1. 研究目的与意义（文献综述）

1.1 研究背景

由于风能技术具有优异的环境效益并且能够避免长途传输的成本，世界风电装机容量正在高速增长。因此，风能是当今世界上发展规模增长较快、前景较好的可再生能源市场之一，并将在不久的将来成为全球能源中的重要角色。同时风能技术的发展也将刺激全球经济，同时提供更多的就业机会。

但是，与传统发电方式相比，由于气流的瞬息万变，使得风能具有更强的随机性和波动性，同时也将带来规律性差、不易控制和预测的问题。当大规模风电场接入电网后，会对风力发电系统的运行成本、分布式电网的规划和控制以及并网后的电能质量等产生较大的影响。因此，准确预测风力发电系统功率成为了风力发电技术的研究关键技术之一，对缓解电网调峰压力、减少电力系统备用容量配置、提高电网风电接纳能力等均具有重要意义。

1.2 国内外研究现状

近年来，风电功率的预测技术蓬勃发展，涌现了大量的预测模型与方法。为了更好地应用风电功率预测技术已有的研究成果，提高风电功率预测系统的预测精度，在风电不同的发展时期，均有文献对风电功率预测技术进行归纳和总结。较早期的风电功率预测技术综述文献主要从风电功率预测的物理方法、统计方法、时间序列方法以及人工智能方法等方面，对预测技术进行了归纳和总结。文献《风电预测技术及其性能评价综述》从不同时间尺度、不同的预测范围、不同的预测对象以及不同的预测模型等方面对风电功率预测进行了分类，总结了风电功率预测的物理方法、统计方法以及组合方法，并对风电功率预测的考核指标进行了探讨。文献《基于空间相关性的风电功率预测研究综述》主要针对基于空间相关性的风电功率方法进行划分和总结，将预测技术划分为统计预测模型、物理预测模型、空间降尺度模型以及考虑空间平滑效应与升尺度的预测模型进行阐述。文献《关于风电不确定性对电力系统影响的评述》则从风电功率预测过程、影响风电功率预测精度的因素、风电功率预测的模型与方法、风电功率预测结果的评价等方面对短期以及超短期风电功率预测技术进行归纳和梳理。上述文献，为研究和应用风电功率预测方法、提高风电功率预测精度提供了良好的参考依据。然而，风电功率预测的种类、范围以及相应的预测技术十分广泛和丰富，近年来还出现了风电功率区间预测、概率预测、场景预测等新的技术。此外，当前出现的风电功率预测软件和系统对促进风电功率预测技术应用发展也具有重要的参考价值和意义。

2. 研究的基本内容与方案

2.1 研究内容

1.了解国内外关于传统风力发电系统和其功率预报各的种建模和预测方法，并分析和总结其优缺点；

2.利用神经网络万能逼近能力，建立风力发电系统功率预测数学模型；

3.收集国内外相关的气象资料，根据神经网络自学习原理，设计一种风力发电系统功率预测模型参数训练算法，逼近训练样本；

4.利用实际气象资料，测试所设计的风力发电系统功率预报算法的可行性和优越性。

2.2 技术方案

本文考虑采用基于人工蜂群算法(ABC)优化BP神经网络(ABC-BPNN)的预测分析模型对风力发电系统功率进行中长期预测。该方法以反向传播神经网络为基础，利用ABC算法对反向传播神经网络算法的权值调整进行优化，在每次权值调整的过程中加入随机优化算法，提高预测算法的收敛速度和预测精度，从而减少风电的随机性和波动性对预测结果带来的影响。

2.2.1 预测时间确定

根据预测时间的长短，风电预测一般可分为超短期预测（时/分钟/秒）、短期预测（天/时）、中期预测（季/月/周）和长期预测（年）。目前研究主要集中于短期和超短期尺度内，主要用于电力系统实时调度。受各种不确定因素影响，中长期尺度的风电预测研究相对较少，本文考虑采用中长期预测，可以选择以周，月，季度以及年为单位对风力发电功率进行预测，可以用于安排机组组合和发电计划，制定风电场、热电机组以及电力系统的检修计划。

2.2.1 人工蜂群算法(ABC)优化BP神经网络(ABC-BPNN)的功率预测分析模型

1.人工蜂群算法基本原理

人工蜂群算法(Artificial Bee Colony，ABC)是由土耳其学者Karaboga于2005 年提出，其基本思想是启发于蜂群通过个体分工和信息交流，相互协作完成采蜜任务。虽然单个蜜蜂的自身能力有限，但在没有统一指挥的情况下，整个蜂群却总是能较容易地发现优质蜜源。与经典的优化方法相比，ABC算法对目标函数和约束几乎没有要求，在搜索过程中基本不利用外部信息，仅以适应度函数作为进化的依据，形成了以“生成 检验”为特征的人工智能技术。ABC 算法具有操作简单、控制参数少、搜索精度较高和鲁棒性较强的特点。目前，ABC算法已经成功应用于人工神经网络训练、组合优化、电力系统优化、系统和工程设计等多个领域。

2.基于ABC-BPNN算法的功率预测模型

BPNN由输入层，隐藏层和输出层组成。它具有任意逼近的能力，在ABC算法的基础上借助BP神经网络可以有效地建立风力发电系统功率预测数学模型。

基于ABC算法优化BP神经网络（ABC-BPNN）的数据建模流程图如图2所示。具体实现步骤如下：

(1) 创建一个神经网络并初始化。

(2) 初始化蜂群种群及算法的参数。ABC算法的实现非常简单，参数主要包括蜂群的大小 ，采蜜的蜂蜜数量为 ，跟随蜂的数量为 ，蜂群算法解的个数为 ，极限值limit，最大循环次数 ；采蜜蜜蜂数量 等于跟随蜂的数量 ，都等于解的个数 ，这里面 、 、 以及 满足： ， ，初始种群即初始解 是随机产生的（-1，1）之间数值，蜂群中每个解都是一个D维向量，向量 表示步骤(1)中创建的BP神经网络的连接权值和阈值，维数D满足式子： ，式中的 为BP基函数， 和 分别为网络中输入层和输出神经元个数。

(3)按照下面的式子计算每个解的适应度：

， ； ， ，式中， ， 表示第 个解的BP网络均方误差。从上面的式子可以看出，当适合度达到1的时候是最理想的状态。

(4)采蜜蜜蜂根据 ，X前的记忆解搜索新的解。采蜜蜜蜂采用贪婪选择算法，如果新解的适合度值比旧解的适合度值打，那么记下更新替换的旧解，否则在旧解的更新失败的次数加1。

(5)按照收益率函数 里的第i个解的适合度值 来计算解的收益率 。个跟随蜂根据这些收益率从现有解的领域中搜索新的解。

(6)假如解的更新失败次数超过了预先设定的阈值limit,则说明这个解不能继续被优化了，侦察蜂会将它舍弃，另外用 ，式子产生的新解将其替换，保存最优的解。

(7)如果蜂群算法迭代次数大于设置的最大循环次数M，则BP神经网络训练结束。否则，返回到(4)。

(8)将得到的最优解变换成BP神经网络的连接权值和阈值，继续使用数据仿真和测试神经网络，达到预测风力发电功率的目的。

图2 人工蜂群算法优化神经网络算法流程图

2.2.2数据处理

1.数据来源

本文的气象数据拟通过National Renewable EnergyLaboratory（NREL，美国国家可再生能源实验室）网站获取，为预测实际发电功率提供气象预测基础。风力发电量拟通过National WindTechnology Center（美国国家风电技术中心）、Office of ENERGYEFFICIENCY amp; RENEWABLE ENERGY（美国能源效率及可再生能源办公室）以及Federal EnergyRegulation Commission(美国联邦能源管理委员会)网站获取，以上网站能够提供每年、每个周、每小时的风能资源及实际风力发电量，并从2009年开始，FERC现在按照电网上的枢纽或电网上的不同位置记录数据，为本文项目开展提供了丰富的数据资源。

图3 美国80m高度每年平均风速（NREL）

我们将风力发电模型转化为风力发电系数，该风力发电系数定义为随着时间的推移产生的实际发电量除以电厂在100％的时间内以最大输出运行时产生的电量。

2.模型拟合和参数估计

为了估计我们模型的参数，我们将数据集分为训练集和测试集。我们将数据中的70％作为训练集，根据神经网络自学习原理，根据上述风力发电系统功率预测模型参数训练算法，逼近训练样本。我们的测试集是剩下的30％数据，通过下文的评价方法，对预测结果做出误差分析，并利用误差分析的结果对预测模型算法做出改进。

2.2.3 可行性验证

1.不同算法性能测试与比较

为了验证本文提出的基于ABC-BPNN算法的风力发电功率预测模型的可行性和可靠性，我们将用单纯的BPNN算法以及ABC算法进行测试，并把这些预测方法的仿真结果与本文提出的算法的仿真结果在收敛速度、灵敏度及预测精度上进行比较。

2.评价标准及误差分析

目前，国内外关于风电预测的考核标准不尽相同，其中最主要的指标为预测误差，本文将采用我国风电预测的考核指标。

表1 我国风电预测的考核指标

注： 为样本个数； 为风电场的开机容量； 为 时刻的实际功率； 为 时刻的预测功率； 为所有样本实际功率的平均值； 为所有预测功率样本的平均值。

我国最新发布的《风电场功率预测预报管理暂行办法》中要求风电功率预测系统提供的日预测曲线最大误差不超过25%，实时预测误差不超过15%，全天预测结果的均方根误差应小于20%。

3. 研究计划与安排

第1~3周：查阅文献；分析题目研究现状，学习基本理论；

第4周：阅读文献、撰写开题报告，英文文献翻译；

第5周：结合毕业设计任务书，确定总体方案，完成开题报告；

4. 参考文献（12篇以上）

[1] 刘武周,刘友波,liuwuzhou,等.基于改进粒子群优化算法风力发电功率预测研究[j]. 可再生能源, 2017, 35(9):1331-1335.

[2] 黎静华,桑川川,甘一夫,等.风电功率预测技术研究综述[j].现代电力,2017,34(3):1-11.

[3] 张国玲.基于情感神经网络的风电功率预测[j].电信科学,2017,33(3):168-172.