張文，胡從川，闕波，滕明堯，錢(qián)海，楊昊

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

一種實(shí)時(shí)校正的改進(jìn)BP神經(jīng)網(wǎng)絡(luò)超短期風(fēng)速預(yù)測(cè)模型

張文1，胡從川2，闕波3，滕明堯1，錢(qián)海1，楊昊1

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

風(fēng)電機(jī)組出力可由風(fēng)速計(jì)算得出，提高風(fēng)速預(yù)測(cè)精度對(duì)減小風(fēng)電并網(wǎng)沖擊、合理調(diào)度風(fēng)能資源至關(guān)重要。基于風(fēng)電場(chǎng)氣象及風(fēng)速數(shù)據(jù)的時(shí)間連續(xù)性，提出了一種加入誤差實(shí)時(shí)校正環(huán)節(jié)及風(fēng)速變化趨勢(shì)分析的改進(jìn)方法介紹，在提高風(fēng)速預(yù)測(cè)精度的同時(shí)有效改善了過(guò)校正情況。采用某個(gè)風(fēng)電場(chǎng)的實(shí)際運(yùn)行數(shù)據(jù)進(jìn)行了仿真，結(jié)果表明，所提出的改進(jìn)BP神經(jīng)網(wǎng)絡(luò)風(fēng)速預(yù)測(cè)模型方法具有較好的預(yù)測(cè)精度。

風(fēng)速預(yù)測(cè)；BP神經(jīng)網(wǎng)絡(luò)；實(shí)時(shí)校正

近年來(lái)，風(fēng)力發(fā)電作為技術(shù)成熟的可再生能源在我國(guó)得到了快速發(fā)展，2010年我國(guó)累計(jì)裝機(jī)容量就已躍居世界第一，風(fēng)電已成為我國(guó)繼煤電和水電之后的第三大電源。風(fēng)力發(fā)電具有很強(qiáng)的間歇性和波動(dòng)性，大規(guī)模風(fēng)力發(fā)電接入給現(xiàn)代電力系統(tǒng)預(yù)測(cè)、規(guī)劃、調(diào)度、控制和優(yōu)化運(yùn)行等帶來(lái)巨大的挑戰(zhàn)[1-2]。若能對(duì)風(fēng)電場(chǎng)出力做出準(zhǔn)確預(yù)測(cè)，則可有效減輕其對(duì)整個(gè)電網(wǎng)的影響。由于風(fēng)電機(jī)組的輸出功率主要取決于風(fēng)速，因此，提高風(fēng)速預(yù)測(cè)精度，對(duì)電網(wǎng)的安全經(jīng)濟(jì)運(yùn)行至關(guān)重要。

風(fēng)速預(yù)測(cè)本質(zhì)上是對(duì)高維空間非線性復(fù)雜函數(shù)的逼近。根據(jù)預(yù)測(cè)時(shí)間尺度可分為：超短期預(yù)測(cè)（幾 s至30 min）、短期預(yù)測(cè)（30 min至6 h）、中期預(yù)測(cè)（6 h至1 d）和長(zhǎng)期預(yù)測(cè)（1 d以上）[3]。其中超短期預(yù)測(cè)可為實(shí)時(shí)調(diào)整電網(wǎng)調(diào)度計(jì)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(jì)運(yùn)行[4]。

目前，針對(duì)風(fēng)速預(yù)測(cè)方法主要有時(shí)間序列法[5-6]、人工神經(jīng)網(wǎng)絡(luò)法[4，7]、組合預(yù)測(cè)法[8-10]等，這些方法均取得了較高的預(yù)測(cè)精度，但仍存在提升空間。如時(shí)間序列預(yù)測(cè)法對(duì)非平穩(wěn)時(shí)間序列具有較差處理效果，對(duì)奇異數(shù)據(jù)序列需要增加奇異數(shù)據(jù)辯識(shí)方

法；傳統(tǒng)神經(jīng)網(wǎng)絡(luò)模型存在網(wǎng)絡(luò)結(jié)構(gòu)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(duì)應(yīng)出力的數(shù)值天氣信息等數(shù)據(jù)不易獲取；組合預(yù)測(cè)方法確定各方法結(jié)合方式比較困難，同時(shí)預(yù)測(cè)精度易受組合方式影響。文獻(xiàn)[11]指出，風(fēng)速與自然環(huán)境密切相關(guān)，風(fēng)速預(yù)測(cè)不能僅僅依靠風(fēng)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(luò)方法，針對(duì)10 min尺度超短期風(fēng)速預(yù)測(cè)開(kāi)展研究?？紤]到已有反向傳播（backpropagation，BP）神經(jīng)網(wǎng)絡(luò)超短期風(fēng)速預(yù)測(cè)時(shí)常采用離線校正或不校正的方式、不太適合超短期預(yù)測(cè)風(fēng)速變化率大的特點(diǎn)，本文對(duì)基于數(shù)值天氣預(yù)報(bào)的BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型加以改進(jìn)，設(shè)計(jì)了依據(jù)當(dāng)前時(shí)刻預(yù)測(cè)誤差實(shí)時(shí)校正環(huán)節(jié)，并根據(jù)預(yù)測(cè)時(shí)刻前30 min的風(fēng)速變化趨勢(shì)進(jìn)行預(yù)判，旨在通過(guò)利用風(fēng)速變化趨勢(shì)及BP神經(jīng)網(wǎng)絡(luò)當(dāng)前時(shí)刻預(yù)測(cè)誤差實(shí)時(shí)修正模型的權(quán)值閾值，提升下一超短期預(yù)測(cè)點(diǎn)的預(yù)測(cè)精度。

1 BP神經(jīng)網(wǎng)絡(luò)模型

BP神經(jīng)網(wǎng)絡(luò)是一種按誤差反向傳播算法訓(xùn)練的多層前饋網(wǎng)絡(luò)，具有很強(qiáng)泛化能力。BP網(wǎng)絡(luò)結(jié)構(gòu)包括輸入層、隱含層和輸出層[12]。

1.1 輸入層和輸出層

相對(duì)于一般神經(jīng)網(wǎng)絡(luò)模型，基于主成分分析的神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)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(lèi)型為：風(fēng)速、風(fēng)向、溫度、氣壓和濕度。由于短期風(fēng)速預(yù)測(cè)普遍采用等采樣間隔或等時(shí)段長(zhǎng)度均值的單一時(shí)間尺度序列建立預(yù)測(cè)模型，時(shí)間間隔一般為10 min、15 min或1 h[14]。本文采用當(dāng)前時(shí)刻前0.5 h氣象數(shù)據(jù)來(lái)預(yù)測(cè)風(fēng)速，預(yù)測(cè)結(jié)果時(shí)間尺度為10 min，因此輸入層節(jié)點(diǎn)個(gè)數(shù)為5種氣象類(lèi)型的4個(gè)時(shí)刻點(diǎn)數(shù)據(jù)共20個(gè)，預(yù)測(cè)風(fēng)速作為輸出，輸出層節(jié)點(diǎn)個(gè)數(shù)為1。

1.2 隱含層

BP神經(jīng)網(wǎng)絡(luò)隱含層節(jié)點(diǎn)數(shù)對(duì)預(yù)測(cè)精度有較大影響：節(jié)點(diǎn)數(shù)太少，學(xué)習(xí)能力不強(qiáng)，預(yù)測(cè)精度不高；節(jié)點(diǎn)數(shù)太多，訓(xùn)練時(shí)間增加，易出現(xiàn)過(guò)擬合，陷入局部極小點(diǎn)[15]。本文采用Kolmogorov定理計(jì)算選取最佳隱含層節(jié)點(diǎn)數(shù)為15個(gè)。

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(jí)相差較大，將原始數(shù)據(jù)直接進(jìn)行神經(jīng)網(wǎng)絡(luò)訓(xùn)練會(huì)使網(wǎng)絡(luò)性能和收斂性變差。本文對(duì)風(fēng)速、風(fēng)向、溫度、氣壓、濕度各數(shù)據(jù)進(jìn)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(shí)時(shí)校正

由于風(fēng)速變化具有波動(dòng)性，目前風(fēng)電場(chǎng)根據(jù)數(shù)值天氣預(yù)報(bào)的超短期風(fēng)速預(yù)測(cè)與實(shí)際值存在較大誤差，需要進(jìn)行進(jìn)一步校正[16]。風(fēng)速預(yù)測(cè)校正環(huán)節(jié)基本要求：能基于實(shí)時(shí)出力數(shù)據(jù)進(jìn)行學(xué)習(xí)，更新預(yù)估環(huán)節(jié)狀態(tài)參數(shù)，盡可能克服預(yù)估環(huán)節(jié)調(diào)節(jié)參量維數(shù)較多的問(wèn)題[17]。

2.1 誤差實(shí)時(shí)校正分析

本文提出的在線校正方法，通過(guò)引入當(dāng)前時(shí)刻預(yù)測(cè)值與真實(shí)值差值來(lái)設(shè)計(jì)校正器。當(dāng)差值大于之前BP訓(xùn)練所得平均絕對(duì)誤差E（或某小于E的數(shù)值，本文依據(jù)經(jīng)驗(yàn)取為0.01）時(shí)，運(yùn)用最速下降法對(duì)權(quán)值閾值進(jìn)行修正，直至當(dāng)前時(shí)刻預(yù)測(cè)誤差滿足要求，再將修正后權(quán)值閾值賦給BP神經(jīng)網(wǎng)絡(luò)，進(jìn)行下一時(shí)刻的風(fēng)速預(yù)測(cè)。

每一個(gè)風(fēng)速預(yù)測(cè)值都是基于當(dāng)前時(shí)刻對(duì)下一時(shí)刻預(yù)測(cè)結(jié)果影響最大這一假設(shè)，依據(jù)當(dāng)前時(shí)刻預(yù)測(cè)誤差對(duì)權(quán)值閾值不斷修正后得到的，通過(guò)校正器的設(shè)計(jì)實(shí)現(xiàn)了實(shí)時(shí)校正，將預(yù)測(cè)系統(tǒng)由開(kāi)環(huán)變?yōu)殚]環(huán)。

2.2 誤差實(shí)時(shí)校正流程

含誤差實(shí)時(shí)校正環(huán)節(jié)的BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)流程圖如圖1所示。

1）由歷史數(shù)據(jù)訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)，得到權(quán)值w1、w2，閾值b1、b2。

2）通過(guò)預(yù)測(cè)獲得當(dāng)前時(shí)刻風(fēng)速值，計(jì)算與真實(shí)值之差作為預(yù)測(cè)誤差e。

3）判斷e是否大于等于0.01，若是，轉(zhuǎn)步驟4），否則轉(zhuǎn)步驟5）。

4）用最速下降法修正w1、w2、b1、b2后進(jìn)行預(yù)測(cè)，計(jì)算預(yù)測(cè)誤差e，轉(zhuǎn)至步驟3）。

5）將修正后權(quán)值閾值賦給網(wǎng)絡(luò)進(jìn)行風(fēng)速預(yù)測(cè)。

6）判斷是否滿足收斂條件，若否，轉(zhuǎn)步驟2）。

7）結(jié)束。

圖1 實(shí)時(shí)校正BP神經(jīng)網(wǎng)絡(luò)流程圖Fig.1 BP neural network real-time correction flow chart

3 考慮風(fēng)速變化趨勢(shì)的方案改進(jìn)

風(fēng)速變化趨勢(shì)具有時(shí)間連續(xù)性，文獻(xiàn)[18]中將數(shù)值天氣預(yù)報(bào)和歷史數(shù)據(jù)精確分類(lèi)，運(yùn)用灰色關(guān)聯(lián)分析方法及基于改進(jìn)的支持向量機(jī)，不僅很好地追蹤天氣變化趨勢(shì)，而且風(fēng)速預(yù)測(cè)精度得到很大提高。由于BP神經(jīng)網(wǎng)絡(luò)對(duì)每個(gè)當(dāng)前時(shí)刻風(fēng)速預(yù)測(cè)誤差不同，依據(jù)當(dāng)前時(shí)刻預(yù)測(cè)誤差校正，權(quán)值閾值調(diào)整量不同，當(dāng)誤差波動(dòng)較大時(shí)，很容易出現(xiàn)過(guò)校正，所以為得到最優(yōu)預(yù)測(cè)值，依據(jù)預(yù)測(cè)點(diǎn)之前風(fēng)速變化趨勢(shì)判斷由當(dāng)前時(shí)刻預(yù)測(cè)誤差校正方法是否可取，若不可取則有必要設(shè)計(jì)新的修正方案。

由于當(dāng)前時(shí)刻誤差過(guò)大時(shí)，權(quán)值閾值修正量很大，導(dǎo)致修正后并不適應(yīng)于預(yù)測(cè)點(diǎn)進(jìn)行預(yù)測(cè)，所以，當(dāng)前時(shí)刻預(yù)測(cè)誤差較大時(shí)（2倍平均誤差左右，本文取值為0.5），應(yīng)根據(jù)前一時(shí)刻預(yù)測(cè)誤差進(jìn)行修正。本文BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)時(shí)采用預(yù)測(cè)點(diǎn)前0.5 h氣象數(shù)據(jù)，氣象數(shù)據(jù)輸入中包括當(dāng)前時(shí)刻、前10 min、前20 min和前30 min 4個(gè)風(fēng)速數(shù)據(jù)，由此可求出前半小時(shí)風(fēng)速變化率α，其值取為4個(gè)時(shí)刻風(fēng)速變化的平均值。

依據(jù)風(fēng)速變化率及變化趨勢(shì)簡(jiǎn)單定性分析出預(yù)測(cè)點(diǎn)風(fēng)速情況。風(fēng)速呈上升趨勢(shì)時(shí)，若校正后預(yù)測(cè)風(fēng)速V小于當(dāng)前時(shí)刻風(fēng)速V0-2α，則以V0+α作為最終預(yù)測(cè)值；風(fēng)速呈下降趨勢(shì)時(shí)，若校正后預(yù)測(cè)風(fēng)速V大于當(dāng)前時(shí)刻風(fēng)速V0+2α，則以V0-α作為最終預(yù)測(cè)值。

加入誤差實(shí)時(shí)校正環(huán)節(jié)及風(fēng)速變化趨勢(shì)，分析的改進(jìn)方案流程圖如圖2所示。

圖2 計(jì)及風(fēng)速變化趨勢(shì)分析的改進(jìn)方案Fig.2 An improved scheme considering the wind speed varying trend analysis

4 算例分析

以某風(fēng)電場(chǎng)2009年5月1日至5月31日風(fēng)速為例，數(shù)據(jù)時(shí)間間隔為10 min，則一共包含4 460組真實(shí)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(luò)訓(xùn)練樣本，160組數(shù)據(jù)作為測(cè)試樣本，進(jìn)行仿真實(shí)驗(yàn)。

BP神經(jīng)網(wǎng)絡(luò)輸入層節(jié)點(diǎn)數(shù)為20，隱含層節(jié)點(diǎn)數(shù)為15，輸出層節(jié)點(diǎn)數(shù)為1，網(wǎng)絡(luò)訓(xùn)練次數(shù)為5 200次，學(xué)習(xí)效率取為0.1。設(shè)置如下3種預(yù)測(cè)方法。

方法1：未加誤差實(shí)時(shí)校正的BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)方法。

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

預(yù)測(cè)方法。

方法3：加入誤差實(shí)時(shí)校正環(huán)節(jié)及風(fēng)速變化趨勢(shì)分析的BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)方法。

采用方法1訓(xùn)練效果如圖3所示。采用方法2加入誤差實(shí)時(shí)校正環(huán)節(jié)的測(cè)試效果如圖4所示，平均相對(duì)誤差如圖5所示。由圖4、圖5可知，加入實(shí)時(shí)校正的BP改進(jìn)算法具有明顯提高預(yù)測(cè)精度的效果。由于當(dāng)前時(shí)刻預(yù)測(cè)誤差大小不同，校正時(shí)權(quán)值閾值調(diào)整程度不同。當(dāng)前時(shí)刻預(yù)測(cè)誤差較大時(shí)，可看作預(yù)測(cè)壞點(diǎn)，可以很明顯地看出存在過(guò)校正情形。

圖3 方法1BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練效果Fig.3 BP neural network training results of method 1

圖4 方法2測(cè)試樣本預(yù)測(cè)效果Fig.4 Prediction results of testing samples using method 2

圖5 方法2測(cè)試樣本平均相對(duì)誤差Fig.5 Average relative errors of testing samples using method 2

采用方法3加入誤差實(shí)時(shí)校正環(huán)節(jié)及風(fēng)速變化趨勢(shì)分析預(yù)測(cè)效果如圖6所示，平均相對(duì)誤差如圖7所示。由圖6與圖7中可知：加入趨勢(shì)預(yù)判可有效避免風(fēng)速預(yù)測(cè)過(guò)校正現(xiàn)象，總體預(yù)測(cè)效果明顯優(yōu)于前2種方法。

圖6 方法3測(cè)試樣本預(yù)測(cè)效果Fig.6 Prediction results of testing samples using method 3

圖7 方法3測(cè)試樣本平均相對(duì)誤差Fig.7 Average relative errors of testing samples using method 3

3種預(yù)測(cè)方法預(yù)測(cè)絕對(duì)與相對(duì)誤差如表1所示。通過(guò)對(duì)比可以看出，所提出預(yù)測(cè)模型具有良好預(yù)測(cè)效果，明顯提高了超短期風(fēng)速預(yù)測(cè)精度。

表1 3種預(yù)測(cè)方法預(yù)測(cè)效果Tab.1 Prediction result comparison of three prediction methods

5 結(jié)語(yǔ)

本文在傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)超短期風(fēng)速預(yù)測(cè)方法的基礎(chǔ)上，設(shè)計(jì)了誤差實(shí)時(shí)校正環(huán)節(jié)，并引入風(fēng)速變化趨勢(shì)分析，在提高風(fēng)速預(yù)測(cè)精度的同時(shí)有效改

善了過(guò)校正情況。

[1]丁華杰，宋永華，胡澤春，等.基于風(fēng)電場(chǎng)功率特性的日前風(fēng)電預(yù)測(cè)誤差概率分布研究[J].中國(guó)電機(jī)工程學(xué)報(bào)，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(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.

[3]范高鋒，王偉勝，劉純，等.基于人工神經(jīng)網(wǎng)絡(luò)的風(fēng)電功率預(yù)測(cè)[J].中國(guó)電機(jī)工程學(xué)報(bào)，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(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）.

[5]丁明，張立軍，吳義純.基于時(shí)間序列分析的風(fēng)電場(chǎng)風(fēng)速預(yù)測(cè)模型[J].電力自動(dòng)化設(shè)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(fēng)電場(chǎng)風(fēng)速短期多步預(yù)測(cè)改進(jìn)算法[J].中國(guó)電機(jī)工程學(xué)報(bào)，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(nóng)，孫國(guó)強(qiáng)，等.基于改進(jìn)空間相關(guān)法和徑向基神經(jīng)網(wǎng)絡(luò)的風(fēng)電場(chǎng)短期風(fēng)速分時(shí)預(yù)測(cè)模型[J].電力自動(dòng)化設(shè)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(guó)強(qiáng)，張伯明.基于組合預(yù)測(cè)的風(fēng)電場(chǎng)風(fēng)速及風(fēng)電機(jī)功率預(yù)測(cè)[J].電力系統(tǒng)自動(dòng)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(shí)間序列分析和卡爾曼濾波算法的風(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 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(lái).風(fēng)速與風(fēng)電功率的聯(lián)合條件概率預(yù)測(cè)方法[J].中國(guó)電機(jī)工程學(xué)報(bào)，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(guó)強(qiáng)，衛(wèi)志農(nóng)，翟瑋星.基于RVM與ARMA誤差校正的短期風(fēng)速預(yù)測(cè)[J].電工技術(shù)學(xué)報(bào)，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(luò)原理[M].葉世偉，史忠植，譯.北京：機(jī)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(luò)的風(fēng)電功率預(yù)測(cè)[J].電網(wǎng)技術(shù)，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(shù)朋.基于多維時(shí)間序列和BP神經(jīng)網(wǎng)絡(luò)的短期風(fēng)電功率預(yù)測(cè)[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(gè)案例分析[M].北京:北京航空航天大學(xué)出版社，2011.

[16]朱建紅，潘文霞，馬飛.超短期最優(yōu)預(yù)報(bào)下風(fēng)電場(chǎng)功率預(yù)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(qū)動(dòng)的短期風(fēng)電出力預(yù)估-校正預(yù)測(cè)模型[J].中國(guó)電機(jī)工程學(xué)報(bào)，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(shì)分析的風(fēng)電功率超短期預(yù)測(cè)系統(tǒng)研究[J].內(nèi)蒙古大學(xué)學(xué)報(bào)（自然科學(xué)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(jí)工程師，研究方向?yàn)樾履茉粗悄芸刂蒲芯颗c應(yīng)用。

（編輯 張曉娟）

國(guó)家電網(wǎng)公司科技項(xiàng)目《智能風(fēng)力發(fā)電場(chǎng)監(jiān)控與預(yù)測(cè)關(guān)鍵技術(shù)研究與應(yīng)用》（國(guó)家電網(wǎng)科[2015]709號(hào)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