基于ELMAN模型的風電場功率預測研究

董金鳳 王亞男

摘要：闡述了風電場功率預測的方法和原理，采用物理方法和ELMAN神經網絡相結合的方法，搭建功率預測模型，確定輸入參數、隱層單元個數。以某在運風電場為例，利用功率預測模型進行了風電場功率預測。該風電場功率預測模型對風電場功率出力預測具有重要的現實意義。

關鍵詞：物理方法;ELMAN;風電場功率預測模型

0 引言

風電場功率預測系統是根據風電場氣象信息有關數據，即數值天氣預報，利用物理模擬計算和數學統計方法，結合風電場及機組運行狀態，對風電場輸出功率進行預測。

應用大氣邊界層動力學與邊界層氣象理論，將數值天氣預報數據精細化為風電場實際地形、地貌條件下的風電機組輪轂高度處的風速、風向等信息，采用物理方程進行預測的方法稱為物理方法。根據歷史數據進行統計分析，找出其內在規律并用于預測的方法稱為統計方法。綜合方法則是物理方法和統計方法相結合的方法，即采用物理方法得到風速、風向等信息，然后采用統計方法找到歷史數據的內在規律。

本文采用綜合方法，先預測每臺風電機組的輪轂高度處的風速、風向等信息，然后采用神經網絡找出每臺風電機組歷史數據的內在規律，預測每臺風電機組發電量，然后求和得出風電場全場發電量。

1 風電場功率預測原理

1.1? ? 原理

風電場功率預測系統是根據風電場氣象信息有關數據即數值天氣預報，利用物理模擬計算和數學統計方法，結合風電場及機組運行狀態，對風電場輸出功率進行預測，從而滿足電力調度部門對風電的調度要求。功率預測系統原理如圖1所示。

1.2? ? 神經網絡

ELMAN神經網絡是ELMAN于1990年首先針對語音處理問題提出來的，是一種典型的局部遞歸網絡。由于ELMAN神經網絡在處理序列數據輸入輸出時具有優越性而得到了廣泛應用?；镜腅LMAN網絡結構如圖2所示，主要由輸入層、隱層、連接層、輸出層組成，是在BP網絡的基礎上增加了一個“反饋層”，其反饋連接由一組“連接”單元組成，用于記憶隱層過去的狀態，并且在下一時刻連同網絡輸入一起作為隱層單元的輸入，相當于狀態反饋，這一性質使得部分遞歸網絡具有動態記憶功能，適用于建立時間序列的預測模型。各層的輸入均為加權和;隱層的傳遞函數為某種非線性函數，一般為Sigmoid函數;輸出層為線性函數;連接層也為線性函數。ELMAN神經網絡的數學模型：

式中，WI1為聯系單元與隱層單元的連接權矩陣;WI2為輸入單元與隱層單元的連接權矩陣;WI3為隱層單元與輸出單元的連接權矩陣;xc（k）和x（k）分別表示聯系單元和隱層單元的輸出;y（k）表示輸出單元的輸出;0≤a<1為子連接反饋增益因子。f（x）多取為Sigmoid函數，如公式所示：

2 風電場功率預測模型建模

風電場功率理論上與風速、空氣密度線性有關，但在實際發電過程中影響因素眾多，例如地形、地貌、尾流、湍流、風機的實際運行狀況，這些都不同程度地影響著風電場的實際發電。

本項目采用綜合方法，應用大氣邊界層動力學與邊界層氣象理論，將數值天氣預報數據精細化為在風電場實際地形、地貌條件下的風電機組輪轂高度的風速、風向等信息，根據風電場的測風塔、歷史數據找出風速、溫度、氣壓、風向等信息與輸出功率間的關系，利用預測的每臺風電機組輪轂高度處的風速、溫度、氣壓、風向等，對每臺風電機組發電功率進行預測。ELMAN模型的建立過程如圖3所示。

2.1? ? 神經網絡輸入參數的確定

本文利用風電場相鄰風機之間的相互關系預測風機功率，即考慮周邊風機的影響。風電場風機只有風速測量儀;溫度和氣壓在同一地區變化較小，采用測風塔溫度、氣壓測量數據。選取2號風機和31號風機來比較不同參數組合間的誤差。參數組合如下：

2號風機：

組合①：#2風機風速、溫度、氣壓;組合②：#2風機風速和風向、1號風機風速、3號風機風速、溫度、氣壓;

31號風機：

組合①：#31風機風速、溫度、氣壓;組合②：#31風機風速和風向、30號風機風速、32號風機風速、溫度、氣壓。

風電場功率預測不同輸入參數的誤差比較如表1所示。

從表1不同輸入參數的誤差比較可知，組合②誤差更小，準確度更高。因此，風電場采用組合②進行風電場功率預測參數輸入。但在實際訓練過程中，需要結合地形及風機排布情況，確定風機具體預測參數輸入。

2.2? ? 數據整理及歸一化

選取風電場一年的原始數據（包括測風塔數據和風電場運行數據），剔除不合理數據，為滿足建模需要，需將原始數據進行歸一化處理，即歸一化值在0～1。

2.3? ? 隱層神經元個數的確定

神經網絡隱層神經元個數的確定，對網絡的精確度、計算時間等都有很大影響。模型采用不同隱層單元個數分別計算3號、32號、50號風機的輸出功率，與實際功率進行均方根誤差比較來確定選擇隱層單元的個數。表2為3臺風機不同隱層單元個數的均方根誤差，從表中可以看出，3號風機隱含層單元數為8個時，均方根誤差最小;32號風機隱含層單元數為10個時，均方根誤差最小;50號風機隱含層單元數為6個時，均方根誤差最小。但32號風機、50號風機在不同隱層單元個數下，均方根誤差相差不大。因此，在神經網絡計算時采用隱層單元數為8個。

3 風電場的功率預測

山東某風電場為丘陵風電場，地形復雜，海拔高度在400～500 m，海拔460 m以上較為平緩，起伏較小。風電場容量49.3 MW，風電機組沿山脊布置。

3.1? ? 數值天氣預報

中國氣象局為該風電場提供了測風塔及每臺風電機組輪轂高度處的風速、風向、溫度、氣壓等信息。風速波動趨勢相對一致，但預測風速與實際風速相關性較差，在0.5左右。

3.2? ? 數據整理

選取該風電場每臺風電機組一年的原始數據，進行數據整理并歸一化處理。

3.3? ? 風電場功率預測

利用Matlab軟件建立ELMAN風電機組的功率預測模型，選取每臺風電機組一年的歸一化數據進行統計分析，找到其內在規律。輸入每臺風電機組及其周邊風電機組的預測數據，對每臺風電機組進行短期風電場功率預測。本文選取1號、15號風機進行預測，預測可知，不管全場還是單個風電機組的實際功率與預測功率走向趨于一致，且風速的變化趨勢與功率曲線的變化趨勢一致，說明在功率預測時，風速預測的準確性是影響風電場功率預測準確性的關鍵。

在風速相關性較差的情況下，風電場功率預測相對較好，這是因為ELMAN模型本身具有統計分析內部規律的功能。若數值天氣預報準確性提高，將大大提高風電場功率預測的準確性。風速相關性對比與功率均方根誤差對比如表3所示。

4 結語

本文通過對山東某風電場功率預測結果進行分析，總結了提高預測精度的途徑包括以下幾個方面：

（1）提高數值天氣預報的準確性，風速預測是關鍵。除用大氣邊界層動力學與邊界層氣象理論，將數值天氣預報數據精細化到在風電場實際地形、地貌條件下的風電機組輪轂高度處的風速、風向等信息，還需采用風電場測風塔數據作為數值天氣預報模型的輸入，且需實時更新，以提高數值天氣預報的準確性。因此，需確保測風塔數據的完整性和準確性。

（2）加強風電場原始數據的管理。功率預測采用的統計法是基于大量歷史數據進行分析的，歷史數據的完整性和準確性決定了預測的準確性?？山祿?，對數據進行挖掘分析，在功率預測時直接調用數據，可提高預測效率。

（3）確保自動化通信連續、可靠。無論是測風塔數據還是歷史數據，在功率預測過程需要保證數據連續、完備、可靠。因此，需定期對設備進行檢修，實時查看，保證其正常運行。

[參考文獻]

[1] 劉震，汪令祥.基于神經網絡的風力發電系統風速軟測量[J].中國電力，2010，43（11）：87-91.

[2] 譚赟.時間序列分析模型構建與MATLAB實現[J].科技資訊，2009（26）：253-254.

[3] 蘇暫，王維慶，王健波，等.風電功率預測準確性分析[J].電氣技術，2012（3）：1-5.

[4] 朱晟，蔣傳文，侯志儉.基于氣象負荷因子的ELMAN神經網絡短期負荷預測[J].電力系統及其自動化學報，2005（1）：23-26.

收稿日期：2020-06-08

作者簡介：董金鳳（1982—），女，山東人，工程師，主要從事新能源方面工作。