1 引言
1.1 研究背景和意义
随着风电电量占社会总用电量比例的不断提高[1]，风力发电已经在居民生活、工农业生产、环境保护等众多领域占据了举足亲重的地位。对于风电功率的预测在电网安全经济调度、电力市场及风电场运行方面都有着重要的意义[2]。然而，由于风电具有更强的随机性和波动性，规律性差、难以准确预测[1]，对于风电功率的预测成为了当前的社会研究热点之一。
文献[3]对当前针对短期功率预测的研究方法做出了总结，主要集中在３个方面：物理方法、统计方法和复合方法。其中，与其他的预测方法相比统计方法的实时性能是最好的，即使用采集的历史数据风速或功率等建立天气状况与输出功率之间的映射关系。目前采用的统计方法主要包含以下几种：聚类统计分析法、人工神经网络法、灰色模型法、粒子群优化算法、小波分析法、组合预测法和支持＆向量机法等。然而，基于单一的神经网络构建的风电功率预测系统存在其不足，这种预测模型预测误差较大，收敛速度慢，网络的学习具有不稳定性[4]，文献[5]通过仿真说明了随着隐含层节点数目的增加，单一神经网络模型有可能出现过学习现象，网络外推能力变差，预测误差将会增大的这一问题，此外，BP神经网络还具有出现局部极小的问题[4]。因此，有必要对单一的人工神经网络预测模型做出改进，使其能够满足风电预测的工农业生产需求。
1.2 国内外研究现状
早期的风电功率预测研究大多不采用数值天气预报数据，大多数时候认为下一点的风速预测值就是最近点的风速值，因此早期的风电预测误差较大。之后人们对预测方法做出了改进，方法有自回归滑动平均(auto regressive moving average，ARMA)模型法、卡尔曼滤波算法或时间序列法和卡尔曼滤波算法相结合等，另外还有一些智能方法，如人工神经网络方法等[2]。本课题专注于人工神经网络方法。
目前，对风电功率的预测方法主要有物理模型和统计模型[6]，其中统计模型又以人工神经网络为重要代表方法。物理模型指的是考虑地形、粗糙度等信息采用物理方程进行预测的方法，统计方法指的是根据历史数据进行统计分析，找出其内在规律并用于预测[2]。综合使用物理方法与统计方法则称为组合方法。统计学模型对于短期的风电功率预测最为有效[1]，因而人工神经网络模型非常适合短期风电功率预测的需要，选择BP神经网络这一最具代表性的人工神经网络作为风电功率预测模型的基础架构。
丹麦是最早进行风电功率预测系统开发的国家之一，其国家实验室开发了世界上第一个基于物理模型的风电功率预测系统[7]，德国、美国等国家也相继开发出本国的风电预测/管理系统，例如Previento、eWind系统等[8]。基于物理模型和统计模型的风电功率预测效果良好，基本满足大规模并网调度的需求[7]。
目前，国内对风电功率预测的研究较少，但研究机构已经在风电功率预测算法上做了大量研究，特别是时间序列法、神经网络法、支持向量机等方法，从而进行提前几小时的风速和功率预测[9]。目前，国外的风电功率预测系统还处于不断更新和完善之中，国内还没有实用的风电功率预测系统[2]。从国内和国外目前集中较成熟的风电功率预测软件系统来分析，目前大部分预测系统都采用组合方法进行预测[1]。
2风力发电原理及风电功率预测方法
2.1 风力发电技术
风能即是空气流动产生的能量，风车可以将风的动能转换为有用的电能，而风力发电厂包含众多的独立风力发电机机用来产生电力。文献[21]主要研究了风力发电厂在不同故障类型下的短路行为，研究风机类型、变压器配置和无功补偿电容器的影响，观察不同母线的电压响应。风能属于随机波动的不稳定能源，文献[10]主要分析了风电功率在不同时间、空间尺度上的分布特性，得出了在时间尺度、空间尺度和风电场群空间分布广度变化时风电功率的波动性变化情况。这一文献为本课题研究提供了重要参考，依据不同尺度上的功率波动情况，选择不同结构参数的BP神经网络模型完成短期预测或超短期预测。
2.2 风电功率预测技术
由于自然界中的风速经常变化，大规模的风电并入系统必然会影响系统的稳定性，因此有必要对未来数小时的风电输出功率有所了解。
文献[1]对现有的风电功率预测技术进行了总结，并按照不同的预测模型将风电功率的预测方法分为物理模型、统计模型、元启发式学习模型和组合模型，作者认为风能本身的间歇性、波动性是提高预测精度的主要困难，而组合模型是当前主流的预测模型。
文献[11]针对风电集群的短期预测，归纳总结了风电功率预测的一般流程，并从数据层、映射层、特征层、模型层、反馈层这5个风电功率预测模型的普适性物理层次的角度提出了改进短期预测精度的方法，这些方法在本课题中可以作为改进神经网络预测模型的理论参考。众多文献已经提出优秀的风力发电功率预测技术，文献[12]构建了三种局部回归神经网络，分别是内部脉冲响应多层感知器（IIR-MLP）、局部激活反馈多层网络（LAF-MLN）和对角回归神经网络（RNN），这三种循环网络均优于静态模型，并且作者基于递推预测误差算法，提出了两种新的、最优的在线学习方法来更新递推网络的权值，从而保证了网络在学习阶段的连续稳定性，与传统的动态反向传播方法相比，具有更好的性能。文献[6]在QPSO算法中加入自适应早熟判定准则、BDO和DECC，提出ADQPSO算法、将其用于SVR学习参数的优化选择，这一模型具有较高的预测精度和较好的预测稳定性，同时在工程上具有可行性。
