短期风速预测的相关方法及其应用研究

凌 劲,茆美琴,李福根,张恩铭

(1.国网安徽电力公司 检修公司，安徽 合肥 230061； 2.合肥工业大学 教育部光伏系统工程研究中心,安徽 合肥 230009)

短期风速预测的相关方法及其应用研究

凌 劲1,茆美琴2,李福根1,张恩铭1

(1.国网安徽电力公司 检修公司，安徽 合肥 230061； 2.合肥工业大学 教育部光伏系统工程研究中心,安徽 合肥 230009)

文章对持续法、BP神经网络和支持向量机(support vector machine，SVM)3种方法在提前24 h风速预测中的应用进行了研究和比较。为了消除季节对预测结果的影响,针对某年12个月份分别建立预测模型,结果表明:在大多数情况下,BP神经网络和SVM算法的预测结果要优于持续法,并且SVM算法优于BP神经网络;但也有持续法优于BP神经网络和SVM算法及BP算法优于SVM算法的情况。因此不能绝对说某种算法优于另一种算法,应该根据具体情况来进行分析判断,或者通过组合预测来提高预测精度。

风速预测;应用研究;持续法;BP神经网络;支持向量机(SVM)

风能作为目前世界上增长速度最快的可再生能源之一,被认为可以替代日益短缺的化石燃料来进行发电[1]。根据世界风能协会最新数据显示,到2014年底,全球风电装机容量为370 GW,其中我国风电装机容量为114.61 GW,同比增长25.4%。然而,由于风力发电系统出力的波动性和随机性,高比例风力发电系统并网运行,使电力系统的运行控制面对极大的挑战[2]。高精度风电系统出力预测成为风电规模化并网应用的关键技术之一[3],而风能预测结果的精度主要取决于风速预测的准确度[4]。根据预测的时间尺度可以将风速预测划分为以分钟为单位的超短期预测,以日、小时为单位的短期预测;以月、周为单位的中期预测和以年为单位的长期预测。其中以日、小时为预测单位的短期风速预测一般是提前1～48 h对未来24 h的风速进行预测[5],其预测结果是包含风电系统的电力系统制定日调度计划的重要依据,并且其预测结果的准确度对电力系统的经济、可靠的运行具有重要的影响。

对风速预测的方法主要包括物理方法和统计方法[6]2种,其中物理方法对风机环境周围物理信息要求较高,应用较为复杂。统计方法不考虑风速变化的物理过程,采用一定的数学统计方法,在历史数据与风电输出功率之间建立一种映射关系,可分为持续性算法、时间序列法(auto regressive moving average,ARMA)、卡尔曼滤波法、指数平滑法、人工神经网络法和支持向量机法(support vector machine，SVM)等[7-13]。

本文选取持续法、BP神经网络和支持向量机(SVM)3种算法研究提前24 h的风速预测,同时为避免季节性等因素的影响,对某年12个月分别建立预测模型,并对预测结果进行比较分析。

1 预测方法

1.1 持续法

持续法是最简单的一种预测方法,即把最近一点的风速观测值作为下一点的预测值,该方法适用于3～6 h以下的预测，即

wt+k′=wt，k=1,2,3,…,n

(1)

其中,wt+k′为t+k时刻的风速预测值;wt为t时刻的风速观测值。

方法虽然简单,却十分有效,在1 h以内的预测,持续法的准确度非常高。现在的预测技术一般都把持续法作为比较基准,来评价该技术的精确度。

1.2 BP神经网络

误差反向传播BP神经网络是一种按误差反向传播算法训练的多层前馈网络,是目前应用最广泛的神经网络之一。它采用有导师的训练方式,能够逼近任意非线性映射。

含有1个隐含层的BP神经网络的结构图如图1所示。输入层有M个神经元,其中任一神经元用m表示;隐含层有I个神经元,其中任一神经元用i表示;输出层有J个神经元,其中任一神经元用j表示。输入层与隐含层突触权值用wmi(m=1,2,…,M;i=1,2,…,I)表示,隐含层与输出层突触权值用wij(i=1,2,…,I;j=1,2,…,J)表示。

图1 含有一个隐含层的BP神经网络

设训练样本集X=[X1,X2,…,Xk,…,XN]T,其中任一训练样本Xk=[xk1,xk2,…,xkm,…,xkM](k=1,2,…,N);对应的实际输出为Yk=[yk1,yk2,…,ykj,…,ykJ](k=1,2,…,N);期望输出为dk=[dk1,dk2,…,dkj,…,dkJ](k=1,2,…,N)。输出层第j个神经元的误差信号为:

ekj(n)=dkj(n)-ykj(n)

(2)

(3)

根据Delta学习规则,计算权值修正量Δwij(n)和Δwmi,对权值进行更新,即

wij(n+1)=wij(n)+Δwij(n)

(4)

wmi(n+1)=wmi(n)+Δwmi(n)

(5)

其中,n为迭代次数。

直到误差能量总和满足要求或者迭代次数达到设定的最大值停止训练。

1.3 SVM算法

SVM是由Vapnik首先提出的,像多层感知器网络和径向基函数网络一样,可用于模式分类和非线性回归。SVM的主要思想是建立一个分类超平面作为决策曲面,使得正例和反例之间的隔离边缘被最大化。SVM的理论基础是统计学习理论,更精确地说,SVM是结构风险最小化的近似实现。

规定的数据样本集合为{(xi,yi),…,(xt,yt)}。其中,xi∈Rn；yi∈R；i=1,2,3,…,l。寻找Rn上的一个函数f(x),以便用y=f(x)来推断任意输入x所对应的y值。

SVM估计回归函数的基本思想就是通过一个非线性映射,将输入空间的的数据x映射到高维空间G中,并在这个空间进行线性回归。一般采用(6)式来估计函数，即

y=f(x)=wφ(x)+b

(6)

(7)

(8)

(8)

maxW(α-α*)=

(9)

(10)

(11)

2 样本预处理

本文选取某地区某一全年12个月份的风速作为样本数据,每15 min记录1次风速数据。为了提高BP神经网络的泛化能力,在用于神经网络模型时,对数据进行归一化处理,即将风速的取值范围变换为[0,1]区间。

3 预测模型

由于风速和气候温度等因素的影响,因此每个月的分布各不相同。1月份、6月份的风速分布直方图如图2所示,两者有明显的不同。

1月份、6月份风速威布尔分布的检验结果如图3所示。

图2 1月份、6月份风速分布直方图

图3 1月份、6月份风速威布尔分布

当图形近似于1条直线时,说明其分布满足威布尔分布,当图形为1条曲线时，其分布不满足威布尔分布[10]。由图3可以看出，1月份的风速为威布尔分布,而6月份的风速则不满足威布尔分布。不同的分布应该用不同的模型来描述。为了消除可能出现的季节性问题,本文提出应该针对每个月分别建立BP网络预测模型。

经研究发现,风速的分布类型与每种模型的具体形式没有明显的直接关系，即使属于同一种分布类型的2个月的数据,其分布参数也不相同,模型也有差异。

因此,需要根据每个月的实际数据分别建立模型。根据某风电场1 a的实测数据,12个月的风速预测模型见表1所列。

表1 1～12月份BP神经网络模型的结构

4 预测结果及分析

各个模型预测产生的误差比较见表2所列。

表2 1～12月份各种预测方法产生的预测误差 %

从表2中可以看出,BP神经网络和SVM算法的预测结果都要优于持续法,并且SVM进一步优于BP神经网络算法。

但并非绝对如此,从表2中还可以看出,在2月份和8月份持续法比BP神经网络和SVM算法预测效果都要好,主要原因是这2个月风速变化比较剧烈,BP神经网络和SVM算法很难准确地跟踪风速的变化,而持续法可以准确地跟踪风速的变化,因此预测结果较后两者更为准确。

由表2的结果可以推断,不能笼统地说某个方法优于另外一个方法,应该根据具体情况进行分析和判断,选择合适的模型种类,或者进行组合预测以提高预测精度。

一般来说,SVM算法是首选,其次是BP神经网络算法,最后是持续法；但当风速波动比较大,或者训练数据比较少时,则应该考虑持续法的预测结果或者进行组合预测。

5 结 论

本文主要对3种不同的风速预测方法进行了研究比较,得到如下结论:

(1) 风速具有不确定性,应对原始风速序列进行差分处理。

(2) 在BP神经网络中,不同的输入参数对预测产生的结果都有着相关的影响。

(3) 研究发现不同的月份,风速具有不同的分布类型,应对每一个月份的风速分别建立预测模型来消除季节对预测结果的影响。

(4) 在大多数情况下,BP神经网络和SVM算法的预测结果要优于持续法,并且SVM算法优于BP神经网络算法，但也有持续法优于BP神经网络和SVM算法及BP算法优于SVM算法的情况。不能绝对说某种算法优于另一种算法,应该根据具体情况来进行分析判断,或者通过组合预测来提高预测精度。

[1] EL-FOULY T H M,EL-SAADANY E F,SALAMA M M A.One day ahead prediction of wind speed and direction[J].IEEE Trans Energy Convers,2008,23(1):191-201.

[2] FAN S,LIAO J R,YOKOYAMA R,et al.Forecasting the wind generation using a two-stage network based on meteorological information[J].IEEE Trans Energy Convers,2009,24(2):474-482.

[3] 徐曼,乔颖,鲁宗相.短期风电功率预测综合评价方法[J].电力系统自动化,2011,35(12):20-26.

[5] 周松林,茆美琴,苏建徽.基于预测误差校正的支持向量机短期风速预测[J].系统仿真学报2012,24(4):769-773.

[6] 杨秀媛,肖洋,陈树勇.风电场风速和发电功率预测研究[J].中国电机工程学报,2005,25(11):1-5.

[7] ANG Z,CHALABI Z S.Use of time-series analysis to model and forecast wind speed[J].Journal of Wind Engineering and Industrial Aerodynamics,1995,56(2/3):311-322.

[8] ALEXIADIS M U,DOKOPOULOS P S,SAHSAMANOGLOU H S.Short-term forecasting of wind speed and related electrical power[J].Solar Energy,1998,63(1):61-68.

[9] KARINIOTAKIS G N,STAVRAKAKIS G S,NOGARET EF.Wind power forecasting using advanced networks models[J].IEEE Transaction on Energy Conversion,1996,11(4):762-767.

[10] BHASKAR KANNA,SINGH S N.AWNN-assisted wind power forecasting using feed-forward neural network[J].IEEE Transaction on Sustainable Energy,2012,3(2):306-315.

[11] LIU Yongqian,SHI Jie,YANG Yongping,et al.Short-term wind-power prediction based on wavelet transform-support vector machine and statistic-characteristics analysis[J].IEEE Transaction on Industry Application,2012,48(4):1136-1141.

[12] 范高锋,王伟胜,刘纯,等.基于人工神经网络的风电功率预测[J].中国电机工程学报,2008,28(34):118-123.

[13] 茆美琴,周松林,苏建徽.基于脊波神经网络的短期风电功率预测[J].电力系统自动化,2011,35(7):70-74.

Researchonmethodsandapplicationofshort-termwindspeedforecasting

LING Jin1,MAO Meiqin2，LI Fugen1,ZHANG Enming1

(1.Maintenance Company, State Grid Anhui Electric Power Company, Hefei 230061, China; 2.Research Center for Photovoltaic System Engineering of Ministry of Education, Hefei University of Technology, Hefei 230009, China)

The application of continuous method, BP neural network and support vector machine(SVM) algorithm in the 24 h ahead wind speed forecasting is studied and compared. In order to eliminate the influence of season on forecast results, the forecast model for each month throughout a certain year is set up. The results show that in most cases, the BP neural network and SVM algorithm is better than the continuous method, and the SVM algorithm is better than the BP neural network. But there are also cases that the continuous method is better than the BP neural network and SVM algorithm and the BP algorithm is better than the SVM algorithm. Each of the three algorithms does not have an absolute advantage. The three algorithms should be appropriately adopted according to the specific situation and sometimes the combination forecasting is recommended to improve prediction accuracy.

wind speed forecasting; applied research; continuous method; BP neural network; support vector machine(SVM)

2016-04-18；

2016-04-27

国家重点基础研究发展计划(973计划)资助项目(2009CB219708);国家自然科学基金面上资助项目(51077033);高等学校博士学科点专项科研基金资助项目(201301111110005)和广东省引进创新团队资助项目(2011N015)

凌 劲(1989-),男,安徽合肥人,国网安徽电力公司技术员;

茆美琴(1961-),女,安徽芜湖人,博士,合肥工业大学教授,博士生导师.

10.3969/j.issn.1003-5060.2017.11.013

TM743

A

1003-5060(2017)11-1502-05

(责任编辑 张 镅)