1.引言 

　　廣州颯美旭能源科技有限公司作為"創建美麗新生活"的"新能源與能效技術與服務解決方案供應商"，致力于發展新能源生產管理、控制、并網技術和服務，積極參與構建低碳環保能源體系，締造綠色世界，創建美麗生活。 

　　本文以2010年廣州颯美旭能源科技有限公司簽約的遼寧大唐國際風電有限責任公司下屬的大唐昌圖風電場風電功率預測系統項目，詳述其風電場短期功率預測建模所采用的方法及思路，與讀者共享。該項目采用的"風電功率預測智能管理系統"是颯美旭依托自主知識產權開發成功的集電網側和風電場側于一體的風電功率預測系統。系統集先進性、實用性、可靠性為一體，在實踐中以其預測的高精確度及實用性獲得用戶的一致贊揚。 

　　2. 風電場短期功率預測建模方法研究   

　　颯美旭風電功率預測智能管理系統，以歷史氣象數據（數值天氣預報數據NWP）和風電場歷史功率數據為基礎，同時考慮具體風力發電機組的功率特性、機組效率和設備運行情況，采用BP神經網絡建模后，輸出0-72小時的短期預測功率。 

　　2.1 BP神經網絡模型方法的采用 

　　人工智能的方法近年來在預測領域中應用較多，其中在電力行業又以人工神經網絡的應用研究最為常見。利用神經網絡進行預測研究的基礎是它具有強大的非線性擬和與映射能力，在函數逼近、模式識別和狀態預報等方面有著獨特的優勢，同時具有一定的泛化能力。BP神經網絡具有較強的非線性學習能力，是目前國際上風電功率預測領域廣泛采用的一種比較成熟的方法。神經網絡神經網絡的訓練過程其實質是旨在模仿人腦的結構及功能，不斷調整網絡內部權值和系統的輸入輸出關系的過程。 

　　在網絡結構和算法確定以后名網絡性能優良與否，很大程度上取決于訓練樣本的質量情況。 

　　2.2 輸入樣本數據的選取（樣本集構造） 

　　風力發電機的輸出功率受風速的影響最大，因此風速是必須的輸入變量，同時研究發現不同層高的風速對功率預測的結果均有影響，在此案例中我們選取的是風機輪轂附近的30m、50m、70m和90m4個層高的風速及風向數據，空氣溫度、濕度、大氣壓力等其他相關氣象數據，以及對應的歷史發電功率數據作為BP神經網絡的輸入樣本集。 

　　2.3 樣本數據的預處理（樣本篩選） 

　　輸入樣本的篩選過程包含原始數據收集、數據分析、變量選擇及數據預處理；只有經過這些步驟后，才能對神經網絡進行有效的學習訓練。訓練樣本質量直接影響網絡應用效果。 

　　在進行歷史數據收資過程中，我們從風電場收集了歷史一年的數據，在實際建模使用過程中，考慮到大風期和小風期的變化因素，我們考慮到以季度為單位建模顯然更為科學，在實際使用過程中分別調用不同的模型。 

　　在樣本數據的篩選過程中，綜合考慮了具體風力發電機組的功率特性、機組效率和設備運行情況以及外圍環境干擾因素，篩除了初始樣本數據中的奇異數據（不符合風電機組功率特性的NWP與功率P的對應關系數據組）。 

　　2.4 數據歸一化處理 

　　由于樣本中存在不同單位類型的數據，各數據的變化范圍也不相同，因此存在某些屬性較大，某些屬性較小的情況，這樣并不利于后面的回歸計算處理，因此需要在對樣本集操作前進行數據歸一化處理，將各數據同意到統一的區間里。因此在BP神經網絡的應用中，對控制的輸入輸出應當按照歸一化的方法對輸入輸出進行調節；否則，模型是無法正確工作的。 

　　2.5 回歸計算（模型訓練） 

　　利用Matlab工具進行BP神經網絡建模，通過數次對網絡結構、初始值的增刪、學習速率的調整以及期望誤差的更改，不斷提高訓練結果的精度，在達到滿意度范圍內訓練結束。 

　　2.6 預測結果修正 

　　考慮到地形地貌等特異性，通過BP神經網絡方法建模后得到的預測功率的輸出還要進行一次修正后才能真正作為風電功率預測的輸出結果展現在軟件中。此修正程序作為預測軟件的一部分嵌在系統內。 

　　3. 實際案例結果 

　　大唐國際的兩個風電場經過半年多的穩定運行，每月月均方根誤差均不超過20%，在遼寧風電調度端的考核中一直名列前茅，獲得了用戶的極大認可及滿意。 

　　下圖為任意選取的昌圖風電場歷史一周的預測曲線與實際功率曲線對比圖（其中在3月12日凌晨及3月13日有調度限電）。