研究與開發現代計算機２０13.08（國電南瑞科技股份有限公司深圳分公司，深圳）關鍵詞：風力功率預測；BP神經網絡；天氣預報；優先選擇；在線建模收稿日期：2013-06-18修稿日期：2013-07-18作者簡介：秦昭暉（1982-），男，湖北監利人，工程師，碩士，研究方向為預測算法、軟件工程提出一種基于優先選擇的電率超短期預測算法，該算法結合BP神經網絡、天氣預報、實測率外推法等多種預測算法，并能動態選擇輸入數據最優的預測算法進行預測。優先選擇法的各個子算法分別采集不同的輸入數據進行預測，這種做法能有效地規避單一輸入數據無效時，整預測失敗的情況同時短期風電功率預測，結合在線建模，能動態調整子算法的執行順經過實際運行后，算法運行療效較好，4h內的預測均方根誤差在10%以內文章編號：1007-1423（-0006-04DOI：10.3969/j.issn.1007-1423.2013.22.002問題的提出隨著全球溫度變暖和化石燃料一次性能源的日漸枯竭，可再生能源的借助在世界范圍內遭到普遍的重風力發作為一種重要的可再生能源，近幾年來得到了較快發展。力發機組的出力具有間歇性和不確定性。
場建設規模的不斷擴大、場數目的不斷降低以及裝機容量在力系統中所占比列的不斷提升給力系統的安全與經濟運行帶來了新的挑力系統運行的不確定性誘因增多，調度的難急劇減小。如果還能對機組的出力作比較確切的預測，這對提早制訂適當的調計劃，進而維持力系統的安全和經濟運行具有重要的意義功率超短期預測是指4小時之內的功率預測，超短期預測對實時功率控制等具備重大的意義。到目前為止，國內外對于功率預測早已做了相當的研究工作，提出大量的場速和功率預測方式，包括統計法、卡爾曼濾波法、時間序列法、神經網絡法、模糊邏輯法、功率觀測器、空間相關性法、支持向量機、小波分析、遺傳算法但現行的功率超期預測方式，一般是采用單一的預測算法（例如神經網路，并采集單一的輸入數據來進行預測（例如實測功率、實測速。也有少量結合種預測方式的研究成果，但都是將種預測算法串聯、依次對單一的輸入數據進行處理。在實際工程應用中，一旦出現輸入數據暫時中斷的情況，就會造成該時刻的預測失敗。電功率超短期預測大都采用物理方式來進行預測，忽略了天氣預報等化學方式。本文提出的實測功率和天氣預報的權重相乘法結合了化學方式，對超短期預測中的第4h預測精有顯著增強。
最后，本文按照從四川某電場獲得的相關數據，運用優先選擇法進行電功率的超短期預測，并將預測結果與實際結果進行比較。算法實現優優先選擇法的前提是選擇高精的預測子算法短期風電功率預測，本文針對電功率的超短期預測的特性，選擇BP神經網絡、天氣預報、實測功率外推、實測功率外推結合天氣預報四種預測算法。優先選擇法由個子算法構成，采用組合模式[10]研究與開發現代計算機２０13.08具體實現，其簡單類圖描述如圖1所示。優先選擇法的可知難點在于各個子算輸入有效性的判定和子算之間優先級的確子算輸入有效性的斷由各個子算自己決定，子算之間的初始化優先級由建模時子算的預測精度定，并由在線建模后續動態調整。優先選擇算述BP（）網絡是為首科學家小組提出一種按偏差逆傳播算訓練的多層頻域網路，是目前應用最廣泛的神經網模型之一BP網能學習和儲存大量輸入-輸出模式映射關系，而無需事前闡明描述這些映射關系的物理多項式。它的學習規則是使用最速驟降，通過反向傳播來不斷整網的殘差和閥值，誤差平方和最小。BP神經網型拓撲結構包括輸入層）、隱層()和輸出層()。
BP神經網可以通過學習來抽取和迫近輸入輸出之間存在的非線性關系，被大量地應用到風速預測或風電功率預測中。本文使用BP神經網絡算分為建模和在線運行兩部份：建模使用2012年測風塔歷史數據構建學習樣本，供BP神經網絡進行學習，定BP神經網絡結構按照測風塔史風速wind和風電場全場史功率power建風功曲線，風功曲線格式為：power=kwind+b預測在線運行時，根據時測風塔風速預測未來時刻測風塔風速把預測測風塔未來時刻風速代入風功曲線估算出未來時刻功率數值天氣預報）是指按照大氣際情況，在一定年率和邊值條件下，通過小型計算機作數值估算，求解寫天氣變遷過程流體力學和熱力學方程組，預測未來一定時段大氣運動狀態和天氣現象方在風電功率預測中，數值天氣預報服務使用小型計算機作數值估算，與2.2采用BP神經網絡通過輸入測風塔測風速預測未來風速相比，預測時間越長，優勢越顯著本文使用數值天氣預報進行風電功率超短期預測方也分為建模和預測兩部份建模通過單機功率-全場功率相關性分析，定一個代表樣機通過該代樣機歷史風速和歷史功率建該代樣機風-功曲線，風功曲線格式同公式1）向專業數值天氣務商訂制該代樣機處風速預報務預測每次預測時，通過數值天氣預報務獲取未來時刻風速將未來時刻風速代入代樣機風功曲線獲取代樣機預測功率依據代樣機預測功率得到全場預測功率測功率外推本質上是一種時間序列，研究與開發現代計算機２０13.08之前三個時刻的實測功率的權重和，權重系數k1、k2、k3由歷史功率樣本數據獲得。
+1=+-1+-2實測功率外推法結合天氣預報是2.3節的預測方式和2.4節的預測方式相結合，即兩種預測方式同時運行，然后把兩種預測結果根據一定的重相乘。預測時間越靠前，實測功率外推法占的重越大，預測時間越靠后，天氣預報所占的重越小。在線建模是優先選擇法在線運行后，無需停止預測系統的運行，啟動后臺線程進行的自動化建模。在線建模通常每一個月執行一次。在線建模的算法描述如下：準備好上一個月的歷史數據針對上一個月的歷史數據進行，每個子算法進行重新預測以月均方根偏差對每位子算法的預測精度進行排序依據月均方根偏差的次序調整子算法的執行順在風功率預測中的應用療效首先，確定了進行實際預測時的優先選擇法的子算法排序：實測功率外推結合天氣預報實測功率外推BP神經網絡天氣預報之后，根據廣東某風電場2012年的實測數據，完成各個子算法的建模工作號的1h預測結果和實測結果對比，預測精度較高依據公式[11]計算的5天均方根偏差為8.7%RMSE=其中，PMi時刻的實際功率，PPi時刻的預測功率，Cap為平均開機容量，n為樣本個數我們提出一種優先選擇法，并按照廣東某風電場2012年的實測數據，進行算法建模，后在風電場運行，并進行實際的風電功率超短期預測到目為止，在各類工況下，預測精度都較高，具備良好的實際工程應用價值同時，優先選擇法也可以推廣用于其他領域的預 測，有著廣泛的應用景 預測精度對比參考文獻 基于RBF 神經元網路的風電功 率短期預測[J]. 電力系統保護與控制, 2011, 39(15):80~83 超短期風電功率預測及其在安全穩定預警系統中的應用[J]. 電力系統保護與控制, 2012, 40 12):19~23 基于超短期風電功率預測的風電場手動發電控制[J]. 中國電力, 2011, 442):74~77 [4]黃金花, 電工電氣,20099):57-6 基于人工神經網絡的風電功率短期預測研究[J]. 華東電力, 2009, 3711):1918~1921 衛志農,孫國強. 基于改進空間相關性和徑向基神 經網路的風電場短期風速分時預測模型[J]. 電力自動化設 2009,296):89~92 [7]吳興華, 黃梅.基于模式辨識的風電場風速和發電功 率預測[J]. 繼電器, 2008, 361):27~32 高陽.風電場發電功率的建模和預測研究 綜述[J]. 電力系統保護與控制, 2009, 3713):118~121 電力系統保護與控制,2009, 371):65~70 [10]Gamma 設計模式[M].李英軍等譯. 北京:機械工業 除報社, 2010:107~110 [11]國家電網公司調度通信中心. 風電功率預測系統功能規 北京:國家電網公司,2011:7 研究與開發現代計算機 ２０13.08 Ultra- Wind Power Based QIN Zhao-hui Yan（NAR Co. Ltd. ， ） : Wind Power ; BP ; ; ; , which , , , can which data. Each sub- , when input . , , can . , 鄄 ness, than 10%