短期風速預測的相關(guān)方法及其應用研究

凌 勁,茆美琴,李福根,張恩銘

(1.國網(wǎng)安徽電力公司 檢修公司，安徽 合肥 230061； 2.合肥工業(yè)大學 教育部光伏系統(tǒng)工程研究中心,安徽 合肥 230009)

短期風速預測的相關(guān)方法及其應用研究

凌 勁1,茆美琴2,李福根1,張恩銘1

(1.國網(wǎng)安徽電力公司 檢修公司，安徽 合肥 230061； 2.合肥工業(yè)大學 教育部光伏系統(tǒng)工程研究中心,安徽 合肥 230009)

文章對持續(xù)法、BP神經(jīng)網(wǎng)絡和支持向量機(support vector machine，SVM)3種方法在提前24 h風速預測中的應用進行了研究和比較。為了消除季節(jié)對預測結(jié)果的影響,針對某年12個月份分別建立預測模型,結(jié)果表明:在大多數(shù)情況下,BP神經(jīng)網(wǎng)絡和SVM算法的預測結(jié)果要優(yōu)于持續(xù)法,并且SVM算法優(yōu)于BP神經(jīng)網(wǎng)絡;但也有持續(xù)法優(yōu)于BP神經(jīng)網(wǎng)絡和SVM算法及BP算法優(yōu)于SVM算法的情況。因此不能絕對說某種算法優(yōu)于另一種算法,應該根據(jù)具體情況來進行分析判斷,或者通過組合預測來提高預測精度。

風速預測;應用研究;持續(xù)法;BP神經(jīng)網(wǎng)絡;支持向量機(SVM)

風能作為目前世界上增長速度最快的可再生能源之一,被認為可以替代日益短缺的化石燃料來進行發(fā)電[1]。根據(jù)世界風能協(xié)會最新數(shù)據(jù)顯示,到2014年底,全球風電裝機容量為370 GW,其中我國風電裝機容量為114.61 GW,同比增長25.4%。然而,由于風力發(fā)電系統(tǒng)出力的波動性和隨機性,高比例風力發(fā)電系統(tǒng)并網(wǎng)運行,使電力系統(tǒng)的運行控制面對極大的挑戰(zhàn)[2]。高精度風電系統(tǒng)出力預測成為風電規(guī)?；⒕W(wǎng)應用的關(guān)鍵技術(shù)之一[3],而風能預測結(jié)果的精度主要取決于風速預測的準確度[4]。根據(jù)預測的時間尺度可以將風速預測劃分為以分鐘為單位的超短期預測,以日、小時為單位的短期預測;以月、周為單位的中期預測和以年為單位的長期預測。其中以日、小時為預測單位的短期風速預測一般是提前1～48 h對未來24 h的風速進行預測[5],其預測結(jié)果是包含風電系統(tǒng)的電力系統(tǒng)制定日調(diào)度計劃的重要依據(jù),并且其預測結(jié)果的準確度對電力系統(tǒng)的經(jīng)濟、可靠的運行具有重要的影響。

對風速預測的方法主要包括物理方法和統(tǒng)計方法[6]2種,其中物理方法對風機環(huán)境周圍物理信息要求較高,應用較為復雜。統(tǒng)計方法不考慮風速變化的物理過程,采用一定的數(shù)學統(tǒng)計方法,在歷史數(shù)據(jù)與風電輸出功率之間建立一種映射關(guān)系,可分為持續(xù)性算法、時間序列法(auto regressive moving average,ARMA)、卡爾曼濾波法、指數(shù)平滑法、人工神經(jīng)網(wǎng)絡法和支持向量機法(support vector machine，SVM)等[7-13]。

本文選取持續(xù)法、BP神經(jīng)網(wǎng)絡和支持向量機(SVM)3種算法研究提前24 h的風速預測,同時為避免季節(jié)性等因素的影響,對某年12個月分別建立預測模型,并對預測結(jié)果進行比較分析。

1 預測方法

1.1 持續(xù)法

持續(xù)法是最簡單的一種預測方法,即把最近一點的風速觀測值作為下一點的預測值,該方法適用于3～6 h以下的預測，即

wt+k′=wt，k=1,2,3,…,n

(1)

其中,wt+k′為t+k時刻的風速預測值;wt為t時刻的風速觀測值。

方法雖然簡單,卻十分有效,在1 h以內(nèi)的預測,持續(xù)法的準確度非常高?，F(xiàn)在的預測技術(shù)一般都把持續(xù)法作為比較基準,來評價該技術(shù)的精確度。

1.2 BP神經(jīng)網(wǎng)絡

誤差反向傳播BP神經(jīng)網(wǎng)絡是一種按誤差反向傳播算法訓練的多層前饋網(wǎng)絡,是目前應用最廣泛的神經(jīng)網(wǎng)絡之一。它采用有導師的訓練方式,能夠逼近任意非線性映射。

含有1個隱含層的BP神經(jīng)網(wǎng)絡的結(jié)構(gòu)圖如圖1所示。輸入層有M個神經(jīng)元,其中任一神經(jīng)元用m表示;隱含層有I個神經(jīng)元,其中任一神經(jīng)元用i表示;輸出層有J個神經(jīng)元,其中任一神經(jīng)元用j表示。輸入層與隱含層突觸權(quán)值用wmi(m=1,2,…,M;i=1,2,…,I)表示,隱含層與輸出層突觸權(quán)值用wij(i=1,2,…,I;j=1,2,…,J)表示。

圖1 含有一個隱含層的BP神經(jīng)網(wǎng)絡

設訓練樣本集X=[X1,X2,…,Xk,…,XN]T,其中任一訓練樣本Xk=[xk1,xk2,…,xkm,…,xkM](k=1,2,…,N);對應的實際輸出為Yk=[yk1,yk2,…,ykj,…,ykJ](k=1,2,…,N);期望輸出為dk=[dk1,dk2,…,dkj,…,dkJ](k=1,2,…,N)。輸出層第j個神經(jīng)元的誤差信號為:

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

(2)

(3)

根據(jù)Delta學習規(guī)則,計算權(quán)值修正量Δwij(n)和Δwmi,對權(quán)值進行更新,即

wij(n+1)=wij(n)+Δwij(n)

(4)

wmi(n+1)=wmi(n)+Δwmi(n)

(5)

其中,n為迭代次數(shù)。

直到誤差能量總和滿足要求或者迭代次數(shù)達到設定的最大值停止訓練。

1.3 SVM算法

SVM是由Vapnik首先提出的,像多層感知器網(wǎng)絡和徑向基函數(shù)網(wǎng)絡一樣,可用于模式分類和非線性回歸。SVM的主要思想是建立一個分類超平面作為決策曲面,使得正例和反例之間的隔離邊緣被最大化。SVM的理論基礎是統(tǒng)計學習理論,更精確地說,SVM是結(jié)構(gòu)風險最小化的近似實現(xiàn)。

規(guī)定的數(shù)據(jù)樣本集合為{(xi,yi),…,(xt,yt)}。其中,xi∈Rn；yi∈R；i=1,2,3,…,l。尋找Rn上的一個函數(shù)f(x),以便用y=f(x)來推斷任意輸入x所對應的y值。

SVM估計回歸函數(shù)的基本思想就是通過一個非線性映射,將輸入空間的的數(shù)據(jù)x映射到高維空間G中,并在這個空間進行線性回歸。一般采用(6)式來估計函數(shù)，即

y=f(x)=wφ(x)+b

(6)

(7)

(8)

(8)

maxW(α-α*)=

(9)

(10)

(11)

2 樣本預處理

本文選取某地區(qū)某一全年12個月份的風速作為樣本數(shù)據(jù),每15 min記錄1次風速數(shù)據(jù)。為了提高BP神經(jīng)網(wǎng)絡的泛化能力,在用于神經(jīng)網(wǎng)絡模型時,對數(shù)據(jù)進行歸一化處理,即將風速的取值范圍變換為[0,1]區(qū)間。

3 預測模型

由于風速和氣候溫度等因素的影響,因此每個月的分布各不相同。1月份、6月份的風速分布直方圖如圖2所示,兩者有明顯的不同。

1月份、6月份風速威布爾分布的檢驗結(jié)果如圖3所示。

圖2 1月份、6月份風速分布直方圖

圖3 1月份、6月份風速威布爾分布

當圖形近似于1條直線時,說明其分布滿足威布爾分布,當圖形為1條曲線時，其分布不滿足威布爾分布[10]。由圖3可以看出，1月份的風速為威布爾分布,而6月份的風速則不滿足威布爾分布。不同的分布應該用不同的模型來描述。為了消除可能出現(xiàn)的季節(jié)性問題,本文提出應該針對每個月分別建立BP網(wǎng)絡預測模型。

經(jīng)研究發(fā)現(xiàn),風速的分布類型與每種模型的具體形式?jīng)]有明顯的直接關(guān)系，即使屬于同一種分布類型的2個月的數(shù)據(jù),其分布參數(shù)也不相同,模型也有差異。

因此,需要根據(jù)每個月的實際數(shù)據(jù)分別建立模型。根據(jù)某風電場1 a的實測數(shù)據(jù),12個月的風速預測模型見表1所列。

表1 1～12月份BP神經(jīng)網(wǎng)絡模型的結(jié)構(gòu)

4 預測結(jié)果及分析

各個模型預測產(chǎn)生的誤差比較見表2所列。

表2 1～12月份各種預測方法產(chǎn)生的預測誤差 %

從表2中可以看出,BP神經(jīng)網(wǎng)絡和SVM算法的預測結(jié)果都要優(yōu)于持續(xù)法,并且SVM進一步優(yōu)于BP神經(jīng)網(wǎng)絡算法。

但并非絕對如此,從表2中還可以看出,在2月份和8月份持續(xù)法比BP神經(jīng)網(wǎng)絡和SVM算法預測效果都要好,主要原因是這2個月風速變化比較劇烈,BP神經(jīng)網(wǎng)絡和SVM算法很難準確地跟蹤風速的變化,而持續(xù)法可以準確地跟蹤風速的變化,因此預測結(jié)果較后兩者更為準確。

由表2的結(jié)果可以推斷,不能籠統(tǒng)地說某個方法優(yōu)于另外一個方法,應該根據(jù)具體情況進行分析和判斷,選擇合適的模型種類,或者進行組合預測以提高預測精度。

一般來說,SVM算法是首選,其次是BP神經(jīng)網(wǎng)絡算法,最后是持續(xù)法；但當風速波動比較大,或者訓練數(shù)據(jù)比較少時,則應該考慮持續(xù)法的預測結(jié)果或者進行組合預測。

5 結(jié) 論

本文主要對3種不同的風速預測方法進行了研究比較,得到如下結(jié)論:

(1) 風速具有不確定性,應對原始風速序列進行差分處理。

(2) 在BP神經(jīng)網(wǎng)絡中,不同的輸入?yún)?shù)對預測產(chǎn)生的結(jié)果都有著相關(guān)的影響。

(3) 研究發(fā)現(xiàn)不同的月份,風速具有不同的分布類型,應對每一個月份的風速分別建立預測模型來消除季節(jié)對預測結(jié)果的影響。

(4) 在大多數(shù)情況下,BP神經(jīng)網(wǎng)絡和SVM算法的預測結(jié)果要優(yōu)于持續(xù)法,并且SVM算法優(yōu)于BP神經(jīng)網(wǎng)絡算法，但也有持續(xù)法優(yōu)于BP神經(jīng)網(wǎng)絡和SVM算法及BP算法優(yōu)于SVM算法的情況。不能絕對說某種算法優(yōu)于另一種算法,應該根據(jù)具體情況來進行分析判斷,或者通過組合預測來提高預測精度。

[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,喬穎,魯宗相.短期風電功率預測綜合評價方法[J].電力系統(tǒng)自動化,2011,35(12):20-26.

[5] 周松林,茆美琴,蘇建徽.基于預測誤差校正的支持向量機短期風速預測[J].系統(tǒng)仿真學報2012,24(4):769-773.

[6] 楊秀媛,肖洋,陳樹勇.風電場風速和發(fā)電功率預測研究[J].中國電機工程學報,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] 范高鋒,王偉勝,劉純,等.基于人工神經(jīng)網(wǎng)絡的風電功率預測[J].中國電機工程學報,2008,28(34):118-123.

[13] 茆美琴,周松林,蘇建徽.基于脊波神經(jīng)網(wǎng)絡的短期風電功率預測[J].電力系統(tǒng)自動化,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

國家重點基礎研究發(fā)展計劃(973計劃)資助項目(2009CB219708);國家自然科學基金面上資助項目(51077033);高等學校博士學科點專項科研基金資助項目(201301111110005)和廣東省引進創(chuàng)新團隊資助項目(2011N015)

凌 勁(1989-),男,安徽合肥人,國網(wǎng)安徽電力公司技術(shù)員;

茆美琴(1961-),女,安徽蕪湖人,博士,合肥工業(yè)大學教授,博士生導師.

10.3969/j.issn.1003-5060.2017.11.013

TM743

A

1003-5060(2017)11-1502-05

(責任編輯 張 镅)