水力发电 第３９卷第７期 ２０１３年７月 风电扬超短期风功率预测问题研究 易跃春 ，马 月 ，王霁雪 ，李桂敏 ，秦 潇 ，陈文凯 （１．水电水利规划设计总院，北京１００１２０；２．北京木联能软件技术有限公司，北京１０００９６） 摘要：以河北省某实际风电场为例，选取风电机组历史功率数据、风速以及数值天气预报的风速和风向作为输入 因子，采用人工神经网络法对风电场超短期功率预测问题进行研究。研究结果显示。输入因子的差异性对风功率预 测结果影响较大。另外，风电机组历史数据对功率预测结果的影响随时间增加而减小。进行３ ｈ以上风电场功率预 测时预测结果精度在很大程度上依赖数值天气预报数据精度。 关键词：超短期功率预测：人工神经网络法；风力发电 Ｓｔｕｄｙ ｏｎＶｅｒｙＳｈｏｒｔ－ＴｅｒｍＰｏｗｅｒＦｏｒｅｃａｓｔｉｎｇ ｏｆＷｉｎｄＦａｒｍ ＹＩ Ｙｕｅｃｈｕｎ ，ＭＡ Ｙｕｅ ，ＷＡＮＧ Ｊｉｘｕｅ ，ＬＩ Ｇｕｉｍｉｎ２，ＱＩＮ Ｘｉａｏ ，ＣＨＥＮ Ｗｅｎｋａｉ （１．Ｃｈｉｎａ Ｒｅｎｅｗａｂｌｅ Ｅｎｅｒｇｙ Ｅｎｇｉｎｅｅｒｉｎｇ Ｉｎｓｔｉｔｕｔｅ，Ｂｅｉｊｉｎｇ １００１２０，Ｃｈｉｎａ； ２．Ｂｅｉｊｉｎｇ Ｍｉｌｌｅｎｎｉｕｍ Ｓｏｆｔｗａｒｅ Ｔｅｃｈｎｏｌｏｇｙ Ｃｏ．，Ｌｔｄ．，Ｂｅｉｊｉｎｇ １０００９６，Ｃｈｉｎａ） Ａｂｓｔｒａｃｔ Ｔａｋｉｎｇ ａ ｗｉｎｄ ｆａｒｍ ｉｎ Ｈｅｂｅｉ Ｐｒｏｖｉｎｃｅ ａｓ ｅａｓｅ ｓｔｕｄｙ，ｔｈｅ ｖｅｒｙ ｓｈｏｒｔ－ｔｅｒｍ ｆｏｒｅｃａｓｔｉｎｇ ｏｆ ｗｉｎｄ ｐｏｗｅｒ ｉｓ ｓｔｕｄｉｅｄ ｂｙ ｕｓｉｎｇ ａｒｔｉｆｉｃｉｌ ｎｅｕｒａａｌ ｎｅｔｗｏｒｋ ｍｅｔｈｏｄ，ｉｎ ｗｈｉｃｈ．ｔｈｅ ｈｉｓｔｏｒｉｃａｌ ｏｕｔｐｕｔ ｏｆ ｗｉｎｄ ｔｕｒｂｉｎｅ．ａｃｔｕａ１ ｗｉｎｄ ｓｐｅｅｄ ａｎｄ ｔｈｅ ｗｉｎｄ ｓｐｅｅｄ ａｎｄ ｄｉｒｅｃｔｉｏｎ ｏｂｔａｉｎｅｄ ｆｒｏｍ Ｎｕｍｅｒｉｃａｌ Ｗｅａｔｈｅｒ Ｐｒｅｄｉｃｔｉｏｎ（ＮＷＰ）ａｒｅ ｔａｋｅｎ ａｓ ｉｎｐｕｔ ｆａｃｔｏｒｓ．Ｔｈｅ ｒｅｓｕｌｔｓ ｓｈｏｗ ｔｈａｔ ｔｈｅ ｄｉｆｆｅｒｅｎｃｅ ｂｅｔｗｅｅｎ ｉｎｐｕｔ￣ｅｔｏｍ ｈａｓ ｇｒｅａｔｅｒ ｉｍｐａｃｔ Ｏｌｌ ｗｉｎｄ ｐｏｗｅｒ ｐｒｅｄｉｃｔｉｏｎ，ｔｈｅ ｉｍｐａｃｔ ｏｆ ｈｉｓｔｏｒｉｃａｌ ｏｕｔｐｕｔ ｏｆ ｗｉｎｄ ｔｕｒｂｉｎｅ ｏｎ ｗｉｎｄ ｐｏｗｅｒ ｐｒｅｄｉｃｔｉｏｎ ｉｓ ｇｒａｄｕａｌｌｙ ｄｅｃｒｅａｓｅｄ ｗｉｈ ｔｈｅ ｉｔｎｃｒｅａｓｅ ｏｆ ｏｐｅｒａｔｉｏｎ ｔｉｍｅ，ａｎｄ ｔｈｅ ｆｏｒｅｃａｓｔｉｎｇ ａｃｃｕｒａｃｙ ｏｆ ｗｉｎｄ ｐｏｗｅｒ ｉｎ ｎｅｘｔ ３ ｈ ａｎｄ ｍｏｌｅ ｍａｉｎｌｙ ｄｅｐｅｎｄｓ ｏｎ ｔｈｅ ａｃｃｕｒａｃｙ ｏｆ ＮＷＰ ｄａｔａ． Ｋｅｙ Ｗｏｒｄｓ：ｖｅｒｙ ｓｈｏｒｔ—ｔｅｒｍ ｐｏｗｅｒ ｆｏｒｅｃａｓｔｉｎｇ；，ａｒｔｉｉｆｃｉｌ ｎｅｕｒａａｌ ｎｅｔｗｏｒｋ；ｗｉｎｄ ｐｏｗｅｒ 中图分类号：ＴＫ８１：ＴＫ８９ 文献标识码：Ａ 文章编号：０５５９～９３４２（２０１３）０７—００９６—０４ 根据国家风电信息管理中心统计数据，截至 ２０１１年底．我国风电累计并网容量达到４ ７８４万 统、结合了Ｐｒｅｄｉｃｔｏｒ和ＷＰＰＴ的Ｚｅｐｈｙｒ系统、德国 Ｐｒｅｖｉｅｎｔｏ和ＷＰＭＳ系统、欧洲多个研究院所和咨询 ｋＷ．居世界第一。随着我国风电行业的快速发展， 风电机组并网问题日渐突出。由于风能具有随机性 和不可控性．风力发电机组出力亦具有随机性。大 型风电场并网时风力发电机组出力的随机性易引起 机构联合开发的ＡＮＥＭＯＳ系统等。根据各个研究机 构发布的成果显示．各系统的平均预测误差约为 ２０％ 目前应用较为广泛的风功率预测方法主要为 物理方法和统计方法 物理方法主要利用数值天气 电压、频率不稳定等问题，进而对电力系统平衡造 成一定的冲击。有效的电网调度对保障电力系统安 预报数据．考虑地形、气象等因素对风电场的风速 和风能进行预测；统计方法则基于统计模型的方法 全稳定地运行具有重要意义，风功率预测结果的准 确性是进行有效电网调度的基础。 利用风电场的实测历史数据．用线性或非线性方法 在历史数据和未来风速／风能之间建立映射关系，常 自２０世纪９Ｏ年代起，欧洲一些国家开始逐步 重视风电场风功率预测技术研究。至今欧洲国家风 功率预测技术已经比较成熟，且有多个风电功率预 测系统已应用于风力发电领域。目前应用较为广泛 的风电功率预测系统主要包括丹麦Ｒｉｓｏ国家实验室 研发的Ｐｒｅｄｉｃｔｏｒ预测系统、丹麦技术大学数学建模 系（１ＭＭ）和哥本哈根大学共同研发的ＷＰＰＴ系 用方法包括卡尔曼滤波法、自回归最小平方算法、 持续性算法、时间序列法、线性回归模型、人工神 经网络法等。其中最简单的方法是持续法，即把前 收稿日期：２０１２—１２—１９ 作者简介：易跃春（１９７２一），男，湖南宁乡人，教授级高工 从事风力发电规划、风电场二ｌ二程设计等工作． 第３９卷第７期 易跃春，等：风电场超短期风功率预测问题研究 一时刻的风速观测值作为下一时刻的预测值，该方 法适用于短期和超短期预测，一般作为参照性算法。 在我国，多数风功率预测技术研究尚在进行中， 只有少数进人成果转化应用阶段。此外，我国地形 复杂．一些国外较成熟的预报系统可能无法直接在 我国应用。因此研究适用于我国风电场特点的风电 功率预测技术对我国风电产业发展具有重要意义。 １预测方法 １．１ 选用数据 以河北省某风电场为例，选用２０１１年６月２３ 日至２０１１年１０月１８日该风电场３３台华锐风机的 历史风机功率数据、历史测风数据以及数值天气预 报数据。历史风机功率数据包括每台风机逐１５ ｍｉｎ 的平均风速、平均功率、功率均方差以及风机运行 状态等，均来自风电场风机数据采集系统；测风数 据包括１０、３０、５０、７０ ｍ高度逐５ ｍｉｎ风速、风向 以及风速均方根误差数据，均来自测风数据采集系 统：天气预报数据提供来自当地省气象局的测风塔 位置处的１０、３０、５０、６０、７０ ｍ等高度的风速、风 向、气温、气压、湿度等数据。 １＿２预测方法 超短期功率预测指对未来４ ｈ以内逐１５ ｍｉｎ的 风速或风电场风功率预测进行预测，本文预测结果 为风电场总功率。 本文采用人工神经网络方法进行超短期预测。 图１为３层前馈型神经网络示意图。该网络包括输 入层、隐结点层和输出层。本研究中，输入层向量 为影响风电场功率预测因子，输出层向量为风电场 预测功率，隐结点层为两层。各层之间的传递函数 分别选取ｔａｎ—ｓｉｇｍｏｉｄ型函数，ｌｏｇ—ｓｉｇｍｏｉｄ型函数以 及纯线性函数。应用充足的输入、输出向量样本进 行网络训练（设定合适的隐层结点数、传递函数、 学习函数以及训练函数），建立输入层到输出层合理 的映射关系： （ ， ，…，９Ｃｎ） （ｙ ，Ｙ：，…，Ｙ ），得到 网络模型权值Ｗ 、阈值等参数。图１中ｏｉ （ Ｊ＝１ ｗ ｘｉ＋Ｏｉ），ｉ＝ｌ，２，…，ｍ， 为隐结点层所计算的结果。 输入层向量设置是影响预测结果质量的关键。 本文主要考虑以下３种不同输入以对比分析影响功 率预测的因素：①输入层包含天气预报风速、风向 因子以及风机历史风速、功率因子；②输入层只包 含天气预报风速、风向因子；③输入层除了包含天 气预报风速、风向因子以及风机历史风速、功率因 子以外，还包含利用天气预报的气温、气压以及湿 输出层 隐结点层 输入层 图１神经网络示意 度计算得到的１０ ｍ高度大气密度因子。 １．３误差评估指标 按照国家电网公司发布的《风电功率预测系统 功能规范》，本文以均方根误差、平均绝对误差以及 相关系数３个物理量作为评估预测结果的指标。 Ｗａｔｅｒ Ｐｏｗｅｒ Ｖｏ１．３９ Ｎｏ．７翻 水力发电 ２０１３年７月 ６ ≥ ４ 槲 孱 ２ ０ ２ ４ ６ 实测功率／ｋｗ ａ第１个测点 ６ 至 ４ ＼ 槲 量 藿２ Ｏ ２ ４ ６ 实测功率／ｋＷ ｂ第１６个测点 时间／ｈ Ｃ所有测点的误差和相关系数 图２风电场功率超短期预测结果 标差异变得不明显，这表明预测结果受历史数据的 影响正在变小．此时影响预测结果的主要因素是天 气预报风速、风向数据质量。 图４为考虑天气预报１０ ｍ高度大气密度后的结 果．两种不同的输入因子得到的结果没有明显的差 异，图４中最大均方根误差为０．１１８ ８，可见，风 速、风向和大气密度因子中，风速、风向是影响预 测功率的主要因素．大气密度相对风速、风向而言 对预测功率的影响较小。 ２＿２对比分析 根据上述成果，进一步从理论上分析风速、大 气密度因子对风电功率预测精度的影响。 根据风电机组的功率 Ａ （其中Ｐ为功 率，ｐ为大气密度， 为风能利用系数，Ａ为叶片扫 风面积， 为风速），可知影响单个风电机组的功率 ６ ≥ ４ 褂 督 孱 ２ Ｏ ２ ４ 实测功率／ｋＷ ａ第１个测点 ６ ≥ ４ ＼ 龉 膝 聪 ２ Ｏ ２ ４ 实测功率／ｋｗ ｂ第１６个测点 时间／ｈ Ｃ所有测点的误差和相关系数 图３风电场功率超短期预测结果 预测的因子包括：预测风速、大气密度以及与风机 相关的参数。预测误差为△ Ｉ 一 一 Ｉ，其中 为 实际功率， ｒｅｄｉｃｔ为预测功率。可计算得出相对误差 为 ：一￣Ｏｐｒｅｄｉｃｔ￣Ｖｐｒｅｄｉｃｔ－Ｐｒｅａｌ￣Ｖｒｅａｌｌ，其中ｐ 为预测大 ｒｅａｌ Ｐ ａｌ’Ｖ—ｌ 气密度，Ｐ 为实际大气密度， 为预测风速， 为实际风速。 分离空气密度和风速对相对误差的贡献。假设 预测风速和实际风速完全一致，此时误差全部来源 于大气密度，相对误差 ： ｌｐｐ ｔ－ｐ 。 ｐ 。该项带来 的功率极大相对误差可以近似为：密度极大误差／ 样本最小密度。在所有样本中，大气密度的范嗣 是：０．９７１ １～１．１００ ２ ｋｇ／ｍ 。因此，密度所带来的 相对误差最大可以达到（１．１００ ２—０．９７１ １）／０．９７１ １＝ 第３９卷第７期 易跃春，等：风电场超短期风功率预测问题研究 ６ ＼至４ 料 堡 藿２ Ｏ ６ 至４ ＼ 褂 耋 譬２ ０ ２ ４ ６ 实测功率／ｋＷ ｂ第１６个测点 时间／ｈ Ｃ所有测点的误差和相关系数 图４风电场功率超短期预测结果ｆ输入因子除了天气预报风 速、风向以及风机历史风速、功率外，还包含利用天气预报的 气温、气压以及湿度计算得到的１０ ｍ高度大气密度因子） 粕 槲 燮 预测风速误差项 图５预测风速误差项概率密度分布 ０．１３２ ９。假设预测大气密度和实际大气密度一致． 则相对误差全部来自于预测风速，此时 （Ｖｐｒｅｄｉｃｔ）。 ｌ ，． △Ｐ —ｌＩ．—— ３４，，其中西＝Ｉ ｒ￣ａｌ－Ｖ ａＩ ，记Ｉ（ ） 一１ｌ为预测风速误差项。由 Ｖ ｒｅａｌ 该项可知微小的风速误差会给功率预测带来较大误 差。这里选取实际风速为测风塔７０ ｍ高度风速，预 测风速为天气预报预测７０ ｍ高度风速，计算预测风 速误差项，并绘制其概率密度分布图，如图５所示。 图５中，竖线代表０．１３２ ９，图上显示多数预测风速 误差项的值均大于０．１３２ ９这个值．这表明和预测的 风速相比，密度这个因子对预测功率的结果的影响 相对较小。由单个风电机组可以知道预测风速是影 响风电场总功率预测精度的主要因子。当然影响整 个风电场功率预测的质量的因素还有很多．如风机 故障台数、地形、风机分布特征等因素。 ３总结 本文以某实际风电场为个例，通过改变人工神 经网络输入层的影响因子．考察影响功率预测结果 精度的因素。主要得到以下结论： （１）对该风电场进行超短期功率预测，同时考 虑风机历史功率、风速因子以及天气预报数据的风 速和风向因子能够有效提高神经网络法的预报精度。 根据预测结果的三个指标，人工神经网络法能够较 好的进行超短期风电场功率预测，在３ ｈ以后预测 精度较高，第４ ｈ的均方根误差能够达到０．１２４ ４。 （２）对于该风电场，和大气密度因子相比，风 速因子是影响功率预测结果的主要因子。 （３）大气密度因子对该风电场功率预测结果 有较大影响，其给功率预测结果带来的相对误差 可达０．１３２ ９。当考虑该因子进行功率预测时预测 精度可进一步提高，第４ ｈ的均方根误差能够达到 Ｏ．１１８ ８。 参考文献： ［１］ＧＩＥＢＥＬ Ｇ，ＢＲＯＷＮＳＷＯＲＤ Ｒ，ＫＡＲＩＮＩＯＴＡＫＩＳ Ｇ．Ｔｈｅ ｓｔａｔｅ—ｏｆ— ｔｈｅ－ａｒｔ ｉｎ ｓｈｏｒｔ ｔｅｒｍ ｐｒｅｄｉｃｔｉｏｎ ｏｆ ｗｉｎｄ ｐｏｗｅｒ：ａ ｌｉｔｅｒａｔｕｒｅ ｏｖｅｒｖｉｅｗ ［Ｒ］．Ｐｒｏｊｅｃｔ ＡＮＥＭＯＳ，Ｄｅｌｉｖｅｒａｂｌｅ Ｒｅｐｏｒｔ Ｄ１．１，２００３． ［２］ ＳＯＭＡＮ Ｓ，ＺＡＲＥＩＰＯＵＲ Ｈ，ＭＡＬＩＫ Ｏ，ｅｔ ａ１．Ａ ｒｅｖｉｅｗ ｏｆ ｗｉｎｄ ｐｏｗｅｒ ａｎｄ ｗｉｎｄ ｓｐｅｅｄ ｆｏｒｅｃａｓｔｉｎｇ ｍｅｔｈｏｄｓ ｗｉｔｈ ｄｉｆｆｅｒｅｎｔ ｔｉｍｅ Ｈｏｒｉｚｏｎｓ［Ｃ］／／４２ｎｄ Ｎｏｒｔｈ Ａｍｅｒｉｃａｎ Ｐｏｗｅｒ Ｓｙｍｐｏｓｉｕｍ（ＮＡＰＳ）． Ａｒｌｉｎｇｔｏｎ，Ｔｅｘａｓ，ＵＳＡ，２０１０：１－８． ［３］廖芹，郝志峰，陈志宏．数据挖掘与数学建模［Ｍ］．北京：国防 工业出版社，２０１０． ［４］王红芳，王志勇，王霁雪，等．风电场风能资源评估几个关键 问题分析［Ｊ］．水力发电，２０１２，３８（２）：８１－８２，８８． （责任编辑高 瑜）
