基于神经网络的风速预测技术研究

2017-12-28孙爱国黄黎刘安国潘健

中国设备工程 2017年24期

孙爱国，黄黎，刘安国，潘健

（1.湖北工业大学电气与电子工程学院，湖北武汉 430068；2.盐城市政府公共工程审计中心，江苏盐城 224005；3.华中数控股份有限公司，湖北武汉 430223；4.盐城市路灯管理处，江苏盐城 224005）

基于神经网络的风速预测技术研究

孙爱国1,2，黄黎3，刘安国4，潘健1

本文对基于神经网络的风速预测技术进行了研究。基于风电场的实际情况与实际历史风速数据，建立基于实际历史风速数据与人工神经网络的风速预测模型，对不同时间尺度下的风速进行预测，给出了不同时间尺度下的风况预测结果，并对计算结果进行了详细分析。对时间尺度基于神经网络的风速预测技术的影响进行了研究，设置多种场景，给出了不同场景下的风速预测结果，进而说明风速预测的输入样本选择方法的合理性与正确性。

风速风向；预测；神经网络；风电

全球风能理事全球风电发展报告预计到2021年底，全球风电装机容量将超过800GW。与常规发电方式不同，风电出力受天气影响较大，具有很强的间歇性、随机性与不可控性，另外大部分风力发电具有反调峰特性，因此，不利于系统的调峰与调频。另外，我国大部分风电远离负荷中心、位于电力系统末端，电网较薄弱。因此，当风电装机并网容量较大时，风电的上述特性会严重影响系统的不可靠性与稳定性。准确的风功率预测能够极大方便电网的调度计划安排，提高系统的安全性。因此，研究风速或者风功率预测技术具有重要的理论研究意义与工程应用价值。目前，已有很多与风电预测的相关研究。文献[1]、[2]基于神经网络模型研究了实测功率数据、不同高度气象数据对风功率预测精度的影响。应用粒子群优化技术改进神经网络预测模型，并对优化前后的预测结果进行对比分析，结果表明，改进预测模型性能较好、预测精度较高。文献[3]基于相似数据、合小波分析理论，应用支持向量机对短期风速预测进行了研究。计算结果表明，数据相关度能够有效提高预测精度，且小波分解能够有效提高风速信号的低频和高频特性的拟合效果，提高了预测精度。文献[4]基于多变量局域预测法对短期风速预测技术进行了研究，在构建的相空间中进行预测状态点邻域点搜寻。计算结果表明，空间构造有效改善了短期风速预测精度。文献[5]基于径向基函数神经元网络技术研究了风电的预测技术，建立了风速预测的数学模型。对1h后风电输出功率预测结果表明，预测误差在12%左右。与实际数据与预测功率进行对比分析，验证了所提方法的精确性与稳定性。本文对射阳风电场的风速预测技术进行研究。应用了基于神经网络的风功率预测技术，对不同时间尺度下的预测结果进行分析，得到风功率预测的使用场景。应用射阳风电场的风速数据进行计算，并对计算结果进行详细分析。分析结果表明，本文所提方法可以对风电场风速进行精确预测。

1 神经网络技术

神经网络技术作为新型人工智能技术，在各个行业领域得到了广泛应用，近年来也越来越多的应用于风速/风功率预测技术。人工神经网络首先进行学习，即根据外部环境刺激来调整其自由参数，来对外部环境产生新方式的过程。该过程并不会改变神经网络单元本身，而是通过改变连接权值进行学习。学习规则如下：如果网络学习提示错误，则通过反复的学习，减少下次出现相同错误的可能性。因此，神经网络能够通过反复学习，根据外部环境来提高自身的性能。学习是改变处理单元性能的元素，即连接权值。由于学习的规则存在较大差异，因此，学习过程没有统一的表达式，但学习类型与参数形式有关。神经网络的学习和训练不同在于，学习是结果，而训练是神经网络的学习过程，本质上讲，学习是神经网络的内部过程，而训练是神经网络的外部过程。学习方式可以划分为监督学习和自组织学习方法。前者在学习过程中给出目标值，神经网络并不知道外部环境条件，而是不断调整网络权值与阈值来优化目标函数；后者是通过与外界环境的联系适应最小化性能的标量索引，来完成输入输出映射的学习。自组织学习过程中只有辅助网络学习的质量尺度，达到优化参数的目的。神经网络的学习规则主要包括：Hebb学习、Delta规则、Widrow-Hoff学习规则、Correlation（相关）学习规则、Winner-Take-all学习规则等。下面详细介绍Hebb学习规则。Hebb学习规则是无监督的学习，学习的结果是使网络能够总结输入信息的统计特性，从而把输入信息按照相似性程度来分类。这一点与人类观察和认识世界的过程非常吻合，人类观察和认识世界在相当程度上就是在根据事物的统计特征进行分类。Hebb规则由神经元连接间的激活水平改变权值，所以Hebb又可称为相关学习。神经网络中的Hebb算法可以简单描述为：若两神经元之间传递激励信号，而且如果两者都处于高激励，则量神经元间的权值增加。即可表示为两节点的连接权值是两节点激励的乘积，随乘积进行改变：

对于Hebb学习，学习信号就是神经元输出，即：

权值增量变成： Δw = αf(wTx)x ，即如果输出ii和输入的乘积是正的，则连接权值增加，否则减小。

2 算例分析

本节对基于神经网络的风电场风况预测技术进行研究。

（1）基于神经网络的风况预测。本节基于神经网络技术对风电场的风况进行预测，预测某一天的风速与风向数据。风况数据每5分钟采取一个数据点，共288个数据，总预测时间一天共1440分钟，预测提前时间为2个小时。预测结果如图1。

图1 风况预测结果

由图1可知，提前两个小时对风电场风况进行预测时，风速与风向的预测曲线大致趋势基本保持一致，虽然二者并非完全相等，但从电网调度角度来看，仍然具有很好的参考价值。另外，需要说明的是，风电预测是为了能够对风电进行更好的调度、消纳，但并非是要做到全部消纳。而是希望能够在保持风量在一定程度的基础上，尽可能多的消纳风电，并使得风电预测能够对风电的调度更加可控。可知，提前两个小时对风电场风况进行预测时，风速与风向的预测曲线大致趋势基本保持一致，虽然二者并非完全相等，但从电网调度角度来看，仍然具有很好的参考价值。另外，需要说明的是，风电预测是为了能够对风电进行更好的调度、消纳，但并非是要做到全部消纳。而是希望能够在保持风量在一定程度的基础上，尽可能多的消纳风电，并使得风电预测能够对风电的调度更加可控。

（2）不同时间尺度的风况预测。定义如下三种场景：场景1：提前4小时的预测结果；场景2：提前3小时的预测结果；场景3：提前2小时的预测结果。场景2的预测结果在3.3.1小节中已经给出，下面给出场景1与场景3的预测结果。不同场景下的预测误差如表1。

表1 不同场景下的预测误差结果

由上述计算结果可知，场景1的预测误差最小，场景3的预测误差最大。因此，随着预测提前时间的增长，风速的预测精度呈现下降的趋势。但对于风速风向的整体趋势的预测结果与实际情况大致相符。产生上述误差的主要原因在于风速的随机性、波动性与不可控性太大，受气象等因素的影响显著。因此，无法对其进行精确预测。在目前的实际应用中并非要对风速进行高精度的预测，而是在允许误差范围内，能够对其进行预测，来为电网调度、发电计划安排等提供一定的指导作用。