基于WindPro數據修正及風電場風速預測研究

張忠偉1，2，王維慶1，2王海云1，2，姚秀萍，常喜強

(1.新疆大學電氣工程學院， 新疆 烏魯木齊 830047；2.教育部可再生能源發電與并網控制工程技術研究中心，新疆 烏魯木齊 830047，3.新疆電力調度控制中心，新疆 烏魯木齊 830001)

?

基于WindPro數據修正及風電場風速預測研究

張忠偉1，2，王維慶1，2王海云1，2，姚秀萍3，常喜強3

(1.新疆大學電氣工程學院， 新疆 烏魯木齊 830047；2.教育部可再生能源發電與并網控制工程技術研究中心，新疆 烏魯木齊 830047，3.新疆電力調度控制中心，新疆 烏魯木齊 830001)

根據某風場數據，先對風場數據進行修正，剔除錯誤數據，以避免累計誤差的出現，提高預測精度。在神經網絡的輸入變量中不僅考慮了風速風向，還加入了跟大氣運動形成風能的溫度、重力常數和海拔。通過對神經網絡法的粒子群優化算法(PSO)優化和慣性權重的調整來預測風速，通過神經網絡訓練該方法能夠提高預測的準確性，能夠改善風電并網的穩定運行和電網調度的調整。

數據修正；神經網絡；粒子群優化算法(PSO)；慣性權重

0 引 言

隨著國家對風力發電的投資日益加大，風電產業的快速發展，對風力發電的技術和研究也提出了更高的要求[1-3]。其風速和風電預測對風電并網穩定運行和電力部門根據預測風速做出調整有很大影響[5]。國外對風電場風速及風電短期預測已經做了大量深入的研究，當前中國在短期和超短期風速預測的研究還沒有成型理論，特別是24～72 h預測較少[4]。準確風速預測使電網調度能夠有效調整電網計劃，并且能夠降低電力設備運轉成本[6]。由于風能不是連續存在且受到大氣運動強弱影響，造成風速隨機產生[7-8]。因此對風電場風速的預測就更加困難[9-13]。當前在運用源數據時并沒有對其進行篩選，誤差累積效應可能導致預測準確性降低并在預測過程中沒有很好的權重設定。

通過某風場1年的測風數據，在數據源頭對數據進行修正，剔除錯誤數據。并用神經網絡對修正后數據訓練，用粒子群優化算法(particle swarm optimization，PSO)對神經網絡進行優化，通過迭代次數對慣性權重進行調整。根據氣象預報來預測最近48 h風速，通過和神經網絡算法比較優化后，神經網絡算法預測準確性較好。

1 WindPro軟件對測風數據分析

由于測風數據的獲取要經過很多環節，每個環節都有可能產生誤差。而采用存在錯誤的數據進行仿真預測，無疑會增加預測的不準確性。如果不減少每個環節的誤差，就可能產生誤差的積累嚴重影響對風速的預測。因此必須提高數據的質量，剔除錯誤和無效數據。根據GB/T 18710-2002 標準規定[14]，合理性檢驗的小時平均風速在0～40 m/s，平均風向在0～360°。趨勢性檢驗的平均溫度變化小于5 ℃，平均風速小時變化小于6 m·s-1，平均氣壓小時變化小于1 kPa。

2 對測風數據進行修正

取用數據來源于某風場測風塔70 m高度1年的測風數據，風速和風向的觀測梯度是70、60、40、25、10 m。在10 m和40 m高度配有溫度觀測器，同時在10 m高度處還配有氣壓觀測器。所有使用的傳感器均通過國內氣象部門檢測機構的認證。記錄每隔10 min的風數據，由于風數據的獲取要經過很多環節，每個環節都可能出現偏差或錯誤，出現的偏差可能會對風速的預測產生較大誤差甚至會影響電力部門不能及時采取措施來減輕對電網的影響。因此測風數據的質量檢查、修正和剔除錯誤數據可以有效降低最終的預測結果。WindPro軟件具有測風數據質量檢查和剔除數據錯誤數據的功能，可以有效避免錯誤數據對風速預測產生的誤差影響，如圖1所示。

圖1 剔除錯誤數據后的風速曲線

從圖1圓圈可以看出將不滿足條件的風速剔除，對后續的風電場風速預測精度提供了有效保障。

表1是將1天中每隔10 min記錄的144個數據進行質量檢測后統計的有效數據個數，可以發現在2015年2月7日只有49個有效值，在2015年8月3日有137個有效值，與圖1的風速圖形相吻合。通過數據質量檢測能夠保證數據選擇的完整性并初步減少誤差避免造成預測不準確性。

通過WindPro軟件對原始測風數據的質量檢測剔除錯誤的數據，能夠提高原始數據的可信度，在后續的模型建立和神經網絡訓練中可以有效降低誤差并提高測測風速的可信度。

3 神經網絡模型

3.1 神經網絡法基本原理

表1 2015年有效風速表

神經網絡法主要模擬人腦各部分的結構和其功能，并且由大量協同簡單元件相互作用形成的復雜網絡。神經網絡可以學習和儲存大量的輸入-輸出映射關系，并且不需要提前揭示描述輸入-輸出映射關系的數學方程。和數字計算機相比較，神經網絡在形成原理和效用特點等方面更加類似于人腦，它不像數字計算機一步一步地執行運算，而是能夠自身適應周圍環境，總結規律，完成某種運算。基于人腦處理復雜信息的能力，應用多層前饋神經網絡(back propagation artificial neural network，BP-ANN)法的風速和風功率預測能夠被有效解決。

3.2 神經網絡模型結構絡

這里應用多層前饋神經網絡(BP神經網絡)，應用廣泛的3層網絡結構包含1個輸入層、1個隱層和1個輸出層。神經元間采用 Sigmoid 函數作為傳遞函數，然而傳統BP神經網絡算法存在如下缺點：1)由于固定的學習效率，因此網絡的收斂速度較慢，訓練的時間相應延長；2)由于BP算法可以使權值收斂到某個特定值，但并不能保證某個特定值為誤差平面的最小值，即陷入局部最小。可采用以下方法來提高BP算法的性能：1)在學習過程中采用L-M算法；2)對學習效率進行自我調治；3)引入自適應粒子群優化算法來提高收斂速度。

3.3 預測模型

神經網絡結構如圖2所示，結構中采用1個隱含層。由于以往采取的輸入層變量較為單一，只考慮風速風向，因此在一定程度上降低了預測準確性。為提高預測準確性，所討論的預測模型中的輸入層變量考慮了風速、風向、空氣密度。風電機組的輸出功率取決于風速及空氣密度，其計算如式(1)所示：

(1)

式中：Pt為風力機實際轉換的風功率；Cp為風力機功率系數；AT為風輪掃風面積；V為風速；ρa為空氣密度，而空氣密度由氣壓、溫度、重力常數、溫度傳感器的海拔決定；其計算如式(2)所示：

(2)式中：P0為用Pa表示的標準海平面氣壓(101 325Pa)；T為溫度(K)，T(K)=T(℃)+273.15;g為重力常數(9.807 m·s-2)；z為溫度傳感器的海拔，m；R為干燥空氣的比氣體常數287.04J·(kg·K)-1。將P0、R和g的值代入，則密度如式(3)所示：

(3)

將由式(3)得出的空氣密度當作神經網絡輸入層的一個輸入變量，它能夠間接反映氣壓、海拔和溫度的影響，使神經網絡的輸入更加簡便。分別對風速、風向、空氣密度進行歸一化處理。

1)風速歸一化，選取1年統計中的最大風速對風速歸一化，如式(4)所示：

(4)

式中：Vn為歸一化后的風速；Vt為測風塔觀測的風速值；Vmax為測風塔觀測的最大風速。

2)風向歸一化，認為是水平方向的風，把各個風向分成不同的扇區即把風速的水平面看成圓，分為12個扇區，規定正北方向是0°。為了區分風向，引入正弦和余弦值作為輸入。

3)溫度、氣壓、海拔通過式(3)的整合看作為空氣密度的歸一化，與風風速的歸一化方法類似，取最大空氣密度對空氣密度歸一化。神經網絡結構模型如圖2所示。

圖2 3層BP網絡結構圖

這里隱層函數選擇logsig函數，輸出層選擇purelin函數，這樣可以保證較高的預測精度。在學習過程中采用L-M算法使其具有較高的收斂速度。

3.4 粒子群算法(PSO)及優化

粒子群算法簡單可靠，訓練時間相對較短，收斂速度比較快，設置參數少，已成為現代優化算法領域研究的熱點，故通過其方法來尋求最優風速解。PSO基于信息的社會共享，通過初始化產生一群隨機粒子，通過每一次迭代來找到最優解。它假設每個粒子都有記憶所搜尋的最佳位置的信息，并且每個粒子都具有速度來決定飛行的距離和方向，速度能夠根據自身的經驗進行調整。其數學思想為：設D維空間中，有N個粒子，第i個粒子的位置為Xi=(Xi1，Xi2…Xid)；第i個粒子速度Vi=(Vi1，Vi2…Vid)；其中粒子i經歷過的最好位置為pbestj=(pi1，pi2…pid)，種群經歷過的最好位置為gbesti=(gi1，gi2…gid)；粒子i的第D維速度和位置更新公式分別為式(5)和式(6)。

(5)

(6)

算法過程如下：

1)設定粒子群的群體數目，多數情況下10個粒子已經能夠取得較好的結果，因此這里選取10個種群粒子數，并對粒子隨機定義位置和速度。

2)評價每個粒子的自適應度，c1=c2=2，ωmax=0.9，ωmin=0.3。

3)較大的ω有較好的全局收斂能力；較小的ω則有較強的局部收斂能力：因此，隨著迭代次數的增加，慣性權重應不斷減少，從而使得粒子群算法在初期具有較強的全局收斂能力，而晚期具有較強的局部收斂能力。可由式(7)不斷地調整慣性權重。

(7)

式中：ωmax為最大慣性權重；ωmin為最小慣性權重；run為當前迭代次數；runmax為算法迭代總次數。

4)對每個粒子，對比當前適應值與個體歷史最佳位置適應值(pbest)，更新適應值較高的作為歷史最佳位置(pbest)。再對比當前適應值與全局最佳位置(gbest)適應值，更新適應值較高的作為全局最佳位置(gbest)。

5)根據公式更新每個粒子的速度與位置。當沒有達到粒子群迭代次數或達到可以接受的滿意則返回步驟2)，直到算法停止。

3.5 仿真結果及分析

通過對實測值修正、神經網絡法優化和慣性權重的調整來提高預測精度。對神經網絡法和優化后神經網絡法進行對比研究。仿真結果如圖3可見，整體BP模型預測值和實際值存在較大誤差，并在4m/s風速時誤差較為明顯，最高時誤差達到17%，而經過PSO算法優化后的模型具有較好的預測準確度，在4m/s和8m/s風速時和實際值誤差較小，誤差穩定性好，具有很好的參考性。

圖3 預測誤差比較

選擇預測風速的絕對平均誤差EMAE和預測風速的均方根誤差ERMSE，通過式(8)和式(9)來評估風速預測的效果。

(8)

(9)

表2 風速預測誤差效果

從表2中可以看出，與BP神經網絡算法相比，經過優化后的BP神經網絡模型的預測準精度明顯更高，這是由于BP神經網絡容易陷入局部最小造成的，而經過優化后的BP神經網絡模型通過迭代次數不斷調整慣性權重ω，有效避免了局部最小并且提高了收斂效率。

4 結 語

提出通過修正測風數據來減少累計誤差，并在網絡的輸入變量中考慮形成風能的溫度、海拔和重力常數。使用粒子群優化算法(PSO)優化神經網絡，并在網絡訓練中通過迭代次數對慣性權重進行調整來提高收斂速度，避免陷入局部最小。由于只采用了1年的風數據資源，在數據集上對網絡訓練可能還不完善，造成預測上可能還是存在些許偏差。

[1] 羅文,王莉娜. 風場短期風速預測研究[J].電工技術學報,2011(7):68-74.

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

[3] 楊錫運,孫寶君,張新房,等. 基于相似數據的支持向量機短期風速預測仿真研究[J].中國電機工程學報,2012,32(4):35-41.

[4] Costa A, Crespo A, Navarro J, et al. A Review on the Young History of the Wind Power Short-term Prediction[J].Renewable and Sustainable Energy Reviews, 2008, 12(6):1725-1744.

[5] 戴浪,黃守道,黃科元,等. 風電場風速的神經網絡組合預測模型[J].電力系統及其自動化學報,2011(4)：27-31.

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

[7] 李莉,劉永前,楊勇平,等. 基于CFD流場預計算的短期風速預測方法[J].中國電機工程學報,2013，33(7):27-32.

[8] 孫國強,衛志農,翟瑋星. 基于RVM與ARMA誤差校正的短期風速預測[J].電工技術學報,2012(8):187-193.

[9] Joaquin Quinonero-Candela, Lars Kai Hansen. Time Series Prediction Based on the Relevance Vector Machine with Adaptive Kernels[C].IEEE International Conference on Acoustics, Speech, and Signal Processing, Hong Kong, China, 2002: 985-988.

[10] 王有祿,李淑華,宋飛. 風電場測風數據的驗證和處理方法[J].電力勘測設計,2009(1):60-66.

[11] 張國強,張伯明. 基于組合預測的風電場風速及風電機功率預測[J].電力系統自動化,2009，33(18):92-95.

[12] 卿湘運,楊富文,王行愚. 采用貝葉斯-克里金-卡爾曼模型的多風電場風速短期預測[J].中國電機工程學報,2012，32(35):107-114.

[13] 杜穎,盧繼平,李青,等. 基于最小二乘支持向量機的風電場短期風速預測[J].電網技術,2008,32(15):62-66.

[14] 邵璠,孫育河,梁嵐珍. 基于ARMA模型的風電場風速短期預測[J].電網與清潔能源,2008(7):52-55.

According to the data of a wind field, the wind field data is corrected firstly, and then the wrong data is eliminated in order to avoid the emergence of the accumulated error and to improve the prediction precision. In the input variables of neural network, it not only considers the wind speed and direction, but also the wind temperature, gravitational constant and elevation formed with atmospheric movement. Through optimizing the particle swarm optimization (PSO) of neural network method and adjusting the inertia weight, it can forecast the wind speed, and through the neural network training method it can improve the prediction accuracy, which can improve the stable operation with wind power integration and the adjustment of power grid scheduling.

data correction; neural network; particle swarm optimization (PSO); inertia weight

教育部創新團隊(IRT1285)；自治區重點實驗室(2016D03021)；國家自然科學基金(2013211A006)

TK81 <文獻標志碼：a class="emphasis_bold"> 文獻標志碼：A 文章編號：1003-6954(2016)06-0018-05文獻標志碼：a

1003-6954(2016)06-0018-05

A 文章編號：1003-6954(2016)06-0018-05

2016-08-20)