基于人工神经网络的风电功率预测

合集下载

风电功率短期预测方法研究

风电功率短期预测方法研究一、本文概述随着全球能源结构的转型和可持续发展理念的深入人心，风电作为一种清洁、可再生的能源形式，正受到越来越多的关注和重视。

风电功率的准确预测对于电力系统的稳定运行、能源的有效利用以及风电场的经济运营具有至关重要的意义。

因此，风电功率短期预测方法的研究成为了当前能源领域的一个热点课题。

本文旨在探讨风电功率短期预测方法的研究现状与发展趋势，分析不同预测方法的优缺点，并提出一种基于机器学习算法的风电功率短期预测模型。

该模型能够充分考虑风电场运行过程中的多种影响因素，如风速、风向、气温、气压等，以及风电场的实际运行数据，从而实现对风电功率的精准预测。

本文首先介绍了风电功率预测的背景和意义，阐述了短期预测的重要性和实际应用价值。

然后，对现有的风电功率短期预测方法进行了综述，包括物理方法、统计方法和人工智能方法等。

接着，详细分析了各种方法的原理、适用条件及优缺点，指出了当前研究存在的主要问题和发展方向。

在此基础上，本文提出了一种基于机器学习算法的风电功率短期预测模型。

该模型采用了一种集成学习的方法，将多个单一预测模型的预测结果进行融合，以提高预测精度和稳定性。

本文还引入了一种特征选择算法，用于筛选出对预测结果影响较大的特征，从而进一步提高预测效率。

本文对所提出的预测模型进行了实验验证和性能评估。

通过与多种现有方法的比较，证明了该模型在风电功率短期预测方面具有更高的准确性和可靠性。

本文还讨论了该模型在实际应用中的潜力和局限性，为未来的研究提供了有益的参考。

二、风电功率短期预测基础理论风电功率短期预测是指对未来几小时到几天内的风电场输出功率进行预测。

这种预测对于电力系统的稳定运行、经济调度和能源管理具有重要意义。

风电功率短期预测主要基于气象学、空气动力学、统计学和等多个学科的理论基础。

气象学基础：风电功率的产生直接受风速、风向、空气密度和湍流强度等气象条件的影响。

因此，气象学是风电功率预测的基础。

基于风力发电的风功率预测综述

基于风力发电的风功率预测综述随着风力发电的快速发展，风电的穿透功率不断增加，随之带来的系统安全性和电能质量问题也日益凸显。

可靠的风功率预测可以有效地提高电力系统的运行稳定性，改善电能质量。

本文综述了当前各种风功率预测的方法包括物理方法、统计方法、学习方法等以及他们各自的适用场合，并展望了未来风功率预测的发展方向。

标签：风功率预测；预测方法；发展方向前言由于风能是清洁、安全的可再生能源，风力发电在全世界已经进入大规模发展阶段。

但由于风电的间歇性和随机性等缺点，随着风电装机容量的逐年增加，风电场穿透功率不断加大，无疑会对电力系统的电能质量造成一定的影响，尤其是大规模风电入网对系统的电能质量，诸如线路的潮流、无功补偿电压和频率带来很多不利影响[1]，并且影响系统旋转备用容量的大小，从而限制了风电的进一步发展。

有效的风功率预测方法可以方便调度进行合理的用电安排，提高系统运行的可靠性，一定程度上可以改善风电并网后的系统运行。

1风电场功率预测分类按照不同的分类标准，风电场功率预测方法分类方式不同。

1.1按预测时间尺度分类风电场功率的预测，按时间分为长期预测、中期预测、短期预测和特短期预测。

（1）长期预测：以“年”为单位，主要应用于风电场设计的可行性研究，可预测风电场建成之后每年的发电量。

这种方法主要是根据气象站提前20年或30年的长期观测资料和风电场测风塔至少一年的测风数据，经过统计分析，再结合风机的功率曲线来预测风电场每年的发电量。

（2）中期预测：以“天”为预测单位。

中期预测主要是提前一周对每天得功率进行预测，主要用于安排检修。

一般是利用数值天气预报系统的数据进行预测。

主要用于安排检修或调试。

（3）短期预测：以“小时”为预测单位。

一般是提前1-48小时对功率进行预测，目的是便于电网合理调度，保证供电质量。

一般是基于数值天气预报模型和历史数据进行预测。

1.2按预测模型对象分类按照预测对象的不同，一般可以分為基于风速的预测和基于功率的预测。

风电场风电功率预测系统介绍

虑将来风电功率预测系统自动气象站（遥测站）的
于２０１０年４月通过专家验收，华北电力大学研发的风电功率预测系统也于２０１０年７月通过专家验收。
收稿Ｅｔ期：２０１２— ０８— ０３
７２
率预测系统功能规范（试行）》的各项要求，需要建设以下几方面内容即风电功率预测系统的构成：
2012080372中国电科院是国内最早从事风电功率预测技术研究的单位已成功开发出国内首套具有自主知识产权的风电功率预测系统开发出基于人工神经网络支持向量机等统计方法的风电功率预测模型基于线性化和计算流体力学cfd的物理方法预测模型针对统计方法需要历史数据和物理方法受基础资料影响等不利因素开发出了统计方法一物理方法混合预测模型掌握了适合中国国情的风电功率预测建模技术
自动气象站（也称遥测站）、信息传输通道、中心
站以及系统软件。
量平均值。（５）风向区域：所记录的风向都是某一风速在该区域的瞬时采样值。风向区域分１６等分时，每个
扇形区域含２２．５。；也可以采用多少度来表示风向。
利于风电产业的良性发展。
基于线性化和计算流体力学（ＣＦＤ）的物理方法预测模型，针对统计方法需要历史数据和物理方法受基础资料影响等不利因素，开发出了统计方法一物理方法混合预测模型，掌握了适合中国国情的风电功率预测建模技术。自２００８年１１月首套中国电科院风电功率预测系统在吉林省电网投运以来，至今
应用该系统的省级电网达１１个，总预测风电场数超

风力发电系统中的风能评估和功率预测技巧

风力发电系统中的风能评估和功率预测技巧引言随着对可再生能源的需求不断增加，风力发电技术作为一种绿色、清洁的能源来源变得越来越受重视。

然而，风力发电系统的可靠性和效率直接依赖于对风能的准确评估和功率预测。

本文将介绍风力发电系统中的风能评估和功率预测技巧，以提高系统的性能和稳定性。

一、风能评估技巧1. 测风塔数据分析测风塔是风能评估的关键工具。

通过分析测风塔的数据，可以了解到每个时间段、每个高度的风速、风向和风能潜力。

为了得到准确的风能评估结果，需要采集足够长时间的数据并进行有效的统计分析。

2. 气象和地理条件考虑气象和地理条件对风能评估至关重要。

不同地理位置和气象条件下的风场特征具有很大差异，例如海岸地区的海风能量较高，而山区由于地形的复杂性会导致风能发散。

因此，在进行风能评估时，要充分考虑地理和气象条件，选择适合的风电场建设地点。

3. 数值模拟和模型预测数值模拟和模型预测是对风能进行评估的一种常用方法。

通过建立适当的数学模型，结合气象数据和地形条件，可以预测未来某一特定区域的风能潜力。

这些模型通常基于流体动力学、微气象学和统计学原理，并需要准确的气象输入数据和地形参数。

二、功率预测技巧1. 历史数据分析通过对历史数据的分析，可以建立功率预测模型。

这些模型根据过去的风速、风向和风电机组发电功率之间的关系，预测未来的功率输出。

然而，历史数据的可靠性对预测的准确性至关重要，因此数据的质量和完整性需要得到保证。

2. 统计方法统计方法在风能功率预测中得到广泛应用。

通过收集大量的历史数据，并运用统计学原理和模型，可以预测未来某一时间段的平均功率、功率变化范围以及功率预测的可靠性。

常见的统计方法包括时间序列分析方法、人工神经网络和回归分析等。

3. 气象学模型气象学模型是大规模风电场预测功率的重要工具。

这些模型基于气象变量和地形条件，结合理论和观测数据，预测未来风能发电系统的输出。

使用气象学模型可以更准确地预测风电场的功率输出，而不仅仅依赖于历史数据。

基于相似数据的人工神经网络短期风速预测模型

研究还达不到令人满意的程度，预测误差一般都在１５％以上“ 。采用的方法通常包括持续法、卡尔曼滤波法、随机时间序列法、神经网络法。其中，人工神经网络法进行风速或风电功率预测应用得最广。文献。 “ 都利用小波—ＢＰ神经网络进行建模，
得到完整的预测结果。从可
以某风电场２０１２年９月和１０月的观测数据及其相似日的风㈤速等数据作为训练样本，以训练出ＢＰ神经网络对该风电场风速进行预测。每个历史日的相似日个数选为５个，每３０ｍｉｎ对采样
一
其中：Ｐ是分辨系数，一般取０．５。
ＢＰ神经网络的学习算法如图２所示。
２．４仿真实验建模
本模型预测步骤是：
（１）选取相似数据的天数ｎ … 般要大于５灭。之后采用小波分解把样本分解成低频趋势
ｚ＝［， ‘ ，，，ｃｏｓＯ，ｓｉｎＯ，Ｐ￣，，，，，， ‘ Ｊ（１）
神经网络建模，虽然运行时间缩短，但是在数据相关性和数据号
．３反向传播（ＢＰ）神经网络去噪处理方面欠缺，导致精度不高。因此，本文建立了基于相似２ＢＰ神经网络的最基本算法思想就是通过信息的正向传递数据并结合小波分析的ＢＰ￣ｇｇ经网络建模。
与高频随机信号。（２）将相似数据样本作为ＢＰ
网络的输入，以其所对应的历
低和最高气温，￡、￡分别为最低和最高气温出现的时刻。
Ｘｉ（）＝［Ｚｉ（）一（）】／［Ｍ（ｊ）一（朋

基于神经网络的风力发电机组状态监测的研究

34
5
连续属性离散化
连续属性的离散化是知识获取中数据预处理的一项重要内容。粗糙集理论处理的对象必须是离散的，如车的重量分为超重、中等、轻，可以分别用三个值或符号来表示，它不能直接处理连续属性，如浮点型数据。连续属性离散化的根本出发点是在保证离散化前后决策信息未丢失的前提下，用尽可能少的断点将属性空间划分成尽可能少的子空间，这也是离散化算法追求的目标。
4
二、基于BP神经网络的风机状态监测模型
• 采用BP神经网络模型来对发电机的温度进行预测，并利用滑动窗口对残差进行分析。在风力发电机组非参数预测模型的残差统计方法中，合适的滑动窗口能够消除由于测量误差，机组启停等偶然因素造成的孤立的较大残差的影响。本文详细分析了滑动窗口残差统计的方法及原理，指出了滑动窗口具有能够抑制孤立异常残差的作用，并利用BP预测模型加以验证。
与现有具有代表性的路由协议进行分析比较其消息传输成功率，平均时延、平均路数、消息副本数等
32
根据风电机组的工作原理，采用BP神经网络理论建模并进行故障诊断研究。输入变量集选取方面，利用遗传算法全局并行寻优能力的优点，将其与粗糙集结合起来使用。再通过滑动窗口对残差进行分析，保证了非参数模型有较高的建模精度，提高了故障诊断的精度。
姓名：宋谷月导师： 2013.3.15
1
1 2
研究背景
研究内容
基于粗糙集和遗传算法的属性约简基于BP神经网络的风机状态监测模型
3
4
5
6
本课题创新点
工作展望
2
风电机组状态监测的必要性
• 风力发电厂检修、运维费用的增加，使得风场总体收入下滑，直接影响了世界各国对风力发电行业的投资比例。因此，实时了解风电机组各部件的运行状态，及时发现各部件的异常情况和故障隐患具有重要意义。

基于深度学习的风力发电功率预测算法研究

基于深度学习的风力发电功率预测算法研究近年来，随着环境保护的日益重视以及可再生能源的发展，风力发电作为一种清洁、可持续的能源形式逐渐受到世界各国的关注。

然而，风力发电的波动性和不可控性给电网供电带来了一定的挑战，因此准确预测风力发电功率变得十分重要。

本文将基于深度学习技术，研究一种高精准度的风力发电功率预测算法。

首先，我们将介绍深度学习在能源预测中的应用背景和意义。

传统的风力发电功率预测方法多采用基于物理模型或统计模型的方式，这些方法对于考虑多变量和复杂关系的问题存在一定的局限性。

而深度学习模型能够从海量的数据中自动学习特征，并建立非线性的映射关系，从而更好地捕捉风速、风向、气压等多个因素之间的关系，提高预测准确度。

接着，我们将详细介绍基于深度学习的风力发电功率预测算法。

该算法基于循环神经网络（Recurrent Neural Network，RNN）模型，采用长短期记忆（Long Short-Term Memory，LSTM）单元来处理时间序列数据。

首先，我们将输入的风速、风向等历史数据进行特征提取和处理，得到适合RNN模型输入的数据。

然后，通过多层的LSTM单元来学习时间序列数据中的长期依赖关系和非线性规律。

最后，通过输出层将学习到的模型映射为风力发电功率的预测结果。

在实验部分，我们将使用真实的风力发电数据集进行算法验证。

首先，我们将对数据进行预处理，包括数据清洗、归一化等操作，以提高数据的准确性和算法的稳定性。

然后，我们将按照一定的比例划分数据集为训练集和测试集，其中训练集用于模型的训练和学习，测试集用于评估模型的预测能力。

通过比较预测结果与实际数据的差异，可以评估算法的准确度和预测能力。

实验结果表明，基于深度学习的风力发电功率预测算法能够取得较高的预测精度。

相比传统的方法，该算法在考虑多变量和复杂关系时具有更好的表现。

同时，该算法能够适应不同的风力发电场景和数据特征，具有较强的泛化能力。

电网调度中的风电场功率预测研究

电网调度中的风电场功率预测研究随着可再生能源的快速发展和应用，风力发电已成为全球范围内广泛使用的可再生能源。

然而，由于风力发电具有时空变化性和不确定性，风电场的功率波动性较大，给电网的稳定性和可靠性带来了一定挑战。

为了有效地将风力发电纳入电网调度中，准确预测风电场的功率非常重要。

电网调度中的风电场功率预测是指利用各种预测方法和技术，对风电场未来一段时间内的功率进行预测。

这些预测结果可以提前通知电网管理者，以便他们做出相应的调度决策，确保电网的稳定运行。

在风电场功率预测研究中，常用的方法包括物理模型方法、统计模型方法和混合模型方法等。

物理模型方法基于物理定律和气象学原理建立模型，通过考虑风的速度、密度、气温等因素，预测风电机的输出功率。

统计模型方法则基于历史数据和统计分析方法，将历史数据与天气预报数据进行相关性分析，预测未来功率。

混合模型方法结合了物理模型和统计模型的优点，既考虑了风机自身特性，又考虑了外部因素的影响。

物理模型方法中，常用的模型包括海伦博士模型、鲍泽尔模型和魏斯伯格模型等。

这些模型通过考虑风速、风向、湍流强度等因素，预测风机的输出功率。

例如，海伦博士模型利用气象学公式和风功率曲线模型，通过计算风能转化为电能的概率，预测风电场的功率输出。

鲍泽尔模型则通过对湍流强度和环境变量的考虑，预测风电场的功率输出。

魏斯伯格模型基于气象学原理和风功率曲线，结合风速和风向等信息，预测风电场的功率输出。

统计模型方法中，常用的方法包括时间序列模型、回归分析和人工神经网络等。

时间序列模型通过对历史数据中的趋势和周期性进行分析，进行未来功率预测。

回归分析则基于历史数据与气象数据的相关性，建立回归模型，预测未来功率。

人工神经网络利用大量历史数据进行训练，通过对数据的学习和模式识别，进行未来功率预测。

混合模型方法常用的方法包括基于物理统计模型和机器学习的方法等。

基于物理统计模型的方法通过结合物理模型和统计模型的优点，提高功率预测的准确性。

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

文章编号：0258-8013 (2008) 34-0118-06 中图分类号：TM 743 文献标志码：A 学科分类号：470⋅40

基于人工神经网络的风电功率预测范高锋，王伟胜，刘纯，戴慧珠 (中国电力科学研究院，北京市海淀区 100192)

Wind Power Prediction Based on Artificial Neural Network FAN Gao-feng, WANG Wei-sheng, LIU Chun, DAI Hui-zhu (China Electric Power Research Institute, Haidian District, Beijing 100192, China)

ABSTRACT: Wind power prediction is important to the operation of power system with comparatively large mount of wind power. The wind power prediction methods were classified into several kinds. An artificial neural network (ANN) model for wind power prediction was constructed according to the wind power influence factors. Then the impacts of real time measured power and the atmospheric data at different heights on prediction results were analyzed. Besides, another ANN model for error band prediction was also built. The results indicate that the ANN structure and the training sample have some impact on the prediction precision. The real time measured power as input will improve the precision of 30 min ahead prediction, however will decrease the precision of 1h ahead prediction. The results which using the atmospheric data at all different heights as input have a higher accuracy when compared with the results using hub height data only. The designed ANN can forecast the error band.

KEY WORDS: wind farm; power; prediction; artificial neural networks

摘要：风电场输出功率预测对接入大量风电的电力系统运行有重要意义。对风速和风电场输出功率预测的方法进行了分类。根据风电场输出功率的影响因素，建立了风电功率预测的神经网络模型。分析了实测功率数据、不同高度的大气数据对预测结果的影响。建立了基于神经网络的误差带预测模型，实现了误差带预测。研究结果表明，神经网络的结构和输入样本对预测结果有一定的影响；实测功率数据作为输入可以提高提前量为30 min的预测精度，而对提前量为1 h的预测精度会降低；把不同高度的数据都作为神经网络的输入比只采用轮毂高度数据的预测精度高；设计的神经网络能够对误差带进行预测。

关键词：风电场；功率；预测；人工神经网络 0 引言

大规模并网风电场对电力系统的运行带来一

些新问题，其中很重要的一方面是对电力系统运行调度的影响[1-4]。风电功率预测对电力系统的功率平

衡和经济调度具有非常重要的意义。国外风电装机容量较大的国家都进行了风电功率预测系统的研究与开发。风电功率预测方法根据预测的物理量来分类，可以分为2类：第1类为对风速的预测，然后根据风电机组或风电场的功率曲线得到风电场功率输出；第2类为直接预测风电场的输出功率。根据所采用的数学模型不同可分为持续预测法、自回归滑动平均(auto regressive moving average, ARMA)模型法、卡尔曼滤波法和智能方法等。持续预测方法[5]是最简单的预测模型，这种方法认为风

速预测值等于最近几个风速值的滑动平均值，通常认为最近1点的风速值为下1点的风速预测值[6]，

该模型的预测误差较大，且预测结果不稳定。改进的方法有ARMA模型[7-9]和向量自回归模型[10]、卡

尔曼滤波算法[11-12]或时间序列法和卡尔曼滤波算

法相结合[13]。另外还有一些智能方法，如人工神经

网络方法[6,14-15]等。根据预测系统输入数据来分类

也可以分为2类：1类不采用数值天气预报的数据，1类采用数值天气预报的数据。根据预测的时间尺度来分类，可分为超短期预测和短期预测。所谓的超短期并没有一致的标准，一般可认为不超过30 min的预测为超短期预测。而对于时间更短的数分钟内的预测，主要用于风力发电控制、电能质量评估及风电机组机械部件的设计等[16]。这种分钟级的预测

一般不采用数值天气预报数据。短期预测一般可认为是30 min~72 h的预测，主要用于电力系统的功率平衡和调度、电力市场交易、暂态稳定评估等。对于更长时间尺度的预测，主要用于系统检修安排等。目前，中长期预测还存在较大的困难。因为风速、风向等天气情况是由大气运动决定的，不考虑第34期范高锋等：基于人工神经网络的风电功率预测 119 数值天气预报数据无法反映大气运动的本质，因此也难以得到较好的预测结果，所以现在研究的风电场输出功率预测都把数值天气预报数据作为1组重要输入数据。考虑了地形、粗糙度等信息，采用物理方程进行预测的方法则称之为物理方法，根据历史数据进行统计分析，找出其内在规律并用于预测的方法称之为统计方法(如神经网络方法、模糊逻辑方法等)。如果物理方法和统计方法都采用则称之为综合方法。目前国内在该方面的研究较少。文献[8]探讨了风电场的短期风速预测，结合实例阐述了时间序列法在短期风速预测中的应用，但没有给出风电场输出功率的预测。文献[14]基于时间序列法和神经网络法对风速预测进行了研究，这种时序神经网络模型本质上还是以时间序列为基础的，对较长时间的预测效果会比较差。文献[17]研究了基于神经网络的风电场风速时间序列的预测，没有对风电场的输出功率进行预测。总之，目前国内的研究存在以下不足：1）所做的研究工作主要集中在对风速时间序列的预测，主要方法是根据风速的历史数据预测将来的风速。其实风速的变化与大气运动紧密相关，由大气的牛顿第2定律、质量守恒定律、热力学能量守恒定律、气体实验定律和水汽守恒定律等物理定律决定，因此采用历史风速数据预测将来风速的方法存在明显的不足之处，模型的外推能力较差。2）没有实现真正的风电场输出功率预测。风速是影响风电场输出功率的重要参量之一，除此之外，风向、温度、湿度、地表粗糙度等都对风电场输出功率有一定的影响，因此根据风速和风电机组的功率曲线预测风电场的输出功率也存在不足之处。3）风电机组的功率曲线是通过测试数据拟合得到的，实际输出功率分布在1个较宽的区域之内，不是1条曲线，而是1簇曲线。采用风电机组功率曲线或风电场功率曲线进行预测都没有考虑功率的杂散分布。本文分析了风电场输出功率的影响因素；设计了基于数值天气预报的反向传播(back- propagation, BP)神经网络预测模型，分析了实测功率数据、不同高度的大气数据对预测结果的影响。分析了预测误差，用神经网络实现了对误差带的预测。

1 风电场输出功率的影响因素 1.1 风速与风电机组输出功率的关系风力机捕获的风功率可以用式(1)来表示： 3/2pPCAvρ= (1)

式中：P风轮输出功率，kW；Cp为风轮的功率系数；ρ为空气密度，kg/m3；A为风轮扫掠面积，m2；v为风速，m/s。图1为某变速风电机组的功率曲线，在功率曲线较陡的区域，较小的风速变化会引起较大功率变化，如图中所示，风速变化2.5 m/s，功率变化200 kW左右。图2是某风电机组实测的输出功率与风速的散点图，可以看出风电机组的输出功率有一定的分散性。这是由于受到机械湍流和热力湍流的影响，风速的空间分布并不完全遵守对数风廓线；另一方面，风电机组的偏航装置根据轮毂高度的风速计和风向标使风机对准来风方向，但可能有一定的滞后，风机并不能总是正对来风方向。这就导致在看似相似的风速下确有不同的输出功率。 1 000

800600400200 0v/(m/s)

P/kW 200010 20 图1 某双馈变速风电机组的功率曲线 Fig. 1 Power curve of a variable speed wind turbine

700500300100515 25v/(m/s)

P/kW

图2 某机组实测功率散点图 Fig. 2 Schematic plot of a wind turbine measurement power

1.2 风向与风电机组/风电场输出功率的关系风电场由很多风电机组组成，由于风能被风电机组风轮吸收，风轮后面的风速降低，这就是尾流。由于上风向的风电机组尾流的影响，下风向风电机组捕获的风能减少，相应风电机组的出力也降低。为了进一步定量分析风向对风电场输出功率的影响，定义风电场的效率系数： /mfPPη= (2)

式中：Pm为实测的风电场在一定风速和一定风向下的输出功率；Pf为风电场在一定风速和风向下不受尾流影响的输出功率。某风电场的效率如图3所示。