數(shù)據(jù)分辨率影響風電功率預測精度分析

徐茂峻，雷陽，王文海，段建東

（西安理工大學電氣系，陜西 西安 710048）

數(shù)據(jù)分辨率影響風電功率預測精度分析

徐茂峻，雷陽，王文海，段建東

（西安理工大學電氣系，陜西 西安 710048）

Project Supported by Shaanxi Province Natural Science Basic research program（2014JM7255）；Shaanxi Key Discipline Construction Special Funds（5X1201）；Local Service Industrialization Special Plan of Shaanxi Education Department（2013JC24）；Xi’an Science& Technology Planning Program，and the Science&Technology Project of Gansu Electric Power Corporation（KJ［2012］239）.

還有不少的文獻利用了10 min、15 min等常用時間分辨率的數(shù)據(jù)進行風電功率短期預測，但都沒有對這些常用分辨率的數(shù)據(jù)進行深入的探討和分析。不同分辨率數(shù)據(jù)的相關性不同，利用不同時間分辨率的原始數(shù)據(jù)進行短期風電功率預測時，結(jié)果差別很大。本文提出幾種典型時間分辨率的輸入數(shù)據(jù)，結(jié)合人工神經(jīng)網(wǎng)絡［15-17］算法，最后采用了某風場的實測數(shù)據(jù)對不同分辨率數(shù)據(jù)的預測精度進行了測試，尋找合適的分辨率。

1 風電功率的波動特性

在較大的數(shù)據(jù)分辨率（秒、分級）觀測下，風電功率的變化量通常較小，而較長時間尺度（小時級）內(nèi)的變化會很大。隨著時間尺度的增大，風電功率的相對可變性呈現(xiàn)上升的趨勢［18］，盡管較短時間尺度下風電功率變化量小，但當風電并網(wǎng)規(guī)模很大時，則不可忽視。此種時間尺度下的風電波動將影響電網(wǎng)有功功率調(diào)整，如頻率實時調(diào)整、發(fā)電日前調(diào)度等。

風電功率波動的實時變化具有分散性和劇烈性，為量化該波動特性，定義風電輸出功率波動的1階差分量分布概率G，來描述風電輸出功率波動變化的劇烈程度，即：

G=NΔP/Nall（1）

式（1）中，NΔP為功率變化1階差分的某數(shù)值出現(xiàn)的次數(shù)；Nall為風電功率1階差分出現(xiàn)的總次數(shù)。

以內(nèi)陸區(qū)某風場的某單機一個月的輸出功率數(shù)據(jù)為例，本節(jié)分別對比討論了3種典型分辨率為5 min、10 min、15 min數(shù)據(jù)下的風電功率波動特性。

圖1—圖3分別給出了某西北典型風場下時間分辨率為5 min、10 min、15 min風電功率1階差分變化情況。表1列出了3種數(shù)據(jù)的均值和標準差數(shù)值比較。

表1 不同時間分辨率數(shù)據(jù)的均值和標準差Tab.1 Mean and standard deviation under different time scales

統(tǒng)計結(jié)果表明，不同時間尺度下的輸出功率測量呈現(xiàn)出了明顯的變化趨勢。

圖1 分辨率為5 min時單機出力的1階差分變化情況Fig.1 First-order difference of output power of single wind machine under 5-minute-scale

圖2 分辨率為10 min時單機出力的1階差分變化情況Fig.2 First-order difference of output power of single wind machine under 10-minute-scale

圖3 分辨率為15 min時單機出力的1階差分變化情況Fig.3 First-order difference of output power of single wind machine under 15-minute-scale

類似的，在利用風速、風向及數(shù)值天氣預報等數(shù)據(jù)進行風電功率的實際預測中也會有此變化趨勢。因而，有必要討論數(shù)據(jù)分辨率在風電功率預測精度中的影響。

2 風電功率預測及其分析方法

2.1 基于Elman神經(jīng)網(wǎng)絡的預測方法

本文基于出力為1.5 MW的雙饋式風機，在眾多相關歷史風電數(shù)據(jù)中，包括平均風速、平均功率、風向、溫度、數(shù)值天氣預報等，采集出單機間隔5 min的平均風速和風向2個影響因子，作為參考量。

同時為了提高人工神經(jīng)網(wǎng)絡的學習精度和效率，還對原始數(shù)據(jù)進行預處理，并剔出錯誤數(shù)據(jù)（主要包括風機測風儀器故障數(shù)據(jù)、風機正?；蚍钦ＭC數(shù)據(jù)、通信故障數(shù)據(jù)等）。因為考慮神經(jīng)元的飽和問題，對數(shù)據(jù)進行了歸一化處理：

1）風速歸一化，采用歷史最大風速對輸入風速數(shù)據(jù)進行歸一化處理。

2）風向歸一化，由于風向為自0°～360°的數(shù)據(jù)，通過分別取正弦值和余弦值，換算到［-1，1］區(qū)間。

對比一般人工神經(jīng)網(wǎng)絡，Elman神經(jīng)網(wǎng)絡是一種典型的局部回歸網(wǎng)絡（global feed for word local recurrent），其網(wǎng)絡（見圖4）可以看作是一個具有局部記憶單元和局部反饋鏈接的前向神經(jīng)網(wǎng)絡。類如BP神經(jīng)網(wǎng)絡，在其結(jié)構(gòu)上多了一個連接層，用于構(gòu)成局部反饋。連接層的傳輸函數(shù)為線性函數(shù)，但是多了一個延遲單元，因此連接層可以記憶過去的狀態(tài)，并在下一時刻與網(wǎng)絡的輸入一起作為隱含層的輸入，使網(wǎng)絡具有動態(tài)記憶的功能，非常適合時間序列預測問題。

圖4 Elman網(wǎng)絡結(jié)構(gòu)Fig.4 Structure of Elman neural network

2.2 分辨率影響預測精度的分析方法

為更好地對比5 min、10 min、15 min 3種原始數(shù)據(jù)時間分辨率對輸出結(jié)果的影響，除了在抽選樣本時保持統(tǒng)一外，本文還采用2種參數(shù)配置下的預測方法互成比較，降低偶然誤差：

1）僅輸入歷史風速因子。

2）輸入包含歷史風速、風向因子。

同時，考慮到風的間歇性和在白晝、四季中的分散性，分別探討了超短期預測（4 h）和短期預測（24 h）2種模式，來更好地闡述數(shù)據(jù)分辨率這一因素影響精度的問題。

為定量分析模型的有效性，需要選用適當?shù)木仍u價指標，本文采用平均絕對誤差（MAE）、均方根誤差（MSE）來分析比較預測結(jié)果：

3 實例分析

選取西北典型風場下某臺單機一月份前10 d的觀測數(shù)據(jù)作為訓練樣本，第11 d的數(shù)據(jù)作為預測樣本。就單獨輸入風速以及輸入風速和風向2種不同的情況分別利用5 min、10 min、15 min 3種時間分辨率的數(shù)據(jù)進行預測與分析。

3.1 超短期（4 h為例）預測結(jié)果

超短期的風電功率預測以典型4 h為例，圖5—圖7是短期預測4 h下5 min、10 min、15 min 3種時間分辨率的數(shù)據(jù)預測的對比結(jié)果。表2為2種方法通過3種數(shù)據(jù)預測結(jié)果的均方根誤差（MSE）、平均絕對誤差（MAE）。

圖5 時間分辨率為5 min的兩組4 h預測值Fig.5 4h power prediction of two methods under 5-minute-scale

圖6 時間分辨率為10 min的兩組4 h預測值Fig.6 4h power prediction of two methods under 10-minute-scale

表24 h預測誤差比較Tab.24 h forecasting error comparison

觀察所得的曲線可以看出這一直觀現(xiàn)象，當數(shù)據(jù)分辨較大時，預測曲線比實際曲線多出許多尖峰、毛刺；當數(shù)據(jù)分辨率變小后，預測曲線的跟隨性明顯變差。可以認為，數(shù)據(jù)分辨率大時，觀測噪聲等因素可能對預測精度占主要影響，使預測精度不高；數(shù)據(jù)分辨率小時，采樣不足，預測水平自然不夠。

從圖5—圖7和表2可以看出2種輸入分別利用3種數(shù)據(jù)進行4 h預測時，時間分辨率為10 min的原始數(shù)據(jù)使2種輸入都取得了最好的效果，平均誤差、均方根誤差都最小。當輸入變量僅為風速時，10 min預測結(jié)果較誤差最大的15 min預測結(jié)果在均方根誤差上降低了26.8%，在平均誤差上降低了31.1%。當輸入變量為風速和風向時，10 min預測結(jié)果并且較誤差最大的15 min預測結(jié)果在均方根誤差上降低了12.8%，在平均誤差上降低了10.2%。

3.2 短期（24 h為例）預測結(jié)果

同樣的，超短期的風電功率預測以典型24 h為例，圖8—圖10為單獨輸入風速以及輸入風速和風向2種方法分別利用5 min、10 min、15 min 3種時間分辨率的數(shù)據(jù)進行24 h預測的結(jié)果。表3為2種方法通過3種數(shù)據(jù)預測結(jié)果的均方根誤差（MSE）、平均絕對誤差（MAE）。

同樣的，短期預測曲線經(jīng)對比后也能獲得與超短期曲線直觀印象相類似的結(jié)論。此外，從圖8—圖10和表3具體數(shù)據(jù)中可以看出2種輸入分別利用3種數(shù)據(jù)進行24 h預測時，時間分辨率為15 min的原始數(shù)據(jù)使2種輸入都取得了最好的效果，平均誤差、均方根誤差都最小。當輸入變量僅為風速時，15 min預測結(jié)果較誤差最大的5 min預測結(jié)果在均方根誤差上降低了10.7%，在平均誤差上降低了9.1%。當輸入變量為風速和風向時，15 min預測結(jié)果并且較誤差最大的5 min預測結(jié)果在均方根誤差上降低了2.9%，在平均誤差上降低了6.1%。

圖8 時間分辨率為5 min的兩組24 h預測值Fig.8 24 h power prediction of two methods under 5-minute-scale

表3 24h預測誤差比較Tab.3 024 h forecasting error comparison

另外，本節(jié)還進行了其他分辨率下的預測統(tǒng)計工作，其變化規(guī)律同樣適應，選取上述典型情況做以說明。

4 結(jié)論

針對數(shù)據(jù)的時間分辨率問題，本文采用Elman人工神經(jīng)網(wǎng)絡算法，對典型的5 min、10 min、15 min 3種分辨率數(shù)據(jù)的預測結(jié)果進行了實際風場功率預測的分析對比：

1）風電功率預測精度的高低與風電功率原始數(shù)據(jù)時間分辨率有關。

2）時間分辨率為10 min的原始數(shù)據(jù)對超短期功率預測具有更好的結(jié)果，分辨率為15 min的數(shù)據(jù)對短期預測的結(jié)果更佳。

3）不同時間分辨率的原始數(shù)據(jù)適合不同的預測時長。采用合適的時間分辨率的原始數(shù)據(jù)進行風電功率預測，能有效提高預測精度。

［1］World wind energy association.World wind capacity has crossed 250 gigawatt［EB/OL］.（2012-11-07）.http：//www. wwindea.org/home/.

［2］劉瑞葉，黃磊.基于動態(tài)神經(jīng)網(wǎng)絡的風電場輸出功率預測［J］.電力系統(tǒng)自動化，2012，36（11）：19-22.

LIU Ruiye，HUANG Lei.Wind power forecasting for wind farms based on neural network［J］.Automation of Electric Power System，2012，36（11）：19-22（in Chinese）.

［3］洪翠，林維明，溫步瀛.風電場風速及風電功率預測方法研究綜述［J］.電網(wǎng)與清潔能源，2011，31（3）：21-22.

HONG Cui，LIN Weiming，WEN Buying.Overview on prediction methords of wind speed and wind power［J］. Power System and Clean Energy，2011，31（3）：21-22（in Chinese）.

［4］王健，嚴干貴，宋薇.風電功率預測綜述［J］.東北電力大學學報，2011，31（3）：21-22.

WANG Jian，YAN Gangui，SONG Wei.Overview on prediction of wind speed and wind power［J］.Journal of Northeast China Institute of Electric Power Engineering，2011，31（3）：21-22（in Chinese）.

［5］王麗婕，廖曉忠，高陽，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.

WANG Lijie，LIAO Xiaozhong，GAO Yang，et al.Summarization of modeling and prediction of wind power generation［J］.Power System Protection and Control，2009，37（13）：118-121（in Chinese）.

［6］ZHANG Wei，WANG Weimin.Wind speed forecasting via kalman filter［C］//2010 2nd International Conference on Advanced Computer Control（ICACC），2010（2）：73-77.

［7］SIDERATOS G，HATZIARGYRIOU N D.Probabilistic wind power forecasting using radial basis function neural networks［J］.IEEE Transactions on Power System，2012，27（4）：1788-1796.

［8］蔡凱，譚倫龍，李春林，等.時間序列與神經(jīng)網(wǎng)絡法相結(jié)合的短期風速預測［J］.電網(wǎng)技術，2008，32（8）：82-85，90.

CAI Kai，TAN Lunlong，LI Chunlin，et al.Shortterm wind speed forecasting combing time series and neural network method［J］.Power System Technology，2008，32（8）：82-85，90（in Chinese）.

［9］王曉蘭，王明偉.基于小波分解和最小二乘支持向量機的短期風速預測［J］.電網(wǎng)技術，2010，34（1）：179-184.

WANG Xiaolan，WANG Mingwei.Short-term wind speed forecasting based on wavelet decomposition and least square support vector machine［J］.Power System Technology，2010，34（1）：179-184（in Chinese）.

［10］CATALAO J P S，POUSINHO H M I，MENDES V M F. Hybrid Wavelet-PSO-ANFIS approach for short-term wind power forecasting in portugal［J］.IEEE Transactions on Sustainable Energy，2011，2（1）：50-59.

［11］孟洋洋，盧繼平，孫華利，等.基于相似日和人工神經(jīng)網(wǎng)絡的風電功率短期預測［J］.電網(wǎng)技術，2010，34（12）：164-167.

MENG Yangyang，LU Jiping，SUN Huali，et al.Shortterm wind power forecasting based on similar days and artificial neural network［J］.Power System Technology，2010，34（12）：164-167（in Chinese）.

［12］張靠社，楊劍.基于Elman神經(jīng)網(wǎng)絡的短期風電功率預測［J］.電網(wǎng)與清潔能源，2012，28（12）：87-91.

ZHANG Kaoshe，YANG Jian.Short-term wind power forecasting based on the elman neural network［J］.Power System and Clean Energy，2012，28（12）：87-91（in Chinese）.［13］彭懷午，劉方銳，楊曉峰.風基于人工神經(jīng)網(wǎng)絡的風電場短期功率預測［J］.太陽能學報，2011，32（8）：1245-1250.

PENG Huaiwu，LIU Fangrui，YANG Xiaofeng.Short-term wind power forecasting based on artificial neural network［J］. Acta Energiae Solar Sinica，2011，32（8）：1245-1250（in Chinese）.

［14］易躍春，馬月，王霽雪，等.風電場超短期風電功率預測問題研究［J］.水力發(fā)電，2013，39（7）：96-99.

YI Yuechun，MA Yue，WANG Jiexue，et al.Study on very short-term power forecasting of wind farm［J］.Water Power，2013，39（7）：96-99（in Chinese）.

［15］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.

FAN Gaofeng，WANG Weisheng，LIU Chun，et al.Wind power prediction based on artificial neural network［J］.Processings of the CSEE，2008，28（34）：118-123（in Chinese）.

［16］華晨輝，楊仲江，羅骕翾，等.基于BP神經(jīng)網(wǎng)絡的普通建筑雷災風險評估［J］.電瓷避雷器，2014（5）：60-65.

HUA Chenhui，YANG Zhongjiang，LUO Suxuan，et al. Risk assessment method of lightning disaster about ordinary buildings based on the BP neural network process［J］. Insulators and Surge Arresters，2014（5）：60-65（in Chinese）.

［17］李德超.一種基于BP神經(jīng)網(wǎng)絡的快速諧波分析算法研究［J］.電瓷避雷器，2014（6）：67-71.

LI Dechao.Study of fast harmonic analysis algorithm based on BP neural network［J］.Insulators and Surge Arresters，2014（6）：67-71（in Chinese）.

［18］崔楊，穆鋼，劉玉，等.風電功率波動的時空分布特性［J］.電網(wǎng)技術，2011，35（2）：110-114.

CUI Yang，MU Gang，LIU Yu，et al.Spatiotemporal distribution characteristic of wind power fluctuation［J］.Power System Technology，2011，35（2）：110-114（in Chinese）.

（編輯 董小兵）

Analysis of the Influence of Data Sampling on the Short-Term Wind Power Prediction Accuracy

XU Maojun，LEI Yang，WANG Wenhai，DUAN Jiandong

（Department of Electrical Engineering，Xi’an University of Technology，Xi’an 710048，Shaanxi，China）

目前對風電功率短時預測的研究主要集中在預測方法上，而缺乏對數(shù)據(jù)本身特性的探討。從實測數(shù)據(jù)出發(fā)，呈現(xiàn)3種典型分辨率5 min、10 min、15 min，并結(jié)合Elman神經(jīng)網(wǎng)絡算法對超短期（4 h）和短期（24 h）的風力發(fā)電機輸出功率進行預測分析。結(jié)果表明：分辨率為10 min的原始數(shù)據(jù)對風電輸出功率的超短期預測具有更好的結(jié)果，15 min分辨率的數(shù)據(jù)對風電功率的短期預測結(jié)果更佳。采用合理分辨率的數(shù)據(jù)后，能夠有效地提高風電功率的預測精度。

風電功率預測；時間分辨率；預測精度；Elman神經(jīng)網(wǎng)絡

At present，the study of short-term wind power prediction focuses mainly on the prediction method，but little attention is paid to the characteristics of the data itself on the wind power prediction accuracy.Based on the measured data this paper presents three typical resolutions of 5 min，10 min and 15 min，and combined with the Elman neural network algorithm conducts the forecast analysis for a single 4 h and 24 h actual wind power output.The results shows that for the ultra-short-term prediction the temporal resolution of 10 min has better results while for the short-term prediction the 15 min resolution has better results.And with adoption of the reasonable resolution data，the prediction accuracy of wind power can be improved effectively.

wind power prediction；time resolution；forecast precision；Elman neural network

1674-3814（2015）04-0095-05

TM73

A

陜西省自然科學基礎研究計劃項目（2014JM7255）；陜西省重點學科建設專項資金資助項目（5X1201）；陜西省教育廳服務地方專項計劃項目（2013JC24）；西安市科技計劃項目（CXY1441）；甘肅省電力公司科技項目（KJ［2012］239）。

2014-10-24。

徐茂峻（1993—），男，本科，研究方向為風電功率預測方法。

風能作為可再生的清潔能源，其開發(fā)熱潮已經(jīng)遍及全球。據(jù)悉，在美國、丹麥、日本以及中國等地，其年發(fā)電量已超過10億kW·h，裝機容量也以每年超過10%的速度增長［1］。但由于風速的間歇性和隨機性，風電的大規(guī)模并網(wǎng)仍會給電力系統(tǒng)運行帶來嚴峻的挑戰(zhàn)［2］。研究風電功率的波動特性，改善風電預測精度對降低風電接入電網(wǎng)的不利影響都具有十分重要的意義。

近年來，國內(nèi)外對風電功率預測方法［3-5］也進行了大量深入的研究，并取得了一系列的新成果，包括卡爾曼濾波法［6］、神經(jīng)網(wǎng)絡法［7］、時間序列法［8］、支持了向量機［9］、小波分析法［10］、相似日以及相關方法的組合［11］等。它們采用了不同分辨率的原始數(shù)據(jù)進行風電功率的預測工作，文獻［12］建立了多隱含層Elman神經(jīng)網(wǎng)絡，對時間分辨率為10 min的數(shù)據(jù)進行了1 h、24 h的短期風電功率預測，取得了更好的預測結(jié)果。文獻［13］基于人工神經(jīng)網(wǎng)絡，同樣利用時間分辨率為10 min的數(shù)據(jù)進行單一ANN和混合ANN 2種預測方法，得出混合ANN方法結(jié)合物理方法和統(tǒng)計方法的優(yōu)點能較精確地給出預測結(jié)果。文獻［14］通過了前饋神經(jīng)網(wǎng)絡，對時間分辨率為15 min的數(shù)據(jù)進行了風電功率超短期預測，得到了考慮風機歷史功率、風速因子以及天氣預報數(shù)據(jù)的風速和風向因子能夠有效提高神經(jīng)網(wǎng)絡的預報精度的結(jié)論。