王俊鵬

摘要：目前全球面臨能源短缺和化石能源污染的重大問題，風能作為一種分布廣泛的清潔能源被普遍使用。風能具有不確定性和不可控性，風電因風能的隨機性和波動性，在接入電網(wǎng)后對電力系統(tǒng)的穩(wěn)定性有很大影響，因此進行風電功率預(yù)測具有實際意義。本文提出一種基于BP神經(jīng)網(wǎng)絡(luò)的短期風電功率預(yù)測方法，使用風電場采集的風速數(shù)據(jù)和風電廠輸出功率描述風電的隨機性和波動性，通過BP神經(jīng)網(wǎng)絡(luò)預(yù)測，利用MATLAB建模仿真實現(xiàn)風電系統(tǒng)實時產(chǎn)能的模擬，快速預(yù)測風電輸出功率。使用本文方法預(yù)測遼寧的某風電場的風電功率，通過分析對比得到的誤差發(fā)現(xiàn)其預(yù)測精度高，滿足生產(chǎn)要求。

關(guān)鍵詞：風力發(fā)電;電力系統(tǒng);功率預(yù)測;BP神經(jīng)網(wǎng)絡(luò)

0?引言

風能作為一種分布廣泛的清潔能源，被全球各國密切關(guān)注。由于風能本身具有隨機性和波動性，?風力發(fā)電對電力系統(tǒng)影響極大，電力系統(tǒng)要平衡供電與需求，所以需要進行短期風電功率預(yù)測。眾多科研機構(gòu)和高校對風電功率預(yù)測開展了深入研究，取得了大量成果。中國電力科技研究院李相俊等提出了一種融合深度學(xué)習(xí)算法的風力發(fā)電功率預(yù)測方法[1]，該方法精確度很高，但風力發(fā)電功率發(fā)生連續(xù)突變時，深度學(xué)習(xí)算法的跟蹤變化能力有待考量。南京郵電大學(xué)葛陽鳴提出了一種基于歷史數(shù)據(jù)聚類分析與K近鄰評估相結(jié)合的相似日選取策略[2]，有效提高了模型預(yù)測精度，但其預(yù)測時間跨度還需提高。東北電力大學(xué)楊茂等進行了基于改進KNN （KNearest Neighbor） 算法的風電功率實時預(yù)測[3]，該方法對數(shù)據(jù)要求較少，但時間長，計算復(fù)雜度高。為了提高預(yù)測精度，本文采用基于BP神經(jīng)網(wǎng)絡(luò)的短期風電功率預(yù)測方法，將非線性因素風速作為輸入量利用MATLAB建模仿真來實現(xiàn)風電系統(tǒng)實時產(chǎn)能的模擬，對比分析得到較高的預(yù)測精度。證明BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型具有一定的準確性、適用性和泛化能力。

1?風電功率預(yù)測的影響因素分析

1.1 風速的影響分析

風能是風電場的最主要且最為直接的能源，風速大小對風電場出力影響明顯。風機輸出功率與風速之間的關(guān)系可表示為：

公式中，情況①無法提供功率輸出;情況②風力發(fā)電機出力與風速大致呈線性函數(shù)關(guān)系;情況③風力發(fā)電機輸出功率為定值保持不變，出力穩(wěn)定;情況④風機將被切出電網(wǎng)，保護風力發(fā)電機。

1.2 風向的影響分析

具有偏航能力的機組在風向瞬時變化時因為慣性會不上風向的變化，需要一定的緩沖時間。而不具有偏航能力的機組，風輪機葉片受到的驅(qū)動力會隨風向的改變而改變。風向改變會造成葉片迎風面積不同，由公式（1-1）可知，在其他量保持一定時，風向改變會對風電功率的輸出產(chǎn)生直接影響，因而認為風向是影響風機出力的要素。

2?基于神經(jīng)網(wǎng)絡(luò)的預(yù)測方法研究

神經(jīng)網(wǎng)絡(luò)對非線性復(fù)雜現(xiàn)象的探索有極大的幫助，一定程度上突破了現(xiàn)有的科學(xué)技術(shù)瓶頸，使研究更加深入，因而成為解決問題的一大工具，得到廣泛應(yīng)用。風電功率預(yù)測是一個典型的非線性過程：相關(guān)要素多且很復(fù)雜。此外，風電場的靈活性造成預(yù)測對象總是變化的。同時風電功率預(yù)測有較高的計算速度要求。而恰好神經(jīng)網(wǎng)絡(luò)的優(yōu)點能很好的適應(yīng)以上要求。

2.1 BP神經(jīng)網(wǎng)絡(luò)預(yù)測與MATLAB建模仿真

本論文數(shù)據(jù)取自遼寧某風電場，2019年3月22日至2019年5月12日之間運行的歷史數(shù)據(jù)作為實驗數(shù)據(jù)。取一號風電機測得的數(shù)據(jù)，該風機型號為華銳SL1500，其額定功率為1500kW，取其測量的風速及其輸出的有功功率。本文進行的是20小時短期風電功率預(yù)測，時間間隔為10分鐘。本文選擇3月22號到4月10號0：00-20：00天所測量的數(shù)據(jù)作為訓(xùn)練樣本，在MATLAB上編寫代碼并進行模型訓(xùn)練。之后選擇4月11號到4月14號0：00-24：00測得的數(shù)據(jù)作為測試樣本來驗證BP神經(jīng)網(wǎng)絡(luò)預(yù)測方法的準確性、適用性及泛化能力。

本文對收集的數(shù)據(jù)數(shù)據(jù)進行處理后，確定了訓(xùn)練樣本，把風速作為輸入向量，即輸入神經(jīng)元為一個，把功率作為輸出，即輸出層神經(jīng)元為一層。在MATLAB中調(diào)用歷史數(shù)據(jù)，建立輸入矩陣wind_speed，輸出矩陣power，然后用newff函數(shù)建立一個前向BP神經(jīng)網(wǎng)絡(luò)，調(diào)用輸入數(shù)據(jù)矩陣wind_speed。其中激活函數(shù)使用的調(diào)用語言是tansig，網(wǎng)絡(luò)訓(xùn)練的調(diào)用函數(shù)是trainlm。訓(xùn)練之前需要對系統(tǒng)進行初始化，利用init命令實現(xiàn)初始化過程。當網(wǎng)絡(luò)輸出的誤差降到程序中設(shè)定的期望目標，學(xué)習(xí)結(jié)束。訓(xùn)練誤差接近0.00065，訓(xùn)練次數(shù)為500，基本達到訓(xùn)練效果。

2.2 風電功率預(yù)測結(jié)果分析

本文選取4月11日到4月14日每天0：00—20：00預(yù)測值與真實值數(shù)據(jù)，進行計算分析對比。誤差仿真結(jié)果如下：4月11日、4月12日、4月13日、4月14日的平均絕對誤差為：1.17KW，18.14KW，25.36KW，4.77KW;4月11日、4月12日、4月13日、4月14日的平均相對誤差為0.27%，2.89%，4.03%，0.76%;4月11日、4月12日、4月13日、4月14日均方根誤差為1.31，4.26，5.03，2.18。從誤差數(shù)據(jù)可以看出四天的真實值與預(yù)測值大致相近，只有極個別數(shù)據(jù)相差較大，但是由此更能體現(xiàn)仿真的真實性。綜上，可以確定BP神經(jīng)網(wǎng)絡(luò)在風電功率預(yù)測領(lǐng)域具有一定的準確性、適用性和泛化能力。

3?結(jié)束語

本文從三方面進行研究：一是分析風電預(yù)測的特點、方法和所需的誤差指標，選擇預(yù)測的方法和指標參數(shù)。二是分析影響風電系統(tǒng)輸出功率的影響因素，根據(jù)現(xiàn)有數(shù)據(jù)確定仿真數(shù)據(jù)，同時還確定預(yù)測模型為統(tǒng)計模型。三是基于BP神經(jīng)網(wǎng)絡(luò)方法進行MATLAB建模仿真預(yù)測。

本文采用了BP神經(jīng)網(wǎng)絡(luò)對風電功率預(yù)測進行了研究，預(yù)測結(jié)果表明其具有一定的準確性、適用性和泛化能力。但在研究過程中，用來仿真的數(shù)據(jù)過于單一，在之后的研究中可以尋找更為詳盡的數(shù)據(jù)進行仿真，并結(jié)合天氣數(shù)據(jù)和環(huán)境因素對預(yù)測模型進一步優(yōu)化。

參考文獻：

李相俊，許格健.基于長短期記憶神經(jīng)網(wǎng)絡(luò)的風力發(fā)電功率預(yù)測方法[J].發(fā)電技術(shù)，2019，40（05）：426-433.

葛陽鳴. 基于集成學(xué)習(xí)的短期風力發(fā)電功率預(yù)測研究[D].南京郵電大學(xué)，2019.

楊茂，賈云彭，穆鋼，嚴干貴，劉佳.基于改進KNN算法的風電功率實時預(yù)測研究[J].電測與儀表，2014，51（24）：38-43.