风电功率预测问题研究

摘 要：文章采用BP神经网络法对风电场58台风机的输出功率进行了预测研究，建立三层神经网络模型，根据已有的风电功率历史数据、应用数据整理， 进行BP神经网络的计算和回归分析，运用excel，matlab以及eviews等相关软件进行预测分析，解决了风电功率预测问题。

关键词：神经网络；预测；Eviews；MATLAB；Excel

中图分类号：TM614 文献标识码：A 文章编号：1006-8937（2012）20-0041-02

1 问题重述

风电功率预测分为日前预测和实时预测。日前预测是预测明日24 h 96个时点（每15 min一个时点）的风电功率数值。实时预测是滚动地预测每个时点未来4 h内的16个时点（每15 min一个时点）的风电功率数值。

某风电场由58台风电机组构成，每台机组的额定输出功率为850 kW。2006年5月10日至2006年6月6日时间段内该风电场中指定的四台风电机组（A、B、C、D）输出功率数据（分别记为PA，PB，PC，PD;另设该四台机组总输出功率为P4）及全场58台机组总输出功率数据（记为P58）。

问题：风电功率实时预测。

①预测量：a．PA，PB，PC，PD；b．P4；c．P58。

②预测时间范围分别为：5月31日0时0分至5月31日23时45分；5月31日0时0分至6月6日23时45分。

2 问题分析

根据题意所要求是要实时预测和用excle、eviews初步分析过的数据，且预测为用单一的风电功率预测风电功率，将神经网络结构设计为三层BP网络，BP模型用功率预测功率，采样时间间隔为15 min，因为相邻时刻的值之间突变的可能性较小，所以采用一个小时内的4个数据作为一组，用前三个数据预测下一个数据，因此输入变量就是一个三维的向量，第四个数据就是目标输出量。

3 模型假设

①由于历史数据足够多，故假设由历史数据可以反映未来风电功率的取值。

②由于采样时间为15 min，所以假设相邻时刻的风电功率值突变可能性很小。

③预测功率时刻上传。

4 符号说明

各种符合及含义说明如表1所示。

5 模型的建立与求解

根据题意和初步分析过的数据，将神经网络结构设计为三层BP网络，BP模型用功率预测功率，采样时间间隔为15 min，因为相邻时刻的值之间突变的可能性较小，所以采用一个小时内德6个数据作为一组，用前三个数据预测下一个数据，因此输入变量就是一个三维的向量，第四个数据就是目标输出量。

根据Kolmogorov定理，输入向量3个，则输入层神经元3个，则隐含层神经元为2×3+1=7个，输出向量1个，输出层神经元1个。由此可作出神经网络结构图，如图1所示。

创建一个满足上述要求的BP网络；net=newff([minmax(P)，[7 1]，{‘tansig’，’purelin’}，’trainlm’])；当输出节点的目标值为t时，模型计算公式为：y=f(net)，输出节点的输出为：net=∑vjy-θ，隐层节点的输出有：sj=f(netj)，（j=1,2,...,j）；netj=∑wji-θj，（j=1，2，...，j）。

以上两式中，转移函数一般都用单极性Sigmoid函数：

当网络输出与 输出不等时，输出误差E定义如下：

E=1/2∑(t-z)2

将上式误差定义展开到隐含层，则有：

E=1/2∑[t-f(netj )]2=1/2∑[t-f(∑vjy-θ)]2

再将上式定义展开到输出层，则：

E=1/2∑[t-f（∑vjy-θ）]2=1/2∑[t-f（∑vjyf(∑wjixi-θj)- θ）]2

由上式可以看出，网络输入误差是各层权值vj，wji 的函数，因此调整权值可改变误差E，显然，调整权值的原则是使误差不断减小，采用梯度下降法，使权值的调整量与误差的负梯度成正比，即如下：

式中，负号表示梯度下降，a∈（0,1）。

将样本提供给网络，按上述过程训练，预先设定误差E的大小，当训练结果与目标值之差小于预先设定的误差限时，网络收敛，训练结束。若训练次数已达到预设的最大训练次数，训练终止，网络无法收敛，学习过程结束。用流程图表示如图2所示。

6 BP神经网络预测的MATLAB实现

①数据样本的预处理，在论文前面已经统一进行了预处理。

②确定激活函数，取tansig和purelin为激活函数。

③设定网络的最大学习迭代次数为20000。

④设定网络的学习精度为a。

⑤创建和训练BP神经网络的MATLAB程序。

⑥测试BP神经网络，将测试的输出数据还原，与实际数据比较分析误差。

7 模型的评价及推广

由于风的波动性和间歇性，风电的典型特征就是不可控，大容量风电场的介入会对电网运行产生较大的冲击甚至危险。为了保障电网的安全，对风电场发电功率进行预测十分必要。

通过这种模型，不仅从数量上揭示了风电场风电功率的发展变化规律，也从动态上刻画了现象的内部数量关系及其变化规律。

参考文献：

[1] 杨秀媛,肖洋,陈树勇.风电场风速和发电功率预测研究[J].中国机电工程学报,2005,(11).

[2] 焦淑华,夏冰,徐海静,等.BP神经网络预测的MATLAB实现[J].哈尔滨金融高等专科学校学报,2009,(1).

[3]王世谦,苏娟,杜松怀.基于小波变换和神经网络的短期风电功率预测方法[J].农业工程学报,2010,(s2).

[4] 黄金花.基于神经网络的风电场短期风电功率预测研究[D].南京:东南大学,2010.