基于气象因子修正的风电场短期风速预测摘要：为了提高风电场短期风速预测的精度，提出了基于当地气象因子和支持向量机（mf-svm）的模型。以风场所在地的气象台所测物理因子为输入，用bp神经网络预测出未来3天的平均风速，作为风场短期风速预测的修正参考值；基于风场单台风机的历史风速，用支持向量机（svm）方法预测出未来4小时风速值，并加以修正，实例证明模型具有较强的预测能力。此外，对模型所产生的误差来源也进行了分析。predictingshort-termwindspeed，modelbasedmeteorologicalfactorssupportvectormachine（mf-svm）proposed.settingmeteorologicalfactorslocalobservatorywindspeedpredictiondayswouldpredictedthroughusingbpneuralnetwork，resultshouldreferencevaluewindspeedpredictionfarm.basedhistorywindspeedsingleturbine，windspeedstrongcapabilitymethodproposedhasbeenverifiedexperiments.moreover，errorsourcewhichmodelhasalsobeenanalyzed.关键词：风速预测；气象因子；mf-svm；误差分析keywords：windspeedprediction；meteorologicalfactors；mf-svm；erroranalysis中图分类号：tk8文献标识码：a文章编号：1006-4311（2013）09-0056-03风力发电是风能的主要利用形式。
作为清洁、无污染的可再生资源，在世界范围内，风电占电网的比例日益增长，然而，由于风能的波动性使得预测困难，在并网的风电容量达到或超过极限穿透功率时，电网的稳定性与安全性严重受到威胁。为了解决这一问题，必须要对风电功率进行准确的预测。风力发电主要是由风机吸收风能并将其转化成电能，因此，对风电功率的预测终究还是对风速的预测。目前，国内外学者进行了大量的研究，且大都集中于风速短期预测的研究，预测误差范围为25%～40%[1]，其预测很大程度上都基于新算法的应用或更新，而没有从物理因素上进行根本的改进及修正。本文通过对实际风场的考察，采集相关数据，与风场所在地的气象台信息结合，并加以修正，提出了基于气象因子（meteorologicalfactors）和支持向量机（supportvectormachine）的风电场短期风速预测模型（mf-svm），实例证明，该模型可以提高风速的预测能力。风速的大小由m/s或km/h来描述，即每秒的传输距离或每小时的传输距离，因此，对于一定点的风速，在经过一定时间段后，其所处的位置是可以求得的。但是，在实际情况下风能从一定点传递到另外一点时，风速的大小并不会保持不变，而是存在不同程度的损耗。
这是因为在风能的传播过程中，周围障碍物会吸收部分风能，使得能量在传递过程中存在衰减，而并不能保证100%的传递，因此，在解决实际问题时风速预测cunzaidewenli，必须要对能量损失的部分进行补偿及修正。对于短期风速预测，为了减小数据的存储容量，降低数据运算的复杂度，风速的时间采集均是以min为单位进行存储的（通常为存储时间为5min或10min），而在风场规划阶段，为使风机能够最大的吸收风能，同时又不浪费空间地理资源，每相邻两台风机之间的距离通常为500m-700m。风速的传输速度一般不会超过60m/s，因此，从传递时间来考虑，由于传输时间间隔较大，同时风机之间的距离较小，在现有的条件下，此处选取当地的日气象信息为参考，预测出未来的日风速，继而在气象信息测点与风场风速测点之间建立相应的传输关系模型，进行短期风速的修正预测，模型框图如图采集风场所在地的历史气象数据，为日风速预测提供资料来源，由于日气象数据测点时间间隔较大，且在此处的短期预测过程中起辅助的修正作用，同时，为了降低与未来短期内风速预测在方法模型上引起的精度误差，本文选择bp神经网络进行预测；对于原始的采集信息进行预处理，对数据进行查缺、剔除坏点，重点进行归一化；由步骤预测出未来3天的平均气象风速，将该值作为风场预测风速的参考值；采集预测点之前数日的历史风速数据，采集间隔为10min，用支持向量机方法，预测出未来的短期风速信息；将步骤的预测结果折算至风场，以此为参考来修正步骤的预测值，使得经过修正的风速值尽可能的靠近日风速预测值。
2.1模型样本所示的原理图可知，原始数据模型由历史气象数据及风场历史风速两部分组成。对于历史气象数据，本文以风场所在地的气象台为参考，采集相关的气象数据。而气象台的数据一般以日预报为主，测量通常也是以天为单位，这就增大了数据采集的时间宽度。为了提高参考值预测的准确性，分析与风速有关的物理因素可知，测点的风速受所在地的温度、气压、湿度、日照、露点的影响，因此，参考值的预测输入也基于上述变量。而对于预测主要的风场的风速数据，由于风场风机的时间存储周期为10min，要预测未来一段时间的风速，为了减小数据存储的空间以及降低运算的复杂度，一般以历史7-10天的历史风速为支持向量机模型的输入。虽然支持向量机模型的复杂度取决于支持向量的个数，并且输入量的维数越大，预测精度越高，但是，输入维数过大会导致计算存储量大，计算时间变慢[2]。对于风速序列x，x，…，x，令x，x，…，x为单个的输入变量，模型的输入输出矩阵如（1）所示，其中，m为输入变量维数。综合考虑计算时间、存储量、输入与输出之间的相关关系，本文取m=8。本文以华东地区某风场为例，采集风场所在气象台从2011年11月20日的上述相关变量为bp神经网络模型的输入，2012月份9日到19日的1448个数据点，即1440入作为模型的训练样本，对未来4小时的24个风速数据进行预测。
2.2预处理预处理是对所采集的实际数据进行一定的统一，合理的预处理有利于加快算法的收敛速度，并且提高预测的精度。实际中，气象台所测量的风速一般是以km/h为单位，而风场的风速则是以m/s为单位，这就导致了模型运算中，数据的量纲不统一，因此采用归一化来进行预处理。本文采用式（2）对训练集和测试集进行归一化处理[2]，将原始数据规整在[0，1]范围内。x=min（x），x=max（x），归一化后，yi[0，1]，i=1，2，…，n。此外，在模型计算的最后，还要进行相应的反归一化。2.3bp神经网络bp神经网络是一种误差逆向传播的多层网络，由输入层节点、隐含层节点和输出层节点构成，主要是基于输入节点与输出节点之间的非线性关系，具有分布并行处理、自适应学习和鲁棒容错等特点，可以任意精度逼近函数[4，5]，对于预测复杂的风速预测，可采用该方法，其结构图如图2 所示。 此处，模型的输入x有五个变量，分别是风场所在气象站每天的 平均温度、湿度、露点、降雨量、海平面气压五个因素，模型为单 个输出y，即预测的风速。通过对历史序列进行训练，预测出未来 2.4svm 预测 支持向量机（svm，support vector machine）是由 vapnik 首先提出的，主要思想是建立一个分类超平面作为决策曲 面，使得正例和反例之间的隔离边缘被最大化。
svm 能保证机器具 有良好的推广能力，同时很好的解决了维数问题，而且其算法复杂 度与样本维数无关。其体系结构[3，6]如图3 所示。 对采集的原始风速数据只进行svm训练，输出回归预测风速。训 练集的与实际风速与预测风速对比如图4 所示。其中，预测均方根 误差emse=10.19%，平均绝对百分比误差emape=8.31%，此外由预 测集对未来4 小时的风速进行预测，所得指标如表1 所示。 2.5模型评价 为了衡量预测风速的精确度，评价mf-svm 模型的 性能，本文采用均方根相对误差（ermse）和平均绝对百分比误差 （emape），分别如（3）、（4）所示，这样能够避免误差正负抵消的 情况。 其中，n为样本总量，x和分别是第i 个点的实际风速和预 测风速。 3.1mf-svm 模型预测 根据bp 神经网络预测出的当地气象数值， 对2.4 节所预测的数据进行修正。实际上，气象站的风速预测一般 是未来3 天以上，且预测值在误差容许度以内。那么本文预测出气 象站未来3 天的风速，取其平均值作为未来的风速参考标准。此外， 由于该风场处于沿海滩涂湿地，因此风一般是从风场方向吹向气象 站方向，而风速从风场传播至气象站所需要一定的时间，测得该风 场距离其所在地的气象站约62 公里，以平均风速按切出风速（即 25m/s）计算，传递时间要滞后0.7h，再考虑风速的衰减，以及风 能的分布只有较小情况下才在切出风速，因此，本文在计算时，将 气象站预测的风速超前正常情况三小时。
据此，预测出风速修正后 的风场风速。可得均方根误差emse=10.00%，平均绝对百分比误差 emape=8.17%，与单纯的svm 方法相比，结果如表1 所示。 3.2误差分析 从表1可知，采用修正后的风速预测值与单纯的svm 方法预测值进行比较，评价指标有了一定的提高，但是程度并非很 大，在有关本模型所实验的一些案例中，评价指标的提高并不明显， 因此有必要对误差产生的来源进行分析。从模型结构及原理来看， 皆与实际相符，分析原因，有以下几方面： 3.2.1数据本身引起的误差 对于日风速预测，由于气象站的测量 数据本身采集间隔大，为一天，即24 小时，而且风速的量纲为km/h， 这使得数据之间不够连贯，不能更大程度上表现气象特性，其次， 由于风场风速的量纲为m/s，为了预测风场风机的风速，就必须要 将气象风速的量纲km/h 折算到m/s，即风场的风速v*1000/3600， 很明显，这一计算过程会产生很大的误差。 3.2.2测量引起的误差 所采集的所有气象数据（即温度、气压、 湿度、露点、风速等）均为当日的平均值，实际中，该平均值的计 算简易的认为是最大值与最小值的平均值，如此一来风速预测cunzaidewenli，每天气象信 息的实际时间分布无法呈现，最大值与最小值所占的比例也无法表 现，极端情况下，如一天中风速最大值与最小值相差很大，而最大 值出现的时间分布很小，其余时间的气象数据分布在最小值附近， 那么这将很大程度上影响一天的平均值，这是一个很大的误差来 3.2.3预测模型引起的误差 预测模型的误差也是造成预测数据 偏离实际的一个原因，本章前后共采用了两种预测方法，即预测日 平均风速的bp 神经网络及预测未来4h 的支持向量机，两种方法各 有千秋，我们只能通过多次尝试不同方法的组合，选取一种预测准 确率相对较为高的策略，即组合预测法。
组合预测这是一种较新的预测方法，资料显示，多种方法组合预测可以提高预测性能，但是组合过程中，各种方法的权重是一个难 题，对此国内外专家也在不断探索。尽管如此，由预测方法引起的 误差始终无法避免，实际过程中，只能结合对象的特征来寻找预测 性能尽可能好的方法。 3.2.4相关因子引起的误差 在运用bp 神经网络进行参考值的预 测过程中，我们采用了气压、温度、湿度、日照、露点等5 个气象 因素为输入，由实际情况可知，气象信息越丰富，预测准确性越高， 但是，数据量的风速将对计算的复杂度带来挑战，因此如何权衡好 信息量的取舍，使得计算的复杂度与预测的准确性能够达到最优的 水平，这将是未来需要继续探索的问题。 基于支持向量机方法，本文对从空间的传递上对短期风速预测进行了模型的改进，以风场所在地的温度、湿度等五个气象信息为输 入，用bp 神经网络预测方法来对气象站测点的日风速进行了预测， 并以此为风场未来一日的风速参考。运用支持向量机方法对风场某 一风机的所测温度进行了未来4 小时的短期预测，并运用参考值进 行修正，作为最终的预测结果。以实际的风场数据为案例进行仿真， 结果表明该模型具有较强的预测能力，此外，文中对所得结果进行 研究，分析了误差产生的来源。
csee），2005，25，（11）：1-5. [2]彭春华，刘刚，孙惠娟.基于小波分解和微分进化支持向量机的风电场风速预测[j].电力自动化设备，2012，32（1）：9-13. [3]吴国旸，肖洋，翁莎莎.风电场短期风速预测探讨[j].吉林电力，2005，（6）：21-24. [4]师洪涛，杨静玲，王金梅等.基于小波-bp神经网络的短期风电 功率预测方法[j].电力系统自动化，2011，35（16）：44-48. 神经网络30个案例分析[m]. 北京航空航天大学出版社，2010. [6]mrs.patilsangitab.，prof.mrs.surekha.r. deshmukh.support vector machine windspeed prediction [j].2001，ieee：1-8.
发表评论