3 计算实例
以河北某风电场 1MW 风电机组作为研究对象，采用 2010 年 5 月的 4400 个 10 分钟数 115 据作为样本数据，以同一风电机组 2010 年 6 月的 2567 个 10 分钟数据作为检验数据进行实
验。 模型建立后，对自组织图模型和径向基函数模型，不断进行参数调整，使自组织图模型
calculation of a wind farm in Hebei province, we obtain acceptable prediction results indicated the
system is feasible.
Keywords: Mechanical Manufacturing and Automation; wind power prediction; artificial neural
-1-
中国科技论文在线

预测系统以及混合型风能预测系统需要数值天气预报作为输入数据[7]。下面简要说明各型风 能预测系统。
45 1.1 统计型风能预测系统
统计型风能预测系统是使用大量历史数据进行分析，建立历史数据和预测发电功率关系 的方法。又因为使用方法的不同，统计型风能预测系统可分为时间序列系统和人工智能系统。 前者一般是线性的，后者一般是非线性的[8]。
1 风能预测系统
风能预测系统中，统计型风能预测系统不需要数值天气预报作为输入数据；物理型风能
作者简介：李洪涛，（1986-），男，硕士研究生，主要研究方向：风力发电技术与设备 通信联系人：马志勇，（1974-），男，副教授，主要研究方向：风力发电技术与设备. E-mail: mzy@
展较为缓慢，较少运用到实际的风力发电生产中去[2]。
风能预测系统主要有以下 3 种方法：统计型风能预测系统、物理型风能预测系统以及混
合型风能预测系统。西方发达国家现阶段用于实际发电生产中的主要是混合型风能预测系统
35 [3]。
混合型风能预测系统以数值天气预报作为其数据基础，通过统计方式补充信息来进行预
输入变量，是来自于预处理后的数值天气预报数据，分别是 t 时刻的风速数据，t+1 时刻的
-3-
中国科技论文在线

110 风速数据，t 时刻的风向数据。 风向对风力发电的影响很大，以风向作为模型的输入是为了考虑到风向对发电功率的影
响；而以 t+1 时刻风速作为输入是为了考虑风速发展的趋势。
的数据较小，大部分风向集中在 0.2 以下，但是高速级有 3 块较大的风向数据集中带，此处 会产生较大误差。总体上看，中、低速级数据较高速级数据平稳。
125
低速级数据
中速级数据
高速级数据
1 0.5
0 0
1 0.5
0 0
0.5
0 0
100 50
归一化后高速级数据
风速 风向 发电量
200
300 400 500 600 700
数据样本
归一化后中速级数据
800
900 1000
风速 风向 发电量
100
150
200
250
300
数据样本
归一化后低速级数据
350
400
ቤተ መጻሕፍቲ ባይዱ
450
风速 风向 发电量
50
100 150 200 250 300 350 400 450 500
数据样本
图 2 归一化后各级数据 Fig. 1 The Data after normalize
图 2 中，上、中、下 3 幅图分别是归一化后低速级、中速级和高速级数据。其中‘+’ 130 线是风速数据，实线是风向数据，‘*’线是发电量数据。可以看到，在所有数据中，风向
15
Beijing 102206)
Abstract: This paper presents a hybrid wind power forecasting system based on numerical
weather prediction and artificial neural networks.This system use historical data of generated
25 networks; numerical weather prediction
0 引言
近年来，风电产业在我国发展很快，大量大型风电机组并网，迫切要求我国发展自主的
风力发电技术。而风能预测系统是进行风力发电生产安排，整合风电机组并网的重要技术，
30 需要格外关注。风能预测系统是利用气象数据，结合风力发电机组或风场的功率曲线，预测 其未来发电功率的系统[1]。但是受技术、经济以及其他因素的影响，我国风能预测系统的发
2.2.1 建立自组织神经网络模型
自组织神经网络模型由输入层和输出层组成；输入层神经元通过权值将外界信息输入到 输出层神经元；输出节点与输入节点为全连接，输入层、输出层内部节点之间没有连接关系， 85 由输出层表现竞争特性。
数据输入到自组织神经网络模型后，通过计算输入数据和权值向量的欧氏距离，求得 3 个聚类中心，并以风速为基准将所有数据分类，并要保证同一时刻的所有数据分到同一类中。
1.3 混合型风能预测系统
混合型风能预测系统既使用数值天气预报作为输入数据，又利用历史数据进行分析、建 模，兼有物理型、统计型风能预测系统的优点，预测误差最低，是最优的风能预测系统[11]。
2 风能预测系统的建立
65 2.1 数据预处理
进行训练和检验的数据有 t 时刻的风向、风速和发电量数据。首先对数据进行预处理。 预处理以风速数据为基准，对同一时刻的所有数据进行保留或删除操作。操作的依据是是若 风速数据在切入、切出风速之间，保留该时刻所有数据；切入、切出风速之间的，删除该时 刻所有数据。在进行实际应用时，当风速在切入风速以下、切出风速以上的时候，发电功率 70 为 0；当风速在额定功率以上、切出风速以下时，发电功率为额定功率。
Forecasting System Based on Numerical Weather Prediction
Li Hongtao, Ma Zhiyong, Rui Xiaoming
(School of Energy, Power and Mechanical Engineering, North China Electric Power University,
100 i 是神经元的数目。图 1 是径向基函数模型的结构：
图 1 径向基函数模型结构 Fig. 1 The structure of Radial basis function model
105 径向基函数的结构可以表示为： Power(t)=f(speed(t),speed(t+1),angel(t)) (3) 其中 Power(t)是模型的输出变量，t 时刻的发电量，speed(t),speed(t+1),angel(t)是模型的
和径向基函数模型的输出误差最小，并保存模型。 该模型的 2 个重要参数分别是传播速度和神经元数目。2 个参数对模型的影响是相互独
120 立的，而且，2 个参数都存在一个值使得模型的精度最高。 对 2567 个点的检验数据进行预处理，将风速数据限制到切入、切出风速之间，剩下 1872
个点数据。将该 1872 个点数据输入到自组织图中，由自组织图按照风速大小将数据分成 3 部分。之后对所有数据进行归一化处理，就可以得到如图 2 的数据。
经过上述处理的各数据有着不同的量纲，为了将有量纲的物理量转化为无量纲的相对 量，需要将得到的数据进行归一化处理[12]，采用线性归一化方法，公式如下：
x2=(x1-MinValue)/(MaxValue-MinValue) (1) 其中 x1 是归一化前的数据，MaxValue、MinValue 分别是原数据的最大值、最小值。x2 75 是归一化后的数据。 然后把经过预处理后的数据输入到人工神经网络模型内，进行下一步处理。
中国科技论文在线

一种基于数值天气预报的风能预测系统
李洪涛，马志勇，芮晓明**
（华北电力大学能源动力与机械工程学院，北京 102206） 5 摘要：本文提出了一种基于数值天气预报以及人工神经网络的混合型风能预测系统。该系统
以通过数值天气预报得到的风速和风向预测数据作为输入数据，以自组织神经网络作为预处 理模型，以径向基函数网络模型作为预测模型，以特定风电机组或风场的发电量的历史数据 作为输出数据。对河北某风电场进行了实例计算，得到可接受的预测结果，表明系统可行。 关键词：机械制造及其自动化；风能预测；人工神经网络；数值天气预报 10 中图分类号：TK5
建立自组织神经网络模型选择 3 个风速级别，是因为通过该类神经网络模型分离的数 据，每类的数目都足够满足训练网络的需求，而且各聚类中心之间的距离适中[14]。
90 2.2.2 建立径向基函数网络模型
风能预测模型的作用是建立输入数据和输出数据之间的关系。对每个级别的数据分别建
立模型。每个模型都以该级别的 t 时刻风速数据、t+1 时刻风速数据和 t 时刻风向数据作为 输入，以 t 时刻发电量数据作为输出，输入到径向基函数模型中。
20 radial basis function network model as forecasting model and use historical data of generated
electrical energy of a specific wind turbine or wind Power generation field as output data.By the
处的风速值[9]。在综合考虑地形、障碍、以及粗糙度等条件下，利用功率曲线推导出发电功 率的方法。
由于物理型风能预测系统使用数值天气预报作为输入数据，所以预测时间界限为数值天 气预报预测时间期限，可以满足实际要求。但是由于该型系统没有对历史数据进行分析，所 60 以误差比混合型风能预测系统高[10]。