周建强，李玉娜，屈卫东，兰增林
（郑州电力高等专科学校，河南郑州450018）
A Study on BP Neural Network Ultra-Short Term Wind Speed Forecast
Based on Historical and Spatial Wind Speed Data
ZHOU Jianqiang ，LI Yuna ，QU Weidong ，LAN Zenglin
（Zhengzhou Electric Power College ，Zhengzhou 450018，Henan ，China ）
ABSTRACT ：The ultra-short term wind speed forecast method based on historical wind speed statistics and geographical infor-mation physical and numerical prediction is not economical ，effective and accurate.In order to meet requirements of time-liness and accuracy of the ultra -short -term wind forecasting ，the paper proposes a new idea of BP neural network ultra-short term wind speed forecast based on historical and spatial wind speed data ，and studies the BP neural network wind speed prediction model.The BP neural network prediction program is established on MATLAB platform ，and it is verified through examples that this prediction method is of higher accuracy ，timeliness and economy.
KEY WORDS ：wind speed forecast ；BP neural network ；his-torical and spatial wind speed ；power system
摘要：基于风速历史数据统计法和基于地理信息与数值预报的物理方法都不能经济、有效、准确地对超短期风速做出预测。为了满足超短期风速预测的时效性和准确性，提出了基于风速历史数据和周边风速数据的风速时空信息BP 神经网络超短期风速预测的思想，并研究了基于风速时空信息BP 神经网络风速预测模型。建立基于MATLAB 平台的BP 神经网络预测程序，并实例验证了基于风速时空信息BP 神经网络风速预测方法具有更高的精确度、时效性和经济性。
关键词：风速预测；BP 神经网络；
风速时空信息；电力系统风力的间歇性和不确定性是风能固有的特性，而电力系统是要求实时平衡的，大规模的风电接入将对电力系统的电能质量、系统的安全稳定运行带来严峻挑战[1-2]。若能够提前0~4h 超短期风速进行准
确的预测，将对电力系统的安全稳定运行具有重要现实意义[3-4]。目前，风速预测的方法主要分为2类：统计法和物理法。统计法是根据气象历史数据进行统计分析，建立回归模型bp预测风速程序，不需考虑风速变化的物理过程，只需根据历史统计数据求解出短期内的风力预测值的方法，其方法简明，模型简单，但其精度随预测时间的增加而迅速下降，在风速波动较大的时段也较差，如持续法、人工神经网络（ANN ）、支持向量机（SVM ）、基于小波法等；物理方法是根据数值天气预报的风速、风向、气压、气温等数据bp预测风速程序，根据风电场地形、粗糙度等物理信息计算得到风机轮毂高度的风速、风向信息的风速预测方法，其预测精度高，不需要历史运行数据，但需要风场详细的地形图数据，数据收集复杂，投资成本较大，如丹麦RIS 准实验室的Predictor 预测系统[5]。
对于超短期风功率预测，目前的方法主要集中于一些统计方法，但这些方法完全依赖风力的历史数据，地球表面的气流时空分布特性非常复杂，统计方法并不能满足风电上网调度的精度和时效要求。有些学者采用数值预报和统计预报模型相
——————————————————
—基金项目：郑州市普通科技攻关计划项目（121PTGG416）；河南省教育厅科学技术研究重点项目（12B480007）。
Project Supported by Key Technologies R &D Program of Zhengzhou City （121PTGG416）
；Key Technologies R &D Program of Henan Provincial Education Department
（12B480007）.第31卷第1期2015年1月
电网与清洁能源
Power System and Clean Energy
Vol.31No.1
Jan.2015文章编号：1674-3814（2015）01-0109-04
中图分类号：TK81
文献标志码：
A
发表评论