風電場風速預測的研究方法

陳丹丹，李永光，張 瑩，劉 祥

(上海電力學院能源與環(huán)境工程學院，上海 200090)

風能是重要的綠色能源，隨著風力發(fā)電成本的大幅下降，已具有與傳統(tǒng)發(fā)電能源競爭的潛力［1，2］.但由于受溫度、氣壓、地形、地理位置等諸多因素的影響，風能具有很強的隨機性，因此風力發(fā)電的穩(wěn)定性較差，并網(wǎng)后會嚴重影響電能質(zhì)量和電力系統(tǒng)的正常運行［1，3，4］.風電裝機容量增加后，為了抑制風電波動給電網(wǎng)帶來的沖擊，需相應增加常規(guī)機組的旋轉(zhuǎn)備用容量，這會增加系統(tǒng)的運行費用［3，5-7］.通過研究發(fā)現(xiàn)，如果能對風電場風速作出較準確的預測，則有利于及時調(diào)整電網(wǎng)的調(diào)度計劃，以提高風電的經(jīng)濟性［5，8-14］.此外，由于風電設備運行的環(huán)境較為惡劣，易出事故，因此也需要對風場的風速作出預測［9］.目前，國內(nèi)外對于風電場風速的預測一般可分為用于風電場規(guī)劃設計的中長期預測，用于電力系統(tǒng)的功率平衡和調(diào)度、交易、暫態(tài)穩(wěn)定評估等的30 min到72 h的短期預測，以及用于發(fā)電系統(tǒng)控制的分鐘級超短期預測［10，15-18］.比較常用的方法有人工神經(jīng)網(wǎng)絡法［5，11，19-23］、卡 爾 曼 濾 波 法［24，25］、時 間 序 列法［26，27］等.

1 風速預測的基本方法

1.1 人工神經(jīng)網(wǎng)絡法

人工神經(jīng)網(wǎng)絡由大量的簡單處理元件以拓撲結構連接形成，可以有效處理很多復雜問題.運用人工神經(jīng)網(wǎng)絡預測風速則是結合了天氣預報模型和人工神經(jīng)網(wǎng)絡的功能，通過神經(jīng)網(wǎng)絡分析天氣預報模型所提供的溫度、壓力、風速，以及風機本身采集的數(shù)據(jù)等信息，可以預測風電場中每一臺風力發(fā)電機周圍的風速.該方法的缺點是輸入數(shù)據(jù)的選取及網(wǎng)絡結構不易確定［9］.

根據(jù)神經(jīng)網(wǎng)絡連接及計算方法的不同，人工神經(jīng)網(wǎng)絡法中常用的有多層前饋神經(jīng)網(wǎng)絡(Back Propagation，BP)、廣義回歸神經(jīng)網(wǎng)絡(Generalized Regression Neural Network，GRNN)等.BP 網(wǎng)絡結構如圖1所示，它包括輸入層、一個或多個隱層，以及輸出層，層間的神經(jīng)元單向連接，層內(nèi)神經(jīng)元則相互獨立［23］.

圖1 BP神經(jīng)網(wǎng)絡結構

GRNN網(wǎng)絡結構如圖2所示.

圖2 GRNN網(wǎng)絡結構

文獻［11］基于BP神經(jīng)網(wǎng)絡算法建立了風電功率預測的神經(jīng)網(wǎng)絡模型，并進行了誤差帶預測.研究結果表明:神經(jīng)網(wǎng)絡的結構和輸入數(shù)據(jù)對預測結果有一定的影響;將實測功率數(shù)據(jù)作為輸入可以提高30 min內(nèi)的預測精度.這為彌補該預測方法的缺陷提供了可能的解決途徑，即利用實測功率及時修改神經(jīng)網(wǎng)絡的輸入，以提高預測精度.

1.2 卡爾曼濾波法

由線性系統(tǒng)離散方程可推導出卡爾曼濾波法的預測遞推方程［24］.

1.2.1 最優(yōu)濾波方程

式中:(k+1|k+1)——對k+1時刻的狀態(tài)估計;

K(k+1)——k+1時刻的卡爾曼增益矩陣.

由此可看出，卡爾曼濾波算法可用最新測量值來修正前一時刻的估算值，具有動態(tài)修改權值的優(yōu)點.

1.2.2 最優(yōu)增益矩陣方程

式中:P(k+1|k)——從k時刻到k+1時刻的單步預測誤差協(xié)方差矩陣;

R(k)——V(k)的協(xié)方差矩陣.

1.2.3 單步預測誤差協(xié)方差方程

式中:Q(k)——w(k)的協(xié)方差矩陣.

1.2.4 濾波預測的誤差協(xié)方差方程

式中:P(k+1|k+1)——對k+1時刻濾波預測的協(xié)方差矩陣;

I——單位矩陣.

利用卡爾曼濾波算法，將風速作為狀態(tài)變量來建立狀態(tài)空間模型，可以實現(xiàn)風速預測.但建立卡爾曼狀態(tài)方程及測量方程比較困難，并且這種方法適用于噪音統(tǒng)計特性已知的情況下對在線風速進行預測，但噪音統(tǒng)計特性往往很難得出［24，25］.

1.3 時間序列法

(1)隨機時間序列法 利用大量的歷史數(shù)據(jù)來建立數(shù)學模型，進而推導出預測模型，以達到預報的目的.該方法的優(yōu)點是序列本身具有時序性和自相關性，為建模提供了足夠的信息，只需要有限的樣本序列，就可以建立預測模型.但該方法也有局限性，低階模型的預測精度較低，而高階模型參數(shù)的確定難度較大［12，24，26］.

(2)混沌時間序列法 是根據(jù)風電出力時間序列的混沌屬性，以及非線性動力學的相關理論在短期內(nèi)進行的預測［14，26-35］.因此，將風速時間序列進行相空間重構，可以將其應用于短期風速的預測.

(3)滾動式時間序列法 對傳統(tǒng)時間序列法進行改進，其建模思路為［36］:模型在進行超前多步預測計算時，迭代得到t時刻的預測值后，利用該預測值重新估計模型參數(shù)，得出包含該預測值的新的模型方程，再進行t+1時刻的預測計算.計算結果證明該方法能有效提高預測精度，改善延時問題，并且具有建模簡單、可獲得預測顯式方程等優(yōu)點.

此外，衍生的時間序列法還有基于EMD的短期風速多步預測法，以及基于EMD和LS-SVM的短期風速預測法［37-40］.

1.4 混合算法

(1)時間序列和卡爾曼濾波的混合算法 利用時間序列建立一個能反映信號變化規(guī)律的低階模型，再從該模型推導出卡爾曼濾波預測遞推方程，實現(xiàn)信號預測［24，36，41］.該混合算法有效彌補了單純時間序列法建模預測的不足，而且在不提高所建時序模型階次的情況下提高了預測精度.

(2)時間序列和神經(jīng)網(wǎng)絡的混合算法 利用時間序列法建模，得到風速特性的基本參數(shù)，而后將這些參數(shù)作為神經(jīng)網(wǎng)絡的輸入變量［5，10，42］.文獻［5］和文獻［42］計算結果表明，運用該方法進行風速預測時，絕對平均誤差在22%左右，優(yōu)于時間序列法.

2 風速預測方法的綜合分析

2.1 各預測方法的分析比較

風速預測的方法主要有人工神經(jīng)網(wǎng)絡法、隨機時間序列法和混沌序列預測法.

人工神經(jīng)網(wǎng)絡法［11］的理論基礎是非線性數(shù)學理論［43］，具體的網(wǎng)絡設計方法可利用徑向基函數(shù)法、最小二乘法、傅里葉變換等不同的數(shù)學方法對人工神經(jīng)網(wǎng)絡的非線性函數(shù)進行逼近.另外，也可以用現(xiàn)有的軟件如MATLAB中的神經(jīng)網(wǎng)絡工具箱等來建立人工神經(jīng)網(wǎng)絡.運用人工神經(jīng)網(wǎng)絡法能夠預測風電場中每一臺風機周圍的風速，因此，當負荷變化時，可快速決定風機的停啟，方便風電場調(diào)度.但由于人工神經(jīng)網(wǎng)絡的輸入?yún)?shù)及網(wǎng)絡結構不易確定，而輸入變量的選擇直接影響神經(jīng)網(wǎng)絡的收斂速度甚至收斂性，因此需要慎重選擇輸入的樣本.而利用時間序列模型來選擇輸入變量則可以相對方便地確定神經(jīng)網(wǎng)絡的輸入?yún)?shù)，將兩種方法結合起來可有效提高收斂速度，并改善預測效果.

隨機時間序列法的實現(xiàn)相對簡單，只需要單一的風速時間序列即可建模，但預測精度需要取決于模型的階數(shù)，階數(shù)低則預測精度低，而階數(shù)高則模型參數(shù)計算難度大.為解決這一問題，可采用滾動式時間序列法，或者將時間序列分析和卡爾曼濾波法結合使用.這兩種算法的實質(zhì)都是在計算中利用當前步的計算結果及時更新參數(shù)，以優(yōu)化計算模型.時間序列分析和卡爾曼濾波算法的結合可避開建立高階模型和推導測量方程，在降低建模難度、減少計算工作量的同時提高了預測精度［24］.

在預測風速的過程中，當部分時間點的風速明顯大于或小于均值時，可以將其看作非線性系統(tǒng)中的混沌行為，利用數(shù)值分析方法建立的全局或局域性的線性預測函數(shù)，即為混沌序列預測法.目前常用的3種預測法理論上是等價的，性能也相同［33］，可以根據(jù)實際需要選擇合適的模型.混沌時間序列可通過調(diào)整有關參數(shù)來控制預測精度，但由于系統(tǒng)對初值較敏感，因此只能用于短期風速預測.混沌時間序列法除了用于風電場短期風速預測外還可以預測電網(wǎng)負荷［30］.

比較各方法的預測周期，人工神經(jīng)網(wǎng)絡法在網(wǎng)絡設計、操作等均較優(yōu)的情況下能夠作出48 h內(nèi)工程允許誤差范圍內(nèi)的預測，而時間序列法及混沌時間序列法一般只用于2 h內(nèi)的預測.從單個風電場的實際需求來看，2 h內(nèi)的預測能夠較好地滿足風機調(diào)控的需求，而從整個電網(wǎng)需求出發(fā)，則需要更長時間范圍的預測，以便于電網(wǎng)提前調(diào)控分配各區(qū)域的發(fā)電指標.需要注意的是，越長時間范圍的預測，在時間點上的預測失真往往越嚴重.因此，在實際預測風速時，需要根據(jù)不同對象的需求、綜合考慮預測方法實現(xiàn)的成本等選擇不同的預測方法.

2.2 算例誤差分析比較

預測周期一般有預測時間及預測步數(shù)兩種表示方法.根據(jù)算例采樣點的時間間隔長度，可以將精選后的預測時間和步數(shù)進行等效換算.

文獻［11］利用人工神經(jīng)網(wǎng)絡法進行風速預測時，綜合考慮了實測風電功率作為輸入數(shù)據(jù)和風輪不同高度處的風速數(shù)據(jù)對于預測結果的影響.計算結果表明，綜合考慮風輪下邊緣處及輪轂高度處的風速，比單獨利用輪轂高度處的風速作為神經(jīng)網(wǎng)絡的輸入值的預測精度要高，且當預測周期越短時，預測誤差越小.文獻［28］利用隨機時間序列法對我國西北某風電場進行風速預測，得出提前10 min的風速預測值，從該算例所用的時間序列樣本為每10 min采樣1點來看，其預測周期及預測步數(shù)都很短，因此計算精度較高，預測平均誤差為7%.而根據(jù)文獻［36］，時間序列超前1步的預測精度較高，可達6.49%，但隨著預測步數(shù)的增大，誤差也迅速增大，超前10步以上的預測精度由于誤差太大已不適用于工程計算.

文獻［27］、文獻［34］和文獻［35］利用混沌時間序列法進行風速預測，其中文獻［27］預測樣本為每小時采樣1點的風速序列，進行提前1天的風速預測，預測精度為8.19%.文獻［36］利用滾動式時間序列法超前3步預測，預測樣本為每分鐘采樣1點的風速序列，預測結果誤差為7.01%，隨著超前預測步數(shù)的增大，預測誤差也增大，但利用時間序列和卡爾曼濾波的混合算法對相同樣本進行預測時，超前1步的預測誤差僅為3.19%.文獻［10］利用時間序列和神經(jīng)網(wǎng)絡的混合算法進行提前1天的風速預測，平均誤差為21%，考慮到本算例預測周期比較長，而且是對海風進行預測，由于海風比陸地風隨機性更大，預測也更加困難，因此本算例的精度不算太低.

文獻［27］的算例也進行了提前一天的風速預測，其預測精度較高的原因可能有:一是混沌系統(tǒng)對初值敏感，本算例選取的初值較好;二是所預測的風場風速變化較平緩;三是該算法精度比較好.

目前風速預測的平均誤差為25% ～40%［5］，然而以上各種預測方法的算例計算誤差為3.19%～22%，且其中絕大多數(shù)誤差在10%以內(nèi)，其原因為文獻算例中的預測周期較短，多數(shù)只計算了提前3步甚至提前1步的預測，因此得出的預測精度遠遠高于平均值.此外，選取的風速數(shù)據(jù)樣本的采樣間隔時間也會影響計算結果.一般來說，采樣間隔時間越長，預測結果的平均值越準確，但是對風速變化規(guī)律的預測會失真.文獻［27］、文獻［28］和文獻［36］所采用的數(shù)據(jù)樣本采樣間隔時間各不相同，但是由于所預測的周期較短，因此對預測結果沒有明顯影響.

目前，國內(nèi)對于短期風速預測的研究還存在以下不足:一是需要根據(jù)風速的歷史數(shù)據(jù)預測將來的風速，如果不知道歷史風速數(shù)據(jù)，則不可預測;二是沒有實現(xiàn)風電功率的預測，風速預測的算法并不完全適用于功率預測;三是由于功率雜散分布，由風速推導風電功率將導致誤差進一步增大.

3 結語

風速預測有針對一種方法的改進或者將幾種方法結合使用的趨勢.預測的準確度和預測方法、預測周期、地理位置等有關.一般預測周期越短，預測地點的風速變化越緩和，預測精度越高.風電的發(fā)展離不開風速預測.隨著各種預測法的發(fā)展和完善，我國風電事業(yè)也會得到進一步的發(fā)展.

［1］遲永寧，李群英，李琰，等.大規(guī)模風電并網(wǎng)引起的電力系統(tǒng)運行與穩(wěn)定問題及對策［J］.電力設備，2008，9(11):16-19.

［2］丁明，張立軍，吳義純.基于時間序列分析的風電場風速預測模型［J］.電力自動化設備，2005，25(8):32-34.

［3］耿天翔，丁茂生，劉純，等.寧夏電網(wǎng)風電功率預測系統(tǒng)開發(fā)［J］.寧夏電力，2010(1):1-4.

［4］孟祥星，王宏.大規(guī)模風電并網(wǎng)條件下的電力系統(tǒng)調(diào)度［J］.東北電力大學學報，2009，29(1):2-7.

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

［6］UMMELS B C，GIBESCU M，PILGRUM E，et al.Impacts of wind power on thermal generation unit commitment and dispatch［J］.IEEE Trans on Energy Conversion，2007，22(1):44-51.

［7］顏巧燕，溫步瀛，江岳文.風電并網(wǎng)后系統(tǒng)備用容量需求分析［J］.電力與電工，2009(2):26-29.

［8］吳炳琦.風電機組運行的預測預警和自動監(jiān)控保護［J］.電氣技術，2008(3):5-11.

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

［10］吳興華，周暉，黃梅.基于模式識別的風電場風速和發(fā)電功率預測［J］.繼電器，2008，36(1):27-32.

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

［12］傅蓉，王維慶，何桂雄.基于氣象因子的BP神經(jīng)網(wǎng)絡風電場風速預測［J］.可再生能源，2009，27(5):86-89.

［13］屠強.風電功率預測技術的應用現(xiàn)狀及運行建議［J］.電網(wǎng)與清潔能源，2009，25(10):4-9.

［14］王麗婕，廖曉鐘，高爽，等.風電場發(fā)電功率的建模和預測研究綜述［J］.電力系統(tǒng)保護與控制，2009，37(13):118-121.

［15］雷亞洲，王偉勝，戴慧珠.風電對電力系統(tǒng)運行的價值分析［J］.電網(wǎng)技術，2002，26(5):10-14.

［16］DAI Hui-zhu，WANG Wei-sheng，LI Han-xiang.Special report relationship between wind farms and power grids［J］.Engineering Sciences，2009，7(2):13-19.

［17］陳兆慶，王崢，陸艷艷，等.華東沿海風電場出力預測的研究和探討［J］.華東電力，2010，38(3):384-387.

［18］張彥寧，康龍云，周世瓊，等.小波分析應用于風力發(fā)電預測控制系統(tǒng)中的風速預測［J］.太陽能學報，2008，29(5):520-524.

［19］SIDERATOS G，HATZIARGYRIOU N D.An advanced statistical method for wind power forecasting［J］.IEEE Trans.on Power Systems，2007，22(1):258-265.

［20］FLORES Juan J，LOAEAZ Roberto，HéCTOR Rodríguez，et al.Wind speed forecasting using a hybrid neural-evolutive approach［J］.Micai，2009，58(45):600-609.

［21］MENDEZ Juan，LORENZO Javier，HERNANDEZ Mario.Experiments and reference models in training neural networks for short-term wind power forecasting in electricity markets［J］.Iwann，2009，55(17):1 288-1 295.

［22］ALEXIADIS M，DOKOPOULOS P，SAHSAMANOGLOU，et al.Short term forecasting of wind speed and related electrical power［J］.Solar Energy，1998，63(1):61-68.

［23］楊剛，陳鳴.基于BP神經(jīng)網(wǎng)絡的風速預測和風能發(fā)電潛力分析［J］.華東電力，2010，38(2):304-309.

［24］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(yōu)化模型［J］.電網(wǎng)技術，2008，32(7):82-86.

［25］BOSSANYE E A.Short-term wind prediction using Kalman filters［J］.Wind Engineering，1985，9(1):1-8.

［26］KAMAL L，JAFRI Y Z.Time series models to simulateand forecast hourly averaged wind speed in Wuetta Pakistan［J］.Solar Energy，1997，6l(1):23-32.

［27］羅海洋，劉天琪，李興源.風電場短期風速的混沌預測方法［J］.電網(wǎng)技術，2009，33(9):67-71.

［28］高文元，劉尊朋，王鵬，等.基于時間序列法的短期風速建模［J］. 甘肅科技，2009，25(7):14-16.

［29］呂金虎，陸君安，陳士華.混沌時間序列分析及其應用［M］.武漢:武漢大學出版社，2002:57-80.

［30］溫權，張勇傳，程時杰.負荷預報的混沌時間序列分析方法［J］.電網(wǎng)技術，2001，25(10):13-16.

［31］LINSAY P S.An efficient method of forecasting chaotic time series using linear interpolation［J］.Phys Lett A，1991，153(6-7):353-356.

［32］NAVONE H D，CECEATTO H A.Forecasting chaos from small data sets:a comparison of different nonlinear algorithms［J］.Phys A:Math Gen，1995，28(12):3 381-3 388.

［33］任曉林，胡光銳，徐雄.混沌時間序列局域線性預測方法［J］.上海交通大學學報，1999，33(1):19-21.

［34］王麗婕，廖曉鐘，高爽，等.并網(wǎng)型大型風電場風力發(fā)電功率-時間序列的混沌屬性分析［J］.北京理工大學學報，2007，27(12):1 076-1 080.

［35］蔣傳文，侯志儉，張勇傳.基于關聯(lián)度的高嵌入維混沌預測方法研究［J］.系統(tǒng)工程與電子技術，2002，24(12):65-66.

［36］潘迪夫，劉輝，李燕飛.風電場風速短期多步預測改進算［J］.中國電機工程學報，2008，28(26):87-91.

［37］米增強，楊奇遜，樊小偉.一種基于EMD的短期風速多步預測方法［J］.電工技術學報，2010，25(4):165-170.

［38］王曉蘭，李輝.基于EMD與LS-SVM的風電場短期風速預測［J］.計算機工程與設計，2010，31(10):2 303-2 307.

［39］戚雙斌，王維慶，張新燕.基于支持向量機的風速與風功率預測方法研究［J］.華東電力，2009，37(9):1 060-1 063.

［40］周培毅，張新燕.基于時間序列與支持向量機的風電場風速預測研究［J］.陜西電力，2009(12):1-4.

［41］陶文斌，張粒子，潘弘.基于雙層貝葉斯分類的空間負荷預測［J］.中國電機工程學報，2007，27(7):13-17.

［42］蔡凱，譚倫農(nóng)，李春林，等.時間序列與神經(jīng)網(wǎng)絡法相結合的短期風速預測［J］.電網(wǎng)技術，2008，32(8):82-8.

［43］徐富強，鄭婷婷，方葆青.基于廣義回歸神經(jīng)網(wǎng)絡(GRNN)的函數(shù)逼近［J］.巢湖學院學報，2010，12(6):11-16.