王俊鹏

摘要：目前全球面临能源短缺和化石能源污染的重大问题，风能作为一种分布广泛的清洁能源被普遍使用。风能具有不确定性和不可控性，风电因风能的随机性和波动性，在接入電网后对电力系统的稳定性有很大影响，因此进行风电功率预测具有实际意义。本文提出一种基于BP神经网络的短期风电功率预测方法，使用风电场采集的风速数据和风电厂输出功率描述风电的随机性和波动性，通过BP神经网络预测，利用MATLAB建模仿真实现风电系统实时产能的模拟，快速预测风电输出功率。使用本文方法预测辽宁的某风电场的风电功率，通过分析对比得到的误差发现其预测精度高，满足生产要求。

关键词：风力发电;电力系统;功率预测;BP神经网络

0 引言

风能作为一种分布广泛的清洁能源，被全球各国密切关注。由于风能本身具有随机性和波动性， 风力发电对电力系统影响极大，电力系统要平衡供电与需求，所以需要进行短期风电功率预测。众多科研机构和高校对风电功率预测开展了深入研究，取得了大量成果。中国电力科技研究院李相俊等提出了一种融合深度学习算法的风力发电功率预测方法[1]，该方法精确度很高，但风力发电功率发生连续突变时，深度学习算法的跟踪变化能力有待考量。南京邮电大学葛阳鸣提出了一种基于历史数据聚类分析与K近邻评估相结合的相似日选取策略[2]，有效提高了模型预测精度，但其预测时间跨度还需提高。东北电力大学杨茂等进行了基于改进KNN （KNearest Neighbor） 算法的风电功率实时预测[3]，该方法对数据要求较少，但时间长，计算复杂度高。为了提高预测精度，本文采用基于BP神经网络的短期风电功率预测方法，将非线性因素风速作为输入量利用MATLAB建模仿真来实现风电系统实时产能的模拟，对比分析得到较高的预测精度。证明BP神经网络预测模型具有一定的准确性、适用性和泛化能力。

1 风电功率预测的影响因素分析

1.1 风速的影响分析

风能是风电场的最主要且最为直接的能源，风速大小对风电场出力影响明显。风机输出功率与风速之间的关系可表示为：

公式中，情况①无法提供功率输出;情况②风力发电机出力与风速大致呈线性函数关系;情况③风力发电机输出功率为定值保持不变，出力稳定;情况④风机将被切出电网，保护风力发电机。

1.2 风向的影响分析

具有偏航能力的机组在风向瞬时变化时因为惯性会不上风向的变化，需要一定的缓冲时间。而不具有偏航能力的机组，风轮机叶片受到的驱动力会随风向的改变而改变。风向改变会造成叶片迎风面积不同，由公式（1-1）可知，在其他量保持一定时，风向改变会对风电功率的输出产生直接影响，因而认为风向是影响风机出力的要素。

2 基于神经网络的预测方法研究

神经网络对非线性复杂现象的探索有极大的帮助，一定程度上突破了现有的科学技术瓶颈，使研究更加深入，因而成为解决问题的一大工具，得到广泛应用。风电功率预测是一个典型的非线性过程：相关要素多且很复杂。此外，风电场的灵活性造成预测对象总是变化的。同时风电功率预测有较高的计算速度要求。而恰好神经网络的优点能很好的适应以上要求。

2.1 BP神经网络预测与MATLAB建模仿真

本论文数据取自辽宁某风电场，2019年3月22日至2019年5月12日之间运行的历史数据作为实验数据。取一号风电机测得的数据，该风机型号为华锐SL1500，其额定功率为1500kW，取其测量的风速及其输出的有功功率。本文进行的是20小时短期风电功率预测，时间间隔为10分钟。本文选择3月22号到4月10号0：00-20：00天所测量的数据作为训练样本，在MATLAB上编写代码并进行模型训练。之后选择4月11号到4月14号0：00-24：00测得的数据作为测试样本来验证BP神经网络预测方法的准确性、适用性及泛化能力。

本文对收集的数据数据进行处理后，确定了训练样本，把风速作为输入向量，即输入神经元为一个，把功率作为输出，即输出层神经元为一层。在MATLAB中调用历史数据，建立输入矩阵wind_speed，输出矩阵power，然后用newff函数建立一个前向BP神经网络，调用输入数据矩阵wind_speed。其中激活函数使用的调用语言是tansig，网络训练的调用函数是trainlm。训练之前需要对系统进行初始化，利用init命令实现初始化过程。当网络输出的误差降到程序中设定的期望目标，学习结束。训练误差接近0.00065，训练次数为500，基本达到训练效果。

2.2 风电功率预测结果分析

本文选取4月11日到4月14日每天0：00—20：00预测值与真实值数据，进行计算分析对比。误差仿真结果如下：4月11日、4月12日、4月13日、4月14日的平均绝对误差为：1.17KW，18.14KW，25.36KW，4.77KW;4月11日、4月12日、4月13日、4月14日的平均相对误差为0.27%，2.89%，4.03%，0.76%;4月11日、4月12日、4月13日、4月14日均方根误差为1.31，4.26，5.03，2.18。从误差数据可以看出四天的真实值与预测值大致相近，只有极个别数据相差较大，但是由此更能体现仿真的真实性。综上，可以确定BP神经网络在风电功率预测领域具有一定的准确性、适用性和泛化能力。

3 结束语

本文从三方面进行研究：一是分析风电预测的特点、方法和所需的误差指标，选择预测的方法和指标参数。二是分析影响风电系统输出功率的影响因素，根据现有数据确定仿真数据，同时还确定预测模型为统计模型。三是基于BP神经网络方法进行MATLAB建模仿真预测。

本文采用了BP神经网络对风电功率预测进行了研究，预测结果表明其具有一定的准确性、适用性和泛化能力。但在研究过程中，用来仿真的数据过于单一，在之后的研究中可以寻找更为详尽的数据进行仿真，并结合天气数据和环境因素对预测模型进一步优化。

参考文献：

李相俊，许格健.基于长短期记忆神经网络的风力发电功率预测方法[J].发电技术，2019，40（05）：426-433.

葛阳鸣. 基于集成学习的短期风力发电功率预测研究[D].南京邮电大学，2019.

杨茂，贾云彭，穆钢，严干贵，刘佳.基于改进KNN算法的风电功率实时预测研究[J].电测与仪表，2014，51（24）：38-43.