基于气象因子修正的风电场短期风速预测
开篇：润墨网以专业的文秘视角，为您筛选了一篇基于气象因子修正的风电场短期风速预测范文，如需获取更多写作素材，在线客服老师一对一协助。欢迎您的阅读与分享！
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。
Abstract： To improve the accuracy in predicting short-term wind speed， a model based on meteorological factors and support vector machine （MF-SVM） is proposed. Setting the meteorological factors of local observatory as the input， the wind speed prediction in 3 days would be predicted through using the method of BP neural network， and the result should be treated as the reference value of the wind speed prediction in farm. Based on the history wind speed of single turbine， the wind speed in future 4 hours is predicted by the method of SVM and the amending the value with the reference. The strong capability of the method proposed has been verified with experiments. Moreover， the error source which is caused by the model has also been analyzed.
关键词： 风速预测；气象因子；MF-SVM；误差分析
Key words： wind speed prediction；meteorological factors；MF-SVM；error analysis
中图分类号：TK8 文献标识码：A 文章编号：1006-4311（2013）09-0056-03
0 引言
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（Meteorological Factors）和支持向量机（Support Vector Machine）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。
1 气象因子修正的短期风速预测模型原理
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，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1所示。
预测步骤如下：
①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；
②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；
③由步骤①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；
④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；
⑤将步骤③的预测结果折算至风场，以此为参考来修正步骤④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 基于气象因子修正的短期风速预测模型
2.1 模型样本 由图1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。
X=x■，x■，…，x■x■，x■，…，x■ ┊x■，x■，…，x■，■=x■x■ ┊x■ （1）
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1日至2012年1月20日的上述相关变量为BP神经网络模型的输入，2012年1月份9日到19日的1448个数据点，即1440组输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。
f：xy=■ （2）
式中，x，y分别为归一化前、后的变量序列，x，y∈Rn，
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。
2.3 BP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3天的日风速序列，取其平均值作为风场短期风速序列的参考值。
2.4 SVM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。
e■=■×100% （3）
e■=■■■×100% （4）
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 例证分析
3.1 MF-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，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源。
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。
4 结论
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。
参考文献：
[1]杨秀媛，肖洋，陈树勇.风电场风速和发电功率预测研究 [J].中国电机工程学报（Proceedings of the 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.
[5]史峰，王小川，郁磊等.MATLAB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.Patil SangitaB.，Prof.Mrs.Surekha.R. Deshmukh.Support Vector Machine for Wind Speed Prediction [J].2001，IEEE：1-8.