张永艳（沈阳中科天道新能源装备股份有限公司辽宁沈阳110000）
李强（达拉特发电厂内蒙古鄂尔多斯014300）中图分类号：TM74文献标识码：A
摘要：准确的预测风力发电机组的输出功率对电力系统稳定、电力系统调度和风电场运行都具有重要意义。从数学模型及风机实际获得的数据出发，分析出风速、风向、空气密度、大气压强对风力发电机组输出功率的影响。设计了基于数值天气预报（NWP）的径向基函数（RBF）神经网络风电功率短期预测模型。应用该模型进行了24h后的风电输出功率预测，预测误差在11%附近，表明该方法预测精度较高。
关键词：数值天气预报(NWP)；RBF神经网络；功率预测；短期预测
引言
随着风力发电的迅速发展，与风电相关的各种课题的研究也越来越深入，其中对于风电场功率预测的研究也尤为迫切。提前对输出功率进行准确的预测，能够为电网调度部门实施调度控制、制定运行方式提供有力的支持，有效减轻风电对电网的影响，而且可以降低整个系统的运营成本[1]。因此本文将对风电场的短期功率预测进行研究，以期得到更准确地输出功率预测值。
一、数值天气预报
风电场的短期风速预测分为两类：一种是基于数值天气预报(NWP)的风速预测，另一种是基于历史数据的风速预测。数值天气预报(NWP)与经典的以天气学方法做天气预报不同，它是一种定量的、客观的预报。通过NWP系统得到风速、风向、温度、气压、大气密度等气象信息数据作为输入，得到轮毂高度的风速等气象信息，然后利用风力发电机的功率曲线预测出风机的输出功率[2]。
二、风电机组输出功率的数学模型
从数学模型中，可以看出当风机一定时，风电机组输出功率分别与空气密度和风速的立方成正比。
在功率预测中，需要根据风电机组实际输出功率散点数据，利用Matlab工具箱中的拟合工具，应用3阶傅里叶级数拟合。利用拟合出的风电机组输出功率曲线进行预测。在曲线斜率较大的区域相差3m/s的风速，风力发电机的输出功率可以相差400kW。
空气密度是影响风机输出功率的因素之一，随着空气密度的增加，一定风速下风电机组的输出功率增加。
风向对风电场输出功率的影响主要是风力发电机的尾流效应。当风速较低时，尾流效应对风电场的影响较大。随着风速的增加，尾流效应相对降低。当风速超出额定风速后，基本不受尾流影响。
三、径向基函数（RBF）神经元网络模型
人工神经网络是一个大规模分布式并行的非线性信息处理系统。研究表明，一个三层的前馈型人工神经网络，在隐层节点足够多的情况下，经充分学习，可以任意精度逼近任何非线性函数。
RBF神经网络由输入层、隐含层和输出层构成一般径向基神经网络结构如图1所示。
(一)RBF神经网络预测流程
首先，应用6个月的历史气象数据和风电机组输出功率作为网络训练的输入向量和输出向量，对网络进行训练。训练结束后，随机抽取连续24h的气象数据和功率数据作为评估模型预测精度的参考指标。在应用RBF神经网络进行功率预测时，具体网络模型的训练和预测流程如图2所示。
2.风向归一化
这里将圆周分成360°。正北方为0°。为区分所有的风向，将风向取正弦和余弦2个参数作为输入。
3.气压、湿度和温度的归一化采用和风速归一化类似的方法，即通过统计气象的最大值进行归一化。
四、预测结果的评价指标
采用方均根误差（RMSE）和相对平均误差（RME）作为目标检测函数。
采用内蒙古某风电场26台1.5MW风力发电机组6个月的输出功率数据及NWP数据，作为训练样本，后1个月数据作为测试样本，对所做模型进行评估。样本的数据采集时间间隔为1h。测试结果如图3所示。采用RBF神经网络对风力发电机组进行功率预测所用时间在100s以内，训练速度较快，且模型的RMSE在14%以内，MAE在11%以内。可以看出除个别点外，其他预测值与实测值的变化趋势基本一致。这是因为在采集数据中，由于测量仪器误差因素或通讯数据丢失及风电机组工况，导致了实测数据包含一些坏点，使得预测结果的不准确。同时，风电机组的功率曲线拟合过程中，存在拟合误差及模型的误差也是造成预测误差的原因。
结论：首先，通过对比采集不同风速、风向、气温及气压对应的风力发电机组输出功率曲线，得出这些气象因素对风电场的输出功率有一定影响，其中风速的影响最大。其次，通过分析RBF数学模型，得出RBF神经网络具有很强的非线性学习能力，可以用于风电场的短期功率预测。建立RBF神经网络模型，提出利用数值天气预报作为RBF神经网络模型的输入数据来预测风电场的输出功率的方法，预测平均误差在11%以内，结果基本令人满意，可以进行24h的风功率预测。
参考文献：
[1]刘永前，韩爽，胡永生.风电场出力短期预测研究综述[J].现代电力，2007,24(90):6-11.
[2]王丽婕，廖晓种，高阳，高爽。风电场发电功率的建模和预测研究综述[J]。电力系统继电保护，2009,37(13):118-121.
[3]基于数值天气预报BP神经网络风电功率短期预测研究
[4]基于改进RBF神经网络的PID控制
[5]神经网络气象预测建模理论方法与应用