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

第32卷第22期2008年11月；電網(wǎng)技術(shù)PowerSystemTechnolog；文章編號：1000-3673（2008）22-0；Vol.32No.22；Nov.2008；基于人工神經(jīng)網(wǎng)絡的風電功率短期預測系統(tǒng)；范高鋒，王偉勝，劉純；（中國電力科學研究院，北京市海淀區(qū)100192）；ArtificialNeuralNetworkB；FANGao-feng

第 32 卷 第 22 期 2008年 11 月

電 網(wǎng) 技 術(shù) Power System Technology

文章編號：1000-3673（2008）22-0072-05 中圖分類號：TM73 文獻標志碼：A 學科代碼：470·40

Vol. 32 No. 22

Nov. 2008

基于人工神經(jīng)網(wǎng)絡的風電功率短期預測系統(tǒng)

范高鋒，王偉勝，劉純

（中國電力科學研究院，北京市 海淀區(qū) 100192）

Artificial Neural Network Based Wind Power Short Term Prediction System

FAN Gao-feng，WANG Wei-sheng，LIU Chun

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

ABSTRACT: Wind power prediction is important to the 系統(tǒng)的安全穩(wěn)定運行帶來新的挑戰(zhàn)。為克服風電波 operation of power system with comparatively large amount of 動對電力系統(tǒng)運行的不利影響，風電裝機容量較大 wind power. A summarization of the research status, basic 的幾個國家都在開發(fā)風電功率預測系統(tǒng)。風電功率 principle and forecast methods of wind power prediction was

presented in the paper. The system framework was designed. A wind power prediction system based on artificial neural network was established, and the system will soon be applied

預測對于電網(wǎng)安全經(jīng)濟調(diào)度、電力市場及風電場運 行都有重要意義。

丹麥是最早進行風電功率預測系統(tǒng)開發(fā)的國

家之一，早在1990年Landberg就采用類似歐洲風 in the Jilin power grid dispatch center. The system relies on

numerical weather prediction, has friendly man-machine 圖集的推理方法開發(fā)了一套風電功率預測系統(tǒng) 。 interface, and realizes seamless connection to the energy Prediktor 是丹麥 Ris? 國家實驗室開發(fā)的風電功率 management system (EMS). The results of the test data indicate 預測系統(tǒng)，這個系統(tǒng)主要采用物理模型 。氣象數(shù) that the prediction system is reliable and the root of mean 據(jù)由數(shù)值天氣預報系統(tǒng)——高精度有限區(qū)域模型

square error (RMSE) is about 15%. The economic benefit of

[2]

[3]

the forecasting system was also estimated.

(high resolution limited area model，HIRLAM)提供。

風電功率預測工具(wind power prediction tool，

[4]

KEY WORDS: wind power；power grid；prediction；artificial WPPT)由丹麥技術(shù)大學開發(fā) 。自1994年一直在丹 neural network；numerical weather prediction 麥西部電力系統(tǒng)運行，從 1999 年開始在丹麥東部

摘要：風電場輸出功率預測對接入大量風電的電力系統(tǒng)運行 電力系統(tǒng)運行。Zephry 是 Ris?(Ris?已于 2007 年 1

有重要意義。該文綜述國內(nèi)外風電功率預測技術(shù)的研究現(xiàn) 月 1 日并入丹麥技術(shù)大學)和丹麥技術(shù)大學聯(lián)合開

建立基于人工神經(jīng)網(wǎng)絡的風電功率預測系統(tǒng)，該系統(tǒng)即將

發(fā)的新一代短期風電功率預測程序 。Zephry集合

應用于吉林電網(wǎng)調(diào)度中心。該系統(tǒng)以數(shù)值天氣預報為基

礎，具有良好的人機界面，實現(xiàn)了與能量管理系統(tǒng)(energy

management system，EMS)的無縫連接。對測試數(shù)據(jù)的預測

了Prediktor和WPPT的功能。

Previento 是德國奧爾登堡大學開發(fā)的風電功 率預測系統(tǒng)，它可以對一個較大的區(qū)域給出2天內(nèi)

結(jié)果表明，該預測系統(tǒng)能夠可靠工作，預測結(jié)果的均方根

的功率預測 。它的預測方法和Prediktor類似。高

誤差在 15%左右。最后，該文對風電功率預測系統(tǒng)的經(jīng)濟

效益進行估算。 diction tool，AWPPT)是 ISET(德國太陽能研究所)

級風電功率預測工具(advanced wind power pre-

[7] 開發(fā)的風電功率管理系統(tǒng)WPMS 的一部分 。風電

關(guān)鍵詞：風電；電網(wǎng)；預測；人工神經(jīng)網(wǎng)絡；數(shù)值天氣預報

0 引言

功率管理系統(tǒng)包括在線監(jiān)視系統(tǒng)、短期預測系統(tǒng) (1~8h)和天前預測系統(tǒng)。這個模型的特點是：1）采

風力發(fā)電在全球范圍內(nèi)快速發(fā)展，截止到2007 用德國氣象局提供的數(shù)值天氣預報；2）用人工神

年底，世界風電累計裝機容量達到93849MW，其 經(jīng)網(wǎng)絡計算風電場的功率輸出；3）用在線外推模

[1]

中我國風電累計裝機容量為5899MW 。風電是一 型計算注入到電網(wǎng)總的風電功率。

種間歇性、波動性電源，大規(guī)模風電的接入對電力 ANEMOS是歐盟資助的一個研究項目，共有7

第 32 卷 第 22 期

電 網(wǎng) 技 術(shù)

[17]

73

個國家的23家科研機構(gòu)參與。ANEMOS的目的是 開發(fā)用于陸地和海上的風電功率預測系統(tǒng)。

regressive moving average，ARMA)模型法 、卡爾

[18]

曼濾波算法

[19]

ANEMOS將物理方法和統(tǒng)計方法結(jié)合在一起。

或時間序列法和卡爾曼濾波算法相

eWind是美國AWS Truewind公司開發(fā)的風功

結(jié)合 ，另外還有一些智能方法，如人工神經(jīng)網(wǎng)絡 方法 等。這些方法預測的時間尺度較短。對于 0~3 h 的預測，因為其變化主要由大氣條件的持續(xù) [13,16] 性決定，因此不采用數(shù)值天氣預報數(shù)據(jù)也可得到較 好的預測結(jié)果；對于時間尺度超過 3h 的預測，不

。它主要包括4個部分：1）一組高精 率預測系統(tǒng)[8]

度的3維大氣物理數(shù)學模型；2）適應性統(tǒng)計模型；

3）風電場輸出模型；4）預測結(jié)果發(fā)布系統(tǒng)。

其它風電功率預測系統(tǒng)主要還有西班牙馬德

里卡洛斯三世大學(Carlos III of Madrid)開發(fā)的

sipre?lico[9] 、西班牙可再生能源中心開發(fā)的

LocalPred-RegioPred、在Madeira 島和Crete 島運行

考慮數(shù)值天氣預報數(shù)據(jù)無法反映大氣運動的本質(zhì)， 因此也難以得到較好的預測結(jié)果。

現(xiàn)在研究的風電場輸出功率預測都把數(shù)值天

氣預報數(shù)據(jù)作為一組重要輸入數(shù)據(jù)。考慮了地形、 粗糙度等信息采用物理方程進行預測的方法稱為 物理方法，根據(jù)歷史數(shù)據(jù)進行統(tǒng)計分析，找出其內(nèi) 在規(guī)律并用于預測的方法稱之為統(tǒng)計方法。如果物 理方法和統(tǒng)計方法都采用則稱之為綜合方法。

采用數(shù)值天氣預報數(shù)據(jù)的風電場輸出功率預

的More-Care系統(tǒng)[10] 以及愛爾蘭開發(fā)的Honeymoon

系統(tǒng) 等。 [11]

目前，國內(nèi)對風電功率預測的研究較少。文

獻[12]探討了風電場的短期風速預測，結(jié)合實例闡 述了時間序列法在短期風速預測中的應用，但沒有 給出風電場輸出功率的預測。文獻[13]基于時間序 列法和神經(jīng)網(wǎng)絡法對風速和風電場功率進行了研 究，這種時序神經(jīng)網(wǎng)絡模型本質(zhì)上還是以時間序列 為基礎，對較長時間的預測效果會比較差。文獻[14] 研究了基于神經(jīng)網(wǎng)絡的風電場風速時間序列的預 測，沒有對風電場的輸出功率進行預測。文獻[15] 研究了基于歷史數(shù)據(jù)的風電場功率短期預測方法， 因為沒有采用數(shù)值天氣預報數(shù)據(jù)，預測的時間尺度 限制在1~6h。而電網(wǎng)的運行調(diào)度需要至少未來 24h

測的基本流程如圖1所示。從數(shù)值天氣預報系統(tǒng)獲

得氣象資料，輸入預測程序，得到風電場的輸出功 率。預測程序可采用物理方法，也可采用統(tǒng)計方法 或2種方法的結(jié)合。

數(shù)值天氣預報

預測程序

的預測數(shù)據(jù)，1~6 h 的預測顯然不能滿足電網(wǎng)調(diào)度 的需要。這些研究主要問題是沒有采用數(shù)值天氣預 報數(shù)據(jù)，預測的時間尺度難以提高。

目前，國外的風電功率預測系統(tǒng)還處于不斷更 新和完善之中，國內(nèi)還沒有實用的風電功率預測系 統(tǒng)。本文以數(shù)值天氣預報數(shù)據(jù)為基礎，提出風電功 率預測系統(tǒng)的整體框架，，建立基于 BP 神經(jīng)網(wǎng)絡模 型的風電功率預測系統(tǒng)，該系統(tǒng)即將應用于吉林電 網(wǎng)調(diào)度中心。

風電場功率

圖 1 風電場輸出功率預測流程圖 Fig. 1 Flowchart of wind power prediction

1.2 物理方法

風電功率預測的物理方法預測流程如圖 2 所 示。根據(jù)數(shù)值天氣預報系統(tǒng)的預測結(jié)果得到風速、

數(shù)值天氣預報 (風速、風向、氣壓、氣溫等) 轉(zhuǎn)換到輪轂高度 (等高線、粗糙度、障礙物等) 風電場功率曲線 (尾流、機組可用情況)

1 風電功率預測的基本原理

1.1 預測的基本流程

早期的風電功率預測研究大多不采用數(shù)值天

氣預報數(shù)據(jù)。最簡單的預測模型是持續(xù)預測法，這 種方法認為風速預測值等于最近幾個風速值的滑 動平均值。通常認為最近一點的風速值為下一點的 風速預測值[16] 。該模型的預測誤差較大，且預測結(jié)

風電場輸出功率預測 整個區(qū)域風電功率預測

果不穩(wěn)定。改進的方法有自回歸滑動平均(auto

圖 2 物理方法預測流程圖

Fig. 2 Prediction flowchart of the physical method

74

范高鋒等：基于人工神經(jīng)網(wǎng)絡的風電功率短期預測系統(tǒng) Vol. 32 No.22

風向、氣壓、氣溫等天氣數(shù)據(jù)。然后根據(jù)風電場 周圍等高線、粗糙度、障礙物、溫度分層等信息， 采用類似與 WAsP 程序的計算方法，計算得到風 電機組輪轂高度的風速、風向、氣溫、氣壓等信 息。然后根據(jù)風電場的功率曲線計算得到風電場 的輸出功率。因為在不同的風向下，不同的溫度 條件下，即使風速相同，風電場輸出功率也不相 等，因此，風電場功率曲線是一族曲線。對整個 區(qū)域的風電功率預測，預測的方法有2種：1）對 所有的風電場輸出功率進行預測，然后求和得到； 2）只對幾個風電場進行預測，然后用一種擴展算

化網(wǎng)絡的結(jié)構(gòu)和權(quán)值，然后根據(jù)輸入樣本前向計算 BP網(wǎng)絡每層神經(jīng)元的輸入信號和輸出信號，根據(jù)期 望輸出計算反向誤差，對權(quán)值進行修正，如果誤差

小于給定值或迭代次數(shù)超過設定值，則結(jié)束學習。 2.3 用于風電功率預測的神經(jīng)網(wǎng)絡模型

風電場輸出功率的影響因素主要有風速、風

向、氣溫、氣壓、濕度等，因此這些數(shù)據(jù)構(gòu)成 BP 神經(jīng)網(wǎng)絡的基本輸入數(shù)據(jù)空間，神經(jīng)網(wǎng)絡的輸出是 風電場的功率。

為了提高神經(jīng)網(wǎng)絡的學習效率，提高預測精

法得到整個區(qū)域的風電場輸出功率。 1.3 統(tǒng)計方法

度，需要對數(shù)據(jù)進行歸一化處理：

1）風速歸一化。采用多年統(tǒng)計的極限風速對 風速數(shù)據(jù)進行歸一化為

vmax

式中：vg為歸一化后的風速值；vt為數(shù)值天氣預報系 統(tǒng)預測的風速值；vmax 為氣象觀測的歷史最大風速。

2）風向歸一化。風向指風的方向，是把圓周 分成360°，正北方向是0°。為了區(qū)分所有的風向，

統(tǒng)計方法不考慮風速變化的物理過程，而根

據(jù)歷史統(tǒng)計數(shù)據(jù)找出天氣狀況與風電場出力的關(guān)

系，然后根據(jù)實測數(shù)據(jù)和數(shù)值天氣預報數(shù)據(jù)對風 電場輸出功率進行預測，常用的預測方法有時間

[20]

序列法、BP神經(jīng)網(wǎng)絡方法(BP neural networks) 、

徑向基函數(shù)神經(jīng)網(wǎng)絡(RBF neural networks)和支持

[7]

向量機(support vector machines，SVM) 等。

需要取風向的正弦和余弦2個值作為輸入。

2 BP神經(jīng)網(wǎng)絡算法及預測系統(tǒng)

3）氣溫、氣壓、濕度的歸一化采用和風速歸一 化類似的方法，取氣象觀測的最大值進行歸一化。

神經(jīng)網(wǎng)絡的基本結(jié)構(gòu)如圖4所示。

隱含層

輸入層 風速 風向正弦

2.1 BP神經(jīng)網(wǎng)絡

BP 神經(jīng)網(wǎng)絡是指基于誤差反向傳播算法的多

層前向神經(jīng)網(wǎng)絡，采用有導師的訓練方式 。它能

[21]

夠以任意精度逼近任何非線性映射；可以學習和自 適應未知信息；具有分布式信息存儲與處理結(jié)構(gòu)， 具有一定的容錯性，因此構(gòu)造出來的系統(tǒng)具有較好 的魯棒性，適合處理復雜問題。 2.2 BP神經(jīng)網(wǎng)絡的學習算法

氣溫 …

BP神經(jīng)網(wǎng)絡的學習算法如圖3所示。首先初始

氣壓 濕度

初始化 給定輸入向量和目標向量 求隱含層、輸出層各節(jié)點輸出 求目標值與實際值輸出的偏差

計算反向誤差 權(quán)值學習 否

學習結(jié)束 是 結(jié)束

圖 4 BP神經(jīng)網(wǎng)絡結(jié)構(gòu)

Fig. 4 Structure of BP neural networks

圖 3 BP 網(wǎng)絡的學習流程

Fig. 3 Flow chart of BP network learning

2.4 預測系統(tǒng)的結(jié)構(gòu)

目前電網(wǎng)對風電功率預測的基本要求是當天預 測次日的風電場輸出功率，時間分辨率為15 min。 要求不但能夠預測單個風電場的輸出功率，而且能 夠預測整個區(qū)域的風電場輸出功率。風電功率預測 系統(tǒng)要與 EMS 系統(tǒng)有很好的接口。同時，風電功 率預測系統(tǒng)需要在調(diào)度系統(tǒng)的網(wǎng)絡中運行，其網(wǎng)絡 結(jié)構(gòu)和安全防護方案要滿足二次系統(tǒng)安全防護規(guī) 定的要求。

第 32 卷 第 22 期

電 網(wǎng) 技 術(shù)

350280

75

風電功率預測系統(tǒng)的模塊劃分及軟件結(jié)構(gòu)如 圖5所示。各軟件模塊功能如下：

1）預測系統(tǒng)數(shù)據(jù)庫是預測系統(tǒng)的數(shù)據(jù)中心， 各軟件模塊均通過系統(tǒng)數(shù)據(jù)庫完成數(shù)據(jù)的交互。 系統(tǒng)數(shù)據(jù)庫存儲來自數(shù)值天氣預報處理模塊的數(shù) 值天氣預報數(shù)據(jù)、預測程序產(chǎn)生的預測結(jié)果數(shù)據(jù)、 EMS系統(tǒng)接口程序產(chǎn)生的實時風電功率數(shù)據(jù)等。

2）數(shù)值天氣預報模塊從數(shù)值天氣預報服務商 的服務器下載數(shù)值天氣預報數(shù)據(jù)，經(jīng)過處理后形 成各預測風電場預測時段的數(shù)值天氣預報數(shù)據(jù)， 送入預測系統(tǒng)數(shù)據(jù)庫。

3）預測模塊從系統(tǒng)數(shù)據(jù)庫中取出數(shù)值天氣預 報數(shù)據(jù)，預測模型計算出風電場的預測結(jié)果，并 將預測結(jié)果送回系統(tǒng)數(shù)據(jù)庫。

4）EMS系統(tǒng)接口模塊將各風電場的實時功率 數(shù)據(jù)傳送到系統(tǒng)數(shù)據(jù)庫中，同時將預測結(jié)果從系 統(tǒng)數(shù)據(jù)庫上取出，發(fā)送給EMS系統(tǒng)。

5）圖形用戶界面模塊實現(xiàn)系統(tǒng)與用戶的交互， 完成數(shù)據(jù)及曲線顯示，系統(tǒng)管理及維護等功能。

數(shù)值天氣預報

預測功率 誤差帶

功

70

2007–10–15

2007–10–13

2007–10–17日期

2007–10–19

圖 6 風電功率預測系統(tǒng)輸出結(jié)果

實際功率 210Fig. 6 Results of the wind power prediction system W

測，預測曲線基本上與實測曲線變化規(guī)律一致，預 140 測結(jié)果的均方根誤差在15%左右。

M

3 預測系統(tǒng)經(jīng)濟效益

如果沒有風電功率預測系統(tǒng)，系統(tǒng)的旋轉(zhuǎn)備

用容量除了滿足負荷的波動外，還要滿足風電功 率的波動。理論上講，為風電所留出的旋轉(zhuǎn)備用 要與風電裝機容量相當。所以，風電的接入會導 致常規(guī)機組負荷率降低，機組煤耗增加。

如果有風電功率預測系統(tǒng)，把風電功率納入

調(diào)度計劃。那么為風電所留出的旋轉(zhuǎn)備用只需要 滿足風電功率的預測誤差即可。因此風電功率預 測能夠提高機組負荷率，降低機組煤耗，有利于 節(jié)能減排和提高經(jīng)濟效益。

以吉林電網(wǎng)冬季的典型運行方式為例，最大

圖形用戶界面

預測數(shù)據(jù)庫 預測程序

圖 5 預測系統(tǒng)結(jié)構(gòu) Fig. 5 Prediction system diagram

電力5 872 MW，峰谷差2 060 MW，日發(fā)電量

2.5 預測結(jié)果

采用開發(fā)的預測系統(tǒng)對吉林省同發(fā)、雙遼、洮 南、洮北、長嶺、查干浩特6個風電場進行預測， 6個風電場總裝機容量為326.4MW。訓練數(shù)據(jù)采用 了 2007年 6月—2008年4月的數(shù)值天氣預報數(shù)據(jù) 和風電場輸出的功率數(shù)據(jù)，測試數(shù)據(jù)為 2008 年 5 月—2008年7月2個月的數(shù)據(jù)。

對于 BP 神經(jīng)網(wǎng)絡，3 層網(wǎng)絡理論上就可以逼 近任何非線性函數(shù)，因此選擇包含 1個隱含層的 3 層網(wǎng)絡。網(wǎng)絡隱層神經(jīng)元傳遞函數(shù)采用S型正切函 數(shù)，輸出層神經(jīng)元傳遞函數(shù)采用S型對數(shù)函數(shù)。隱 層節(jié)點數(shù)會影響預測精度。經(jīng)逐一篩選分析，當網(wǎng) 絡的隱層節(jié)點數(shù)為19時，訓練樣本誤差最小，均方 根誤差為8.9%；隱層節(jié)點數(shù)繼續(xù)增加，出現(xiàn)過學習 現(xiàn)象，網(wǎng)絡外推能力變差，預測誤差反而增大。

圖 6是1周的天前預測曲線。預測結(jié)果表明：

115 189 MW?h。如果沒有風電，留出300 MW旋

轉(zhuǎn)備用，平均發(fā)電負荷率為77.8%�，F(xiàn)在接入 326.4 MW風電，如果沒有風電功率預測，原則上 講需要增加326.4 MW旋轉(zhuǎn)備用，平均發(fā)電負荷率 將降低到73.9%。如果有風電功率預測，預測誤差 按20%計，只需要增加65MW旋轉(zhuǎn)備用，平均發(fā)電 負荷率為76.9%。

據(jù)統(tǒng)計，發(fā)電負荷率升高1%，煤耗降低 1g/(kW?h)。這樣在這個典型日可節(jié)煤345t，經(jīng)濟 效益約35萬元，經(jīng)濟和環(huán)境效益顯著。另外，風 電功率預測還能增強電網(wǎng)的安全性，提高電網(wǎng)的 風電接納能力，減少風電場的電量損失。

4 結(jié)語

本文對風電功率預測的原理、方法及預測系 統(tǒng)的結(jié)構(gòu)進行了研究，基于人工神經(jīng)網(wǎng)絡建立了 風電場輸出功率預測系統(tǒng)。對吉林電網(wǎng)的風電場

本文開發(fā)的預測系統(tǒng)能夠進行風電場輸出功率預

76 范高鋒等：基于人工神經(jīng)網(wǎng)絡的風電功率短期預測系統(tǒng)

Power，2005(6)：21-24(in Chinese)．

Vol. 32 No.22

輸出功率進行了預測，結(jié)果表明，預測系統(tǒng)能夠 可靠工作，預測結(jié)果的均方誤差在15%左右。

今后的工作主要有，進一步開發(fā)更精確的預 測模型，不斷對預測系統(tǒng)進行完善，為大規(guī)模風 電接入電網(wǎng)提供堅強的技術(shù)支撐。

[13] 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．

Yang Xiuyuan，Xiao Yang，Chen Shuyong．Wind speed and generated power forecasting in wind farm[J]．Proceedings of the

CSEE，2005，25(11)：1-5(in Chinese)．

[14] 肖永山，王維慶，霍曉萍．基于神經(jīng)網(wǎng)絡的風電場風速時間序

列預測研究[J]．節(jié)能技術(shù)，2007，25(2)：106-108． Xiao Yongshan，Wang Weiqing，Huo Xiaoping．Study on the time-series wind speed forecasting of the wind farm based on neural networks[J]．Energy Conservation Technology，2007，25(2)： 106-108(in Chinese)．

[15] 韓爽．風電場功率短期預測方法研究[D]．北京：華北電力大學，

2008．

[16] lexiadis M A，Dokopoulos P，samanoglou H S，et al．Short term

forecasting of wind speed and related electrical power[J]．Solar

參考文獻

[1] World Wind Energy Association．Wind turbines generate more

than 1% of the global electricity[EB/OL]．(2008-02-21)[2008- 03-20]．http：//www.wwindea.org．

[2] Landberg L，Watson S J．Short-term prediction of local wind

conditions[J]．Bounddary-Layer Meteorology，1994，70(1)： 171-195．

[3] Landberg L．Prediktor：an on-line prediction system[C]．Wind

Power for the 21st Century，EUWEC Special Topic Conference，

Kassel，2000．

[4] Nielsen T S．Madsen H．WPPT：a tool for wind power

Energy，1998，63(1)：61-68．

[17] Boone A．Simulation of short-term wind speed forecast errors

prediction[C]．EWEA Special Topic Conference，Kassel，2000． [5] Giebel G，Landberg L，Joensen Alfred K，et al．The zephyr-project：

the next generation prediction system[C]．Procedings of Wind Power for the 21st Century，Kassel，Germany，2000． [6] Lange M，F(xiàn)ocken U，Heinemann D．Previento-regional wind power

prediction with risk control[C]．Proceedings of the World Wind

using a multi-variate arma(1,1) time-series model[D]．Stockholm，

Sweden：Royal Institute of Technology，2005． [18] 王耀南，孫春順，李欣然．用實測風速校正的短期風速仿真研

究[J]．中國電機工程學報，2008，28(11)：94-100． Wang Yaonan，Sun Chunshun，Li Xinran．Short-term wind speed

simulation corrected with field measured wind speed[J]．Proceedings of the CSEE，2008，28(11)：94-100(in Chinese)．

Energy Conference，Berlin，2002．

[7] Lange B，Rohrig K，Ernst B，et al．Wind power prediction in [19] 潘迪夫，劉輝，李燕飛．基于時間序列分析和卡爾曼濾波算法

Germany：recent advances and future challenges[C]．European Wind Energy Conference，Athens，2006．

[8] Zack J W．Brower M C，Bailey B H．Validating of the forewind

的風電場風速預測優(yōu)化模型[J]．電網(wǎng)技術(shù)，2008，32(7)：82-86． Pan Difu，Liu Hui，Li Yanfei．A wind speed forcasting optimization model for wind farms based on time series analysis and kalman

model in wind forecasting application[C]．EUWEC Special Topic

filter algorithm[J]．Power System Technology，2008，32(7)： 82-86(in Chinese)．

[20] Bechrakis D A．Sparis P D．wind speed prediction using artificial

neural networks[J]．Wind Engineering，1998，22(6)：287-295． [21] Rumelhart D E ， Hinton G E， Williams R J ． Learning

Conference Wind Power for the 21st Century，Kassel Germany，

2000．

[9] Sánchez I，Usaola O R J，Velasco C，et al．Sipreólico：a wind power

prediction system based on flexible combination of dynamic models．a(chǎn)pplication to the Spanish power system[C]．First IEA

representations of back-propagation errors[J]．Nature，1986(323)： 533-536．

收稿日期：2008-08-20。 作者簡介：

向為電力系統(tǒng)分析及風電功率預測； 程師，博士生導師，主要從事電力系統(tǒng)分析與風 力發(fā)電領(lǐng)域的科研與教學工作，E-mail：wangws

劉純(1968—)，男，高級工程師，研究方向為電力系統(tǒng)分析及風 力發(fā)電。

@epri.ac.cn；

王偉勝(1968—)，男，博士，教授級高級工 范高鋒(1977—)，男，博士研究生，研究方

Joint Action Symposium on Wind Forecasting Techniques ， Norrkoping，Sweden，2002．

[10] Hatziargyriou N，Contaxis G，Matos M，et al．More care：advice

for secure operation of isolated power systems with increased

renewable energy penetration and storage[C]．European Wind

Energy Conference，Copenhagen，2001．

[11] M?hrlen，Corinna，J?rgensen J U，et al，HRENSEMBLEHR：

high resolution ensemble for horns rev[C]．European Offshore Wind Energy Conference，Berlin，2007．

[12] 吳國旸，肖洋，翁莎莎．風電場短期風速預測探討[J]．吉林電

力，2005(6)：21-24

Wu Guoshang，Xiao Yang，Weng Shasha．Discussion about short-term forecast of wind speed on wind farm[J]．Jilin Electric

（編輯 谷子）

　

　

下載地址：95基于人工神經(jīng)網(wǎng)絡的風電功率短期預測系統(tǒng)2.Doc

　　【】

最新搜索

基于人工神經(jīng)網(wǎng)絡的風電功率短期預測系統(tǒng)2

93杭十四中高三化學綜合檢測_圖文

基于反腐視角的會計信息透明度研究

ROTORK電動調(diào)節(jié)門調(diào)試步驟30

好醫(yī)生必修課答案

陵水清水灣高爾夫球會42

年字的演變過程

六年級語文課內(nèi)閱讀練習47

53抽象工廠方法與反射練習

蘋果樹上的外婆題目92

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

本文編號：198585