研究与开发现代计算机２０13.08（国电南瑞科技股份有限公司深圳分公司，深圳）关键词：风力功率预测；BP神经网络；天气预报；优先选择；在线建模收稿日期：2013-06-18修稿日期：2013-07-18作者简介：秦昭晖（1982-），男，湖北监利人，工程师，硕士，研究方向为预测算法、软件工程提出一种基于优先选择的电率超短期预测算法，该算法结合BP神经网络、天气预报、实测率外推法等多种预测算法，并能动态选择输入数据最优的预测算法进行预测。优先选择法的各个子算法分别采集不同的输入数据进行预测，这种做法能有效地规避单一输入数据无效时，整预测失败的情况同时短期风电功率预测，结合在线建模，能动态调整子算法的执行顺经过实际运行后，算法运行疗效较好，4h内的预测均方根误差在10%以内文章编号：1007-1423（-0006-04DOI：10.3969/j.issn.1007-1423.2013.22.002问题的提出随着全球温度变暖和化石燃料一次性能源的日渐枯竭，可再生能源的借助在世界范围内遭到普遍的重风力发作为一种重要的可再生能源，近几年来得到了较快发展。力发机组的出力具有间歇性和不确定性。
场建设规模的不断扩大、场数目的不断降低以及装机容量在力系统中所占比列的不断提升给力系统的安全与经济运行带来了新的挑力系统运行的不确定性诱因增多，调度的难急剧减小。如果还能对机组的出力作比较确切的预测，这对提早制订适当的调计划，进而维持力系统的安全和经济运行具有重要的意义功率超短期预测是指4小时之内的功率预测，超短期预测对实时功率控制等具备重大的意义。到目前为止，国内外对于功率预测早已做了相当的研究工作，提出大量的场速和功率预测方式，包括统计法、卡尔曼滤波法、时间序列法、神经网络法、模糊逻辑法、功率观测器、空间相关性法、支持向量机、小波分析、遗传算法但现行的功率超期预测方式，一般是采用单一的预测算法（例如神经网路，并采集单一的输入数据来进行预测（例如实测功率、实测速。也有少量结合种预测方式的研究成果，但都是将种预测算法串联、依次对单一的输入数据进行处理。在实际工程应用中，一旦出现输入数据暂时中断的情况，就会造成该时刻的预测失败。电功率超短期预测大都采用物理方式来进行预测，忽略了天气预报等化学方式。本文提出的实测功率和天气预报的权重相乘法结合了化学方式，对超短期预测中的第4h预测精有显著增强。
最后，本文按照从四川某电场获得的相关数据，运用优先选择法进行电功率的超短期预测，并将预测结果与实际结果进行比较。算法实现优优先选择法的前提是选择高精的预测子算法短期风电功率预测，本文针对电功率的超短期预测的特性，选择BP神经网络、天气预报、实测功率外推、实测功率外推结合天气预报四种预测算法。优先选择法由个子算法构成，采用组合模式[10]研究与开发现代计算机２０13.08具体实现，其简单类图描述如图1所示。优先选择法的可知难点在于各个子算输入有效性的判定和子算之间优先级的确子算输入有效性的断由各个子算自己决定，子算之间的初始化优先级由建模时子算的预测精度定，并由在线建模后续动态调整。优先选择算述BP（）网络是为首科学家小组提出一种按偏差逆传播算训练的多层频域网路，是目前应用最广泛的神经网模型之一BP网能学习和储存大量输入-输出模式映射关系，而无需事前阐明描述这些映射关系的物理多项式。它的学习规则是使用最速骤降，通过反向传播来不断整网的残差和阀值，误差平方和最小。BP神经网型拓扑结构包括输入层）、隐层()和输出层()。
BP神经网可以通过学习来抽取和迫近输入输出之间存在的非线性关系，被大量地应用到风速预测或风电功率预测中。本文使用BP神经网络算分为建模和在线运行两部份：建模使用2012年测风塔历史数据构建学习样本，供BP神经网络进行学习，定BP神经网络结构按照测风塔史风速wind和风电场全场史功率power建风功曲线，风功曲线格式为：power=kwind+b预测在线运行时，根据时测风塔风速预测未来时刻测风塔风速把预测测风塔未来时刻风速代入风功曲线估算出未来时刻功率数值天气预报）是指按照大气际情况，在一定年率和边值条件下，通过小型计算机作数值估算，求解写天气变迁过程流体力学和热力学方程组，预测未来一定时段大气运动状态和天气现象方在风电功率预测中，数值天气预报服务使用小型计算机作数值估算，与2.2采用BP神经网络通过输入测风塔测风速预测未来风速相比，预测时间越长，优势越显著本文使用数值天气预报进行风电功率超短期预测方也分为建模和预测两部份建模通过单机功率-全场功率相关性分析，定一个代表样机通过该代样机历史风速和历史功率建该代样机风-功曲线，风功曲线格式同公式1）向专业数值天气务商订制该代样机处风速预报务预测每次预测时，通过数值天气预报务获取未来时刻风速将未来时刻风速代入代样机风功曲线获取代样机预测功率依据代样机预测功率得到全场预测功率测功率外推本质上是一种时间序列，研究与开发现代计算机２０13.08之前三个时刻的实测功率的权重和，权重系数k1、k2、k3由历史功率样本数据获得。
+1=+-1+-2实测功率外推法结合天气预报是2.3节的预测方式和2.4节的预测方式相结合，即两种预测方式同时运行，然后把两种预测结果根据一定的重相乘。预测时间越靠前，实测功率外推法占的重越大，预测时间越靠后，天气预报所占的重越小。在线建模是优先选择法在线运行后，无需停止预测系统的运行，启动后台线程进行的自动化建模。在线建模通常每一个月执行一次。在线建模的算法描述如下：准备好上一个月的历史数据针对上一个月的历史数据进行，每个子算法进行重新预测以月均方根偏差对每位子算法的预测精度进行排序依据月均方根偏差的次序调整子算法的执行顺在风功率预测中的应用疗效首先，确定了进行实际预测时的优先选择法的子算法排序：实测功率外推结合天气预报实测功率外推BP神经网络天气预报之后，根据广东某风电场2012年的实测数据，完成各个子算法的建模工作号的1h预测结果和实测结果对比，预测精度较高依据公式[11]计算的5天均方根偏差为8.7%RMSE=其中，PMi时刻的实际功率，PPi时刻的预测功率，Cap为平均开机容量，n为样本个数我们提出一种优先选择法，并按照广东某风电场2012年的实测数据，进行算法建模，后在风电场运行，并进行实际的风电功率超短期预测到目为止，在各类工况下，预测精度都较高，具备良好的实际工程应用价值同时，优先选择法也可以推广用于其他领域的预 测，有着广泛的应用景 预测精度对比参考文献 基于RBF 神经元网路的风电功 率短期预测[J]. 电力系统保护与控制, 2011, 39(15):80~83 超短期风电功率预测及其在安全稳定预警系统中的应用[J]. 电力系统保护与控制, 2012, 40 12):19~23 基于超短期风电功率预测的风电场手动发电控制[J]. 中国电力, 2011, 442):74~77 [4]黄金花, 电工电气,20099):57-6 基于人工神经网络的风电功率短期预测研究[J]. 华东电力, 2009, 3711):1918~1921 卫志农,孙国强. 基于改进空间相关性和径向基神 经网路的风电场短期风速分时预测模型[J]. 电力自动化设 2009,296):89~92 [7]吴兴华, 黄梅.基于模式辨识的风电场风速和发电功 率预测[J]. 继电器, 2008, 361):27~32 高阳.风电场发电功率的建模和预测研究 综述[J]. 电力系统保护与控制, 2009, 3713):118~121 电力系统保护与控制,2009, 371):65~70 [10]Gamma 设计模式[M].李英军等译. 北京:机械工业 除报社, 2010:107~110 [11]国家电网公司调度通信中心. 风电功率预测系统功能规 北京:国家电网公司,2011:7 研究与开发现代计算机 ２０13.08 Ultra- Wind Power Based QIN Zhao-hui Yan（NAR Co. Ltd. ， ） : Wind Power ; BP ; ; ; , which , , , can which data. Each sub- , when input . , , can . , 鄄 ness, than 10%