短期风速仿真研究J. 中国电机工程学报,2008, 28( 11 ): 94-100 WANG Yao-nan, SUN Chun-shun,LI Xin-ran. Short-term Wind Speed Simulation Corrected with Field Measured Wind SpeedJ.Proceedings of the CSEE,2008, 28(11): 94-100(in Chinese).12潘迪夫，刘辉，李燕飞. 基于时间序列分析和卡尔曼滤波算法的风电场风速预测优化模型J. 电网技术,2008, 32( 7 ): 82-86 PAN Di-fu, LIU Hui,Li Yan-fei. A Wind Speed Forcasting Optimization Model for Wind Farms Based on Time Series Analysis and Kalman Filter AlgorithmJ.Power System Technology,2008, 32(7): 82-86(in Chinese).13Matthias Lange,Ulrich Focke. Physical Approach to Short-Term Wind Power PredictionM.：Springer, 2006.14杨秀媛，肖洋，陈树勇. 风电场风速和发电功率预测研究J. 中国电机工程学报,2005, 25( 11 ): 1-5 YANG Xiu-yuan, XIAO Yang,CHEN Shu-yong. Wind Peed and Generated Power Forecasting in Wind FarmJ.Proceedings of the CSEE,2005, 25(11): 1-5(in Chinese).15肖永山，王维庆，霍晓萍. 基于神经网络的风电场风速时间序列预测研究J. 节能技术,2007, 25( 2 ): 106-108 XIAO Yong-shan, WANG Wei-qing,HUO Xiao-ping. Study on the Time-series Wind Speed Forecasting of the Wind Farm Based on Neural NetworksJ.Energy Conservation Technology,2007, 25(2): 106-108(in Chinese).16Shuhui Li. Wind Power Predic