風(fēng)電場(chǎng)短期功率預(yù)測(cè)建模案例解析

　　1.引言 

　　廣州颯美旭能源科技有限公司作為"創(chuàng)建美麗新生活"的"新能源與能效技術(shù)與服務(wù)解決方案供應(yīng)商"，致力于發(fā)展新能源生產(chǎn)管理、控制、并網(wǎng)技術(shù)和服務(wù)，積極參與構(gòu)建低碳環(huán)保能源體系，締造綠色世界，創(chuàng)建美麗生活。 

　　本文以2010年廣州颯美旭能源科技有限公司簽約的遼寧大唐國(guó)際風(fēng)電有限責(zé)任公司下屬的大唐昌圖風(fēng)電場(chǎng)風(fēng)電功率預(yù)測(cè)系統(tǒng)項(xiàng)目，詳述其風(fēng)電場(chǎng)短期功率預(yù)測(cè)建模所采用的方法及思路，與讀者共享。該項(xiàng)目采用的"風(fēng)電功率預(yù)測(cè)智能管理系統(tǒng)"是颯美旭依托自主知識(shí)產(chǎn)權(quán)開發(fā)成功的集電網(wǎng)側(cè)和風(fēng)電場(chǎng)側(cè)于一體的風(fēng)電功率預(yù)測(cè)系統(tǒng)。系統(tǒng)集先進(jìn)性、實(shí)用性、可靠性為一體，在實(shí)踐中以其預(yù)測(cè)的高精確度及實(shí)用性獲得用戶的一致贊揚(yáng)。 

　　2. 風(fēng)電場(chǎng)短期功率預(yù)測(cè)建模方法研究   

　　颯美旭風(fēng)電功率預(yù)測(cè)智能管理系統(tǒng)，以歷史氣象數(shù)據(jù)（數(shù)值天氣預(yù)報(bào)數(shù)據(jù)NWP）和風(fēng)電場(chǎng)歷史功率數(shù)據(jù)為基礎(chǔ)，同時(shí)考慮具體風(fēng)力發(fā)電機(jī)組的功率特性、機(jī)組效率和設(shè)備運(yùn)行情況，采用BP神經(jīng)網(wǎng)絡(luò)建模后，輸出0-72小時(shí)的短期預(yù)測(cè)功率。 

　　2.1 BP神經(jīng)網(wǎng)絡(luò)模型方法的采用 

　　人工智能的方法近年來在預(yù)測(cè)領(lǐng)域中應(yīng)用較多，其中在電力行業(yè)又以人工神經(jīng)網(wǎng)絡(luò)的應(yīng)用研究最為常見。利用神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測(cè)研究的基礎(chǔ)是它具有強(qiáng)大的非線性擬和與映射能力，在函數(shù)逼近、模式識(shí)別和狀態(tài)預(yù)報(bào)等方面有著獨(dú)特的優(yōu)勢(shì)，同時(shí)具有一定的泛化能力。BP神經(jīng)網(wǎng)絡(luò)具有較強(qiáng)的非線性學(xué)習(xí)能力，是目前國(guó)際上風(fēng)電功率預(yù)測(cè)領(lǐng)域廣泛采用的一種比較成熟的方法。神經(jīng)網(wǎng)絡(luò)神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程其實(shí)質(zhì)是旨在模仿人腦的結(jié)構(gòu)及功能，不斷調(diào)整網(wǎng)絡(luò)內(nèi)部權(quán)值和系統(tǒng)的輸入輸出關(guān)系的過程。 

　　在網(wǎng)絡(luò)結(jié)構(gòu)和算法確定以后名網(wǎng)絡(luò)性能優(yōu)良與否，很大程度上取決于訓(xùn)練樣本的質(zhì)量情況。 

　　2.2 輸入樣本數(shù)據(jù)的選�。�樣本集構(gòu)造） 

　　風(fēng)力發(fā)電機(jī)的輸出功率受風(fēng)速的影響最大，因此風(fēng)速是必須的輸入變量，同時(shí)研究發(fā)現(xiàn)不同層高的風(fēng)速對(duì)功率預(yù)測(cè)的結(jié)果均有影響，在此案例中我們選取的是風(fēng)機(jī)輪轂附近的30m、50m、70m和90m4個(gè)層高的風(fēng)速及風(fēng)向數(shù)據(jù)，空氣溫度、濕度、大氣壓力等其他相關(guān)氣象數(shù)據(jù)，以及對(duì)應(yīng)的歷史發(fā)電功率數(shù)據(jù)作為BP神經(jīng)網(wǎng)絡(luò)的輸入樣本集。 

　　2.3 樣本數(shù)據(jù)的預(yù)處理（樣本篩選） 

　　輸入樣本的篩選過程包含原始數(shù)據(jù)收集、數(shù)據(jù)分析、變量選擇及數(shù)據(jù)預(yù)處理；只有經(jīng)過這些步驟后，才能對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行有效的學(xué)習(xí)訓(xùn)練。訓(xùn)練樣本質(zhì)量直接影響網(wǎng)絡(luò)應(yīng)用效果。 

　　在進(jìn)行歷史數(shù)據(jù)收資過程中，我們從風(fēng)電場(chǎng)收集了歷史一年的數(shù)據(jù)，在實(shí)際建模使用過程中，考慮到大風(fēng)期和小風(fēng)期的變化因素，我們考慮到以季度為單位建模顯然更為科學(xué)，在實(shí)際使用過程中分別調(diào)用不同的模型。 

　　在樣本數(shù)據(jù)的篩選過程中，綜合考慮了具體風(fēng)力發(fā)電機(jī)組的功率特性、機(jī)組效率和設(shè)備運(yùn)行情況以及外圍環(huán)境干擾因素，篩除了初始樣本數(shù)據(jù)中的奇異數(shù)據(jù)（不符合風(fēng)電機(jī)組功率特性的NWP與功率P的對(duì)應(yīng)關(guān)系數(shù)據(jù)組）。 

　　2.4 數(shù)據(jù)歸一化處理 

　　由于樣本中存在不同單位類型的數(shù)據(jù)，各數(shù)據(jù)的變化范圍也不相同，因此存在某些屬性較大，某些屬性較小的情況，這樣并不利于后面的回歸計(jì)算處理，因此需要在對(duì)樣本集操作前進(jìn)行數(shù)據(jù)歸一化處理，將各數(shù)據(jù)同意到統(tǒng)一的區(qū)間里。因此在BP神經(jīng)網(wǎng)絡(luò)的應(yīng)用中，對(duì)控制的輸入輸出應(yīng)當(dāng)按照歸一化的方法對(duì)輸入輸出進(jìn)行調(diào)節(jié)；否則，模型是無法正確工作的。 

　　2.5 回歸計(jì)算（模型訓(xùn)練） 

　　利用Matlab工具進(jìn)行BP神經(jīng)網(wǎng)絡(luò)建模，通過數(shù)次對(duì)網(wǎng)絡(luò)結(jié)構(gòu)、初始值的增刪、學(xué)習(xí)速率的調(diào)整以及期望誤差的更改，不斷提高訓(xùn)練結(jié)果的精度，在達(dá)到滿意度范圍內(nèi)訓(xùn)練結(jié)束。 

　　2.6 預(yù)測(cè)結(jié)果修正 

　　考慮到地形地貌等特異性，通過BP神經(jīng)網(wǎng)絡(luò)方法建模后得到的預(yù)測(cè)功率的輸出還要進(jìn)行一次修正后才能真正作為風(fēng)電功率預(yù)測(cè)的輸出結(jié)果展現(xiàn)在軟件中。此修正程序作為預(yù)測(cè)軟件的一部分嵌在系統(tǒng)內(nèi)。 

　　3. 實(shí)際案例結(jié)果 

　　大唐國(guó)際的兩個(gè)風(fēng)電場(chǎng)經(jīng)過半年多的穩(wěn)定運(yùn)行，每月月均方根誤差均不超過20%，在遼寧風(fēng)電調(diào)度端的考核中一直名列前茅，獲得了用戶的極大認(rèn)可及滿意。 

　　下圖為任意選取的昌圖風(fēng)電場(chǎng)歷史一周的預(yù)測(cè)曲線與實(shí)際功率曲線對(duì)比圖（其中在3月12日凌晨及3月13日有調(diào)度限電）。