周建强，李玉娜，屈卫东，兰增林

（郑州电力高等专科学校，河南郑州 450018）

风力的间歇性和不确定性是风能固有的特性，而电力系统是要求实时平衡的，大规模的风电接入将对电力系统的电能质量、系统的安全稳定运行带来严峻挑战[1-2]。若能够提前0～4 h超短期风速进行准确的预测，将对电力系统的安全稳定运行具有重要现实意义[3-4]。目前，风速预测的方法主要分为2类：统计法和物理法。统计法是根据气象历史数据进行统计分析，建立回归模型，不需考虑风速变化的物理过程，只需根据历史统计数据求解出短期内的风力预测值的方法，其方法简明，模型简单，但其精度随预测时间的增加而迅速下降，在风速波动较大的时段也较差，如持续法、人工神经网络（ANN）、支持向量机（SVM）、基于小波法等；物理方法是根据数值天气预报的风速、风向、气压、气温等数据，根据风电场地形、粗糙度等物理信息计算得到风机轮毂高度的风速、风向信息的风速预测方法，其预测精度高，不需要历史运行数据，但需要风场详细的地形图数据，数据收集复杂，投资成本较大，如丹麦RIS准实验室的Predictor预测系统[5]。

对于超短期风功率预测，目前的方法主要集中于一些统计方法，但这些方法完全依赖风力的历史数据，地球表面的气流时空分布特性非常复杂，统计方法并不能满足风电上网调度的精度和时效要求。有些学者采用数值预报和统计预报模型相结合的方式进行短期风功率预报[5]，但数值天气预报计算也需要较长时间，不适合超短期的风功率预测。

1 基于风速时空信息的BP神经网络风功率预测的基本思想

风是由于受太阳辐射引起的地球表面气压的不同生成的空气流动。风在地球表面流动过程中受周围地理环境的影响发生风速、风向的变化，故风电场任意时刻的风速、风向与其周边地区的前一时刻风速风向存在着联系。不同地点间风速、风向变化不但包含有空气动力场信息，而且包含有风电场周围的地理信息。采用风电场周边地区风速信息进行统计法分析，可以得到风电场周围的地形、表面粗糙度等信息，而且通过风电场周边气象站实时测量得到风速信息相当于得到了一个风场粗略的风速数值预报——风场周围的风速、风向信息。把风场周边的风速信息加入到风场历史数据系列中，进行统计方法的预测，相当于结合物理法和统计法2种方法的优势，不但减少了投资，避免了数值天气预报复杂计算，提高超短期风功率预测的精度，而且提高了超短期风功率预测的时效性，是一种经济适用的超短期风功率预测方法。

人工神经网络是由大量简单的神经元相互连接而成的自适应非线性动态系统，可以充分逼近任意复杂的非线性关系，适用于处理复杂非线性和不确定对象。风速及风电场功率的预测是一个涉及因素繁多、十分复杂的非线性过程，具有高度的不确定性。BP神经网络是人工神经网络的一种，是应用最广泛、最成熟的网络，具有很好的函数逼近能力，被广泛用于短期风功率预测中。采用基于风电场的历史数据和周边空域风速数据的BP神经网络方法对超短期风速率进行预测，将是一种精确、有效、经济的超短期风速预测方法[6-7]。

2 基于风速时空信息的BP神经网络风功率预测

2.1 BP神经网络风速预测模型

风速序列属于时间序列，风速历史数据和周边地区风速历史数据中包含了影响风速很多信息，可以利用这些风速历史数据建立历史值与未来值的映射关系对风速进行预测[8]，如式（1）。

式中，v赞（t）为预测风速；v（t－1），v（t－2），…，v（t－r）为t基准的前r时刻风速；v1（t－1），…，vn（t－1）为风电场周边第n个气象站t基准的前（t-1）时刻的风速。

BP网络（Back propagation NN）是一种单向传播的多层前向网络，除输入输出节点外，还有一层或多层的隐含节点，同层节点中没有任何连接。输入信号从输入层节点依次传过各隐含节点，然后传到输出节点，每层节点的输出只影响下一节点的输出。

图1 BP神经网络风速预测模型Fig. 1 BP neural network model for wind speed prediction

利用BP神经网络进行风速预测时，先将风速数据分为训练集和预测集，利用训练集对网络进行训练，然后把预测集数据输入训练好的网络，输出的结果即可得到预测风速。基于风速时空信息的训练集为P，目标集为T；

预测集为P-test，v（t+1）为预测值。

P_test={v（t－r-1）v（t－（r－2））…v（t）v1（t）…vn（t）}；Out={v（t+1）}

将t时刻前的（t-r-1）到t时刻的风电场r-1个风速历史数据和周边n个气象站t时刻的风速数据输入到训练好的BP神经网络，就可以得到t+1时刻的风速数据v（t+1）。

2.2 算法实现

本文采用MATLAB提供的神经网络工具箱进行编程[9-10]。预测模型为一个三层BP神经网络，模型中每个神经元对应的传递函数为Sigmoid型函数，定义为：

式中，x为神经元输入；f（x）为输出。

2.2.1 传递函数选择BP神经网络中间层采用S型正切函数tansig（），输出层神经元采用S型对数函数logsig（）.

2.2.2 输入参数确定

在风速预测中，输入输出层参数都为风速，根据函数的要求要对风速进行归一化处理，将数据处理为区间[0，1]之间的数据。本文采用式（3）进行处理。

2.2.3 节点数的确定

一般的预测问题都可以通过单隐层的BP网络实现，如果输入向量有是n维数据，则网络输入成的神经元就有n个，根据Kolmogorov定理，网络中间层的神经元可取2n+1个，输出层中的神经元等于输出向量的维数m。

2.2.4 训练函数确定

训练BP神经网络时，训练函数一般选取trainlm（）函数，它采用Levenberg-Marquardt算法进行网络学习，虽然trainlm（）函数在训练时需要内存比较多，但在训练速度和性能方面具有明显的优越性。

2.3 误差分析

预测模型的好坏一般用预测精度来衡量，它表示了预测模型所产生的预测值与实际值拟合程度，国际上两种通用平均绝对误差（MAE）和正规化均方差（NRMSE）指标进行评价：

平均绝对误差（MAE）：

正规化均方差（NRMSE）

3 实例分析

由于目前风电场周边地区还没有建立风机高度的风速测量站，本文选用郑州及其周边城市气象局气象站测量的10 m高瞬时风速为验证数据。本文选择了2013年4月2日9:00至2013年4月6日8:00郑州每20 min瞬时风速值及其周边城市新乡、许昌、平顶山、南阳、菏泽、商丘、开封、洛阳、晋城、焦作、周口、亳州等13个城市的每时刻的瞬时风速信息为训练值，按提前1 h预测模型训练了BP神经网络。

选择2013年4月14日8：00至2013年4月15日6:00 14个城市的风速信息对郑州风速提前1 h进行了风速预测。BP神经网络输入层节点为16（郑州每20 min数据3个，13个周边城市整点时刻风速数据13个），中间层节点为33个，输出层节点为3个（下一时刻的3个风速数据）。训练次数为1 000次，误差函数值为0.01，学习速率为0.1。同时只采用同样的郑州风速历史数据，采用同样的BP神经网络模型参数（只有输入节点和中间层节点数不一样）做了风速预测。预测结果如图2所示。

采用基于风速时空信息的BP神经网络模型和只采用历史风速序列得到的平均绝对误差值（MAE）分别为0.58和0.91，正规化均方差（NRMSE）分别为0.84和1.30。

从图2中可知，采用基于风速时空信息的BP神经网络预测方法比只采用历史风速数据的风速预测方法明显提高了精度。误差分析也表明，采用历史数据和周边地区风速数据的基于风速时空信息的BP神经网络风速预测方法有较小的误差。

4 结论

图2 两种不同BP神经网络风速预测结果Fig. 2 Wind prediction results by two different BP neural networks

实例分析可知基于风速时空信息的BP神经网络预测方法比只采用历史风速数据的风速预测方法明显提高了精度，其风速变化趋势与实际风速的变化趋势非常一致，能够预测变化复杂的风速。但也发现基于风速时空信息的BP神经网络预测的精度还不高，特别是前半部分。本文认为，这主要是因为实例采用的是离地面10 m的风速数据，离地面越近，其风速受地面粗糙度影响越大，风速时空分布越复杂，预测难度越大。但这并不影响对加入周边地区风速数据能够提高风速预测精度的判断。

[1] 孙华东，张振宇，林伟芳，等. 2011年西北电网风机脱网事故分析及启示[J]. 电网技术，2012，36（10）：76-80.SUN Huadong，ZHANG Zhenyu，LIN Weifang. Analysis on serious wind turbine generators tripping accident in northwest China power grid in 2011 and its lessons[J]. Power System Technology，2012，36（10）：76-80（in Chinese）.

[2] 张琳，仇卫东. 大规模风电脱网事故的几点思考[J]. 电力建设，2012，33（3）: 11-14.ZHANG Lin，QIU Weidong. Consideration of large-scale wind farm disconnection from grid[J]. Electrc Power Constracture.，2012，33（3）: 11-14（in Chinese）.

[3] 傅旭，李海伟，李冰寒. 大规模风电场并网对电网的影响及对策综述[J]. 陕西电力，2010（1）: 53-57.FU Xu，LI Haiwei，LI Binghan. Review on influences of large-scale wind farms power systems and countermeasures[J]. Shaanxi Electric Power， 2010（1）: 53-57 （in Chinese）.

[4] 张赵青，朱建国，王雪，等. 影响风电场电能质量的因素研究[J]. 节能技术，2014（6）: 516-519.ZHANG Zhaoqing，ZHU Jianguo，WANG Xue，et al.Research on the factors for the quality of wind electric farm power[J]. Energy Conservation Technology，2014（6）:516-519（in Chinese）.

[5] 洪翠，林维明，温步瀛. 风电场风速及风电功率预测方法研究综述[J]. 电网与清洁能源，2011（1）: 60-66.HONG Cui，LIN Weiming，WEN Buying. Overview on prediction methods of wind speed and wind power[J]. Power System and Clean Energy，2011（1）: 60-66（in Chinese）.

[6] 孙川勇. 风电场风功率短期预报技术研究[D]. 兰州：兰州大学，2009.

[7] 肖永山，王维庆，霍晓萍.基于神经网络的风电场风速时间序列预测研究[J]. 节能技术，2007（2）: 106-108，175.XIAO Yongshan，WANG Weiqing，HUO Xiaoping. Study on the time-series wind speed forecasting of the wind farm based on neural networks[J]. Energy Conservation technology，2007（2）: 106-108，175（in Chinese）.

[8] 刘军涛，吉超盈. 基于BP-神经网络的风速短期预报技术研究[J]. 西北水电，2013（4）: 81-84.LIU Juntao，JI Chaoying. Study on BP-neural-networkbased technoloy for short-term forecast of wind speed[J].Northwest Hydropower，2013（4）: 81-84（in Chinese）.

[9] 张德丰. MATLAB神经网络应用[M]. 北京：机械工业出版社，2009.

[10] 郭琦，鲍金春，宋继光. 基于BP神经网络的风电功率预测[J]. 电源技术应用，2011，14（6）: 14-18.GUO Qi，BAO Jinchun，SONG Jiguang. Wind Power torecast based on BP neural network[J]. Power Supply Technologies and Applications，2011，14（6）: 14-18（in Chinese）.