基于BP神经网络的风功率预测

摘  要：随着世界能源危机的凸显，风力发电逐渐成为研究热点。但其非持续性和随机性，使得风力发电在安全性、稳定性以及供电质量上有待提高。目前采用神经网络预测电网各节点短期功率并予以解决，但预测模型网络结构单一，使得预测结果受样本数据影响较大。经过预测模型的改进，使用模糊聚类选取相似日后再进行预测，可提高预测精度。通过仿真实验证明，该种改进使得预测结果相对误差在5%以内，具有较好的预测精度。

关键词：风力发电;模糊聚类技术;BP神经网络;风功率预测

中图分类号：TP181                 文献标识码：A文章编号：2096-4706（2021）15-0119-04

Abstract： With the prominence of the world energy crisis， wind power generation has gradually become a research hotspot. However， due to it’s non-sustainability and randomness， the safety， stability and power supply quality of wind power generation need to be improved. At present， neural network is used to predict and solve the short-term power of each node of the power grid， but the network structure of the prediction model is single， so the prediction results are greatly affected by the sample data. After the improvement of the prediction model， the prediction accuracy can be improved by using fuzzy clustering to select the similar days. The simulation results show that the relative error of the prediction results is less than 5% and has good prediction accuracy.

Keywords： wind power generation; fuzzy clustering technology; BP neural network; wind power prediction

0  引  言

自21世纪开始，世界随着能源危机加剧和环境恶化加重，各国均开始探索如何利用新能源提供电力供应[1]。微电网整合了多种分布式能源，成为世界电力发展的新方向。在各种分布式电源中，由于风能的普遍性，使得风力发电成为发展和研究的重点。但新能源的非持续性以及随机性，使得新能源微网的安全、稳定以及供电质量具有较大的不可靠性[2]。目前通常的解决办法是预测微网各节点的短期功率，这样既有助于微网系统的运行管理，也能保障分布式电源高渗透率下的大电网安全、稳定、经济运行。因此，风电功率预测具有十分重要的意义。

1  相关技术

聚类分析是对一个给定的事物集合，分析其相似性和相关性，将其划分成不同子集的过程。传统的聚类分析是一种硬划分，即辨识对象非此即彼，类别界限分明[3]。而实际工作中，多数事物集合中的元素的各个属性具有一定的中性，难以划分，此时硬划分具有较大的不确定性。1969年Ruspini提出了模糊划分的概念，针对这一概念人们提出了多种聚类方法，典型的有：基于相似性关系和模糊关系的方法、基于模糊等价关系的传递闭包方法、基于模糊图论最大树方法以及基于数据集的凸分解、动态规划和难以辨识关系等方法[4]。

BP神经网络算法是一种非线的数据挖掘方法，通过对神经网络进行训练，对于事物集合的各类输入可以给出较为合适的输出。由于BP神经网络的强非线性擬合能力，尤其是对天气预测中风速、温度等因素的处理，而且学习规则简单，便于计算机实现，所以目前多利用BP学习算法来进行神经网络的训练[5]。BP神经网络的常用网络结构如图1所示。

从图中可知，BP神经网络本质上是前馈网络，具有输入层、隐含层和输出层组成，其中隐含层可以是多层的。该前馈网络可以通过不停地学习，进行各权值的优化，从而找到误差最小值的权值。其学习算法可以概括为根据给定样本，通过信息正向传播误差反向传播对权值和阈值进行反复修正，直到最终得到正确输出[6]。

2  基于模糊聚类技术与BP神经网络相结合的短期风电功率预测

在本文的工程条件下，风功率预测的思路如以下所示：利用模糊聚类技术对历史数据进行分类操作，形成若干样本数据，对应各类训练不同的网络。在选定预测日后，通过预测日的气象信息（如温度、相对湿度、天气情况）应用模式识别，确定预测日所属类别，选择相对应的网络完成预测。本文的原始数据为某地区8月份的风速数据，每天按小时分24个风速值，一共31天。

2.1  利用模糊聚类技术进行样本分类

为了合理地进行模糊聚类，从而有效的分析各因素的作用，本文引入“相近度”的概念，即两个日期之间各因素指标的接近程度[7]。“相近样本集”是指需要预测日期的风速指标相类似的样本日期。下文将介绍具体工作中，模糊聚类分析的步骤。

2.1.1  数据标准化

历史风速数据：本文用下式将风速数据归一化到[0，1]中：

式中xmax和xmin分别为训练样本集中输入变量的最大值和最小值，xi和xi’分别为输入样本归一化前后的值。例如相对湿度即为百分值，温度（最高温度、最低温度、平均温度）和天气情况（如晴、阴、雨等）则按一定的规则归一化。

2.1.2  标定

标定的方法有很多种，本文采用欧氏距离法：

2.1.3  聚类

选取适当的阈值λ∈[0，1]，随着λ从1到0逐渐变小，聚类结果由粗到细不断变化。一般λ的取值可以根据经验确定。

2.1.4  模式识别

对于预测日相近的样本集的选择，本文采用欧氏距离法作为度量[8]。在聚类后，样本集中的风力速度分为不同类型。然后通过建立BP神经网络，计算需预测日期的指标与样本集分类中样本指标的欧氏距离，欧氏距离越小则预测日期越与该类相近。

本文选取模糊聚类的阈值为0.05，根据欧式距离法将风速数据分成若干类，本文仅选取其中一类作预测分析。该地区8月份按天模糊聚类后，8月的第3、5、9、12、13、15、21、25为一类。其余的样本作为训练样本建立BP神经网络模型，27日的样本数据作为测试样本进行预测分析。

2.2  基于BP神经网络预测模型的建立

在具体模型的建立上，功率预测模型的输入变量依据小时数划分为24个，即有24个输入层的节点，同样的输出层也依据小时数划分为24个节点。在隐含层节点的设置上，利用文献9中的经验公式设置为，其中n为隐含层的节点数，ni为输入的节点数，n0为输出的节点数，a为1～10之间的常数[9]。

2.3  风速的预测

根据文献9的经验值，选择隐含层神经元传递函数为S型正切函数tansig，输出层为trainlm函数[9]。通过对网络进行多次训练，得出风速预测结果如图2和表1所示。

分析可知：预测结果的平均相对误差为8.49%，均方误差为0.014，预测结果中的24个点中有21个点相对误差均在10%以内，占预测点总数的79.2%，故所搭建的BP神经网络模型满足预测效果的精度要求。

2.4  風电功率的预测

本文通过对风速建模，可以得出风速的预测，并得到了最优的预测风速值，在此基础上本文使用标准的功率曲线对机组进行功率预测[10]。以德国Dewind公司制造的某单机容量为1 MW的变浆距风力发电机组为例，该机组的切入风速2.5 m/s，额定风速11.5 m/s、切出风速23 m/s，风力发电机的出力可用分段函数表达式近似为[10]：

公式（3）中，P为风力机的输出功率;V为该时刻的风速值;Pr为风力机的额定功率;Vci、Vr、Vco分别是风力发电机的切入、额定以及切出风速;A、B、C是相应参数。

风能资源的不同，A、B、C的计算值也会稍有不同，其计算表达式如下：

根据风速预测结果，由公式（3）和（4）计算得风电功率预测曲线如表2和图3所示。

分析可知：由于本文所选日期的风速属于（2，12）的开区间，预测功率的相对误差是4.1%，均方误差是171.1，此两种误差达到了功率预测的要求。

3  结  论

通过研究发现，BP神经网络的预测精度在很大程度上取决于训练样本集的选取，而本文结合了模糊聚类技术与BP神经网络，以相似日风速对待预测日风速和风电功率进行预测，大大提高了预测精度。实验结果说明所建立的BP神经网络模型正确，预测误差较满意，理论研究合理。

虽然本文取得了较好的研究成果，但仍有不足，如模糊聚类分析受天气预报精度的影响较大;网络输入层数据单一，未能全面反映影响风速的所有因素;预测结果中存在奇异点等。因此提高预测精度和使用价值的空间仍然存在。今后可以从全面有效的利用天气预报数据，改善BP神经网络模型，深入分析研究风速特性等方面着手研究。

参考文献：

[1] 叶峰.新能源发电-实现人类的持续发展 [J].能源与环境，2008（3）：55-57+62.

[2] 尹明，葛旭波，王成山，等.我国风电大规模开发相关问题探讨 [J].中国电力，2010，43（3）：59-62.

[3] 王骏，王士同，邓赵红.聚类分析研究中的若干问题 [J].控制与决策，2012，27（3）：321-328.

[4] 荣辉，张济世，马信山.前馈神经网络的模糊PID算法及其在电力系统负荷预测中的应用 [J].电工技术学报，1998（4）：43-46.

[5] 袁曾任.人工神经元网络及其应用 [M].北京：清华大学出版社，1999.

[6] 师洪涛，杨静玲，丁茂生，等.基于小波—BP神经网络的短期风电功率预测方法 [J].电力系统自动化，2011，35（16）：44-48.

[7] 黎祚，周步祥，林楠.基于模糊聚类与改进BP算法的日负荷特性曲线分类与短期负荷预测[J].电力系统保护与控制，2012，40（3）：56-60.

[8] 赵彦峰，李辉，高海燕.基于加权欧氏距离法的设计模式分类研究 [J].科技风，2009（12）：19.

[9] 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.

[10] 方江晓.短期风速和风电功率预测模型的研究 [D].北京：北京交通大学，2011.

作者简介：李海玲（1972—），女，汉族，山东日照人，副教授，数学教育硕士，研究方向为：数学教育，数学建模。

3400500338259