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測具有實際意義。本文提出一種基于BP神經(jīng)網(wǎng)絡的短期風電功率預測方法，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)絡預測，利用MATLAB建模仿真實現(xiàn)風電系統(tǒng)實時產(chǎn)能的模擬，快速預測風電輸出功率。使用本文方法預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)其預測精度高，滿足生產(chǎn)要求。

關鍵詞：風力發(fā)電;電力系統(tǒng);功率預測;BP神經(jīng)網(wǎng)絡

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測。眾多科研機構(gòu)和高校對風電功率預測開展了深入研究，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習算法的風力發(fā)電功率預測方法[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，深度學習算法的跟蹤變化能力有待考量。南京郵電大學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]，有效提高了模型預測精度，但其預測時間跨度還需提高。東北電力大學楊茂等進行了基于改進KNN （KNearest Neighbor） 算法的風電功率實時預測[3]，該方法對數(shù)據(jù)要求較少，但時間長，計算復雜度高。為了提高預測精度，本文采用基于BP神經(jīng)網(wǎng)絡的短期風電功率預測方法，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測精度。證明BP神經(jīng)網(wǎng)絡預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)絡的預測方法研究

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

2.1 BP神經(jīng)網(wǎng)絡預測與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)作為訓練樣本，在MATLAB上編寫代碼并進行模型訓練。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)絡預測方法的準確性、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，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)絡訓練的調(diào)用函數(shù)是trainlm。訓練之前需要對系統(tǒng)進行初始化，利用init命令實現(xiàn)初始化過程。當網(wǎng)絡輸出的誤差降到程序中設定的期望目標，學習結(jié)束。訓練誤差接近0.00065，訓練次數(shù)為500，基本達到訓練效果。

2.2 風電功率預測結(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)絡在風電功率預測領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：一是分析風電預測的特點、方法和所需的誤差指標，選擇預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)，同時還確定預測模型為統(tǒng)計模型。三是基于BP神經(jīng)網(wǎng)絡方法進行MATLAB建模仿真預測。

本文采用了BP神經(jīng)網(wǎng)絡對風電功率預測進行了研究，預測結(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)絡的風力發(fā)電功率預測方法[J].發(fā)電技術，2019，40（05）：426-433.

葛陽鳴. 基于集成學習的短期風力發(fā)電功率預測研究[D].南京郵電大學，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測研究[J].電測與儀表，2014，51（24）：38-43.