57钳工电气(.9)作者简介：黄金花(1985-)，女，硕士研究生，研究方向为新能源技术；彭晖(1983-)，男，硕士，研究方向为新能源技术。风电场短期风电功率的神经网路方式预测研究黄金花，彭晖(西南学院电气工程大学，浙江宁波):fiching.speed,,,-.-,’.:;;short--hua,（,,,China）-对风力发电进行有效的预测，则可增加电网调度的难度。
按照从风电场获得的相关风速、温度、风向、风电功率等数据，构建基于BP神经网路的短期风电功率预测模型，预测提早1的风电功率。对所得预测结果进行比较，进而判定各类短期预测模型的好坏。从对比的结果可知，神经网路模型预测不超过24的风电功率时具有一定的可靠性。关键词：BP神经网路；风电功率；短期预测中图分类号：TM614文献标示码：A文章编号：1007-3175(2009)09-0057-04全球性的能源危机和气候变化，驱动了新能源在世界范围内迅速发展。生物质能作为一种可再生、洁净的能源，已得到世界各国的高度注重。风力发电是可再生能源发电技术中发展最快和最为成熟的一种，从2000年到2008年，全世界的风力发电装机年下降量都在20%以上，中国风电装机容量自2003年以来步入了快速下降期。2003年，中国风力发电累计总装机容量为567MW，而到了2008年已达到了。并且风力发电也有其缺点，因为生物质能具有波动性、间歇性、低能量密度、不可控性等特征，因此风电功率也是波动的、间歇的。随着风能发展速率越来越快，风电在电网中所占的比列越来越大短期风电功率预测，因此给电网带来了冲击，电网不确定性减小，电力调度的难度也急剧减小。
因而，若能对风电场的风电功率提早作出预测，则除了才能减轻风电对电网导致的影响，同时也帮助电力系统合理调配资源，充分发挥风电场的作用。目前，国外外对于风力发电各类课题的研究越来越深入，但其中关于风电场功率预测的研究还达不到令人满意的程度。风电功率预测按时间来分可以分为：常年预测、中期预测、短期预测、超短期预测。本文依据从风电场获得的相关数据，运用BP神经网路对风电功率进行短期预测，预测提早1，2，4，24BP神经网路基本理论在数据剖析时经常要用到预测，但传统的预测方式如回归剖析和时间序列剖析在涉及研究变量繁杂并且数据又非线性时，有特别大的局限性。神经网路的出现为处理非线性问题提供了一条新途径。目前在人工神经网路的实际应用中，80%～90%的人工风电场短期风电功率的神经网路方式预测研究58钳工电气(.9)神经网路模型是采用BP(，以下简称BP)网路或它的变化方式1.1BP网路介绍BP网路是基于偏差反向传播算法的人工神经网路，包含了输入层、中间层(蕴涵层)出层。BP神经网路学习过程分正向传播和反向传播，即信息的正向传播和偏差的反向传播两个过程组成。
在正向传播过程中，输入层各神经元负责接收来自外界的输入信息，并传递给中间层各神经元；中间层是内部信息处理层，负责信息变换，依据信息变化能力的需求，中间层可以设计为单隐层或则多隐层结构；最后一个隐层传递到输出层各神经元的信息，经进一步处理后，完成一次学习的正向传播处理过程，由输出层向外界输出信息处理结果。当实际输出与期望输出不符时，步入偏差的反向传播阶段。通过网路将偏差讯号沿原先的连接通路返回，同时更改各层神经元的残差直到达到期望目标。周而复始的信息正向传播和偏差反向传播过程，是各层残差不断调整的过程，也是神经网路学习训练的过程，此过程仍然进行到网路输出的偏差降低到可以接受的程度，或则预先设定的学习次数为止。图为只含双层蕴涵层的BP神经网路结布光[4-5]1.2BP网路设计由于BP网路是由输入层、隐含层和输出层构成的双向传播的多层前向网路，因此设计BP网路，则需确定这几层的相关参数，同时也须要确定互相联接层之间的传递函数。1.2.1输入层和输出层的设计输入层的神经元往往按照实际求解的问题和数据来确定。通常情况下，求解问题涉及到的输入参数有多少个，选定的神经元个数即定为多少个。而输出层的维数可按照设计者想要获得输出参数的个数来确定。
1.2.2蕴涵层的设计BP网路蕴涵层的数量有一个到多个短期风电功率预测，所以设计蕴涵层包含两部份：确定蕴涵层的数量及蕴藏层神经元的个数。这常常须要依照实际问题和设计者的经验与多次实验来确定，目前还未有一个理想的解析式来给定[6-7]。针对通常的问题，1个蕴涵层早已足够，而神经元的个数通常依据输入层输入参数的多少而定，有些参考文献将蕴涵层神经元个数定为输入参数的2倍再加1[6，8]1.2.3传递函数的选择传递函数是互相联接层神经元间的联接形式，在神经网路中起着极其重要的作用。传递函数的选择由研究问题的性质决定。在常见的预测BP模型中，常用传递函数有：线性传递函数；函数即S型函数，而S型函数有对数函数、正切函数。1.3BP网路的训练算法BP网路最基本的算法是梯度增长法，而且因为梯度增长法学习收敛速率太慢，但是不能保证收敛到全局最小点，在实际工作中很难胜任工作的要求，因此出现了许多改进的算法。如LM算法就是几种改进算法中比较常用的一种算法。模型构建2.1数据预处理在实际问题中通常有多个输入参数，而每位输入的量纲可能不一样，数目级也未必相同，同时系统又非线性，为了有利于训练时学习过程达到局部最小以及尽量让训练才能收敛，数据终值的选定不可忽略。
因此在构建模型之前要对原始数据进行处理。本文输入样本有多种数据，各量纲不一样，为了让输入的各个参数才能统一，则必需对其进行归一化，弄成无量纲的数据，作为输入年率。本文笔取将各个输入单独进行归一化，使之在区间[-1，1]之间，以某一输入参数的序列为例，归一化公式为：归一化前的序列Ymax(Y)-min(Y风电场短期风电功率的神经网路方式预测研究输入参数输入参数输入参数输入参数输出层输入层蕴藏层59钳工电气(2009No.9)2.2BP网路模型构建在实际预测中，BP网路须要有训练网路的原始数据，同时为了验证训练网路的预测疗效，不可防止的要将预测值与实际数据进行比较。因此，将构建模型时用到的数据分为两类：训练网路用的训练数据，评估预测结果是否精确的评估数据。至于这两类数据之间怎样分配的问题，本文参考相关文献，并结合本文实际，对应用到的样本数据进行了近似对半分的方式，用一部份数据作为训练网路用的训练数据，另一部份拿来作为测试网路是否可靠的测试数据。本文输入数据有4个，即用气温、风速、风向余弦、风向正弦来预测风电功率的输出。所以输入层的神经元选为4个，考虑求解问题不是太复杂，三层的BP网路早已足够，所以蕴涵层定为1层，但是按照前文参考蕴涵层神经元个数的方法，确定蕴涵层的神经元为9个，而目标输出只有风电功率1个参数，因此输出参数为1个。
在以预报为目的的BP模型中，传递函数常采用函数和线性函数。本文蕴涵层神经元传递函数选用余弦函数，输出层神经元传递函数选用纯线性函数。训练算法用LM算法。本文网路结布光如图2所示。实例剖析3.1数据样本选定与处理现有从风电场获得的27天的各种运行数据。本文针对所要研究的风电功率，选定了对风电功率输出影响较大的3类数据：气温、风速、风向。但作为输入参数时将风向求取余弦与正弦值作为两个输入参数。这么便有4个输入参数。短期预测通常都是预测基于小时为单位的数值，本文在对已知的风电功率、温度、风向、风速等数据进行剖析与整理的情况下，预测提早1，2，4，24的风电功率。在实际建模过程中，预测基于小时的风电功率时，我们选定了10运行数据。预测提早24h，也就是提早1功率时，选定了27天的运行数据。考虑风电场各种运行数据检测的间隔时间都为10min，所以每小时每类数据个数就有6个，对1内的6个数据求取平均，则获得的相应数据的时间间隔为1h。若在2h内对12个数据求取平均则获得的数据时间间隔为2h，同理在4h内对24个数据进行平均，相应的数据时间间隔为4h。
10天的运行数据经过相应处理后，预测提早1，2，4h时用到的每类数据个数分别有：60，120，240个。3.2预测结果及结果剖析如前文所述，在模型预测时，对于所选定的数据，都是采取近似对半分的方式，将其三部份拿来训练网路，另一部份作为实际数据，拿来与BP网路模型的预测结果进行比较，因此判定预测结果与实际结果的相像程度。最后的图形都是将预测结果与实际值相比，置于同一张图中。图3是预测提早1h的风电功率时的网路训练过程(其他时间的预测训练过程类似，在此不列举)。图4为预测提早1h的风电功率结果，每间隔1为预测提早2h的风电功率结果，每间隔2预测提早4h的风电功率结果，每间隔4h。在预测提早1天的风电功率时，用到了27天的运行数据，将每晚的每类数据求取平均，获得相应数据则觉得时间间隔为1天。这次训练网路用到的数据为10个，而作为实际数据的个数为17个。图7即为预测结果图(其中虚线为实际数值，实线为预测结果值)。预测提早1h的风电功率的训练过程10-110-210-310训练偏差预设精度注：训练结果偏差为0.00441829%，预设偏差精度为0.005%。气温风速风向余弦
