57鉗工電氣(.9)作者簡介：黃金花(1985-)，女，碩士研究生，研究方向為新能源技術；彭暉(1983-)，男，碩士，研究方向為新能源技術。風電場短期風電功率的神經網路方式預測研究黃金花，彭暉(西南學院電氣工程大學，浙江寧波):?ching.speed,,,-.-,’.:;;short--hua,（,,,China）-對風力發電進行有效的預測，則可增加電網調度的難度。
按照從風電場獲得的相關風速、溫度、風向、風電功率等數據，構建基于BP神經網路的短期風電功率預測模型，預測提早1的風電功率。對所得預測結果進行比較，進而判定各類短期預測模型的好壞。從對比的結果可知，神經網路模型預測不超過24的風電功率時具有一定的可靠性。關鍵詞：BP神經網路；風電功率；短期預測中圖分類號：TM614文獻標示碼：A文章編號：1007-3175(2009)09-0057-04全球性的能源危機和氣候變化，驅動了新能源在世界范圍內迅速發展。生物質能作為一種可再生、潔凈的能源，已得到世界各國的高度注重。風力發電是可再生能源發電技術中發展最快和最為成熟的一種，從2000年到2008年，全世界的風力發電裝機年下降量都在20%以上，中國風電裝機容量自2003年以來步入了快速下降期。2003年，中國風力發電累計總裝機容量為567MW，而到了2008年已達到了。并且風力發電也有其缺點，因為生物質能具有波動性、間歇性、低能量密度、不可控性等特征，因此風電功率也是波動的、間歇的。隨著風能發展速率越來越快，風電在電網中所占的比列越來越大短期風電功率預測，因此給電網帶來了沖擊，電網不確定性減小，電力調度的難度也急劇減小。
因而，若能對風電場的風電功率提早作出預測，則除了才能減輕風電對電網導致的影響，同時也幫助電力系統合理調配資源，充分發揮風電場的作用。目前，國外外對于風力發電各類課題的研究越來越深入，但其中關于風電場功率預測的研究還達不到令人滿意的程度。風電功率預測按時間來分可以分為：常年預測、中期預測、短期預測、超短期預測。本文依據從風電場獲得的相關數據，運用BP神經網路對風電功率進行短期預測，預測提早1，2，4，24BP神經網路基本理論在數據剖析時經常要用到預測，但傳統的預測方式如回歸剖析和時間序列剖析在涉及研究變量繁雜并且數據又非線性時，有特別大的局限性。神經網路的出現為處理非線性問題提供了一條新途徑。目前在人工神經網路的實際應用中，80%～90%的人工風電場短期風電功率的神經網路方式預測研究58鉗工電氣(.9)神經網路模型是采用BP(，以下簡稱BP)網路或它的變化方式1.1BP網路介紹BP網路是基于偏差反向傳播算法的人工神經網路，包含了輸入層、中間層(蘊涵層)出層。BP神經網路學習過程分正向傳播和反向傳播，即信息的正向傳播和偏差的反向傳播兩個過程組成。
在正向傳播過程中，輸入層各神經元負責接收來自外界的輸入信息，并傳遞給中間層各神經元；中間層是內部信息處理層，負責信息變換，依據信息變化能力的需求，中間層可以設計為單隱層或則多隱層結構；最后一個隱層傳遞到輸出層各神經元的信息，經進一步處理后，完成一次學習的正向傳播處理過程，由輸出層向外界輸出信息處理結果。當實際輸出與期望輸出不符時，步入偏差的反向傳播階段。通過網路將偏差訊號沿原先的連接通路返回，同時更改各層神經元的殘差直到達到期望目標。周而復始的信息正向傳播和偏差反向傳播過程，是各層殘差不斷調整的過程，也是神經網路學習訓練的過程，此過程仍然進行到網路輸出的偏差降低到可以接受的程度，或則預先設定的學習次數為止。圖為只含雙層蘊涵層的BP神經網路結布光[4-5]1.2BP網路設計由于BP網路是由輸入層、隱含層和輸出層構成的雙向傳播的多層前向網路，因此設計BP網路，則需確定這幾層的相關參數，同時也須要確定互相聯接層之間的傳遞函數。1.2.1輸入層和輸出層的設計輸入層的神經元往往按照實際求解的問題和數據來確定。通常情況下，求解問題涉及到的輸入參數有多少個，選定的神經元個數即定為多少個。而輸出層的維數可按照設計者想要獲得輸出參數的個數來確定。
1.2.2蘊涵層的設計BP網路蘊涵層的數量有一個到多個短期風電功率預測，所以設計蘊涵層包含兩部份：確定蘊涵層的數量及蘊藏層神經元的個數。這常常須要依照實際問題和設計者的經驗與多次實驗來確定，目前還未有一個理想的解析式來給定[6-7]。針對通常的問題，1個蘊涵層早已足夠，而神經元的個數通常依據輸入層輸入參數的多少而定，有些參考文獻將蘊涵層神經元個數定為輸入參數的2倍再加1[6，8]1.2.3傳遞函數的選擇傳遞函數是互相聯接層神經元間的聯接形式，在神經網路中起著極其重要的作用。傳遞函數的選擇由研究問題的性質決定。在常見的預測BP模型中，常用傳遞函數有：線性傳遞函數；函數即S型函數，而S型函數有對數函數、正切函數。1.3BP網路的訓練算法BP網路最基本的算法是梯度增長法，而且因為梯度增長法學習收斂速率太慢，但是不能保證收斂到全局最小點，在實際工作中很難勝任工作的要求，因此出現了許多改進的算法。如LM算法就是幾種改進算法中比較常用的一種算法。模型構建2.1數據預處理在實際問題中通常有多個輸入參數，而每位輸入的量綱可能不一樣，數目級也未必相同，同時系統又非線性，為了有利于訓練時學習過程達到局部最小以及盡量讓訓練才能收斂，數據終值的選定不可忽略。
因此在構建模型之前要對原始數據進行處理。本文輸入樣本有多種數據，各量綱不一樣，為了讓輸入的各個參數才能統一，則必需對其進行歸一化，弄成無量綱的數據，作為輸入年率。本文筆取將各個輸入單獨進行歸一化，使之在區間[-1，1]之間，以某一輸入參數的序列為例，歸一化公式為：歸一化前的序列Ymax(Y)-min(Y風電場短期風電功率的神經網路方式預測研究輸入參數輸入參數輸入參數輸入參數輸出層輸入層蘊藏層59鉗工電氣(2009No.9)2.2BP網路模型構建在實際預測中，BP網路須要有訓練網路的原始數據，同時為了驗證訓練網路的預測療效，不可防止的要將預測值與實際數據進行比較。因此，將構建模型時用到的數據分為兩類：訓練網路用的訓練數據，評估預測結果是否精確的評估數據。至于這兩類數據之間怎樣分配的問題，本文參考相關文獻，并結合本文實際，對應用到的樣本數據進行了近似對半分的方式，用一部份數據作為訓練網路用的訓練數據，另一部份拿來作為測試網路是否可靠的測試數據。本文輸入數據有4個，即用氣溫、風速、風向余弦、風向正弦來預測風電功率的輸出。所以輸入層的神經元選為4個，考慮求解問題不是太復雜，三層的BP網路早已足夠，所以蘊涵層定為1層，但是按照前文參考蘊涵層神經元個數的方法，確定蘊涵層的神經元為9個，而目標輸出只有風電功率1個參數，因此輸出參數為1個。
在以預報為目的的BP模型中，傳遞函數常采用函數和線性函數。本文蘊涵層神經元傳遞函數選用余弦函數，輸出層神經元傳遞函數選用純線性函數。訓練算法用LM算法。本文網路結布光如圖2所示。實例剖析3.1數據樣本選定與處理現有從風電場獲得的27天的各種運行數據。本文針對所要研究的風電功率，選定了對風電功率輸出影響較大的3類數據：氣溫、風速、風向。但作為輸入參數時將風向求取余弦與正弦值作為兩個輸入參數。這么便有4個輸入參數。短期預測通常都是預測基于小時為單位的數值，本文在對已知的風電功率、溫度、風向、風速等數據進行剖析與整理的情況下，預測提早1，2，4，24的風電功率。在實際建模過程中，預測基于小時的風電功率時，我們選定了10運行數據。預測提早24h，也就是提早1功率時，選定了27天的運行數據。考慮風電場各種運行數據檢測的間隔時間都為10min，所以每小時每類數據個數就有6個，對1內的6個數據求取平均，則獲得的相應數據的時間間隔為1h。若在2h內對12個數據求取平均則獲得的數據時間間隔為2h，同理在4h內對24個數據進行平均，相應的數據時間間隔為4h。
10天的運行數據經過相應處理后，預測提早1，2，4h時用到的每類數據個數分別有：60，120，240個。3.2預測結果及結果剖析如前文所述，在模型預測時，對于所選定的數據，都是采取近似對半分的方式，將其三部份拿來訓練網路，另一部份作為實際數據，拿來與BP網路模型的預測結果進行比較，因此判定預測結果與實際結果的相像程度。最后的圖形都是將預測結果與實際值相比，置于同一張圖中。圖3是預測提早1h的風電功率時的網路訓練過程(其他時間的預測訓練過程類似，在此不列舉)。圖4為預測提早1h的風電功率結果，每間隔1為預測提早2h的風電功率結果，每間隔2預測提早4h的風電功率結果，每間隔4h。在預測提早1天的風電功率時，用到了27天的運行數據，將每晚的每類數據求取平均，獲得相應數據則覺得時間間隔為1天。這次訓練網路用到的數據為10個，而作為實際數據的個數為17個。圖7即為預測結果圖(其中虛線為實際數值，實線為預測結果值)。預測提早1h的風電功率的訓練過程10-110-210-310訓練偏差預設精度注：訓練結果偏差為0.00441829%，預設偏差精度為0.005%。氣溫風速風向余弦
