基于神經(jīng)元網(wǎng)絡(luò)方法的風(fēng)電場風(fēng)電功率預(yù)報研究

孫川永，陶樹旺，彭友兵，魏磊

（1.西北電網(wǎng)有限公司，陜西西安710048；2.國家氣候中心，北京 100081；3.西安交通大學(xué) 人居環(huán)境與建筑工程學(xué)院，陜西西安710049）

風(fēng)力發(fā)電是目前技術(shù)最為成熟、最具有大規(guī)模開發(fā)和商業(yè)化發(fā)展前景的清潔可再生能源利用方式，近10年來發(fā)展極為迅速，在一些國家已經(jīng)成為比較重要的能源供給方式。隨著風(fēng)力發(fā)電的迅速發(fā)展，其弊端也逐漸凸顯。風(fēng)力發(fā)電是將空氣動能轉(zhuǎn)換為電能，其特性會直接受到風(fēng)特性的影響。風(fēng)的隨機波動性和間歇性決定了風(fēng)力發(fā)電的功率也是波動和間歇性的。當(dāng)風(fēng)電場的容量較小時，風(fēng)電對電網(wǎng)系統(tǒng)的影響并不明顯。隨著風(fēng)電場容量在系統(tǒng)中所占比例的增加，風(fēng)電對電網(wǎng)系統(tǒng)的影響就會越來越明顯，大風(fēng)速擾動會使系統(tǒng)的電壓和頻率產(chǎn)生很大的變化，嚴(yán)重時將可能使系統(tǒng)失去穩(wěn)定。風(fēng)力發(fā)電的不穩(wěn)定性對電網(wǎng)會造成很大的沖擊，很大程度上制約了風(fēng)電的發(fā)展，相關(guān)研究也對此作出了較為詳細(xì)的分析[1-4]。

風(fēng)電場風(fēng)電功率預(yù)報對于風(fēng)電的穩(wěn)定發(fā)展是至關(guān)重要的。對風(fēng)電場進(jìn)行風(fēng)電功率預(yù)測，并實時對電網(wǎng)調(diào)度計劃進(jìn)行相應(yīng)的調(diào)整，可以有效減輕風(fēng)電對電網(wǎng)的不利影響，提高風(fēng)電場運行效益。

近年，我國非常重視風(fēng)電事業(yè)的發(fā)展，隨著風(fēng)電在電網(wǎng)中比例的增加，風(fēng)電與其他常規(guī)電力資源在電網(wǎng)間的調(diào)度問題逐漸引起了國家的重視，為此，對風(fēng)電場風(fēng)電功率報問題進(jìn)行了初步研究。

1 數(shù)據(jù)和方法

采用美國科羅拉多大學(xué)的三維區(qū)域模式（Regional Atmospheric Modeling System RAMS,version 6.0）預(yù)報風(fēng)電場所在區(qū)域風(fēng)速。其基本方程是標(biāo)準(zhǔn)的雷諾平均的原始方程，采用區(qū)域嵌套方案，來實現(xiàn)所選擇區(qū)域的高分辨率模擬，模擬采用四重嵌套方案，水平格距分別為48 km,16 km,4 km,1 km，最內(nèi)層格點數(shù)為58×58。

采用美國NCEP的預(yù)報場資料作為模式的初始場和側(cè)邊界條件，第一層嵌套區(qū)域在垂直方向上采用40層格距，其余的三層嵌套區(qū)域采用42層垂直格距，以期更詳細(xì)的反應(yīng)地形對風(fēng)速的影響。地形高度資料采用美國的（TheShuttle Radar Topography Mission,SRTM）數(shù)據(jù)，水平分辨率為90 m，地表植被資料采用的是美國USGS提供的1 km水平分辨率資料。

所采用測風(fēng)數(shù)據(jù)來自風(fēng)電場區(qū)域內(nèi)70 m，高測風(fēng)塔記錄數(shù)據(jù)風(fēng)速測量高度分別為70 m、50 m、30 m、10 m。風(fēng)向測量高度為70 m、10 m，測風(fēng)儀器為美國NRG測風(fēng)儀，每十分鐘記錄一次平均風(fēng)速、風(fēng)向。所用風(fēng)電功率資料來自于風(fēng)電場內(nèi)已投入運行的風(fēng)電SCADA（Supervisory Control and Data Acquisition）系統(tǒng)的運行數(shù)據(jù)。SCADA系統(tǒng)每10分鐘記錄一次風(fēng)力發(fā)電機功率資料。

2 風(fēng)速預(yù)報結(jié)果

表1為2006—2008年各月1～84 h70 m高度月平均風(fēng)速月平均預(yù)報均方根誤差。其中2006年1月與12月缺少觀測資料。由表1可以看出1～84 h均方根誤差基本上在2~3 m之間，這與歐洲風(fēng)能預(yù)報計劃的風(fēng)速預(yù)報水平基本相當(dāng)[5]。

圖1為2006年2月1日測風(fēng)塔處70 m高度風(fēng)速預(yù)報結(jié)果。由圖1可以看出預(yù)報結(jié)果較好地反映了風(fēng)速變化趨勢，尤其是前36 h的預(yù)報結(jié)果不僅對風(fēng)速變化趨勢描述的比較準(zhǔn)確，風(fēng)速大小的預(yù)報結(jié)果也較為準(zhǔn)確。而2月4日凌晨至早上八點，預(yù)報結(jié)果明顯小于觀測值。造成這樣的結(jié)果主要是因為NCEP預(yù)報場的風(fēng)速在這段時間比較低，所以預(yù)報結(jié)果類似于預(yù)報場的結(jié)果，而并沒有真實地反映觀測值。

表1 2006—2008年各月1～84 h風(fēng)速月平均預(yù)報均方根誤差（m/s）Tab.1 RMSE of month averaged observation wind speed and prediction wind speed for 1～84 hoursfrom 2006 to 2008

圖1 2006年2月1日測風(fēng)塔處70 m高度風(fēng)速預(yù)報結(jié)果Fig.1 The forecasting wind speed at 70 m on Feb.2th in 2006

3 風(fēng)電功率預(yù)報模型的建立及其預(yù)報效果

3.1 神經(jīng)元網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)（Artificial Network,ANN）是在現(xiàn)代神經(jīng)生物學(xué)研究成果的基礎(chǔ)上發(fā)展起來的一種模擬人腦信息處理機制的網(wǎng)絡(luò)系統(tǒng)。由于其具有自學(xué)習(xí)、自組織的非線性映射能力，適合于一些信息復(fù)雜、知識背景不清楚和推理規(guī)則不明確問題的建模。自20世紀(jì)80年代中期以來，開始被應(yīng)用于如數(shù)值預(yù)報產(chǎn)品釋用、天氣預(yù)報、預(yù)報質(zhì)量保證等各個方面,同時在氣候模式、短期氣候預(yù)測、中短期天氣預(yù)報、強對流天氣和衛(wèi)星資料處理等許多領(lǐng)域,也得到了廣泛的應(yīng)用[6-10]。

BP算法是目前應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)方法之一，其各種變化形式占了實際應(yīng)用的80%~90%，很多研究者[11-15]對BP網(wǎng)絡(luò)進(jìn)行了深入研究，從不同的角度對BP網(wǎng)絡(luò)進(jìn)行了改進(jìn)并取得了顯著效果。

BP網(wǎng)絡(luò)除輸入輸出節(jié)點外，還有一層或多層隱含節(jié)點，同層節(jié)點中沒有任何連接。輸入信號從輸入層節(jié)點依次傳過各隱含節(jié)點，然后傳到輸出層節(jié)點，每層節(jié)點的輸出只影響下一層節(jié)點的輸出。BP網(wǎng)絡(luò)整體算法成熟，其信息處理能力來自于對簡單非線性函數(shù)的多次復(fù)合。BP神經(jīng)網(wǎng)絡(luò)一般結(jié)構(gòu)如圖2所示。

其中，x為訓(xùn)練樣本，yk（t）為網(wǎng)絡(luò)的實際輸出，yk（t）為網(wǎng)絡(luò)的期望輸出，wij為輸入層節(jié)點i到隱含層節(jié)點j的權(quán)值，vik為隱含層節(jié)點j到輸出層節(jié)點k的權(quán)值，θj為隱含層節(jié)點j處的閾值，γt為輸出節(jié)點t處的閾值，f（x）為激活函數(shù)。要實現(xiàn)全局誤差函數(shù)E在曲面上按梯度下降，采用梯度規(guī)則，求E對輸出層和隱含層的連接權(quán)和閾值的負(fù)梯度

圖2 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)示意圖Fig2 The construction of neural network

BP算法的數(shù)學(xué)模型是求解如下函數(shù)的最優(yōu)解問題。

按梯度下降原則，確定網(wǎng)絡(luò)的引節(jié)點數(shù)和學(xué)習(xí)速率，對于隱含層的層數(shù)，許多學(xué)者做了理論的研究。根據(jù)Lippmann[16]的研究可知，三層網(wǎng)絡(luò)可以逼近任意一個連續(xù)的函數(shù)。后來Robert Hecht Nielsen[17]研究進(jìn)一步指出：只有一個隱層的神經(jīng)網(wǎng)絡(luò)，只要節(jié)點足夠多，就可以以任意精度逼近一個非線性的函數(shù)。因此，在該方法中隱層的數(shù)目設(shè)定為一層。又根據(jù)經(jīng)驗，隱節(jié)點數(shù)一般選在輸入節(jié)點數(shù)的1～2倍之間時，能達(dá)到較好的效果。因此，在一個隱層、隱節(jié)點數(shù)為輸入節(jié)點數(shù)的1~2倍之間這兩個前提條件下進(jìn)行計算。

在本研究中,BP網(wǎng)絡(luò)采用三層網(wǎng)絡(luò)，隱層的數(shù)目設(shè)定為一層。采用雙曲型函數(shù)作為其激發(fā)函數(shù)，描述為：

3.2 風(fēng)電功率預(yù)報模型

由于資料限制，主要研究單個風(fēng)電場風(fēng)電功率預(yù)報方法，預(yù)報時效為48 h，時間間隔為15 min。利用2007年9月—2008年2月份的風(fēng)力發(fā)電機出力資料與風(fēng)速風(fēng)向預(yù)報數(shù)據(jù)通過神經(jīng)網(wǎng)絡(luò)方法對各個時刻分別進(jìn)行建模，逐個時刻進(jìn)行預(yù)報。預(yù)報因子為95 m、70 m、45 m高度處預(yù)報風(fēng)速，預(yù)報量為風(fēng)電場出力。

由于風(fēng)電場內(nèi)風(fēng)力發(fā)電機故障、維修等原因會導(dǎo)致某些風(fēng)力發(fā)電機資料缺測，導(dǎo)致每個時刻參與風(fēng)電場出力的風(fēng)力發(fā)電機臺數(shù)不一致。即使參與的風(fēng)力發(fā)電機臺數(shù)一樣，而每個時刻參與的風(fēng)力發(fā)電機編號不一樣，也會導(dǎo)致在相同的風(fēng)況條件下風(fēng)電場出力的差異。由于不能對每個時刻的天氣進(jìn)行精確地測量，也就很難對這種情形下的問題進(jìn)行考慮，所以暫不考慮因參與的風(fēng)力發(fā)電機的差異而導(dǎo)致的出力差異。但在建模時對參與出力的風(fēng)力發(fā)電機臺數(shù)小于25臺的時刻予以刪除。選擇25作為標(biāo)準(zhǔn)是在既考慮風(fēng)電場出力代表性又考慮樣本數(shù)目足夠多的條件下而定的，選擇更大的標(biāo)準(zhǔn)，樣本數(shù)較少，選擇更小的標(biāo)準(zhǔn)，參與出力的風(fēng)力發(fā)電機臺數(shù)變化太大不利于建模統(tǒng)計。圖3為2007年9月—2008年2月參與風(fēng)電場出力的風(fēng)力發(fā)電機臺數(shù)分布圖，可以看出大部分時間風(fēng)電場內(nèi)風(fēng)力發(fā)電機運行狀況良好，參與風(fēng)力發(fā)電機臺數(shù)在大部分時間為25~30臺。

圖3 2007年9月-2008年2月參與風(fēng)電場出力的風(fēng)力發(fā)電機臺數(shù)分布圖Fig.3 The distribution of wind turbine worked during 2007.9—2008.2

圖4 為 2008年3、4月份風(fēng)電場風(fēng)電功率預(yù)報均方根誤差示意圖，圖4（a）為3月份預(yù)報誤差示意圖，圖4（b）為4月份預(yù)報誤差示意圖。3月份風(fēng)電場功率預(yù)報24 h均方根誤差占裝機容量的百分比為為17.32%，48 h均方根誤差占裝機容量的百分比為18.99%。2008年4月份24 h均方根誤差占裝機容量的百分比為為23.18%，48 h均方根誤差占裝機容量的百分比為24.6%，與國際上的平均風(fēng)電功率預(yù)測誤差基本持平[12]。

圖4 2008年3、4月份風(fēng)電場風(fēng)電功率預(yù)報均方根誤差Fig.4 RMSE of wind power prediction for Mar and Apr in 2008

4 結(jié)論

利用數(shù)值模式與統(tǒng)計預(yù)報相結(jié)合的方式進(jìn)行了風(fēng)電場48 h風(fēng)電功率預(yù)報實驗。通過風(fēng)電場2008年3、4月份的實驗結(jié)果得知：3月份24 h總的平均均方根誤差站裝機容量的百分比為17.32%，4月份72 h總的平均均方根誤差占風(fēng)電場裝機容量的百分比為23.18%?；緷M足風(fēng)電場風(fēng)電功率預(yù)報的要求，對實際調(diào)度運行有一定的指導(dǎo)意義。

[1] 傅旭,李海偉,李冰寒.大規(guī)模風(fēng)電場并網(wǎng)對電網(wǎng)的影響及對策綜述[J].陜西電力，2010(1).FU Xu,LI Hai-wei,LI Bing-han.Review on Influences of Large-scale Wind Farms Power Systems and Countermeasures[J].Shaanxi Electric Power，2010(1).

[2] 呂俊昌,楊小東,沈又幸.德國風(fēng)電發(fā)展策略研究及對我國的借鑒[J].陜西電力,2011(11).LüJun-chang,YANGXiao-dong,SHEN You-xing.Wind Power Development Strategies of German and its References to China[J].Shaanxi Electric Power,2011(11).

[3] 李成家.利用秦嶺北麓中小水庫群進(jìn)行大規(guī)模抽水蓄能的研究[J].陜西電力,2010(3).LI Cheng-jia.Study on Large-scale Pumped Storage Power Station by Using Middle and Small Reservoir Group in Northern Piedmont of Qinling[J].Shaanxi Electric Power,2010(3).

[4] 時芝勇,周劍,張薇,等.2種風(fēng)電機組對電網(wǎng)三相短路電流的影響[J].陜西電力,2010(10).SHI Zhi-yong,ZHOU Jian,ZHANG Wei,et al.Probe into the Influence of Two Types of Wind Turbine on Threephase Symmetrical Short-circuit Current.[J].2010(10).

[5] GIEBEL G,BADGER J.Short-term Forecasting Using Advanced Physical Modelling-The Results of the Anemos Project Results from Mesoscale,Microscale and CFD Modeling.Anemous_physical modeling_EWWC_Wthens_2006.doc[C].2006-02-08.

[6] HALL T,BROOKS H E,DOSWELL C A.Precipitation Forecasting Usinga Neuralnetwork[J].Weather and Forecasting,1999,14:338-345.

[7] JIN L,JU W M,MIAO Q L.Study on Ann-based Multistep Prediction Model of Short-term Climatic Variation[J].Advances in Atmospheric Sciences,2000,17:157-164.

[8] MARZBAN C,WITT A.A Bayesian Neural Network for Severe-hail Size Prediction[J].Weather and Forecasting,2001,16:600-610.

[9] 劉德，李晶，劉永華，等.BP神經(jīng)網(wǎng)絡(luò)在長期天氣過程預(yù)報中的應(yīng)用實驗[J].氣象科技，2006，34(3)：250-253.LIUDe,LIJing,LIYong-hua,et al.Application Experiment of BP Neural Network Model in Long-Term Weather Forecasts[J].Me-Teorologic-al Science and Technology,2006,34(3):250-253.

[10]施丹平.人工神經(jīng)網(wǎng)絡(luò)方法在降水量級中期預(yù)報中的應(yīng)用[J].氣象，2001,27(6):40-42.SHIDan-ping.An Application of Artificial Neural Network(ANN)to Rainfall Mid-range Forecasting[J].Meteorological Monthly,2001,27(6):40-42.

[11]朱武亭，劉以建.BP網(wǎng)絡(luò)應(yīng)用中的問題及其解決[J].上海海事大學(xué)學(xué)報,2005,26(2).ZHU Wu-ting,LIU Yi-jian.Problems and Solutions of BP Neural Network[J].Journal of Shanghai Maritime Univer-sity，2005,26(2).

[12]曹均闊，舒遠(yuǎn)仲，葉水生.一種結(jié)構(gòu)自組織的改進(jìn)BP網(wǎng)絡(luò)[J].計算機工程，2005，31（17）：165-167.CAO Jun-kuo,SHU Yuan-zhong,Ye Shui-sheng.A New Structure Adaptive Improved Neural Network[J].Computer Engineering，2005，31（17）：165-167.

[13]王正武，張瑞平，劉松.BP網(wǎng)絡(luò)的一種改進(jìn)學(xué)習(xí)方法[J].數(shù)學(xué)理論與應(yīng)用,2005，25（1）：31-34.WANG Zheng-wu,ZHANG Rui-ping,LIU Song.One Improved BP Neural Network Learning Algorithm[J].Mathematical Theory and Application,2005，25（1）：31-34.

[14]李宏剛,呂輝,李剛.一種BP神經(jīng)網(wǎng)絡(luò)的改進(jìn)方法及其應(yīng)用[J].中國工程科學(xué),2005,7(5):63-65.LI Hong-gang,LüHui,LI Gang.An Improving Method of BPNeural Network and Its Application[J].Engineering Science,2005,7(5):63-65.

[15]雷景生，康耀紅.一種改進(jìn)的BP算法.海南大學(xué)學(xué)報自然科學(xué)[J].2003,21(4):326-329.LEI Jing-sheng,KANG Yao-hong.An Improved BP Algorithm and its Application[J].Natural Science Journal of Hainan University,2003,21(4):326-329.

[16]LIPPMANN R P.An Introduction to Computing with Neural Nets[J].IEEE ASSPMagazine,1987,4:4-22.

[17]HECHTNIELSENR.Theory of the Backpropagation Neural Network[J].International Joint Conference on Neural Networks,1989,1:593-605.