基于人工神经网络的风电功率预测1

  本文关键词：基于人工神经网络的风电功率预测，由笔耕文化传播整理发布。

第28卷 第34期 中 国 电 机 工 程 学 报 Vol.28 No.34 Dec. 5, 2008 118 2008年12月5日 Proceedings of the CSEE ©2008 Chin.Soc.for Elec.Eng. (2008) 34-0118-06 中图分类号：TM 743 文献标志码：A 学科分类号：470 40 文章编号：0258-8013

基于人工神经网络的风电功率预测

范高锋，王伟胜，刘纯，戴慧珠

(中国电力科学研究院，北京市 海淀区 100192)

Wind Power Prediction Based on Artificial Neural Network

FAN Gao-feng, WANG Wei-sheng, LIU Chun, DAI Hui-zhu

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

ABSTRACT: Wind power prediction is important to the operation of power system with comparatively large mount of wind power. The wind power prediction methods were classified into several kinds. An artificial neural network (ANN) model for wind power prediction was constructed according to the wind power influence factors. Then the impacts of real time measured power and the atmospheric data at different heights on prediction results were analyzed. Besides, another ANN model for error band prediction was also built. The results indicate that the ANN structure and the training sample have some impact on the prediction precision. The real time measured power as input will improve the precision of 30 min ahead prediction, however will decrease the precision of 1h ahead prediction. The results which using the atmospheric data at all different heights as input have a higher accuracy when compared with the results using hub height data only. The designed ANN can forecast the error band.

KEY WORDS: wind farm; power; prediction; artificial neural networks

摘要：风电场输出功率预测对接入大量风电的电力系统运行有重要意义。对风速和风电场输出功率预测的方法进行了分类。根据风电场输出功率的影响因素，建立了风电功率预测的神经网络模型。分析了实测功率数据、不同高度的大气数据对预测结果的影响。建立了基于神经网络的误差带预测模型，实现了误差带预测。研究结果表明，神经网络的结构和输入样本对预测结果有一定的影响；实测功率数据作为输入而对提前量为1 h的可以提高提前量为30 min的预测精度，

预测精度会降低；把不同高度的数据都作为神经网络的输入比只采用轮毂高度数据的预测精度高；设计的神经网络能够对误差带进行预测。

关键词：风电场；功率；预测；人工神经网络

0 引言

大规模并网风电场对电力系统的运行带来一

些新问题，其中很重要的一方面是对电力系统运行

调度的影响[1-4]。风电功率预测对电力系统的功率平衡和经济调度具有非常重要的意义。国外风电装机容量较大的国家都进行了风电功率预测系统的研究与开发。风电功率预测方法根据预测的物理量来分类，可以分为2类：第1类为对风速的预测，，然后根据风电机组或风电场的功率曲线得到风电场功率输出；第2类为直接预测风电场的输出功率。根据所采用的数学模型不同可分为持续预测法、自回归滑动平均(auto regressive moving average, ARMA)模型法、卡尔曼滤波法和智能方法等。持续预测方法[5]是最简单的预测模型，这种方法认为风速预测值等于最近几个风速值的滑动平均值，通常认为最近1点的风速值为下1点的风速预测值[6]，该模型的预测误差较大，且预测结果不稳定。改进的方法有ARMA模型[7-9]和向量自回归模型[10]、卡尔曼滤波算法[11-12]或时间序列法和卡尔曼滤波算法相结合[13]。另外还有一些智能方法，如人工神经网络方法[6,14-15]等。根据预测系统输入数据来分类也可以分为2类：1类不采用数值天气预报的数据，1类采用数值天气预报的数据。根据预测的时间尺度来分类，可分为超短期预测和短期预测。所谓的超短期并没有一致的标准，一般可认为不超过30 min的预测为超短期预测。而对于时间更短的数分钟内的预测，主要用于风力发电控制、电能质量评估及风电机组机械部件的设计等[16]。这种分钟级的预测一般不采用数值天气预报数据。短期预测一般可认为是30 min~72 h的预测，主要用于电力系统的功率平衡和调度、电力市场交易、暂态稳定评估等。对于更长时间尺度的预测，主要用于系统检修安排等。目前，中长期预测还存在较大的困难。因为风速、风向等天气情况是由大气运动决定的，不考虑

  本文关键词：基于人工神经网络的风电功率预测，由笔耕文化传播整理发布。