温锦斌1
1. 国网福建省电力有限公司福州供电公司 福州 350009
摘 要：风能储量巨大，是可再生能源的重要组成部分，发展潜力无限。本文根据风的特性，提出了基于提升小波和人工神经网络的短期风电功率预测模型并通过运用我国某风电场的实际数据进行仿真分析，结果表明，本文提出的方法在短期风电功率预测上确实有效可行。
关键词：提升小波；人工神经网络；风力发电；功率预测
0 引 言
当今世界，人类社会发展日益加快，对能源的依赖也在加剧。风能发展潜力巨大，必然成为未来世界能源结构的重要组成部分[2]。但是，风具有很强的随机性，其输出功率的波动范围通常较大、速度较快，导致电网调峰、无功及电压控制十分困难，给电网的安全稳定及正常调度带来了困难[3]。而准确的风电功率预测是克服这些困难的有效方法之一。
1 基于提升小波和人工神经网络的短期风电功率预测模型
由于风力发电受诸多外部因素的影响，具有随机性和不确定性，其功率曲线波动大，噪声多。风力发电的这一特性决定了其功率预测困难，预测精度低。预测困难主要体现在预测算法计算量大，计算困难，即算法训练难度大。因此，本文提出了先对训练样本进行提升小波预处理的方法[16]。提升小波继承了第一代小波的多分辨率特性，能够提取任意尺度的窗口，而且不占用系统内存，是一种比较理想的数据预处理方法。人工神经网络作为机器学习预测方法的代表，能够以任意精度逼近非线型函数，实现高精度预测。本章提出将提升小波和人工神经网络相结合建立预测模型，以提高风电功率预测的精度。
模型预测步骤：
1)将训练样本输入到三层提升小波算法，得出第三层低频信号和第一，第二与第三层高频信号；
2)抛弃三个高频信号，单独将低频信号输入到人工神经网络预测模型中训练；
3)得出预测结果。
2 实例分析
结合实际风电功率数据验证基于提升小波和人工神经网络的短期风电功率预测模型的可行性和有效性，本文仍选取我国北方某风电基地的实际风机功率数据。选取其中10天的功率数据，每10分钟一个点，共1440个数据。仿真中，将前面864个点作为训练样本，根据上文所建立的提升小波和人工神经预测模型中训练，其余576个点作为测试样本，与预测结果比对，检验上述模型。
.png)
表1是人工神经网络不同预测方法的相对误差列表，从该表中也可以直观地看出，人工神经网络预测方法可以有效预测风电功率输出，而本文提出的基于提升小波和人工神经网络的短期风电功率预测方法可以进一步提高预测的精度，该方法确实可行。
3 结论
本文详细介绍了提升小波和人工神经网络的理论知识，建立了基于提升小波和人工神经网络的短期风电功率预测模型，并用实际风电场数据在Matlab上仿真验证了其可行性和有效性。
通过实际数据仿真验证可以看出，提升小波可以很好地消除原始功率曲线的噪声，使曲线变得光滑。人工神经网络在仿真中能够很好地逼近未经提升小波处理的原始功率曲线，预测效果较好。将提升小波和人工神经网络结合建立预测模型，仿真结果显示人工神经网络预测较光滑低频信号比直接预测原始功率信号的精度提高了，提高了风电功率预测的精度。因此，基于提升小波和人工神经网络的短期风电功率预测方法可行有效的。
参考文献
[1] 谷兴凯, 范高锋, 王晓蓉,等.风电功率预测技术综述[J].电网技术,2007, (S2):335-338.
[2] 温锦斌, 王昕, 李立学,等. 基于频域分解的短期风电负荷预测[J]. 电工技术学报, 2013, 28(05):66-72.