摘 要

随着风力发电技术在全球范围内的飞速发展，其并网容量也越来越多，但是由于风速的性质是不稳定的、随机的。直接并网有可能会对电力系统造成不稳定的影响，而风速预测是解决这个问题的有效方法。本文分别使用BP和超限学习机方法构建了风电场短期风速预测模型，并且使用互信息法选择输入属性，然后对数据进行一定的预处理后，使用风电场实测历史数据进行仿真，对两种方法的结果进行了比较，验证了超限学习机方法的优势。

本文主要对ELM算法和BP算法进行了研究讨论，对风速预测的方法和影响风速的因素进行了分析，研究结果表明利用互信息方法选择输入的因素并对其赋予权重然后采用ELM算法预测风速取得了较好结果。

关键词：风速预测；超限学习机；BP神经网络算法；互信息

Abstract

With the spanking development of wind power in the world, the grid-connected capacity of wind power is also increasing, but the nature of wind speed is unstable and random. Direct grid connection may cause unstable effects on the power system, and wind speed forecasting is an effective method to settle this problem. In this paper, the short-term wind speed forecasting model of wind farm is constructed using BP and over-limit learning machine respectively, and the input attributes are selected by using mutual information method. After pre-processing the data, the historical data from the wind farm are used for simulation. The results of the method were compared to verify the advantages of the over-limit learning machine approach.

This paper mainly discusses the ELM algorithm and BP algorithm, and analyzes the wind speed forecasting method and the factors that affect the wind speed. The research results show that the mutual information method is used to select the input factors and weight them, and then the wind speed is obtained by using the ELM algorithm. A better result.

Key words: wind speed prediction; ELM; BP; MI

目录

第1章 绪论 1

1.1 课题研究背景及研究意义 1

1.1.1课题研究背景 1

1.1.2课题研究意义 1

1.2国内外研究现状 4

1.2.1 国内外风力发电发展现状 4

1.2.2国内外风速预测的研究现状 6

1.3 本论文的主要工作及章节安排 8

1.3.1 本论文的主要工作 8

1.3.2 本论文的章节安排 8

第2章 风速数据的预处理 9

2.1 风速的特性分析 9

2.1.1 风速的分布特性 9

2.1.2 相关属性选择与分析 9

2.1.3 历史气象数据的相关性分析 10

2.2 风速相关数据预处理 10

2.3 风速属性的加权处理 11

2.3.1 风速数据归一化处理 11

2.3.2 风速属性加权 11

2.4 预测结果的处理及误差指标 11

2.4.1 预测结果的处理 11

2.4.2 风速预测的误差指标 12

2.5 本章小结 13

第3章 短期风速预测模型构建与仿真 14

3.1 概述 14

3.2 BP神经网络 14

3.3 超限学习机方法 17

3.4 算例分析 22

3.5 本章小结 31

第4章 环境影响和经济性分析 32

4.1 环境影响 32

4.2 经济性分析 33

4.3 本章小结 33

第5章 总结与展望 34

5.1 总结 34

5.2 展望 34

参考文献 35

附录 37

致谢 40

第1章 绪论

1.1 课题研究背景及研究意义

1.1.1课题研究背景

人类文明经历漫长的岁月，但是，人类历史的发展进步离不开能源，从远古时代发展到今天，发展速度越来越快，能源消耗的也就越来越快，传统的化石能源就那么多，从某种意义上又是不可再生的。同时，由传统化石能源的大量消耗而引起的气候变暖及日益严重的环境污染问题越来越突出，对无论生态系统、社会经济还是人类健康都构成严重威胁。为了缓解出现的能源匮乏和解决环境破坏问题，绿色能源成为以后努力的发展方向。必须将能源的可持续发展作为社会和经济发展的重要战略^[1]。风能作为一种对环境没有污染的可再生能源，将会是将来能源的主要形式，对于人类发展前进的重要性不言而喻,所以在各类清洁能源的开发利用中，风力发电是现有的利用风能的重要方式之一，在全球各个国家都给与了很大的重视。再者与火电相比它没有污染，而且投资选址方便灵活、占地面积较少，有很高经济价值^[2]。伴随着各国的大量资金投入及技术研发的力度加大，风电逐渐成为不仅应用广泛而且技术也很成熟的清洁能源利用方式之一，受到了大规模的推广应用。世界上许多国家都把利用风电当成缓解能源危机、解决传统化石能源污染环境问题以及提高清洁能源比例的重要举措。

在世界范围内，欧美等国家率先开展风电技术研究和政府引导工作，欧洲更早，源于他们的先进技术和政府的大力支持。但近年来，不少发展中国家也开始大力推广本国清洁能源，以亚洲国家和地区为代表的中国风电发展取得了长足的发展。 中国对于推动世界新能源发展也贡献了重大的力量，主要体现在中国风电总装机容量近年来增长十分迅速，现在已经达到世界顶级水平。

查阅文献[4，5]统计资料，我们可以看到世界各国2017年风电装机容量新增容量及占比如图1.1所示，世界各国风电装机总容量如图1.2所示。

1.1.2课题研究意义

风力发电是通过风力发电机实现的，风力发电机的最重要部件是风轮，它包括叶片和轮子，叶片具有良好的空气动力学形状。 当有空气流动时，达到一定速度风轮被带动而旋转，从而产生了机械能，然后，齿轮箱会再进一步驱动发电机让其速度变快从而把机械能转换为电能。由于风电机组的输出很大程度上有风速决定，而风速又非常的不稳定，因此虽然风力发电给我们带来了经济和社会效益，而风力发电并网容量继续增加，随之而来的就是一些不利影响。风电场的直接并网可能会对电力系统的安全和稳定运行构成极大的危险。 当风速过大，风力机突然停止运行时，传统的电力系统将受到巨大的冲击。 另外，风力涡轮机在风速干扰的情况下可以很容易地关闭。 因此，要进行风速预测。当系统运行条件较差时，如电压水平较低时，风速预测就可以为电力系统调度部门制定调度计划提供支持，从而减少随机风速变化对电网的不利影响^[16]。

图1.1 2017年世界各国风电装机容量新增容量统计（吉瓦）

图1.2 2017年世界各国累计风电装机容量统计（吉瓦）

目前，风速预测的方法分类见下图1.3。

图1.3 风速预测方法分类

短期和超短期风速预测意义如下：

（1）通过对风电场的短期风速预测，可以预测风电场的近似产量，进而改进水电，火电机组和调度部门的产量，可以及时改变调度安排，尽可能减少风电对电力系统的影响，降低系统的旋转备用容量和运行成本，进一步达到有效利用风的目的，提高电网的经济效益，增加风电的比重^[3]。

（2）穿透功率存在超过其极限值的风险，一旦超过之后，会严重的影响到电力系统，准确地风速预测则可以及时规避其超过极限值。

（3）操作人员可以利用风速预测来选择低于切入风速的风速等级，或者在风机输出功率较低时安排设备维护。

从预测模型角度分析，传统的预测方法普遍收敛速度比较慢 ，预测的误差大，存在众多问题，其中有些神经网络算法和支持向量机比较复杂，很多参数都要求人工去优化而且还要经过很多次的迭代才能得到权值的最佳期望值，并且有概率出现过拟合现象，泛化能力一般。南洋理工大学黄广斌教授提出了一种单隐含层前向神经网络(SLFN)，被称为超限学习机(ELM)^[9]。超限学习机由于其学习能力强，被广泛应用于数据拟合，分类，预测，动态噪声控制等相关领域。这为风电场的风速预测提供了新的想法。 本课题的研究也是出于风力发电和新能源发展的需要。使用ELM和BP算法对风电场进行短期风速预测研究，并使用风电场的实测数据验证。

1.2国内外研究现状

1.2.1 国内外风力发电发展现状

20世纪90年代以来，很多发达国家和地区十分看好风力发电的发展前景，出台了相关法规和政策加快风电发展和应用，同时也推动了全球风力发电的发展。近年来，风电产业的发展迎来了高峰期，风电装机容量的增长势头并未减弱，可以说其在所有的无污染能源利用之中已经为据前列。统计到2017年年底世界总装机容量达539吉瓦；美国风电装机总容量已达到89吉瓦，在世界上排名第二，而且2017年新增装机容量也排世界第二；欧洲国家也继续保持前几年的增长势头，二零一七年增长量为13吉瓦;德国2017年的新装机容量为6.6吉瓦，总容量超过五十吉瓦，全球第三; 其他国家如丹麦等国对风力发电也比较重视。 在装机容量持续增加的同时，上述国家还制定了配置，关税补贴，免税等措施，促进风电并网和吸收。风电产业发展如疾驰的列车，风电场的穿透功率也呈上升势头。预计到2020年风电比重将会上升到13%^[15]，图1.4所示为两千零一年至二零一七年全球风电装机容量的发展情况。

在最近的十几年来，我国的风力发电的发展速度可以用雨后春笋来形容。这跟政府的相关政策是密不可分的，到2017年末，中国风电装机已经达到188GW。在过去五年中，中国新增装机容量继续居世界第一位，占全国新增装机容量的14％，其中包括火电，核电，水电等^[7]。在国家有关政策的引导和支持下，中国形成了具有完全自主知识产权的核心技术体系，并已形成一批具有较强国际竞争力的装备制造和工程建筑公司。为解决“弃风”等电力监管问题，国家有关部门进一步调整了新能源发展的特点，制定了优先发电权申报计划以优先保护新型清洁能源的并网^[10]。“十三五”期间，我国更是出台了一系列的促进风电发展的政策措施，把我国风电产业推进了一个大跨越的轨迹上，完成了一次次质的飞跃。图1.5所示为近十年我国风电装机容量的发展情况。预计2018-2019年新增23.2 /27.8吉瓦。

图1.4 2001-2017年全球风电装机容量

图1.5 2008-2017年中国新增和累计装机容量

1.2.2国内外风速预测的研究现状

风电在整个电力系统里所占比重持续上升，为了更好的定制发电规划以及安排备用容量，我们必需考虑研究风速变化的规律。针对风电场风速预测这一研究课题，世界上很多学者、教授已进行了大量研究，该研究如今已经越来越成熟。特别是一些发达国家已经具有几十年研究经验，研发出了很多在线预测系统，运行效果也比较好。比如:美国的E wind模型、德国的WPMS系统等等，这些预测系统均能够获得相当不错的结果，但是绝对称不上是完美的预测系统^[16]。

目前，较常使用的预测方法如图1.6所示。

图1.6 风速预测方法分类

1）物理方法

物理方法简单来说就是创建模型时注意到风电场地形等物理条件，还有风机高度，机械部件，控制方法和其他相关影响因素。物理方法的主要优点是它们不需要大量的风速测量数据，适合规划相对复杂的地貌和风力发电场; 然而，物理方式要求更高的气候、地理和用户相关知识方面的常识。缺点是天气预报的更新速度较慢，很难获得完整的长期气象资料。因此，物理方法更多地用于中期风力发电的预测^[11]。

2）学习方法

统计模型和学习模型方法的本质是类似的，它们的不同之处在于前者适用于短期预测，后者则需要长期的数据支持，学习模型方法的本质是采用人工智能的方法找出输入与输出的关系，创建模型。

3）统计方法

实质是利用风电场风速作为输出，历史气象数据作为输入建立历史气象数据与历史测量风速数据之间的映射关系。根据其原理分析我们知道，该方法可以自己学习与当地的风速相关的影响因子，可以自发的增加准确度。这是它的优势; 同时它也有缺点，需要大量的历史测量数据和过程训练时间对于预测特殊天气条件下的风速并不是很好。 因此，统计方法主要用于短期和超短期风速预测。

目前在世界范围内使用较为普遍的统计方法如下:持续法、时间序列法、模糊逻辑法、卡尔曼滤波法、模糊逻辑法、空间相关法、神经网络方法、小波分析法、以及组合预测法等^[12]。

持续法的原理比较简明，可简单理解为将近期的数个历史风速值平均值后作为下一个时刻的风速值，该方法适合于3-6小时以内的预测，时间较长的预测就会精度很差。

时间序列法是一种有效的从时间维度分析的方法。经由输入大量的历史实测风速序列，创建一个可以刻画风速序列的模型。由于风速的高度不稳定性和非线性特性，有必要对风速进行差分处理，因此低阶模型精度很容易降低，而高阶模型的参数不容易估计。

卡尔曼滤波法的基本原理是把风速数据看做一个状态变量来创建状态空间求解，从而达到预测风速的目标。该方法的使用是有前提的，即假定风速噪声的概率特性是已知的，但实际上很难满足前提条件。另外，状态方程和测量方程的推导也很困难。

空间相关法是综合数个相邻位置的历史风速，利用相关性的理论来创建预测模型，预测效果较好，缺点是对原始数据的收集要求较高，而且不同地点的风速间存在风速衰减、地形影响等问题，此外各地的风速相关性也很难用具体数学方法描述^[11]。

人工神经网络就是对人脑生物网络神经的模拟和简化具有很多基本元件并且按照特定的拓扑结构相连形成，具有一定的容错性、较强自适应能力的非线性问题处理系统。有许多神经网络模型已被应用于短期风速预测。

组合预测方法就是将前面所述的集中简单的模型按照一定的策略进行组合，进而开展预测研究，集中几个模型的优点，这也是目前世界范围内正在研究的趋势所在。

有文献采用神经网络法和时间序列法相结合对风速进行短期预测，前者可以用来分析风速的性质、变化规律等，利用前者方法得到的相关因子就可以决定神经网络的输入，而且文章中提出了滚动式方法来修正权值，有效的增加了预测精度^[13]。有文献提出了一种卡尔曼滤波法和时间序列分析法结合的混合算法，使用该方法进行风速预测也能得到较好的结果，而且该方法还巧妙的解决了预测中的延时问题^[14]。有文献利用神经网络创建了风电功率预测模型，结果说明了神经网络的结构和输入样本对功率的预测结果有一定的影响，而且还使用神经网络对误差带进行了预测^[15]。

依据以上的文献内容，各种预测方法 均取得了很好的预测效果，但是还需要进一步提高。本文采用超限学习机方法和BP算法，对风电场风速开展预测。

1.3 本论文的主要工作及章节安排

随着我国和清洁能源的大规模发展占风电电网容量的比例越来越高，风电的风电波动性和随机性对风电的安全稳定运行产生了影响， 经济可靠的电网运行带来了严峻的挑战，准确的风速预测可以有效解决这个问题。

1.3.1 本论文的主要工作

本文以风速作为研究对象，根据实测的与风速相关的各项气象属性分析与其风速的关系，进而预测风速。主要的研究内容如下：

（1）介绍风速的相关概念，以及几种常用的风速预测方法。

（2）对历史属性数据进行预处理。

（3）在众多影响风速的属性中选出几种影响最大的属性作为输入属性集合。

（4）介绍BP神经网络和超限学习机神经网络，分别使用实测数据训练BP神经网络、超限学习机网络，然后输入需要预测的数据进行风速预测。

（5）使用MATLAB仿真软件对构建的预测模型进行仿真验证，用BP网络与超限学习机网络对比并出示仿真结果，证明ELM的有效性。

1.3.2 本论文的章节安排

本文共分为5章节，各个章节内容安排如下：

第一章主要介绍风力发电以及风速预测的背景和意义。又对风力发电在全球目前的发展状况及存在的问题进行说明，最后国内外风速预测的现状及发展趋势进行简单的介绍。

第二章为风速预测数据的预处理以及属性选择。

第三章是介绍BP神经网络模型、ELM神经网络模型并且总结出各自优缺点，然后分别构建预测模型，使用MATLAB进行实验分析比较两种方法的优劣。

第四章是环境影响及经济性分析。

最后是总结与展望。

第2章 风速数据的预处理

风简单来说就是空气流动，我们用风速来描述风的大小，用风向来描述风的方向，本文所要研究的就是风的大小，即风速。使用风电场的相关数据进行风速的预测就是本论文的主要研究内容。

2.1 风速的特性分析

由于风是空气中气压不均匀造成的气流，所以风速容易受等气象因素如空气湿度的影响，因此具有很大的随机性和间歇性。风速很难去把握，这是因为它有很大的随机性，一天内的风速会随意改变，但是并不意味着变化完全没有规律，受太阳的影响风速大小通常有这样的规律：早晨和晚上较小，下午比较大。除此之外，一年四季的风速也仿佛存在着某些规律，春冬季节较大，夏秋则较小。对于同一风电场相同位置的风机，风速在短时间内具有一定的规律性和相关性，即短时间内呈现一定的变化规律。 考虑到历史风速时间序列的高输入维数和大样本空间，难以直接预测。 我们将选择对风速影响程度较大的因素当作输入属性。

2.1.1 风速的分布特性

风速是风力发电中的重要概念。影响风速的因素有很多，通常在不同的地理位置和不同气象条件下风速一般不相同。下面的式子可以对风速进行拟合，也是当前较常见的，可以描述风速的模型。

（2-1）

以上是毕业论文大纲或资料介绍，该课题完整毕业论文、开题报告、任务书、程序设计、图纸设计等资料请添加微信获取，微信号：bysjorg。

相关图片展示：