人工神经网络和模糊技术在风能预测中的应用

第45卷第8期第820期12年8月中国电力Vol．45，No．8李洪涛：人工神经网络和模糊技术在风能预测中的应用Aug.2012ELECTRICPOWER新能源人工神经网络和模糊技术在风能预测中的应用李洪涛（龙源（北京）风电工程技术有限公司，北京100034）摘要：由于风力发电固有的间歇性和随机性特点，大容量风电机组直接接入高压输电网络，不仅对电网安全运营、电能质量是重大挑战，而且也严重影响了风力发电运营的经济性。在此背景下，设计了基于径向基函数和模糊技术的风能预测模型。该模型利用自组织神经网络模型进行数据分类、径向基函数网络模型进行初始预测以及模糊逻辑函数模型进行预测修正，再以数据预处理模型、数据归一化模型以及数据反归一化模型为辅助，预测目标风电机组未来72h的发电功率。经过试验验证，证明本模型的预测精度较为理想，可以用于实际生产。关键词：风能预测；人工神经网络；模糊逻辑技术中图分类号：TM614文献标志码：A文章编号：1004-9649（2012）08-0069-050引言早在20世纪70年代，西方发达国家就意识到11.1风能预测模型的建立模型结构预测模型的结构如图1所示。风能预测的重要性，并进行了相应的研究［1］。随着风电产业的飞速发展，西方发达国家的风能预测技术发展很快，并逐步形成了相应的预测技术体系，我国由于起步较晚，技术力量相对较为薄弱［2］。风能预测模型是风能预测技术中的重要一环，分为统计型风能预测模型、物理型风能预测模型及混合型风能预测模型［3］。统计型风能预测模型主要使用时间序列方法及人工神经网络方法进行预测，适用于预测时间界限较短的风能预测，预测精度较低。物理型风能预测模型主要使用数值天气预报数据，结合风电场当地的地形特征、粗糙度、障碍物及风电机组的功率曲线等，得到特定风电机组的输出功率，适用于预测时间界限较长的风能预测，预测精度受数值天气预报精度影响较大［4-5］。混合型风能预测模型使用数值天气预报数据，又利用历史数据进行分析、建模，兼有物理型风能预测模型及统计型风能预测模型的优点［6］。现阶段，西方发达国家主要使用的就是混合型风能预测模型。本文研究基于人工神经网络和模糊逻辑技术的风能预测模型，使用自组织神经网络模型对数据进行分级，利用径向基函数神经网络模型进行初始预测，利用模糊逻辑技术对初始预测进行预测修正，得到较为理想的预测精度。收稿日期：2012-06-15作者简介：李洪涛（1986—），男，北京人，硕士，从事风力发电设备与技术研究。E-mail：foreverbetter@163.com风能预处理模型以数值天气预报作为输入数据，以预测的发电功率数据作为输出数据。数值天气预报数据采用的是10min数据，即将10min作为一个时间节点，以这10min的平均风速数据、风向数据作为一个数据点。数值天气预报数据输入到风能预处理模型中，进行数据筛选及分级；同一时图1风能预测模型结构Fig.1Structureofwindpowerforecastmodel69新能源中国电力第45卷刻的数值天气预报数据，按照风速的大小进行分级；分级的依据来自于数值天气预报数据的特性，由自组织神经网络模型自行提取。本实例中，风速小于4.8m/s的数据为低速级数据，大于等于4.8m/s且小于10.2m/s的数据为中速级数据，大于等于结构为Pt=f(st,st+1,at)（1）式中：Pt为t时刻的发电功率；st,st+1,at分别为t时刻的风速预报数据、（t+1）时刻的风速预报数据及t时刻的风向预报数据，均为模型的输入数据。不考虑风向情况下进行预测的径向基函数神经网络模型的结构为10.2m/s且小于15.0m/s的数据为高速级数据。分级后的数据依次输入到各级别的风能初始预测模型中，进行初始预测。最后将得到的初始预测风功率值及各影响因素输入到各级别的预测修正模型中，得到最终的风功率预测值。Pt1=f(st,st+1)（2）式中：Pt1为不考虑风向情况下的初始预测数据。不考虑风速情况下进行预测的径向基函数神经网络模型的结构为1.2预处理模型

自组织神经网络模型的主要作用是进行数据Pt2=f(at)（3）分级，模型由输入层和输出层组成，是无导师学习，预测前不需要进行训练，选择好聚类中心数后可直接使用［7］。经过试验发现，将所有样本进行分级后的预测精度比不分级的预测精度有很大提高。模型建立时，尝试建立2个、4个聚类中心的网络模型，当选择2个聚类中心时，发现各级数据的数目过多，预测精度不够理想；选择4个聚类中心时，发现有的级别数据数目过少甚至没有，造成了预测精度过低甚至预测失败。本模型选择使用3个聚类中心。数值天气预报数据输入到风能预处理模型后，进行数据的筛选。筛选后的数据进行归一化处理。本文采用线性归一化，消去各参量的量纲。最后将数据输入到自组织神经网络模型中，进行数据分级，保证同一时刻所有数据分到同一级中。式中：Pt2为不考虑风速情况下的初始预测数据。对于径向基函数神经网络模型，隐层神经元数目及传播函数是影响模型性能的重要参数，需要慎重选择，选择最优结果。1.4预测修正模型风能预测修正模型主要使用模糊逻辑函数模型。通过模仿人脑的思维方式、不确定性概念判断，对未知模型或不确定性描述系统及大滞后、强非线性控制对象，通过利用模糊集合及模糊规则进行推理，实行模糊判断，得到初始风能预测模型的加权修正系数。本预测修正模型的结构如图3所示。1.3初始预测模型风能初始预测模型使用的是径向基函数神经网络模型。模型由输入层、输出层和隐层组成，有导师学习，预测前需要进行训练［8］。建立3个风能初始预测模型，其中1个进行风能初始预测，剩下2个分别进行不考虑风速情况下的初始风功率预测及不考虑风向情况下的初始风功率预测，初始预测模型结构如图2所示。图3图2初始预测模型结构预测修正模型结构Fig.3StructureofforecastcorrectionmodelFig.2Structureofinitialforecastmodel风能初始预测模型得到的初始预测值是通过数值天气预报以及风电机组的功率曲线得到的，这进行初始预测的径向基函数神经网络模型，其个初始预测值称为“理论值”。在不考虑风向条件70第8期李洪涛：人工神经网络和模糊技术在风能预测中的应用

新能源下，得到的初始预测值减去理论值之后的数据，就可以认为是风向数据对风功率预测的影响，风向影响因素公式为D1=Pt-Pt1式中：D1为风向影响因子。同理风速影响因子公式为（4）D2=Pt-Pt2式中：D2为风速影响因子。（5）多次试验发现，仅靠风速影响因素及风向影响因素不能精确进行预测修正，本文设计了第3个影响因子为指数影响因子，计算公式为（D1-D2)De=e（6）以式（4）—（6）数据集合为输入数据，使用模糊逻辑函数模型进行风能预测修正，输出的数据是0和1之间的权值。模糊逻辑函数模型使用多个模糊规则，为IF(D1)is(A1)and(D2)is(A2)and…(De)is(A3)THEN(W)is(B1)（7）图4归一化后数据分级

Fig.4Dataclassificationafternormalization

式中：Dn为模糊逻辑函数模型的输入数据，为风向影响因素D1、风速影响因素D2、指数影响因素De；图5是初始预测图，得到低、中速级的初始预测误差较小，预测精度较为理想，但高速级的初始预测误差较大，需要进行预测修正。W为模糊逻辑函数模型的输出值，输出（0，1）的标量值；Ai、Bi为模糊集。将得到的加权函数值与初始预测值进行叠加，得到最终的预测结果。最后，按规则进行数据整合：将上述通过风能预测模型后得到的预测数据，按照最初的时间序列进行排布。再将所有风速小于切入风速或大于切出风速的时间点的风能预测值设为0，将所有风速大于等于额定风速且小于切出风速的时间点的风能预测值设为额定功率，并按照最初时间序列进行排列，这样得到了全时间序列的风能预测值。2计算实例

以某风场1MW风电机组为研究对象，采用2010年6月的432个10min数据作为样本数据进行试验。样本数据依次通过数据预处理模型、初始预测模型及预测修正模型后，得到预测结果。图4是样本数据输入到数据预处理模型后，经过数据筛选、归一化处理及数据分级后的数据图［9］。432个样本数据中，有368个通过了筛选，低速级、中速级及高速级数据分别为62个、63个及图5

初始预测

Fig.5Initialforecast

243个。得到低速级、中速级的实际发电功率数据的变化趋势与风速变化趋势基本一致，而高速级的部分风速数据与实际发电功率不匹配，可能是风向的差异或是数据在收集、整理及传输过程中发生错误所致。图6是全时间序列初始预测图（符号同图5）。将初始预测得到的发电功率数据进行反归一化处理，并将没有通过筛选的数据按照数据整合条件进行整合，可以发现较大误差基本集中在高风速段。71新能源中国电力第45卷图6全时间序列初始预测

Fig.6Initialfull-timeseriesforecast

图7是初始预测的绝对误差和相对误差。图中有部分数据的相对误差达到100%或-100%。发生这种情况的原因是：这些数据点的风速输入数据都在切入风速以下，初始预测值为0。但是在该点的实际发电功率并不是0，是在50kW以下的某些值。实际应用中这样的实际发电功率忽略不计，故相对误差为-1.0及1.0的数据点，仍可以认为是正确的预测。从图7也可以得到高速级误差较大。图8

最终预测

Fig.8Finalforecast

图9全时间序列最终预测

Fig.9Finalfull-timeseriesforecast

差大幅度降低，说明预测修正模型起到了很好的作用。图10是最终预测的绝对误差及相对误差（符号同图7）。通过对比发现，最终预测的预测图7

初始预测的绝对误差和相对误差

结果大大优于初始预测的预测结果，说明预测修正模型起到了积极的作用。Fig.7Absoluteandrelativeerrorsofinitialforecast

图8是分级后的最终预测（符号同图5）。得到低、中速级的预测修正效果较小，这是由于其初始预测精度已经较为理想，修正效果不大；对高速级而言，其预测修正效果较为理想，预测误差减少较多，但是由于其发电功率预测值较大，使其实际预测绝对误差较大。图9是全时间序列最终预测（符号同图5）。可以发现高速级预测得到了较大的修正，预测误3误差分析

表1是功率预测的误差分析数据。随着风速的增加，预测误差逐渐增大，高风速的预测误差最大，这是由于高风速的风向难以确定。对于误差最大的高速级风能预测，进行预测修正，误差可大大降低，说明预测修正模型的修正效果良好。72第8期李洪涛：人工神经网络和模糊技术在风能预测中的应用

新能源参考文献：

［1］COSTAAA,CRESPOBA,NAVARROAJ.Areviewontheyoung

historyofthewindpowershort-termprediction［J］.RenewableandSustainableEnergyReviews,2008,12（6）:1725-1744.

［2］世界和日本新能源利用现状与对策［J］.中外能源,2010,15（4）:

102.

CurrentsituationandcountermeasuresintheworldandJapan’snewenergy［J］.Sino-GlobalEnergy,2010,15（4）:102.

［3］朱益飞.可再生能源发电现状及展望［J］.电气时代,2010（4）:85-

87.

图10最终预测的绝对误差和相对误差ZHUYi-fei.Statusandprospectsofrenewableenergygeneration［J］.ElectricAge,2010（4）:85-87.

［4］EL-FOULYTHM,EL-SAADANYEF.Onedayaheadpredictionof

Fig.10Absoluteandrelativeerrorsoffinalforecast

表1

预测误差分析

windspeedanddirection［J］.EnergyConversion,2008,23（1）:191-201.

标准差［5］韩爽.风电场功率短期预测方法研究［D］.北京：华北电力大学

（北京）,2008：3-28.

［6］李俊,纪飞,齐琳琳,等.集合数值天气预报的研究进展［J］.气象,

Tab.1Analysisofforecastingerrors

期望方差低速级预测误差初始最终初始最终初始最终初始最终0.04390.04390.04260.03670.08180.042791570.00500.00500.00060.00060.00690.00441083765350.02130.02130.02350.02390.08290.0666104812010,31（2）:3-7.

LIJun,JIFei,QILin-lin,etal.Advanceinensemblenumericalweatherprediction［J］.Meteorology,2010,31（2）:3-7.

［7］ERNSTB,OAKLEAFB,MarkL,etal.Predictingthewind［J］.

中速级预测误差高速级预测误差Power&EnergyMagazine,2007,5（6）:78-89.

［8］KUSIAKA,LIWY.Short-ermpredictionofwindpowerwithaclus-

预测误差/kWteringapproach［J］.RenewableEnergy,2010,35（10）:2362-2369.［9］李洪涛，马志勇，芮晓明.基于数值天气预报的风能预测系统

［J］.中国电力，2012,45（2）:64-68.

4结语

本风能预测模型应用于提前72h的风能预LIHong-tao,MAZhi-yong,RUIXiao-ming.Forecastingsystembasedonnumericalweatherprediction［J］.ElectricPower，2012,45（2）:64-68.

测，经过验证，得到风能预测模型的预测精度较为理想，预测相对误差均在20%以下，可以用于实际生产。（责任编辑骆平）

ApplicationofArtificialNeuralNetworkandFuzzyLogiconWindPowerForecast

LIHong-tao

（Longyuan(Beijing)WindPowerEngineeringTechnologyCompanyLimited,Beijing100034,China）

Abstract:Alongwiththerapiddevelopmentofwindpowerindustry,theinstalledcapacityofwindturbineshasincreasedsteadilyyearbyyear.Becauseoftheintermittenceandrandomnessofwindenergy,largewindturbinesareintegratedintohigh-voltagetransmissionsystems,whichisnotonlyabigchallengeforgridoperationsecurityandelectricityquality,butalsohasgreatim-pactonwindpoweroperationeconomics.Awindpowerforecastmodelbasedonradialbasisfunctionandfuzzylogicisproposed.Themodelusesself-organizingneuralnetworkmodelfordataclassification,radialbasisfunctionnetworkforinitialpredictionandfuzzylogicforpredictioncorrection.Withtheassistanceofdatapre-processing,normalizationandanti-normalizationmodels,theproposedmodelcouldbeusedtoforecastthewindpowergenerationin72hoursinadvance.Testresultsshowthattheaccu-racyoftheproposedmodelisacceptable,andthemodelcouldbeusedinfieldproduction.Keywords:windpowerforecast;artificialneuralnetwork;fuzzylogictechnology

73