还剩4页未读,继续阅读
文本内容:
风电功率预测的多扇区BP神经网络模型范高锋,刘纯,__胜,戴慧珠(中国电力科学研究院,北京市海淀区100192)WindPowerPredictionBasedonMulti-sectorBPNeuralNetworkModelFANGao-feng,LIU-Chun,WANGWei-sheng,DAIHui-zhu(ChinaElectricPowerResearchInstitute,HaidianDistrict,Bei___g100192,China)ABSTRACT:Windpowerpredictionisimportanttotheoperationofpowersystemwithcomparativelylargemountofwindpower.Theimpactfactorsofthewindfarmpoweris____yzedaBPneuralnetworkmodelforpredictionisestablished.Theweatherdataandwindfarmoutputpowerareclassifiedaccordingthesector.ABPneuralnetworkmodelisestablishedforeachsector.Astudyispro__ssedonthehistoricaldataofawindfarm.Theresultshowsthatmulti-sectorBPneuralnetworkmodelcanimprovetheforecastprecision.KEYWORDS:windfarm;power;prediction;ArtificialNeuralNetworksANN;sector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研究了风电场输出功率的影响因素,建立了功率预测的BP网络模型把气象数据及风电场输出功率数据根据扇区进行分类,每个扇区建立一个BP神经网络模型对一个风电场历史数据进行了研究,研究结果表明,多扇区BP神经网络模型能够提高预测精度关键词风电场;功率;预测;人工神经网络;扇区1引言大规模并网风电场对电力系统带来一些新问题,其中很重要的一方面是对电力系统运行调度的影响[1-3]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根据预测物理量的不同,目前对风电场输出功率预测的研究可以分为两类,一类为对风速的预测,然后根据风电机组或风电场的功率曲线得到风电场的功率输出;第二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、AR__模型法、卡尔曼滤波法和智能方法等持续预测方法
[4]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一点的风速值为下一点的风速预测值
[5]该模型的预测误差较大且预测结果不稳定改进的方法有AR__模型[6-8]和向量自回归模型
[9]、卡尔曼滤波算法
[1011]或时间序列法和卡尔曼滤波算法相结合
[12]时间序列方法本质上讲是对风速时间序列或功率时间序列的拟合和预测从建模的观点来看,不同时间尺度是有本质区别的,对于0~3h的预测,因为其变化主要由大气条件的持续性决定,因此采用时间序列模型可以得到较好的预测结果
[13];而对于较长时间的预测,不考虑数值天气预报数据无法反映大气运动的本质,因此也难以得到较好的预测结果,所以现在研究的风电场输出功率预测都把数值天气预报数据作为一组重要输入数据神经网络具有较强的非线性学习能力,能够对风电场输出功率及其相关因素的__曲面进行拟合,进而实现预测文献
[14]基于时间序列法和神经网络法对风速和风电场功率进行了研究,这种时序神经网络模型本质上还是以时间序列为基础的,对较长时间的预测效果会比较差文献
[15]研究了基于神经网络的风电场风速时间序列的预测,但没有对风电场的输出功率进行预测文献
[16]研究了应用多层感知器网络进行风电功率预测文献
[1718]结合数值天气预报数据,应用神经网络进行风电功率预测,预测系统应用于电网调度中心并取得了很好的效果对基于BP神经网络的风电功率预测的研究发现,如果训练数据样本较少,则神经网络的学习不完善而神经网络的学习样本过多,又会导致神经网络结构复杂,预测结果也不一定好对风电场风速、风向数据分析发现,一般风电场存在一个主风向不同风向出现的概率不同,而且不同风向下的风速分布也不一样因此,本文提出了按照扇区筛选训练样本,然后分别训练神经网络,采用多扇区神经网络模型进行预测2BP神经网络模型
2.1输入数据的选择风力机捕获的风功率可以用下式来表示
(1)式中P-风轮输出功率(kW);-风轮的功率系数;-空气密度(kg/m3);A-风轮扫掠__(m2);v-风速(m/s)从式
(1)可以看出,风电机组的输出功率取决于风速及空气密度因为受到湍流及阵风的影响,风速的空间分布并不完全符合对数风廓线,这导致风电机组的输出功率较杂散一般风电场由很多风电机组组成,由于风能被风电机组叶轮吸收,风轮后面的风速降低,这就是尾流由于上风向的风电机组尾流的影响,下风向风电机组捕获的风能减少,相应风电机组的出力也降低为了进一步定量分析风向对风电场输出功率的影响,定义风电场的效率系数
(2)式中为实测的风电场在一定风速和一定风向下的输出功率为风电场在一定风速和风向下不受尾流影响的输出功率某风电场的效率如图1所示风电场所处地区地势平坦,装机容量为
49.3MW,行间距为480m,行内每两台风机间距为360m从图中可以看出,风速较低时,由于尾流和粗糙度的影响,在某些风向下风电场效率较低,在风速为4m/s时,效率最低为65%同时可以看出,风速越大,风电场效率系数越高,风速超过额定风速一定量后,后面机组的风速也超过额定风速,此时尾流效应不影响输出功率,风电场在任何风向下效率系数都为100%图1风电场在不同风速、风向下的效率Fig.1Windfarmefficiencyindifferentwindspeedandwinddirection图2是根据实测数据绘制的某风电场风电场的风速-风向-功率三维图,从图2中可以看出,由于风电场输出功率的杂散性,功率曲面并不是平滑的图2风速-风向-功率三维图Fig.2windspeed-winddirection-windpower3-dimensiondiagram空气密度也是影响输出功率的重要因素之一空气密度和湿度、温度、压强密切相关因此在风电功率预测中要考虑温度、湿度和压强总之,风电功率预测模型的输入数据有风速、风向、温度、湿度和压强
2.2数据归一化
(1)风速归一化一般风电机组运行的风速范围为3m/s~25m/s,陆地上极限风速一般不超过30m/s当然,不同地区极限风速是不一样的可以采用这样的办法对风速归一化
(3)式中,是归一化后的风速值,是数值天气预报系统预测的风速值,是气象观测的历史最大风速
(2)风向归一化风向对风电场出力有重要的影响,一年中风向可能在0º~360º之间变化,取风向的正弦值或余弦值可实现0~1的映射,但是单一的正弦值或余弦值不能完全区分0º~360º的所有风向,风向的正弦值和余弦值结合在一起可以区分所有的风向,因此输入神经网络的风向为两个值,一个为风向的正弦值,一个为余弦值
(3)气温归一化气温有正有负,所以要取绝对值的最大值进行归一化,如下式所示
(4)式中,为归一化后的气温值,为数值天气预报预测的气温,为气象观测的气温绝对值的最大值气压、湿度的归一化采用和风速归一化类似的方法,取气象观测的最大值进行归一化BP神经网络的基本结构如图3所示图3BP神经网络结构Fig.3ThestructureofBPnetworks3多扇区神经网络模型根据各扇区的风速和功率数据,对每个扇区建立神经网络模型采用多扇区神经网络预测的流程见图4根据读入的气象数据首先判断落入哪个扇区,然后选用对应的神经网络模型进行预测�判断风向落入哪个扇区�选择对应的神经网络并进行预测�读入一组气象数据�存储预测结果,取下一组数据�图4多扇区神经网络预测流程Fig.4multi-sectorneuralnetworkpredictionflowchart4算例
4.1风电场基本情况算例风电场包含58台G58-850kW的机组,总装机容量为
49.3MW风电场共有6行风机,行间距为480m,行内每两台风机间距为360mG52-850kW型风电机组是一种变速双馈风电机组,风轮直径58m,轮毂高度为55m训练数据为3个月数值天气预报数据和风电场出力数据,包含了不同风速段、不同风向的数据取另一时间段的数据(3个月)用于神经网络的测试
4.2气象数据分析风向指风的方向,通常用16个方位来表示风向,如5图所示风向是不断变化的,图6是根据某测风塔的实测数据绘制的风向日变化曲线NSWEENENENNEESESESSESSWSWWSWWNWNWNNW360°
22.5°45°
67.5°90°
112.5°135°
157.5°180°
202.5°225°
247.5°270°
292.5°315°
337.5°图5风向的16个方位Fig.516sectorofwinddirection图6风向的日变化Fig.6winddirectiondailychange图7是风电场的风向概率图,可以看出,这个风电场的风向落入第16扇区的概率最大图8是各扇区的风速分布图,可以看出各扇区风速分布有所差别图7风向分布概率Fig.7probabilitydistributionofthewinddirection图8各扇区的风速分布图Fig.8windspeedprobabilitydistributionofeachsector
4.3模型参数的确定及预测结果分析对于BP神经网络,三层网络理论上就可以逼近任何非线性函数,因此选择包含一个隐含层的三层网络
[19]网络隐层神经元传递函数采用S型正切函数输出层神经元传递函数采用S型对数函数隐层节点数会影响预测精度经逐一筛选分析,当网络的隐层节点数为19时,训练样本误差最小,均方根误差(RMSE)为
8.9%;隐层节点数继续增加,出现过学习现象,网络外推能力变差,预测误差反而增大因此不分扇区的神经网络模型隐层节点数选择19根据各扇区的风速和功率数据,对每个扇区建立神经网络模型经过逐一分析得到每个扇区神经网络模型的隐层节点数,见图9图9各扇区神经网络的隐层节点数Fig.9thehiddenlayerneuronsnumberofeachsector图10是采用多扇区预测模型和单扇区预测模型预测的24h的风电场输出功率图11是预测误差柱状图(为了便于比较,图中给出了三种误差指标,对误差的说明见附录,单扇区模型和多扇区预测模型预测结果的均方根误差分别为
30.2%、
25.5%,由此可见,多扇区预测模型能够提高预测精度图10预测结果Fig.10predictionresult图11预测误差柱状图Fig.11predictionerrorhistogram表1是对每个扇区预测值的统计分析结果表1各扇区预测误差比较Table1thepredictionerrorofeachsector 单扇区模型预测误差(%)多扇区模型预测误差(%) __EMSERMSE__EMSERMSE扇区
132.
716.
440.
532.
316.
040.1扇区
232.
016.
640.
729.
312.
936.0扇区
319.
16.
325.
216.
55.
022.4扇区
414.
14.
320.
813.
03.
719.3扇区
513.
13.
619.
110.
83.
117.5扇区
627.
810.
932.
926.
410.
632.5扇区
725.
312.
134.
825.
910.
732.7扇区
830.
914.
437.
927.
412.
034.7扇区
922.
08.
629.
421.
88.
128.4扇区
1033.
718.
743.
234.
717.
942.3扇区
1130.
315.
239.
029.
815.
138.9扇区
1225.
410.
933.
025.
69.
731.1扇区
1323.
79.
831.
323.
59.
130.2扇区
1432.
816.
040.
032.
714.
638.3扇区
1529.
613.
536.
829.
513.
236.3扇区
1625.
78.
929.
819.
96.
124.7从表1可以看出采用多扇区模型的预测误差在各个扇面上都普遍降低这表明多扇区神经网络模型能更准确地反映出气象数据与风电场输出功率之间的关系5结论根据风电场输出功率的影响因素建立了风电功率预测的BP神经网络模型;把风向分为16个扇区,每个扇区建立一个BP神经网络模型,构成了风电功率预测的多扇区神经网络模型多扇区神经网络模型是一种更为精细的建模方式,对算例风电场的研究结果表明,多扇区神经网络模型能够提高预测精度____
[1]HanneleHolttinen.HandlingofwindpowerforecasterrorsintheNordicpower__rket[C].InternationalConferen__onProbabilisticMethodsAppliedtoPowerSystems
2006.
[2]B.C.UmmelsM.GibescuW.L.Klingetal.IntegrationofWindPowerintheLiberalizedDutchElectricity__rket[J].WindEnergy20069:579-590
[3]A.J.BrandM.GibescuW.L.Klingetal.ImpactsofWindPoweronTher__lGenerationUnitCommitmentandDispatch[J].IEEETransactiononEnergyConversion2007221:44-51
[4]BarbaraG.BrownRichardW.KatzAllanH.Murphy.TimeSeriesModelstoSimulateandForecastWindSpeedandWindPower[J].JournalofCli__teandAppliedMeteorology198423:1184-1195
[5]M.A.lexiadisP.DokopoulosH.Sahsa__noglouetal.Shorttermforecastingofwindspeedandrelatedelectricalpower[J].SolarEnergy1998631:61-68
[6]AndrewBoone.SimulationofShort-termWindSpeedForecastErrorsusingaMulti-variateAR__11Time-seriesModel[D].StockholmSweden:RoyalInstituteofTechnology
2005.
[7]吴国旸,肖洋,翁莎莎.风电场短期风速预测探讨[J].吉林电力20056:21-24WuGuo-shangXiaoyangWengSha-sha.DiscussionaboutShort-termForecastofWindSpeedonWindFarm[J].JilinElectricPower20056:21-24inChinese.
[8]丁明,张立军,吴义纯.基于时间序列分析的风电场风速预测模型[J].电力自动化设备2005258:32-34DingMingZhangYi-junWuYi-chun.Windspeedforecastmodelforwindfarmsbasedontimeseries____ysis[J].ElectricPowerAuto__tionEquipment2005258:32-34inChinese.
[9]孙春顺,王耀南,李欣然.小时风速的向量自回归模型及应用[J].中国电机工程学报20082814:112-117SUNChun-shunWangYao-nanLIXin-ran.AVectorAutoregressionModelofHourlyWindSpeedandItsApplicationinHourlyWindSpeedForecasting[J].Pro__edingsoftheCSEE20082814:112-117inChinese.
[10]E.A.Bossanyi.Short-TermWindPredictionUsingKal__nFilters[J].WindEngineering198591:1-8
[11]王耀南,孙春顺,李欣然.用实测风速校正的短期风速仿真研究[J].中国电机工程学报20082811:94-100WANGYao-nanSUNChun-shunLIXin-ran.Short-termWindSpeedSimulationCorrectedwithFieldMeasuredWindSpeed[J].Pro__edingsoftheCSEE20082811:94-100inChinese.
[12]潘迪夫,刘辉,李燕飞.基于时间序列分析和卡尔曼滤波算法的风电场风速预测优化模型[J].电网技术2008327:82-86PANDi-fuLIUHuiLiYan-fei.AWindSpeedForcastingOptimizationModelforWindFarmsBasedonTimeSeries____ysisandKal__nFilterAlgorithm[J].PowerSystemTechnology2008327:82-86inChinese.
[13]__tthiasLangeUlrichFocke.PhysicalApproachtoShort-TermWindPowerPrediction[M].Springer
2006.
[14]杨秀媛,肖洋,陈树勇.风电场风速和发电功率预测研究[J].中国电机工程学报20052511:1-5YANGXiu-yuanXIAOYangCHENShu-yong.WindPeedandGeneratedPowerForecastinginWindFarm[J].Pro__edingsoftheCSEE20052511:1-5inChinese.
[15]肖永山,王维庆,霍晓萍.基于神经网络的风电场风速时间序列预测研究[J].节能技术2007252:106-108XIAOYong-shanWANGWei-qingHUOXiao-ping.StudyontheTime-seriesWindSpeedForecastingoftheWindFarmBasedonNeuralNetworks[J].EnergyConservationTechnology2007252:106-108inChinese.
[16]ShuhuiLi.WindPowerPredictionUsingRecurrentMultilayerPer__ptronNeuralNetworks[C].IEEEPowerEngineeringSocietyGeneralMeetingTorontoCanada
2003.
[17]BernhardLangeKurtRohrigBernhardErnstetal.WindpowerpredictioninGer__ny–Re__ntadvan__sandfuturechallenges[C].EuropeanWindEnergyConferen__Athens
2006.
[18]G.SideratosN.D.Hatziargyriou.AnAdvan__dStatisticalMethodforWindPowerForecasting[C].IEEETransactionsonPowerSystems
2007.
[19]SimonHaykin叶世伟史忠植译.神经网络原理[M].北京机械工业出版社
2004.____
[1]HanneleHolttinen.HandlingofwindpowerforecasterrorsintheNordicpower__rket[C].InternationalConferen__onProbabilisticMethodsAppliedtoPowerSystems
2006.
[2]B.C.UmmelsM.GibescuW.L.Klingetal.IntegrationofWindPowerintheLiberalizedDutchElectricity__rket[J].WindEnergy20069:579-590
[3]A.J.BrandM.GibescuW.L.Klingetal.ImpactsofWindPoweronTher__lGenerationUnitCommitmentandDispatch[J].IEEETransactiononEnergyConversion2007221:44-51
[4]BarbaraG.BrownRichardW.KatzAllanH.Murphy.TimeSeriesModelstoSimulateandForecastWindSpeedandWindPower[J].JournalofCli__teandAppliedMeteorology198423:1184-1195
[5]M.A.lexiadisP.DokopoulosH.Sahsa__noglouetal.Shorttermforecastingofwindspeedandrelatedelectricalpower[J].SolarEnergy1998631:61-68
[6]AndrewBoone.SimulationofShort-termWindSpeedForecastErrorsusingaMulti-variateAR__11Time-seriesModel[D].StockholmSweden:RoyalInstituteofTechnology
2005.
[7]吴国旸,肖洋,翁莎莎.风电场短期风速预测探讨[J].吉林电力20056:21-24WuGuo-shangXiaoyangWengSha-sha.DiscussionaboutShort-termForecastofWindSpeedonWindFarm[J].JilinElectricPower20056:21-24inChinese.
[8]丁明,张立军,吴义纯.基于时间序列分析的风电场风速预测模型[J].电力自动化设备2005258:32-34DingMingZhangYi-junWuYi-chun.Windspeedforecastmodelforwindfarmsbasedontimeseries____ysis[J].ElectricPowerAuto__tionEquipment2005258:32-34inChinese.
[9]孙春顺,王耀南,李欣然.小时风速的向量自回归模型及应用[J].中国电机工程学报20082814:112-117SUNChun-shunWangYao-nanLIXin-ran.AVectorAutoregressionModelofHourlyWindSpeedandItsApplicationinHourlyWindSpeedForecasting[J].Pro__edingsoftheCSEE20082814:112-117inChinese.
[10]E.A.Bossanyi.Short-TermWindPredictionUsingKal__nFilters[J].WindEngineering198591:1-8
[11]王耀南,孙春顺,李欣然.用实测风速校正的短期风速仿真研究[J].中国电机工程学报20082811:94-100WANGYao-nanSUNChun-shunLIXin-ran.Short-termWindSpeedSimulationCorrectedwithFieldMeasuredWindSpeed[J].Pro__edingsoftheCSEE20082811:94-100inChinese.
[12]潘迪夫,刘辉,李燕飞.基于时间序列分析和卡尔曼滤波算法的风电场风速预测优化模型[J].电网技术2008327:82-86PANDi-fuLIUHuiLiYan-fei.AWindSpeedForcastingOptimizationModelforWindFarmsBasedonTimeSeries____ysisandKal__nFilterAlgorithm[J].PowerSystemTechnology2008327:82-86inChinese.
[13]__tthiasLangeUlrichFocke.PhysicalApproachtoShort-TermWindPowerPrediction[M].Springer
2006.
[14]杨秀媛,肖洋,陈树勇.风电场风速和发电功率预测研究[J].中国电机工程学报20052511:1-5YANGXiu-yuanXIAOYangCHENShu-yong.WindPeedandGeneratedPowerForecastinginWindFarm[J].Pro__edingsoftheCSEE20052511:1-5inChinese.
[15]肖永山,王维庆,霍晓萍.基于神经网络的风电场风速时间序列预测研究[J].节能技术2007252:106-108XIAOYong-shanWANGWei-qingHUOXiao-ping.StudyontheTime-seriesWindSpeedForecastingoftheWindFarmBasedonNeuralNetworks[J].EnergyConservationTechnology2007252:106-108inChinese.
[16]ShuhuiLi.WindPowerPredictionUsingRecurrentMultilayerPer__ptronNeuralNetworks[C].IEEEPowerEngineeringSocietyGeneralMeetingTorontoCanada
2003.
[17]BernhardLangeKurtRohrigBernhardErnstetal.WindpowerpredictioninGer__ny–Re__ntadvan__sandfuturechallenges[C].EuropeanWindEnergyConferen__Athens
2006.
[18]G.SideratosN.D.Hatziargyriou.AnAdvan__dStatisticalMethodforWindPowerForecasting[C].IEEETransactionsonPowerSystems
2007.
[19]SimonHaykin叶世伟史忠植译.神经网络原理[M].北京机械工业出版社
2004.ADDINNE.Bib附录A预测系统的评价指标1平均绝对误差式中__E——平均绝对误差;——第点的预测值和实际值的绝对误差;——第点的预测值和实际值的相对误差;——第点的实际功率值;——第点的预测功率值;N——预测的总点数2)均方误差式中MSE——均方差,其它符号同前3)均方根误差式中RMSE——均方根误差,其它符号同前这3个误差评估指标都可以表征预测结果的好坏不同的研究文献中可能采用不同的评估指标,不同指标在数值上看起来是有一定差别的,比如均方误差为1%,则均方根误差为10%为了表述更清楚,文中这几个指标同时给出__简介范高锋1977—,男,__,研究方向为风力发电对电力系统的影响,E-__il fangaofeng@epri.ac.cn;刘纯1968—,男,高级工程师,研究方向为电力系统分析及风力发电;__胜1968—,男,__,教授级高级工程师,__生导师,主要从事电力系统分析与风力发电领域的科研与教学工作;戴慧珠1939—,女,教授,__生导师,__从事电力系统分析与风力发电等领域的科研与教学工作PAGE5。