本文關(guān)鍵詞：基于人工神經(jīng)網(wǎng)絡(luò)的風(fēng)電功率預(yù)測，由筆耕文化傳播整理發(fā)布。

第28卷 第34期 中 國 電 機(jī) 工 程 學(xué) 報 Vol.28 No.34 Dec. 5, 2008 118 2008年12月5日 Proceedings of the CSEE ©2008 Chin.Soc.for Elec.Eng. (2008) 34-0118-06 中圖分類號：TM 743 文獻(xiàn)標(biāo)志碼：A 學(xué)科分類號：470 40 文章編號：0258-8013

基于人工神經(jīng)網(wǎng)絡(luò)的風(fēng)電功率預(yù)測

范高鋒，王偉勝，劉純，戴慧珠

(中國電力科學(xué)研究院，北京市 海淀區(qū) 100192)

Wind Power Prediction Based on Artificial Neural Network

FAN Gao-feng, WANG Wei-sheng, LIU Chun, DAI Hui-zhu

(China Electric Power Research Institute, Haidian District, Beijing 100192, China)

ABSTRACT: Wind power prediction is important to the operation of power system with comparatively large mount of wind power. The wind power prediction methods were classified into several kinds. An artificial neural network (ANN) model for wind power prediction was constructed according to the wind power influence factors. Then the impacts of real time measured power and the atmospheric data at different heights on prediction results were analyzed. Besides, another ANN model for error band prediction was also built. The results indicate that the ANN structure and the training sample have some impact on the prediction precision. The real time measured power as input will improve the precision of 30 min ahead prediction, however will decrease the precision of 1h ahead prediction. The results which using the atmospheric data at all different heights as input have a higher accuracy when compared with the results using hub height data only. The designed ANN can forecast the error band.

KEY WORDS: wind farm; power; prediction; artificial neural networks

摘要：風(fēng)電場輸出功率預(yù)測對接入大量風(fēng)電的電力系統(tǒng)運(yùn)行有重要意義。對風(fēng)速和風(fēng)電場輸出功率預(yù)測的方法進(jìn)行了分類。根據(jù)風(fēng)電場輸出功率的影響因素，建立了風(fēng)電功率預(yù)測的神經(jīng)網(wǎng)絡(luò)模型。分析了實測功率數(shù)據(jù)、不同高度的大氣數(shù)據(jù)對預(yù)測結(jié)果的影響。建立了基于神經(jīng)網(wǎng)絡(luò)的誤差帶預(yù)測模型，實現(xiàn)了誤差帶預(yù)測。研究結(jié)果表明，神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和輸入樣本對預(yù)測結(jié)果有一定的影響；實測功率數(shù)據(jù)作為輸入而對提前量為1 h的可以提高提前量為30 min的預(yù)測精度，

預(yù)測精度會降低；把不同高度的數(shù)據(jù)都作為神經(jīng)網(wǎng)絡(luò)的輸入比只采用輪轂高度數(shù)據(jù)的預(yù)測精度高；設(shè)計的神經(jīng)網(wǎng)絡(luò)能夠?qū)φ`差帶進(jìn)行預(yù)測。

關(guān)鍵詞：風(fēng)電場；功率；預(yù)測；人工神經(jīng)網(wǎng)絡(luò)

0 引言

大規(guī)模并網(wǎng)風(fēng)電場對電力系統(tǒng)的運(yùn)行帶來一

些新問題，其中很重要的一方面是對電力系統(tǒng)運(yùn)行

調(diào)度的影響[1-4]。風(fēng)電功率預(yù)測對電力系統(tǒng)的功率平衡和經(jīng)濟(jì)調(diào)度具有非常重要的意義。國外風(fēng)電裝機(jī)容量較大的國家都進(jìn)行了風(fēng)電功率預(yù)測系統(tǒng)的研究與開發(fā)。風(fēng)電功率預(yù)測方法根據(jù)預(yù)測的物理量來分類，可以分為2類：第1類為對風(fēng)速的預(yù)測，，然后根據(jù)風(fēng)電機(jī)組或風(fēng)電場的功率曲線得到風(fēng)電場功率輸出；第2類為直接預(yù)測風(fēng)電場的輸出功率。根據(jù)所采用的數(shù)學(xué)模型不同可分為持續(xù)預(yù)測法、自回歸滑動平均(auto regressive moving average, ARMA)模型法、卡爾曼濾波法和智能方法等。持續(xù)預(yù)測方法[5]是最簡單的預(yù)測模型，這種方法認(rèn)為風(fēng)速預(yù)測值等于最近幾個風(fēng)速值的滑動平均值，通常認(rèn)為最近1點的風(fēng)速值為下1點的風(fēng)速預(yù)測值[6]，該模型的預(yù)測誤差較大，且預(yù)測結(jié)果不穩(wěn)定。改進(jìn)的方法有ARMA模型[7-9]和向量自回歸模型[10]、卡爾曼濾波算法[11-12]或時間序列法和卡爾曼濾波算法相結(jié)合[13]。另外還有一些智能方法，如人工神經(jīng)網(wǎng)絡(luò)方法[6,14-15]等。根據(jù)預(yù)測系統(tǒng)輸入數(shù)據(jù)來分類也可以分為2類：1類不采用數(shù)值天氣預(yù)報的數(shù)據(jù)，1類采用數(shù)值天氣預(yù)報的數(shù)據(jù)。根據(jù)預(yù)測的時間尺度來分類，可分為超短期預(yù)測和短期預(yù)測。所謂的超短期并沒有一致的標(biāo)準(zhǔn)，一般可認(rèn)為不超過30 min的預(yù)測為超短期預(yù)測。而對于時間更短的數(shù)分鐘內(nèi)的預(yù)測，主要用于風(fēng)力發(fā)電控制、電能質(zhì)量評估及風(fēng)電機(jī)組機(jī)械部件的設(shè)計等[16]。這種分鐘級的預(yù)測一般不采用數(shù)值天氣預(yù)報數(shù)據(jù)。短期預(yù)測一般可認(rèn)為是30 min~72 h的預(yù)測，主要用于電力系統(tǒng)的功率平衡和調(diào)度、電力市場交易、暫態(tài)穩(wěn)定評估等。對于更長時間尺度的預(yù)測，主要用于系統(tǒng)檢修安排等。目前，中長期預(yù)測還存在較大的困難。因為風(fēng)速、風(fēng)向等天氣情況是由大氣運(yùn)動決定的，不考慮

  本文關(guān)鍵詞：基于人工神經(jīng)網(wǎng)絡(luò)的風(fēng)電功率預(yù)測，由筆耕文化傳播整理發(fā)布。