本文關(guān)鍵詞：基于人工神經(jīng)網(wǎng)絡(luò)的風(fēng)電功率預(yù)測(cè)，由筆耕文化傳播整理發(fā)布。

第32卷第22期2008年11月；電網(wǎng)技術(shù)PowerSystemTechnolog；文章編號(hào)：1000-3673（2008）22-0；Vol.32No.22；Nov.2008；基于人工神經(jīng)網(wǎng)絡(luò)的風(fēng)電功率短期預(yù)測(cè)系統(tǒng)；范高鋒，王偉勝，劉純；（中國(guó)電力科學(xué)研究院，北京市海淀區(qū)100192）；ArtificialNeuralNetworkB；FANGao-feng

第 32 卷 第 22 期 2008年 11 月

電 網(wǎng) 技 術(shù) Power System Technology

文章編號(hào)：1000-3673（2008）22-0072-05 中圖分類(lèi)號(hào)：TM73 文獻(xiàn)標(biāo)志碼：A 學(xué)科代碼：470·40

Vol. 32 No. 22

Nov. 2008

基于人工神經(jīng)網(wǎng)絡(luò)的風(fēng)電功率短期預(yù)測(cè)系統(tǒng)

范高鋒，王偉勝，劉純

（中國(guó)電力科學(xué)研究院，北京市 海淀區(qū) 100192）

Artificial Neural Network Based Wind Power Short Term Prediction System

FAN Gao-feng，WANG Wei-sheng，LIU Chun

（China Electric Power Research Institute，Haidian District，Beijing 100192，China）

ABSTRACT: Wind power prediction is important to the 系統(tǒng)的安全穩(wěn)定運(yùn)行帶來(lái)新的挑戰(zhàn)。為克服風(fēng)電波 operation of power system with comparatively large amount of 動(dòng)對(duì)電力系統(tǒng)運(yùn)行的不利影響，風(fēng)電裝機(jī)容量較大 wind power. A summarization of the research status, basic 的幾個(gè)國(guó)家都在開(kāi)發(fā)風(fēng)電功率預(yù)測(cè)系統(tǒng)。風(fēng)電功率 principle and forecast methods of wind power prediction was

presented in the paper. The system framework was designed. A wind power prediction system based on artificial neural network was established, and the system will soon be applied

預(yù)測(cè)對(duì)于電網(wǎng)安全經(jīng)濟(jì)調(diào)度、電力市場(chǎng)及風(fēng)電場(chǎng)運(yùn) 行都有重要意義。

丹麥?zhǔn)亲钤邕M(jìn)行風(fēng)電功率預(yù)測(cè)系統(tǒng)開(kāi)發(fā)的國(guó)

家之一，早在1990年Landberg就采用類(lèi)似歐洲風(fēng) in the Jilin power grid dispatch center. The system relies on

numerical weather prediction, has friendly man-machine 圖集的推理方法開(kāi)發(fā)了一套風(fēng)電功率預(yù)測(cè)系統(tǒng) 。 interface, and realizes seamless connection to the energy Prediktor 是丹麥 Ris? 國(guó)家實(shí)驗(yàn)室開(kāi)發(fā)的風(fēng)電功率 management system (EMS). The results of the test data indicate 預(yù)測(cè)系統(tǒng)，這個(gè)系統(tǒng)主要采用物理模型 。氣象數(shù) that the prediction system is reliable and the root of mean 據(jù)由數(shù)值天氣預(yù)報(bào)系統(tǒng)——高精度有限區(qū)域模型

square error (RMSE) is about 15%. The economic benefit of

[2]

[3]

the forecasting system was also estimated.

(high resolution limited area model，HIRLAM)提供。

風(fēng)電功率預(yù)測(cè)工具(wind power prediction tool，

[4]

KEY WORDS: wind power；power grid；prediction；artificial WPPT)由丹麥技術(shù)大學(xué)開(kāi)發(fā) 。自1994年一直在丹 neural network；numerical weather prediction 麥西部電力系統(tǒng)運(yùn)行，從 1999 年開(kāi)始在丹麥東部

摘要：風(fēng)電場(chǎng)輸出功率預(yù)測(cè)對(duì)接入大量風(fēng)電的電力系統(tǒng)運(yùn)行 電力系統(tǒng)運(yùn)行。Zephry 是 Ris?(Ris?已于 2007 年 1

有重要意義。該文綜述國(guó)內(nèi)外風(fēng)電功率預(yù)測(cè)技術(shù)的研究現(xiàn) 月 1 日并入丹麥技術(shù)大學(xué))和丹麥技術(shù)大學(xué)聯(lián)合開(kāi)

建立基于人工神經(jīng)網(wǎng)絡(luò)的風(fēng)電功率預(yù)測(cè)系統(tǒng)，該系統(tǒng)即將

發(fā)的新一代短期風(fēng)電功率預(yù)測(cè)程序 。Zephry集合

應(yīng)用于吉林電網(wǎng)調(diào)度中心。該系統(tǒng)以數(shù)值天氣預(yù)報(bào)為基

礎(chǔ)，具有良好的人機(jī)界面，實(shí)現(xiàn)了與能量管理系統(tǒng)(energy

management system，EMS)的無(wú)縫連接。對(duì)測(cè)試數(shù)據(jù)的預(yù)測(cè)

了Prediktor和WPPT的功能。

Previento 是德國(guó)奧爾登堡大學(xué)開(kāi)發(fā)的風(fēng)電功 率預(yù)測(cè)系統(tǒng)，它可以對(duì)一個(gè)較大的區(qū)域給出2天內(nèi)

結(jié)果表明，該預(yù)測(cè)系統(tǒng)能夠可靠工作，預(yù)測(cè)結(jié)果的均方根

的功率預(yù)測(cè) 。它的預(yù)測(cè)方法和Prediktor類(lèi)似。高

誤差在 15%左右。最后，該文對(duì)風(fēng)電功率預(yù)測(cè)系統(tǒng)的經(jīng)濟(jì)

效益進(jìn)行估算。 diction tool，AWPPT)是 ISET(德國(guó)太陽(yáng)能研究所)

級(jí)風(fēng)電功率預(yù)測(cè)工具(advanced wind power pre-

[7] 開(kāi)發(fā)的風(fēng)電功率管理系統(tǒng)WPMS 的一部分 。風(fēng)電

關(guān)鍵詞：風(fēng)電；電網(wǎng)；預(yù)測(cè)；人工神經(jīng)網(wǎng)絡(luò)；數(shù)值天氣預(yù)報(bào)

0 引言

功率管理系統(tǒng)包括在線(xiàn)監(jiān)視系統(tǒng)、短期預(yù)測(cè)系統(tǒng) (1~8h)和天前預(yù)測(cè)系統(tǒng)。這個(gè)模型的特點(diǎn)是：1）采

風(fēng)力發(fā)電在全球范圍內(nèi)快速發(fā)展，截止到2007 用德國(guó)氣象局提供的數(shù)值天氣預(yù)報(bào)；2）用人工神

年底，世界風(fēng)電累計(jì)裝機(jī)容量達(dá)到93849MW，其 經(jīng)網(wǎng)絡(luò)計(jì)算風(fēng)電場(chǎng)的功率輸出；3）用在線(xiàn)外推模

[1]

中我國(guó)風(fēng)電累計(jì)裝機(jī)容量為5899MW 。風(fēng)電是一 型計(jì)算注入到電網(wǎng)總的風(fēng)電功率。

種間歇性、波動(dòng)性電源，大規(guī)模風(fēng)電的接入對(duì)電力 ANEMOS是歐盟資助的一個(gè)研究項(xiàng)目，共有7

第 32 卷 第 22 期

電 網(wǎng) 技 術(shù)

[17]

73

個(gè)國(guó)家的23家科研機(jī)構(gòu)參與。ANEMOS的目的是 開(kāi)發(fā)用于陸地和海上的風(fēng)電功率預(yù)測(cè)系統(tǒng)。

regressive moving average，ARMA)模型法 、卡爾

[18]

曼濾波算法

[19]

ANEMOS將物理方法和統(tǒng)計(jì)方法結(jié)合在一起。

或時(shí)間序列法和卡爾曼濾波算法相

eWind是美國(guó)AWS Truewind公司開(kāi)發(fā)的風(fēng)功

結(jié)合 ，另外還有一些智能方法，如人工神經(jīng)網(wǎng)絡(luò) 方法 等。這些方法預(yù)測(cè)的時(shí)間尺度較短。對(duì)于 0~3 h 的預(yù)測(cè)，因?yàn)槠渥兓饕纱髿鈼l件的持續(xù) [13,16] 性決定，因此不采用數(shù)值天氣預(yù)報(bào)數(shù)據(jù)也可得到較 好的預(yù)測(cè)結(jié)果；對(duì)于時(shí)間尺度超過(guò) 3h 的預(yù)測(cè)，不

。它主要包括4個(gè)部分：1）一組高精 率預(yù)測(cè)系統(tǒng)[8]

度的3維大氣物理數(shù)學(xué)模型；2）適應(yīng)性統(tǒng)計(jì)模型；

3）風(fēng)電場(chǎng)輸出模型；4）預(yù)測(cè)結(jié)果發(fā)布系統(tǒng)。

其它風(fēng)電功率預(yù)測(cè)系統(tǒng)主要還有西班牙馬德

里卡洛斯三世大學(xué)(Carlos III of Madrid)開(kāi)發(fā)的

sipre?lico[9] 、西班牙可再生能源中心開(kāi)發(fā)的

LocalPred-RegioPred、在Madeira 島和Crete 島運(yùn)行

考慮數(shù)值天氣預(yù)報(bào)數(shù)據(jù)無(wú)法反映大氣運(yùn)動(dòng)的本質(zhì)， 因此也難以得到較好的預(yù)測(cè)結(jié)果。

現(xiàn)在研究的風(fēng)電場(chǎng)輸出功率預(yù)測(cè)都把數(shù)值天

氣預(yù)報(bào)數(shù)據(jù)作為一組重要輸入數(shù)據(jù)�？紤]了地形、 粗糙度等信息采用物理方程進(jìn)行預(yù)測(cè)的方法稱(chēng)為 物理方法，根據(jù)歷史數(shù)據(jù)進(jìn)行統(tǒng)計(jì)分析，找出其內(nèi) 在規(guī)律并用于預(yù)測(cè)的方法稱(chēng)之為統(tǒng)計(jì)方法。如果物 理方法和統(tǒng)計(jì)方法都采用則稱(chēng)之為綜合方法。

采用數(shù)值天氣預(yù)報(bào)數(shù)據(jù)的風(fēng)電場(chǎng)輸出功率預(yù)

的More-Care系統(tǒng)[10] 以及愛(ài)爾蘭開(kāi)發(fā)的Honeymoon

系統(tǒng) 等。 [11]

目前，國(guó)內(nèi)對(duì)風(fēng)電功率預(yù)測(cè)的研究較少。文

獻(xiàn)[12]探討了風(fēng)電場(chǎng)的短期風(fēng)速預(yù)測(cè)，結(jié)合實(shí)例闡 述了時(shí)間序列法在短期風(fēng)速預(yù)測(cè)中的應(yīng)用，但沒(méi)有 給出風(fēng)電場(chǎng)輸出功率的預(yù)測(cè)。文獻(xiàn)[13]基于時(shí)間序 列法和神經(jīng)網(wǎng)絡(luò)法對(duì)風(fēng)速和風(fēng)電場(chǎng)功率進(jìn)行了研 究，這種時(shí)序神經(jīng)網(wǎng)絡(luò)模型本質(zhì)上還是以時(shí)間序列 為基礎(chǔ)，對(duì)較長(zhǎng)時(shí)間的預(yù)測(cè)效果會(huì)比較差。文獻(xiàn)[14] 研究了基于神經(jīng)網(wǎng)絡(luò)的風(fēng)電場(chǎng)風(fēng)速時(shí)間序列的預(yù) 測(cè)，沒(méi)有對(duì)風(fēng)電場(chǎng)的輸出功率進(jìn)行預(yù)測(cè)。文獻(xiàn)[15] 研究了基于歷史數(shù)據(jù)的風(fēng)電場(chǎng)功率短期預(yù)測(cè)方法， 因?yàn)闆](méi)有采用數(shù)值天氣預(yù)報(bào)數(shù)據(jù)，預(yù)測(cè)的時(shí)間尺度 限制在1~6h。而電網(wǎng)的運(yùn)行調(diào)度需要至少未來(lái) 24h

測(cè)的基本流程如圖1所示。從數(shù)值天氣預(yù)報(bào)系統(tǒng)獲

得氣象資料，輸入預(yù)測(cè)程序，得到風(fēng)電場(chǎng)的輸出功 率。預(yù)測(cè)程序可采用物理方法，也可采用統(tǒng)計(jì)方法 或2種方法的結(jié)合。

數(shù)值天氣預(yù)報(bào)

預(yù)測(cè)程序

的預(yù)測(cè)數(shù)據(jù)，1~6 h 的預(yù)測(cè)顯然不能滿(mǎn)足電網(wǎng)調(diào)度 的需要。這些研究主要問(wèn)題是沒(méi)有采用數(shù)值天氣預(yù) 報(bào)數(shù)據(jù)，預(yù)測(cè)的時(shí)間尺度難以提高。

目前，國(guó)外的風(fēng)電功率預(yù)測(cè)系統(tǒng)還處于不斷更 新和完善之中，國(guó)內(nèi)還沒(méi)有實(shí)用的風(fēng)電功率預(yù)測(cè)系 統(tǒng)。本文以數(shù)值天氣預(yù)報(bào)數(shù)據(jù)為基礎(chǔ)，提出風(fēng)電功 率預(yù)測(cè)系統(tǒng)的整體框架，，建立基于 BP 神經(jīng)網(wǎng)絡(luò)模 型的風(fēng)電功率預(yù)測(cè)系統(tǒng)，該系統(tǒng)即將應(yīng)用于吉林電 網(wǎng)調(diào)度中心。

風(fēng)電場(chǎng)功率

圖 1 風(fēng)電場(chǎng)輸出功率預(yù)測(cè)流程圖 Fig. 1 Flowchart of wind power prediction

1.2 物理方法

風(fēng)電功率預(yù)測(cè)的物理方法預(yù)測(cè)流程如圖 2 所 示。根據(jù)數(shù)值天氣預(yù)報(bào)系統(tǒng)的預(yù)測(cè)結(jié)果得到風(fēng)速、

數(shù)值天氣預(yù)報(bào) (風(fēng)速、風(fēng)向、氣壓、氣溫等) 轉(zhuǎn)換到輪轂高度 (等高線(xiàn)、粗糙度、障礙物等) 風(fēng)電場(chǎng)功率曲線(xiàn) (尾流、機(jī)組可用情況)

1 風(fēng)電功率預(yù)測(cè)的基本原理

1.1 預(yù)測(cè)的基本流程

早期的風(fēng)電功率預(yù)測(cè)研究大多不采用數(shù)值天

氣預(yù)報(bào)數(shù)據(jù)。最簡(jiǎn)單的預(yù)測(cè)模型是持續(xù)預(yù)測(cè)法，這 種方法認(rèn)為風(fēng)速預(yù)測(cè)值等于最近幾個(gè)風(fēng)速值的滑 動(dòng)平均值。通常認(rèn)為最近一點(diǎn)的風(fēng)速值為下一點(diǎn)的 風(fēng)速預(yù)測(cè)值[16] 。該模型的預(yù)測(cè)誤差較大，且預(yù)測(cè)結(jié)

風(fēng)電場(chǎng)輸出功率預(yù)測(cè) 整個(gè)區(qū)域風(fēng)電功率預(yù)測(cè)

果不穩(wěn)定。改進(jìn)的方法有自回歸滑動(dòng)平均(auto

圖 2 物理方法預(yù)測(cè)流程圖

Fig. 2 Prediction flowchart of the physical method

74

范高鋒等：基于人工神經(jīng)網(wǎng)絡(luò)的風(fēng)電功率短期預(yù)測(cè)系統(tǒng) Vol. 32 No.22

風(fēng)向、氣壓、氣溫等天氣數(shù)據(jù)。然后根據(jù)風(fēng)電場(chǎng) 周?chē)雀呔�(xiàn)、粗糙度、障礙物、溫度分層等信息， 采用類(lèi)似與 WAsP 程序的計(jì)算方法，計(jì)算得到風(fēng) 電機(jī)組輪轂高度的風(fēng)速、風(fēng)向、氣溫、氣壓等信 息。然后根據(jù)風(fēng)電場(chǎng)的功率曲線(xiàn)計(jì)算得到風(fēng)電場(chǎng) 的輸出功率。因?yàn)樵诓煌娘L(fēng)向下，不同的溫度 條件下，即使風(fēng)速相同，風(fēng)電場(chǎng)輸出功率也不相 等，因此，風(fēng)電場(chǎng)功率曲線(xiàn)是一族曲線(xiàn)。對(duì)整個(gè) 區(qū)域的風(fēng)電功率預(yù)測(cè)，預(yù)測(cè)的方法有2種：1）對(duì) 所有的風(fēng)電場(chǎng)輸出功率進(jìn)行預(yù)測(cè)，然后求和得到； 2）只對(duì)幾個(gè)風(fēng)電場(chǎng)進(jìn)行預(yù)測(cè)，然后用一種擴(kuò)展算

化網(wǎng)絡(luò)的結(jié)構(gòu)和權(quán)值，然后根據(jù)輸入樣本前向計(jì)算 BP網(wǎng)絡(luò)每層神經(jīng)元的輸入信號(hào)和輸出信號(hào)，根據(jù)期 望輸出計(jì)算反向誤差，對(duì)權(quán)值進(jìn)行修正，如果誤差

小于給定值或迭代次數(shù)超過(guò)設(shè)定值，則結(jié)束學(xué)習(xí)。 2.3 用于風(fēng)電功率預(yù)測(cè)的神經(jīng)網(wǎng)絡(luò)模型

風(fēng)電場(chǎng)輸出功率的影響因素主要有風(fēng)速、風(fēng)

向、氣溫、氣壓、濕度等，因此這些數(shù)據(jù)構(gòu)成 BP 神經(jīng)網(wǎng)絡(luò)的基本輸入數(shù)據(jù)空間，神經(jīng)網(wǎng)絡(luò)的輸出是 風(fēng)電場(chǎng)的功率。

為了提高神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)效率，提高預(yù)測(cè)精

法得到整個(gè)區(qū)域的風(fēng)電場(chǎng)輸出功率。 1.3 統(tǒng)計(jì)方法

度，需要對(duì)數(shù)據(jù)進(jìn)行歸一化處理：

1）風(fēng)速歸一化。采用多年統(tǒng)計(jì)的極限風(fēng)速對(duì) 風(fēng)速數(shù)據(jù)進(jìn)行歸一化為

vmax

式中：vg為歸一化后的風(fēng)速值；vt為數(shù)值天氣預(yù)報(bào)系 統(tǒng)預(yù)測(cè)的風(fēng)速值；vmax 為氣象觀(guān)測(cè)的歷史最大風(fēng)速。

2）風(fēng)向歸一化。風(fēng)向指風(fēng)的方向，是把圓周 分成360°，正北方向是0°。為了區(qū)分所有的風(fēng)向，

統(tǒng)計(jì)方法不考慮風(fēng)速變化的物理過(guò)程，而根

據(jù)歷史統(tǒng)計(jì)數(shù)據(jù)找出天氣狀況與風(fēng)電場(chǎng)出力的關(guān)

系，然后根據(jù)實(shí)測(cè)數(shù)據(jù)和數(shù)值天氣預(yù)報(bào)數(shù)據(jù)對(duì)風(fēng) 電場(chǎng)輸出功率進(jìn)行預(yù)測(cè)，常用的預(yù)測(cè)方法有時(shí)間

[20]

序列法、BP神經(jīng)網(wǎng)絡(luò)方法(BP neural networks) 、

徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)(RBF neural networks)和支持

[7]

向量機(jī)(support vector machines，SVM) 等。

需要取風(fēng)向的正弦和余弦2個(gè)值作為輸入。

2 BP神經(jīng)網(wǎng)絡(luò)算法及預(yù)測(cè)系統(tǒng)

3）氣溫、氣壓、濕度的歸一化采用和風(fēng)速歸一 化類(lèi)似的方法，取氣象觀(guān)測(cè)的最大值進(jìn)行歸一化。

神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)如圖4所示。

隱含層

輸入層 風(fēng)速 風(fēng)向正弦

2.1 BP神經(jīng)網(wǎng)絡(luò)

BP 神經(jīng)網(wǎng)絡(luò)是指基于誤差反向傳播算法的多

層前向神經(jīng)網(wǎng)絡(luò)，采用有導(dǎo)師的訓(xùn)練方式 。它能

[21]

夠以任意精度逼近任何非線(xiàn)性映射；可以學(xué)習(xí)和自 適應(yīng)未知信息；具有分布式信息存儲(chǔ)與處理結(jié)構(gòu)， 具有一定的容錯(cuò)性，因此構(gòu)造出來(lái)的系統(tǒng)具有較好 的魯棒性，適合處理復(fù)雜問(wèn)題。 2.2 BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法

氣溫 …

BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法如圖3所示。首先初始

氣壓 濕度

初始化 給定輸入向量和目標(biāo)向量 求隱含層、輸出層各節(jié)點(diǎn)輸出 求目標(biāo)值與實(shí)際值輸出的偏差

計(jì)算反向誤差 權(quán)值學(xué)習(xí) 否

學(xué)習(xí)結(jié)束 是 結(jié)束

圖 4 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

Fig. 4 Structure of BP neural networks

圖 3 BP 網(wǎng)絡(luò)的學(xué)習(xí)流程

Fig. 3 Flow chart of BP network learning

2.4 預(yù)測(cè)系統(tǒng)的結(jié)構(gòu)

目前電網(wǎng)對(duì)風(fēng)電功率預(yù)測(cè)的基本要求是當(dāng)天預(yù) 測(cè)次日的風(fēng)電場(chǎng)輸出功率，時(shí)間分辨率為15 min。 要求不但能夠預(yù)測(cè)單個(gè)風(fēng)電場(chǎng)的輸出功率，而且能 夠預(yù)測(cè)整個(gè)區(qū)域的風(fēng)電場(chǎng)輸出功率。風(fēng)電功率預(yù)測(cè) 系統(tǒng)要與 EMS 系統(tǒng)有很好的接口。同時(shí)，風(fēng)電功 率預(yù)測(cè)系統(tǒng)需要在調(diào)度系統(tǒng)的網(wǎng)絡(luò)中運(yùn)行，其網(wǎng)絡(luò) 結(jié)構(gòu)和安全防護(hù)方案要滿(mǎn)足二次系統(tǒng)安全防護(hù)規(guī) 定的要求。

第 32 卷 第 22 期

電 網(wǎng) 技 術(shù)

350280

75

風(fēng)電功率預(yù)測(cè)系統(tǒng)的模塊劃分及軟件結(jié)構(gòu)如 圖5所示。各軟件模塊功能如下：

1）預(yù)測(cè)系統(tǒng)數(shù)據(jù)庫(kù)是預(yù)測(cè)系統(tǒng)的數(shù)據(jù)中心， 各軟件模塊均通過(guò)系統(tǒng)數(shù)據(jù)庫(kù)完成數(shù)據(jù)的交互。 系統(tǒng)數(shù)據(jù)庫(kù)存儲(chǔ)來(lái)自數(shù)值天氣預(yù)報(bào)處理模塊的數(shù) 值天氣預(yù)報(bào)數(shù)據(jù)、預(yù)測(cè)程序產(chǎn)生的預(yù)測(cè)結(jié)果數(shù)據(jù)、 EMS系統(tǒng)接口程序產(chǎn)生的實(shí)時(shí)風(fēng)電功率數(shù)據(jù)等。

2）數(shù)值天氣預(yù)報(bào)模塊從數(shù)值天氣預(yù)報(bào)服務(wù)商 的服務(wù)器下載數(shù)值天氣預(yù)報(bào)數(shù)據(jù)，經(jīng)過(guò)處理后形 成各預(yù)測(cè)風(fēng)電場(chǎng)預(yù)測(cè)時(shí)段的數(shù)值天氣預(yù)報(bào)數(shù)據(jù)， 送入預(yù)測(cè)系統(tǒng)數(shù)據(jù)庫(kù)。

3）預(yù)測(cè)模塊從系統(tǒng)數(shù)據(jù)庫(kù)中取出數(shù)值天氣預(yù) 報(bào)數(shù)據(jù)，預(yù)測(cè)模型計(jì)算出風(fēng)電場(chǎng)的預(yù)測(cè)結(jié)果，并 將預(yù)測(cè)結(jié)果送回系統(tǒng)數(shù)據(jù)庫(kù)。

4）EMS系統(tǒng)接口模塊將各風(fēng)電場(chǎng)的實(shí)時(shí)功率 數(shù)據(jù)傳送到系統(tǒng)數(shù)據(jù)庫(kù)中，同時(shí)將預(yù)測(cè)結(jié)果從系 統(tǒng)數(shù)據(jù)庫(kù)上取出，發(fā)送給EMS系統(tǒng)。

5）圖形用戶(hù)界面模塊實(shí)現(xiàn)系統(tǒng)與用戶(hù)的交互， 完成數(shù)據(jù)及曲線(xiàn)顯示，系統(tǒng)管理及維護(hù)等功能。

數(shù)值天氣預(yù)報(bào)

預(yù)測(cè)功率 誤差帶

功

70

2007–10–15

2007–10–13

2007–10–17日期

2007–10–19

圖 6 風(fēng)電功率預(yù)測(cè)系統(tǒng)輸出結(jié)果

實(shí)際功率 210Fig. 6 Results of the wind power prediction system W

測(cè)，預(yù)測(cè)曲線(xiàn)基本上與實(shí)測(cè)曲線(xiàn)變化規(guī)律一致，預(yù) 140 測(cè)結(jié)果的均方根誤差在15%左右。

M

3 預(yù)測(cè)系統(tǒng)經(jīng)濟(jì)效益

如果沒(méi)有風(fēng)電功率預(yù)測(cè)系統(tǒng)，系統(tǒng)的旋轉(zhuǎn)備

用容量除了滿(mǎn)足負(fù)荷的波動(dòng)外，還要滿(mǎn)足風(fēng)電功 率的波動(dòng)。理論上講，為風(fēng)電所留出的旋轉(zhuǎn)備用 要與風(fēng)電裝機(jī)容量相當(dāng)。所以，風(fēng)電的接入會(huì)導(dǎo) 致常規(guī)機(jī)組負(fù)荷率降低，機(jī)組煤耗增加。

如果有風(fēng)電功率預(yù)測(cè)系統(tǒng)，把風(fēng)電功率納入

調(diào)度計(jì)劃。那么為風(fēng)電所留出的旋轉(zhuǎn)備用只需要 滿(mǎn)足風(fēng)電功率的預(yù)測(cè)誤差即可。因此風(fēng)電功率預(yù) 測(cè)能夠提高機(jī)組負(fù)荷率，降低機(jī)組煤耗，有利于 節(jié)能減排和提高經(jīng)濟(jì)效益。

以吉林電網(wǎng)冬季的典型運(yùn)行方式為例，最大

圖形用戶(hù)界面

預(yù)測(cè)數(shù)據(jù)庫(kù) 預(yù)測(cè)程序

圖 5 預(yù)測(cè)系統(tǒng)結(jié)構(gòu) Fig. 5 Prediction system diagram

電力5 872 MW，峰谷差2 060 MW，日發(fā)電量

2.5 預(yù)測(cè)結(jié)果

采用開(kāi)發(fā)的預(yù)測(cè)系統(tǒng)對(duì)吉林省同發(fā)、雙遼、洮 南、洮北、長(zhǎng)嶺、查干浩特6個(gè)風(fēng)電場(chǎng)進(jìn)行預(yù)測(cè)， 6個(gè)風(fēng)電場(chǎng)總裝機(jī)容量為326.4MW。訓(xùn)練數(shù)據(jù)采用 了 2007年 6月—2008年4月的數(shù)值天氣預(yù)報(bào)數(shù)據(jù) 和風(fēng)電場(chǎng)輸出的功率數(shù)據(jù)，測(cè)試數(shù)據(jù)為 2008 年 5 月—2008年7月2個(gè)月的數(shù)據(jù)。

對(duì)于 BP 神經(jīng)網(wǎng)絡(luò)，3 層網(wǎng)絡(luò)理論上就可以逼 近任何非線(xiàn)性函數(shù)，因此選擇包含 1個(gè)隱含層的 3 層網(wǎng)絡(luò)。網(wǎng)絡(luò)隱層神經(jīng)元傳遞函數(shù)采用S型正切函 數(shù)，輸出層神經(jīng)元傳遞函數(shù)采用S型對(duì)數(shù)函數(shù)。隱 層節(jié)點(diǎn)數(shù)會(huì)影響預(yù)測(cè)精度。經(jīng)逐一篩選分析，當(dāng)網(wǎng) 絡(luò)的隱層節(jié)點(diǎn)數(shù)為19時(shí)，訓(xùn)練樣本誤差最小，均方 根誤差為8.9%；隱層節(jié)點(diǎn)數(shù)繼續(xù)增加，出現(xiàn)過(guò)學(xué)習(xí) 現(xiàn)象，網(wǎng)絡(luò)外推能力變差，預(yù)測(cè)誤差反而增大。

圖 6是1周的天前預(yù)測(cè)曲線(xiàn)。預(yù)測(cè)結(jié)果表明：

115 189 MW?h。如果沒(méi)有風(fēng)電，留出300 MW旋

轉(zhuǎn)備用，平均發(fā)電負(fù)荷率為77.8%。現(xiàn)在接入 326.4 MW風(fēng)電，如果沒(méi)有風(fēng)電功率預(yù)測(cè)，原則上 講需要增加326.4 MW旋轉(zhuǎn)備用，平均發(fā)電負(fù)荷率 將降低到73.9%。如果有風(fēng)電功率預(yù)測(cè)，預(yù)測(cè)誤差 按20%計(jì)，只需要增加65MW旋轉(zhuǎn)備用，平均發(fā)電 負(fù)荷率為76.9%。

據(jù)統(tǒng)計(jì)，發(fā)電負(fù)荷率升高1%，煤耗降低 1g/(kW?h)。這樣在這個(gè)典型日可節(jié)煤345t，經(jīng)濟(jì) 效益約35萬(wàn)元，經(jīng)濟(jì)和環(huán)境效益顯著。另外，風(fēng) 電功率預(yù)測(cè)還能增強(qiáng)電網(wǎng)的安全性，提高電網(wǎng)的 風(fēng)電接納能力，減少風(fēng)電場(chǎng)的電量損失。

4 結(jié)語(yǔ)

本文對(duì)風(fēng)電功率預(yù)測(cè)的原理、方法及預(yù)測(cè)系 統(tǒng)的結(jié)構(gòu)進(jìn)行了研究，基于人工神經(jīng)網(wǎng)絡(luò)建立了 風(fēng)電場(chǎng)輸出功率預(yù)測(cè)系統(tǒng)。對(duì)吉林電網(wǎng)的風(fēng)電場(chǎng)

本文開(kāi)發(fā)的預(yù)測(cè)系統(tǒng)能夠進(jìn)行風(fēng)電場(chǎng)輸出功率預(yù)

76 范高鋒等：基于人工神經(jīng)網(wǎng)絡(luò)的風(fēng)電功率短期預(yù)測(cè)系統(tǒng)

Power，2005(6)：21-24(in Chinese)．

Vol. 32 No.22

輸出功率進(jìn)行了預(yù)測(cè)，結(jié)果表明，預(yù)測(cè)系統(tǒng)能夠 可靠工作，預(yù)測(cè)結(jié)果的均方誤差在15%左右。

今后的工作主要有，進(jìn)一步開(kāi)發(fā)更精確的預(yù) 測(cè)模型，不斷對(duì)預(yù)測(cè)系統(tǒng)進(jìn)行完善，為大規(guī)模風(fēng) 電接入電網(wǎng)提供堅(jiān)強(qiáng)的技術(shù)支撐。

[13] 楊秀媛，肖洋，陳樹(shù)勇．風(fēng)電場(chǎng)風(fēng)速和發(fā)電功率預(yù)測(cè)研究[J]．中

國(guó)電機(jī)工程學(xué)報(bào)，2005，25(11)：1-5．

Yang Xiuyuan，Xiao Yang，Chen Shuyong．Wind speed and generated power forecasting in wind farm[J]．Proceedings of the

CSEE，2005，25(11)：1-5(in Chinese)．

[14] 肖永山，王維慶，霍曉萍．基于神經(jīng)網(wǎng)絡(luò)的風(fēng)電場(chǎng)風(fēng)速時(shí)間序

列預(yù)測(cè)研究[J]．節(jié)能技術(shù)，2007，25(2)：106-108． Xiao Yongshan，Wang Weiqing，Huo Xiaoping．Study on the time-series wind speed forecasting of the wind farm based on neural networks[J]．Energy Conservation Technology，2007，25(2)： 106-108(in Chinese)．

[15] 韓爽．風(fēng)電場(chǎng)功率短期預(yù)測(cè)方法研究[D]．北京：華北電力大學(xué)，

2008．

[16] lexiadis M A，Dokopoulos P，samanoglou H S，et al．Short term

forecasting of wind speed and related electrical power[J]．Solar

參考文獻(xiàn)

[1] World Wind Energy Association．Wind turbines generate more

than 1% of the global electricity[EB/OL]．(2008-02-21)[2008- 03-20]．http：//www.wwindea.org．

[2] Landberg L，Watson S J．Short-term prediction of local wind

conditions[J]．Bounddary-Layer Meteorology，1994，70(1)： 171-195．

[3] Landberg L．Prediktor：an on-line prediction system[C]．Wind

Power for the 21st Century，EUWEC Special Topic Conference，

Kassel，2000．

[4] Nielsen T S．Madsen H．WPPT：a tool for wind power

Energy，1998，63(1)：61-68．

[17] Boone A．Simulation of short-term wind speed forecast errors

prediction[C]．EWEA Special Topic Conference，Kassel，2000． [5] Giebel G，Landberg L，Joensen Alfred K，et al．The zephyr-project：

the next generation prediction system[C]．Procedings of Wind Power for the 21st Century，Kassel，Germany，2000． [6] Lange M，F(xiàn)ocken U，Heinemann D．Previento-regional wind power

prediction with risk control[C]．Proceedings of the World Wind

using a multi-variate arma(1,1) time-series model[D]．Stockholm，

Sweden：Royal Institute of Technology，2005． [18] 王耀南，孫春順，李欣然．用實(shí)測(cè)風(fēng)速校正的短期風(fēng)速仿真研

究[J]．中國(guó)電機(jī)工程學(xué)報(bào)，2008，28(11)：94-100． Wang Yaonan，Sun Chunshun，Li Xinran．Short-term wind speed

simulation corrected with field measured wind speed[J]．Proceedings of the CSEE，2008，28(11)：94-100(in Chinese)．

Energy Conference，Berlin，2002．

[7] Lange B，Rohrig K，Ernst B，et al．Wind power prediction in [19] 潘迪夫，劉輝，李燕飛．基于時(shí)間序列分析和卡爾曼濾波算法

Germany：recent advances and future challenges[C]．European Wind Energy Conference，Athens，2006．

[8] Zack J W．Brower M C，Bailey B H．Validating of the forewind

的風(fēng)電場(chǎng)風(fēng)速預(yù)測(cè)優(yōu)化模型[J]．電網(wǎng)技術(shù)，2008，32(7)：82-86． Pan Difu，Liu Hui，Li Yanfei．A wind speed forcasting optimization model for wind farms based on time series analysis and kalman

model in wind forecasting application[C]．EUWEC Special Topic

filter algorithm[J]．Power System Technology，2008，32(7)： 82-86(in Chinese)．

[20] Bechrakis D A．Sparis P D．wind speed prediction using artificial

neural networks[J]．Wind Engineering，1998，22(6)：287-295． [21] Rumelhart D E ， Hinton G E， Williams R J ． Learning

Conference Wind Power for the 21st Century，Kassel Germany，

2000．

[9] Sánchez I，Usaola O R J，Velasco C，et al．Sipreólico：a wind power

prediction system based on flexible combination of dynamic models．a(chǎn)pplication to the Spanish power system[C]．First IEA

representations of back-propagation errors[J]．Nature，1986(323)： 533-536．

收稿日期：2008-08-20。 作者簡(jiǎn)介：

向?yàn)殡娏ο到y(tǒng)分析及風(fēng)電功率預(yù)測(cè)； 程師，博士生導(dǎo)師，主要從事電力系統(tǒng)分析與風(fēng) 力發(fā)電領(lǐng)域的科研與教學(xué)工作，E-mail：wangws

劉純(1968—)，男，高級(jí)工程師，研究方向?yàn)殡娏ο到y(tǒng)分析及風(fēng) 力發(fā)電。

@epri.ac.cn；

王偉勝(1968—)，男，博士，教授級(jí)高級(jí)工 范高鋒(1977—)，男，博士研究生，研究方

Joint Action Symposium on Wind Forecasting Techniques ， Norrkoping，Sweden，2002．

[10] Hatziargyriou N，Contaxis G，Matos M，et al．More care：advice

for secure operation of isolated power systems with increased

renewable energy penetration and storage[C]．European Wind

Energy Conference，Copenhagen，2001．

[11] M?hrlen，Corinna，J?rgensen J U，et al，HRENSEMBLEHR：

high resolution ensemble for horns rev[C]．European Offshore Wind Energy Conference，Berlin，2007．

[12] 吳國(guó)旸，肖洋，翁莎莎．風(fēng)電場(chǎng)短期風(fēng)速預(yù)測(cè)探討[J]．吉林電

力，2005(6)：21-24

Wu Guoshang，Xiao Yang，Weng Shasha．Discussion about short-term forecast of wind speed on wind farm[J]．Jilin Electric

（編輯 谷子）

　

　

下載地址：95基于人工神經(jīng)網(wǎng)絡(luò)的風(fēng)電功率短期預(yù)測(cè)系統(tǒng)2.Doc

　　【】

最新搜索

基于人工神經(jīng)網(wǎng)絡(luò)的風(fēng)電功率短期預(yù)測(cè)系統(tǒng)2

93杭十四中高三化學(xué)綜合檢測(cè)_圖文

基于反腐視角的會(huì)計(jì)信息透明度研究

ROTORK電動(dòng)調(diào)節(jié)門(mén)調(diào)試步驟30

好醫(yī)生必修課答案

陵水清水灣高爾夫球會(huì)42

年字的演變過(guò)程

六年級(jí)語(yǔ)文課內(nèi)閱讀練習(xí)47

53抽象工廠(chǎng)方法與反射練習(xí)

蘋(píng)果樹(shù)上的外婆題目92

  本文關(guān)鍵詞：基于人工神經(jīng)網(wǎng)絡(luò)的風(fēng)電功率預(yù)測(cè)，由筆耕文化傳播整理發(fā)布。

本文編號(hào)：198585