張文，胡從川，闕波，滕明堯，錢海，楊昊

（1.都城綠色能源有限公司，北京 100020；2.魯能集團有限公司，北京 100020；3.國網(wǎng)浙江省電力公司，浙江杭州 310007）

一種實時校正的改進BP神經(jīng)網(wǎng)絡超短期風速預測模型

張文1，胡從川2，闕波3，滕明堯1，錢海1，楊昊1

（1.都城綠色能源有限公司，北京 100020；2.魯能集團有限公司，北京 100020；3.國網(wǎng)浙江省電力公司，浙江杭州 310007）

風電機組出力可由風速計算得出，提高風速預測精度對減小風電并網(wǎng)沖擊、合理調度風能資源至關重要。基于風電場氣象及風速數(shù)據(jù)的時間連續(xù)性，提出了一種加入誤差實時校正環(huán)節(jié)及風速變化趨勢分析的改進方法介紹，在提高風速預測精度的同時有效改善了過校正情況。采用某個風電場的實際運行數(shù)據(jù)進行了仿真，結果表明，所提出的改進BP神經(jīng)網(wǎng)絡風速預測模型方法具有較好的預測精度。

風速預測；BP神經(jīng)網(wǎng)絡；實時校正

近年來，風力發(fā)電作為技術成熟的可再生能源在我國得到了快速發(fā)展，2010年我國累計裝機容量就已躍居世界第一，風電已成為我國繼煤電和水電之后的第三大電源。風力發(fā)電具有很強的間歇性和波動性，大規(guī)模風力發(fā)電接入給現(xiàn)代電力系統(tǒng)預測、規(guī)劃、調度、控制和優(yōu)化運行等帶來巨大的挑戰(zhàn)[1-2]。若能對風電場出力做出準確預測，則可有效減輕其對整個電網(wǎng)的影響。由于風電機組的輸出功率主要取決于風速，因此，提高風速預測精度，對電網(wǎng)的安全經(jīng)濟運行至關重要。

風速預測本質上是對高維空間非線性復雜函數(shù)的逼近。根據(jù)預測時間尺度可分為：超短期預測（幾 s至30 min）、短期預測（30 min至6 h）、中期預測（6 h至1 d）和長期預測（1 d以上）[3]。其中超短期預測可為實時調整電網(wǎng)調度計劃安排備用容量提供依據(jù)，有利于提高系統(tǒng)安全穩(wěn)定和經(jīng)濟運行[4]。

目前，針對風速預測方法主要有時間序列法[5-6]、人工神經(jīng)網(wǎng)絡法[4，7]、組合預測法[8-10]等，這些方法均取得了較高的預測精度，但仍存在提升空間。如時間序列預測法對非平穩(wěn)時間序列具有較差處理效果，對奇異數(shù)據(jù)序列需要增加奇異數(shù)據(jù)辯識方

法；傳統(tǒng)神經(jīng)網(wǎng)絡模型存在網(wǎng)絡結構參數(shù)難以確定、容易陷入局部最優(yōu)、泛化能力易受歷史數(shù)據(jù)影響等不足，且對應出力的數(shù)值天氣信息等數(shù)據(jù)不易獲?。唤M合預測方法確定各方法結合方式比較困難，同時預測精度易受組合方式影響。文獻[11]指出，風速與自然環(huán)境密切相關，風速預測不能僅僅依靠風速歷史數(shù)據(jù)而忽略濕度、溫度和氣壓等氣象數(shù)據(jù)。

本文基于神經(jīng)網(wǎng)絡方法，針對10 min尺度超短期風速預測開展研究?？紤]到已有反向傳播（backpropagation，BP）神經(jīng)網(wǎng)絡超短期風速預測時常采用離線校正或不校正的方式、不太適合超短期預測風速變化率大的特點，本文對基于數(shù)值天氣預報的BP神經(jīng)網(wǎng)絡預測模型加以改進，設計了依據(jù)當前時刻預測誤差實時校正環(huán)節(jié)，并根據(jù)預測時刻前30 min的風速變化趨勢進行預判，旨在通過利用風速變化趨勢及BP神經(jīng)網(wǎng)絡當前時刻預測誤差實時修正模型的權值閾值，提升下一超短期預測點的預測精度。

1 BP神經(jīng)網(wǎng)絡模型

BP神經(jīng)網(wǎng)絡是一種按誤差反向傳播算法訓練的多層前饋網(wǎng)絡，具有很強泛化能力。BP網(wǎng)絡結構包括輸入層、隱含層和輸出層[12]。

1.1 輸入層和輸出層

相對于一般神經(jīng)網(wǎng)絡模型，基于主成分分析的神經(jīng)網(wǎng)絡模型預測精度更高、泛化性能更好[13]。依據(jù)主成分分析法確定采集氣象數(shù)據(jù)類型為：風速、風向、溫度、氣壓和濕度。由于短期風速預測普遍采用等采樣間隔或等時段長度均值的單一時間尺度序列建立預測模型，時間間隔一般為10 min、15 min或1 h[14]。本文采用當前時刻前0.5 h氣象數(shù)據(jù)來預測風速，預測結果時間尺度為10 min，因此輸入層節(jié)點個數(shù)為5種氣象類型的4個時刻點數(shù)據(jù)共20個，預測風速作為輸出，輸出層節(jié)點個數(shù)為1。

1.2 隱含層

BP神經(jīng)網(wǎng)絡隱含層節(jié)點數(shù)對預測精度有較大影響：節(jié)點數(shù)太少，學習能力不強，預測精度不高；節(jié)點數(shù)太多，訓練時間增加，易出現(xiàn)過擬合，陷入局部極小點[15]。本文采用Kolmogorov定理計算選取最佳隱含層節(jié)點數(shù)為15個。

1.3 數(shù)據(jù)歸一化處理

由于輸入層變量單位不同，數(shù)量級相差較大，將原始數(shù)據(jù)直接進行神經(jīng)網(wǎng)絡訓練會使網(wǎng)絡性能和收斂性變差。本文對風速、風向、溫度、氣壓、濕度各數(shù)據(jù)進行歸一化處理，采用方法為下式所示最大最小法[15]

式中：xmin和xmax分別為原始輸入數(shù)據(jù)的最小值和最大值。

2 誤差實時校正

由于風速變化具有波動性，目前風電場根據(jù)數(shù)值天氣預報的超短期風速預測與實際值存在較大誤差，需要進行進一步校正[16]。風速預測校正環(huán)節(jié)基本要求：能基于實時出力數(shù)據(jù)進行學習，更新預估環(huán)節(jié)狀態(tài)參數(shù)，盡可能克服預估環(huán)節(jié)調節(jié)參量維數(shù)較多的問題[17]。

2.1 誤差實時校正分析

本文提出的在線校正方法，通過引入當前時刻預測值與真實值差值來設計校正器。當差值大于之前BP訓練所得平均絕對誤差E（或某小于E的數(shù)值，本文依據(jù)經(jīng)驗取為0.01）時，運用最速下降法對權值閾值進行修正，直至當前時刻預測誤差滿足要求，再將修正后權值閾值賦給BP神經(jīng)網(wǎng)絡，進行下一時刻的風速預測。

每一個風速預測值都是基于當前時刻對下一時刻預測結果影響最大這一假設，依據(jù)當前時刻預測誤差對權值閾值不斷修正后得到的，通過校正器的設計實現(xiàn)了實時校正，將預測系統(tǒng)由開環(huán)變?yōu)殚]環(huán)。

2.2 誤差實時校正流程

含誤差實時校正環(huán)節(jié)的BP神經(jīng)網(wǎng)絡預測流程圖如圖1所示。

1）由歷史數(shù)據(jù)訓練BP神經(jīng)網(wǎng)絡，得到權值w1、w2，閾值b1、b2。

2）通過預測獲得當前時刻風速值，計算與真實值之差作為預測誤差e。

3）判斷e是否大于等于0.01，若是，轉步驟4），否則轉步驟5）。

4）用最速下降法修正w1、w2、b1、b2后進行預測，計算預測誤差e，轉至步驟3）。

5）將修正后權值閾值賦給網(wǎng)絡進行風速預測。

6）判斷是否滿足收斂條件，若否，轉步驟2）。

7）結束。

圖1 實時校正BP神經(jīng)網(wǎng)絡流程圖Fig.1 BP neural network real-time correction flow chart

3 考慮風速變化趨勢的方案改進

風速變化趨勢具有時間連續(xù)性，文獻[18]中將數(shù)值天氣預報和歷史數(shù)據(jù)精確分類，運用灰色關聯(lián)分析方法及基于改進的支持向量機，不僅很好地追蹤天氣變化趨勢，而且風速預測精度得到很大提高。由于BP神經(jīng)網(wǎng)絡對每個當前時刻風速預測誤差不同，依據(jù)當前時刻預測誤差校正，權值閾值調整量不同，當誤差波動較大時，很容易出現(xiàn)過校正，所以為得到最優(yōu)預測值，依據(jù)預測點之前風速變化趨勢判斷由當前時刻預測誤差校正方法是否可取，若不可取則有必要設計新的修正方案。

由于當前時刻誤差過大時，權值閾值修正量很大，導致修正后并不適應于預測點進行預測，所以，當前時刻預測誤差較大時（2倍平均誤差左右，本文取值為0.5），應根據(jù)前一時刻預測誤差進行修正。本文BP神經(jīng)網(wǎng)絡預測時采用預測點前0.5 h氣象數(shù)據(jù)，氣象數(shù)據(jù)輸入中包括當前時刻、前10 min、前20 min和前30 min 4個風速數(shù)據(jù)，由此可求出前半小時風速變化率α，其值取為4個時刻風速變化的平均值。

依據(jù)風速變化率及變化趨勢簡單定性分析出預測點風速情況。風速呈上升趨勢時，若校正后預測風速V小于當前時刻風速V0-2α，則以V0+α作為最終預測值；風速呈下降趨勢時，若校正后預測風速V大于當前時刻風速V0+2α，則以V0-α作為最終預測值。

加入誤差實時校正環(huán)節(jié)及風速變化趨勢，分析的改進方案流程圖如圖2所示。

圖2 計及風速變化趨勢分析的改進方案Fig.2 An improved scheme considering the wind speed varying trend analysis

4 算例分析

以某風電場2009年5月1日至5月31日風速為例，數(shù)據(jù)時間間隔為10 min，則一共包含4 460組真實氣象數(shù)據(jù)。本文將其中4 300組數(shù)據(jù)作為BP神經(jīng)網(wǎng)絡訓練樣本，160組數(shù)據(jù)作為測試樣本，進行仿真實驗。

BP神經(jīng)網(wǎng)絡輸入層節(jié)點數(shù)為20，隱含層節(jié)點數(shù)為15，輸出層節(jié)點數(shù)為1，網(wǎng)絡訓練次數(shù)為5 200次，學習效率取為0.1。設置如下3種預測方法。

方法1：未加誤差實時校正的BP神經(jīng)網(wǎng)絡預測方法。

方法2：加入誤差實時校正環(huán)節(jié)的BP神經(jīng)網(wǎng)絡

預測方法。

方法3：加入誤差實時校正環(huán)節(jié)及風速變化趨勢分析的BP神經(jīng)網(wǎng)絡預測方法。

采用方法1訓練效果如圖3所示。采用方法2加入誤差實時校正環(huán)節(jié)的測試效果如圖4所示，平均相對誤差如圖5所示。由圖4、圖5可知，加入實時校正的BP改進算法具有明顯提高預測精度的效果。由于當前時刻預測誤差大小不同，校正時權值閾值調整程度不同。當前時刻預測誤差較大時，可看作預測壞點，可以很明顯地看出存在過校正情形。

圖3 方法1BP神經(jīng)網(wǎng)絡訓練效果Fig.3 BP neural network training results of method 1

圖4 方法2測試樣本預測效果Fig.4 Prediction results of testing samples using method 2

圖5 方法2測試樣本平均相對誤差Fig.5 Average relative errors of testing samples using method 2

采用方法3加入誤差實時校正環(huán)節(jié)及風速變化趨勢分析預測效果如圖6所示，平均相對誤差如圖7所示。由圖6與圖7中可知：加入趨勢預判可有效避免風速預測過校正現(xiàn)象，總體預測效果明顯優(yōu)于前2種方法。

圖6 方法3測試樣本預測效果Fig.6 Prediction results of testing samples using method 3

圖7 方法3測試樣本平均相對誤差Fig.7 Average relative errors of testing samples using method 3

3種預測方法預測絕對與相對誤差如表1所示。通過對比可以看出，所提出預測模型具有良好預測效果，明顯提高了超短期風速預測精度。

表1 3種預測方法預測效果Tab.1 Prediction result comparison of three prediction methods

5 結語

本文在傳統(tǒng)BP神經(jīng)網(wǎng)絡超短期風速預測方法的基礎上，設計了誤差實時校正環(huán)節(jié)，并引入風速變化趨勢分析，在提高風速預測精度的同時有效改

善了過校正情況。

[1]丁華杰，宋永華，胡澤春，等.基于風電場功率特性的日前風電預測誤差概率分布研究[J].中國電機工程學報，2013，33（34）:136-144.DING Huajie，SONG Yonghua，HU Zechun，et al.Probability density function of day-ahead wind power forecast errors based on power curves of wind farms[J].Proceedings of the CSEE，2013，33（34）:136-144（in Chinese）.

[2]韓爽.風電場功率短期預測方法研究[D].北京：華北電力大學，2008.

[3]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].Proceedings of the CSEE，2008，28（34）:118-123（in Chinese）.

[4]楊秀媛，肖洋，陳樹勇.風電場風速和發(fā)電功率預測研究[J].中國電機工程學報，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）.

[5]丁明，張立軍，吳義純.基于時間序列分析的風電場風速預測模型[J].電力自動化設備，2005，25（8）:32-34.DING Ming，ZHANG Lijun，WU Yichun.Wind speed forecast model for wind farms based on time series analysis[J].Electric Power Automation Equipment，2005，25（8）:32-34（in Chinese）.

[6]潘迪夫，劉輝，李燕飛.風電場風速短期多步預測改進算法[J].中國電機工程學報，2008，28（26）:87-91.PAN Difu，LIU Hui，LI Yanfei.Optimization algorithm of short-term multi-step wind speed forecast[J].Proceedings of the CSEE，2008，28（26）:87-91（in Chinese）.

[7]李文良，衛(wèi)志農，孫國強，等.基于改進空間相關法和徑向基神經(jīng)網(wǎng)絡的風電場短期風速分時預測模型[J].電力自動化設備，2009，29（6）:89-92.LI Wenliang，WEI Zhinong，SUN Guoqiang，et al.Multiinterval wind speed forecast model based on improved spatial correlation and RBF neural network[J].Electric Power Automation Equipment，2009，29（6）:89-92（in Chinese）.

[8]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(tǒng)自動化，2009，33（18）:92-96.ZHANG Guoqiang，ZHANG Boming.Wind speed and wind turbine output forecast based on combination method[J].Automation of Electric Power Systems，2009，33（18）:92-96（in Chinese）.

[9]潘迪夫，劉輝，李燕飛.基于時間序列分析和卡爾曼濾波算法的風電場風速預測優(yōu)化模型[J].電網(wǎng)技術，2008，32（7）:82-86.PAN Difu，LIU Hui，LI Yanfei.A wind speed forecasting optimization model for wind farms based on time series analysis and Kalman filter algorithm[J].Power System Technology，2008，32（7）:82-86（in Chinese）.

[10]王松巖，于繼來.風速與風電功率的聯(lián)合條件概率預測方法[J].中國電機工程學報，2011，31（7）:7-15.WANG Songyan，YU Jilai.Joint conditions probability forecast method for wind speed and wind power[J].Proceedings of the CSEE，2011，31（7）:7-15（in Chinese）.

[11]孫國強，衛(wèi)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，2012，27（8）:187-193.SUN Guoqiang，WEI Zhinong，ZHAI Weixing.Short term wind speed forecasting based on RVM and ARMA error correcting[J].Transactions of China Electrotechnical Society，2012，27（8）:187-193（in Chinese）.

[12]Simon Haykin.神經(jīng)網(wǎng)絡原理[M].葉世偉，史忠植，譯.北京：機械工業(yè)出版社，2004.

[13]周松林，茆美琴，蘇建徽.基于主成分分析與人工神經(jīng)網(wǎng)絡的風電功率預測[J].電網(wǎng)技術，2011，35（9）:128-132.ZHOU Songlin，MAO Meiqin，SU Jianhui.Prediction of wind power based on principal component analysis and artificial neural network[J].Power System Technology，2011，35（9）:128-132（in Chinese）.

[14]曹新莉，王樹朋.基于多維時間序列和BP神經(jīng)網(wǎng)絡的短期風電功率預測[J].陜西電力，2014，42（4）:19-23.CAO Xinli，WANG Shupeng.Short time wind power prediction based on multidimensional time-series and BP neural networks[J].Shaanxi Electric Power，2014，42（4）: 19-23（in Chinese）.

[15]史峰，王輝，郁磊，等.MATLAB智能算法30個案例分析[M].北京:北京航空航天大學出版社，2011.

[16]朱建紅，潘文霞，馬飛.超短期最優(yōu)預報下風電場功率預制修正策略[J].可再生能源，2016，34（3）:401-407.ZHU Jianhong，PAN Wenxia，MA Fei.Prefabricated modification strategies for optimal wind power ultra-shortterm forecasting[J].Renewable Energy Resources，2016，34（3）:401-407（in Chinese）.

[17]高亞靜，劉棟，程華新，等.基于數(shù)據(jù)驅動的短期風電出力預估-校正預測模型[J].中國電機工程學報，2015，35（11）:2645-2653.GAO Yajing，LIU Dong，CHENG Huaxin，et al.Predictorcorrector model of wind power forecast based on datadriven[J].Proceedings of the CSEE，2015，35（11）:2645-2653（in Chinese）.

[18]彭懷午，韓佳彤，李敏.基于趨勢分析的風電功率超短期預測系統(tǒng)研究[J].內蒙古大學學報（自然科學版），2016，47（1）:96-101.PENG Huaiwu，HAN Jiatong，LI Min.A research on wind power ultra-short term forecasting based on trend analysis[J].Journal of Inner Mongolia University（Natural Science Edition），2016，47（1）:96-101（in Chinese）.

An Ultra-Short-Term Wind Speed Prediction Model Based on Improved BP Neural Network with Real-Time Correction

ZHANG Wen1，HU Congchuan2，QUE Bo3，TENG Mingyao1，QIAN Hai1，YANG Hao1
（1.Ducheng Green Energy Co.，Ltd.，Beijing 100020，China；2.Luneng Group Co.，Ltd.，Beijing 100020，China；3.State Grid Zhejiang Electric Power Company，Hangzhou 310007，Zhejiang，China）

The output of the wind turbine can be calculated by the wind speed，thus it is very important to improve the prediction accuracy of wind speed，so that impact on grid by wind power integration can be reduced，and wind energy resources can be reasonably scheduled.Considering the time continuity of meteorological and wind speed data of wind farms，this paper proposes an ultra-short-term wind speed forecasting model based on the BP neural network with real-time error correction and wind speed change trend analysis.In this way，prediction accuracy can be promoted and over correction can be avoided to some extent.Using the actual operation data of a wind farm，a simulation example is conducted through the MATLAB simulation.The results show that the proposed wind speed prediction model of improved BP neural network is feasible，effective and has better prediction precision.

wind speed forecasting；BP neural network；real-time correction

2016-03-21。

張 文（1968—），男，碩士，高級工程師，研究方向為新能源智能控制研究與應用。

（編輯 張曉娟）

國家電網(wǎng)公司科技項目《智能風力發(fā)電場監(jiān)控與預測關鍵技術研究與應用》（國家電網(wǎng)科[2015]709號文）。

Project Supported by the State Grid Science and Technology Project‘Research and Application of Critical Monitoring and Predicting Technologies in Smart Wind Farms’.

1674-3814（2016）09-0118-05

TP391.7

A