基于小波包分解和改进Elman神经网络的风电场风速和风电功率预测
哈尔滨工业大学电气工程及自动化学院、国家电网公司交流建设分公司的研究人员叶瑞丽、郭志忠、刘瑞叶、刘建楠，在2017年第21期《电工技术学报》上撰文指出，准确预测风电场风速和风电功率对做好风电场运行维护、合理安排开停机计划以及确保电力系统的安全稳定运行具有重要意义。
提出了基于小波包分解和改进Elman神经网络的新型风电场风速和风电功率预测方法并给出了具体应用步骤。首先利用小波包分解理论对经过初步处理的历史风速数据进行分解处理,根据相关性剔除随机数据,保留最优分解树;随后提出带扰动的PSO训练算法用以提高Elman神经网络的训练速度,并解决PSO算法易陷入局部最优解的问题;最后利用不同结构的Elman神经网络寻找最优分解树不同频段下的风速规律进而获得风速和风电功率预测结果。
南方某风电场算例表明该方法具有更高的预测精度,能够正确反映风速和风电功率规律。
近年来，风力发电在世界范围内得到了大力发展。全球风能协会(GWEC) 2016年2月20日发布的最新统计报告显示，2015年全球新增风电为6301万kW，创历史最高; 全球风力发电能力在2015年底达到43242万kW，较2014年底增长17%，首次超过核能发电。
风力发电受自然环境影响大、可预测性差。随着风电并网容量的迅猛增加，风电与系统之间的联系越来越密切，必须充分考虑风能的波动性和间歇性引起的风电出力波动给电力系统电能质量、安全稳定运行和经济效益带来的不利影响，提高风电功率预测准确性对保证电网安全稳定运行至关重要。
风电场风电功率预测的准确性由多种因素决定，其中风速预测的精度是个关键因素。准确预测风电场风速，不但是风电功率预测的基础，同时也对风电场的运行维护、开停机计划安排以及电力系统的安全稳定运行具有重要意义。
风电场风速及风电功率预测根据建模机理的不同可以分为物理方法、统计方法、空间相关性方法等。物理方法［3，4］主要通过求解大气运动的动力热力和物理过程方程预报未来天气的变化，并据此实现对风速及风电功率的预测。
统计方法［7］则主要根据风电场历史测量数据及周边风电场测量数据建立统计学习模型，最常用的统计学习模型包括时间序列模型［8，9］、卡尔曼滤波模型［9，11］、支持向量机模型［12-14］、小波分析模型［15-17］、人工神经网络模型［18，19］等。
空间相关性方法［5，6，20，21］考虑了风电场以及与之相近的几个地点的多组风速数据，运用几个地点风速之间的空间相关性，考虑物理影响因素进行风速预测，进而预测风电功率，目前已有采用线性回归、Weibull整定、贝叶斯推理以及各种智能方法成功实现空间相关性预测的实例［5，6，20，21］。
相比于物理方法和空间相关性方法，统计方法对风电场、风电场周边环境以及大气的物理特性关注较少，主要是利用智能方法从历史风速数据中得到未来风速的对应关系与气象参数用于风速预测，具有应用简单、计算速度快等优点。而且对于超短期预测(15min-4h)和短期预测(0～72h)，当预测时间尺度较短时，大气条件的持续性对预测结果的变化有决定性影响，
已有研究［2，22］证明这种情况下采用统计方法也可以得到较好的预测结果。本文的研究属于统计方法范畴，重点关注超短期预测。在进行风速和风电功率预测工作时，许多学者为了有效提高预测用数据的精度，以便更好地寻找风速规律，选择对预测用历史数据进行有效的预处理。
例如，罗文等［8］首先利用时间序列法寻找风速的基本特性参数，然后将其作为模型输入进行风速预测; 张宜阳等［23］则运用经验模式分解理论将风速分解为趋势分量和随机分量，随后分别进行预测; 袁铁江［24］、王松岩［25］等则采取了先进行预预测，再对预预测值进行修正的方式提高预测用数据的有效性。
本文借鉴此思路，采用小波包空间分解［26］对历史风速数据进行预处理，进而提高后续预测的精度和效率。小波包空间分解能够将复杂信号的高频和低频部分分解成不同频段，并能根据信号特性和分析要求自适应地选择相应频带与信号频谱相匹配，是一种比小波变换、经验模式分解更为精细的分解方法。
因此本文采用小波包分解原理对历史风速数据进行处理，首先将风速分解到多个小波空间和尺度空间，然后根据相关性保留最优分解树，从而有效提高待输入历史风速数据的精度。Elman神经网络［27］( Elman Neural Network，ElmanNN) 是一种反馈神经网络，能够在有限的时间内逼近任意函数，其训练速度高于BP网络，且与传统静态前馈神经网络( FNN)相比具有更强的动态记忆性，本文采用 Elman 神经网络模型进行风速预测。
同时，为进一步加快神经网络的训练速度并解决粒子群算法(PSO)［28］易陷入局部最优解的缺陷，提出了带扰动的新型PSO训练算法对Elman神经网络进行训练，进而提出了基于小波包分解和改进Elman神经网络的风电场风速和风电功率预测方法。
图1 三层小波包分解示意图
结论
1）本文将小波包分解理论引入到对原始风速数据的处理过程，合理剔除随机波动数据，有利于提升原始数据的精度，凸显数据的细节特征。算例结果证明了最优小波包分解树及相应各频段风速波形更能准确反映风速数据的规律性。
2）本文采用不同结构的Elman神经网络预测不同频段的风速，具有较好的针对性。利用文中提出的带扰动PSO算法对Elman神经网络进行加速训练，可以有效解决最优粒子陷入局部最优解的问题。
3）本文提出了基于小波包分解和改进Elman神经网络的风电场风速和风电功率预测方法，并给出了具体实施步骤。0:10-4: 00超短期预测算例结果显示，本文所提方法的预测结果与实测结果较为接近，预测误差小于自回归滑动平均方法、静态前馈神经网络方法及传统Elman神经网络等方法，从而验证了本文所提方法的正确性和有效性。