基于神經網絡的風速預測技術研究

孫愛國，黃黎，劉安國，潘健

（1.湖北工業大學電氣與電子工程學院，湖北 武漢 430068；2.鹽城市政府公共工程審計中心，江蘇 鹽城 224005；3.華中數控股份有限公司，湖北 武漢 430223；4.鹽城市路燈管理處，江蘇 鹽城 224005）

基于神經網絡的風速預測技術研究

孫愛國1,2，黃黎3，劉安國4，潘健1

（1.湖北工業大學電氣與電子工程學院，湖北 武漢 430068；2.鹽城市政府公共工程審計中心，江蘇 鹽城 224005；3.華中數控股份有限公司，湖北 武漢 430223；4.鹽城市路燈管理處，江蘇 鹽城 224005）

本文對基于神經網絡的風速預測技術進行了研究。基于風電場的實際情況與實際歷史風速數據，建立基于實際歷史風速數據與人工神經網絡的風速預測模型，對不同時間尺度下的風速進行預測，給出了不同時間尺度下的風況預測結果，并對計算結果進行了詳細分析。對時間尺度基于神經網絡的風速預測技術的影響進行了研究，設置多種場景，給出了不同場景下的風速預測結果，進而說明風速預測的輸入樣本選擇方法的合理性與正確性。

風速風向；預測；神經網絡；風電

全球風能理事全球風電發展報告預計到2021年底，全球風電裝機容量將超過800GW。與常規發電方式不同，風電出力受天氣影響較大，具有很強的間歇性、隨機性與不可控性，另外大部分風力發電具有反調峰特性，因此，不利于系統的調峰與調頻。另外，我國大部分風電遠離負荷中心、位于電力系統末端，電網較薄弱。因此，當風電裝機并網容量較大時，風電的上述特性會嚴重影響系統的不可靠性與穩定性。準確的風功率預測能夠極大方便電網的調度計劃安排，提高系統的安全性。因此，研究風速或者風功率預測技術具有重要的理論研究意義與工程應用價值。目前，已有很多與風電預測的相關研究。文獻[1]、[2]基于神經網絡模型研究了實測功率數據、不同高度氣象數據對風功率預測精度的影響。應用粒子群優化技術改進神經網絡預測模型，并對優化前后的預測結果進行對比分析，結果表明，改進預測模型性能較好、預測精度較高。文獻[3]基于相似數據、合小波分析理論，應用支持向量機對短期風速預測進行了研究。計算結果表明，數據相關度能夠有效提高預測精度，且小波分解能夠有效提高風速信號的低頻和高頻特性的擬合效果，提高了預測精度。文獻[4]基于多變量局域預測法對短期風速預測技術進行了研究，在構建的相空間中進行預測狀態點鄰域點搜尋。計算結果表明，空間構造有效改善了短期風速預測精度。文獻[5]基于徑向基函數神經元網絡技術研究了風電的預測技術，建立了風速預測的數學模型。對1h后風電輸出功率預測結果表明，預測誤差在12%左右。與實際數據與預測功率進行對比分析，驗證了所提方法的精確性與穩定性。本文對射陽風電場的風速預測技術進行研究。應用了基于神經網絡的風功率預測技術，對不同時間尺度下的預測結果進行分析，得到風功率預測的使用場景。應用射陽風電場的風速數據進行計算，并對計算結果進行詳細分析。分析結果表明，本文所提方法可以對風電場風速進行精確預測。

1 神經網絡技術

神經網絡技術作為新型人工智能技術，在各個行業領域得到了廣泛應用，近年來也越來越多的應用于風速/風功率預測技術。人工神經網絡首先進行學習，即根據外部環境刺激來調整其自由參數，來對外部環境產生新方式的過程。該過程并不會改變神經網絡單元本身，而是通過改變連接權值進行學習。學習規則如下：如果網絡學習提示錯誤，則通過反復的學習，減少下次出現相同錯誤的可能性。因此，神經網絡能夠通過反復學習，根據外部環境來提高自身的性能。學習是改變處理單元性能的元素，即連接權值。由于學習的規則存在較大差異，因此，學習過程沒有統一的表達式，但學習類型與參數形式有關。神經網絡的學習和訓練不同在于，學習是結果，而訓練是神經網絡的學習過程，本質上講，學習是神經網絡的內部過程，而訓練是神經網絡的外部過程。學習方式可以劃分為監督學習和自組織學習方法。前者在學習過程中給出目標值，神經網絡并不知道外部環境條件，而是不斷調整網絡權值與閾值來優化目標函數；后者是通過與外界環境的聯系適應最小化性能的標量索引，來完成輸入輸出映射的學習。自組織學習過程中只有輔助網絡學習的質量尺度，達到優化參數的目的。神經網絡的學習規則主要包括：Hebb學習、Delta規則、Widrow-Hoff學習規則、Correlation（相關）學習規則、Winner-Take-all學習規則等。下面詳細介紹Hebb學習規則。Hebb學習規則是無監督的學習，學習的結果是使網絡能夠總結輸入信息的統計特性，從而把輸入信息按照相似性程度來分類。這一點與人類觀察和認識世界的過程非常吻合，人類觀察和認識世界在相當程度上就是在根據事物的統計特征進行分類。Hebb規則由神經元連接間的激活水平改變權值，所以Hebb又可稱為相關學習。神經網絡中的Hebb算法可以簡單描述為：若兩神經元之間傳遞激勵信號，而且如果兩者都處于高激勵，則量神經元間的權值增加。即可表示為兩節點的連接權值是兩節點激勵的乘積，隨乘積進行改變：

對于Hebb學習，學習信號就是神經元輸出，即：

權值增量變成： Δw = αf(wTx)x ，即如果輸出ii和輸入的乘積是正的，則連接權值增加，否則減小。

2 算例分析

本節對基于神經網絡的風電場風況預測技術進行研究。

（1）基于神經網絡的風況預測。本節基于神經網絡技術對風電場的風況進行預測，預測某一天的風速與風向數據。風況數據每5分鐘采取一個數據點，共288個數據，總預測時間一天共1440分鐘，預測提前時間為2個小時。預測結果如圖1。

圖1 風況預測結果

由圖1可知，提前兩個小時對風電場風況進行預測時，風速與風向的預測曲線大致趨勢基本保持一致，雖然二者并非完全相等，但從電網調度角度來看，仍然具有很好的參考價值。另外，需要說明的是，風電預測是為了能夠對風電進行更好的調度、消納，但并非是要做到全部消納。而是希望能夠在保持風量在一定程度的基礎上，盡可能多的消納風電，并使得風電預測能夠對風電的調度更加可控?？芍?，提前兩個小時對風電場風況進行預測時，風速與風向的預測曲線大致趨勢基本保持一致，雖然二者并非完全相等，但從電網調度角度來看，仍然具有很好的參考價值。另外，需要說明的是，風電預測是為了能夠對風電進行更好的調度、消納，但并非是要做到全部消納。而是希望能夠在保持風量在一定程度的基礎上，盡可能多的消納風電，并使得風電預測能夠對風電的調度更加可控。

（2）不同時間尺度的風況預測。定義如下三種場景：場景1：提前4小時的預測結果；場景2：提前3小時的預測結果；場景3：提前2小時的預測結果。場景2的預測結果在3.3.1小節中已經給出，下面給出場景1與場景3的預測結果。不同場景下的預測誤差如表1。

表1 不同場景下的預測誤差結果

由上述計算結果可知，場景1的預測誤差最小，場景3的預測誤差最大。因此，隨著預測提前時間的增長，風速的預測精度呈現下降的趨勢。但對于風速風向的整體趨勢的預測結果與實際情況大致相符。產生上述誤差的主要原因在于風速的隨機性、波動性與不可控性太大，受氣象等因素的影響顯著。因此，無法對其進行精確預測。在目前的實際應用中并非要對風速進行高精度的預測，而是在允許誤差范圍內，能夠對其進行預測，來為電網調度、發電計劃安排等提供一定的指導作用。

3 結語

本文對基于神經網絡的鹽城地區射陽風電場風功率預測技術進行了研究。應用基于神經網絡的風功率預測的時間尺度分析，對不同時間尺度下的風功率預測技術進行了分析。

[1]武小梅，白銀明，文福栓. 基于RBF神經元網絡的風電功率短期預測[J].電力系統保護與控制，2011,39(15):80-83.

[2]高陽,鐘宏宇,陳鑫宇,等.基于神經網絡和小波分析的超短期風速預測[J].可再生能源,2016,(05):705-711.

[3]楊錫運，孫寶君，張新房，等.基于相似數據的支持向量機的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]郭創新，王揚，沈勇等.風電場短期風速的多變量局域預測法[J].中國電機工程學報，2012,32(1):24-31.

[5]楊志凌，劉永前.應用粒子群優化算法的全齊風電功率預測[J].電網技術，2011,35(5):159-164.

TM614

：A

：1671-0711（2017）12（下）-0133-02