基于人工神经网络的风电功率预测.pdf

第28卷第34期中国电机工程学报Vol.28No.34Dec.5,2008
1182008年12月5日ProceedingsoftheCSEE©2008Chin.Soc.forElec.Eng.
文章编号：0258-8013(2008)34-0118-06中图分类号：TM743文献标志码：A学科分类号：470⋅40

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)

WindPowerPredictionBasedonArtificialNeuralNetwork
FANGao-feng,WANGWei-sheng,LIUChun,DAIHui-zhu
(ChinaElectricPowerResearchInstitute,HaidianDistrict,Beijing100192,China)

ABSTRACT:Windpowerpredictionisimportanttothe些新问题，其中很重要的一方面是对电力系统运行
operationofpowersystemwithcomparativelylargemountof调度的影响[1-4]。风电功率预测对电力系统的功率平
windpower.Thewindpowerpredictionmethodswere衡和经济调度具有非常重要的意义。国外风电装机
classifiedintoseveralkinds.Anartificialneuralnetwork(ANN)容量较大的国家都进行了风电功率预测系统的研
modelforwindpowerpredictionwasconstructedaccordingto
究与开发。风电功率预测方法根据预测的物理量来
thewindpowerinfluencefactors.Thentheimpactsofrealtime
分类，可以分为2类：第1类为对风速的预测，然
measuredpowerandtheatmosphericdataatdifferentheights
后根据风电机组或风电场的功率曲线得到风电场
onpredictionresultswereanalyzed.Besides,anotherANN
modelforerrorbandpredictionwasalsobuilt.Theresults功率输出；第2类为直接预测风电场的输出功率。
indicatethattheANNstructureandthetrainingsamplehave根据所采用的数学模型不同可分为持续预测法、自
someimpactonthepredictionprecision.Therealtime回归滑动平均(autoregressivemovingaverage,

measuredpowerasinputwillimprovetheprecisionof30minARMA)模型法、卡尔曼滤波法和智能方法等。持续
aheadprediction,howeverwilldecreasetheprecisionof1h预测方法[5]是最简单的预测模型，这种方法认为风
aheadprediction.Theresultswhichusingtheatmosphericdata速预测值等于最近几个风速值的滑动平均值，通常
atalldifferentheightsasinputhaveahigheraccuracywhen认为最近1点的风速值为下1点的风速预测值[6]，
comparedwiththeresultsusinghubheightdataonly.The
该模型的预测误差较大，且预测结果不稳定。改进
designedANNcanforecasttheerrorband.
的方法有ARMA模型[7-9]和向量自回归模型[10]、卡
KEYWORDS:windfarm;power;prediction;artificialneural尔曼滤波算法[11-12]或时间序列法和卡尔曼滤波算
networks法相结合[13]。另外还有一些智能方法，如人工神经
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网络方法[6,14-15]等。根据预测系统输入数据来分类
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也可以分为2类：1类不采用数值天气预报的数据，
类。根据风电场输出功率的影响因素，建立了风电功率预测1类采用数值天气预报的数据。根据预测的时间尺度
的神经网络模型。分析了实测功率数据、不同高度的大气数来分类，可分为超短期预测和短期预测。所谓的超
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
短期并没有一致的标准，一般可认为不超过30min
型，