风力发电在全球范围内快速发展，装机容量逐年增加，截止2013 年底，中国风电新增装机容量约 16.1GW,较 2012 年的 12.96GW 大幅提高了 24%,中国风电累计装机已超过 90GW。
风力发电并网运行是实现大规模风能发利用的有效途径。但是与常规能源不同,风能是一种能量密度小的随机性能源,具有“间歇性”和“随机性”的特点,风能这种特性导致随风速的变化而波动的风电场的输出功率具有不可控性和不可预期性。
这对电力系统的安全稳定运行带来新的挑战。为克服风电波动对电力系统运行的不利影响，需要对风电功率进行提前预测。风电功率预测对于电网安全经济调度、电力市场及风电场运行都有重要意义。
本文结合风电功率的变化特性，提出了基于小波分析和 Elman神经网络的短期风电功率预测方法.利用小波良好的时频局域化分析性质，结合Elman神经网络的动态递归记忆功能，将小波尺度函数作为神经网络隐含层激励函数，构成小波Elman神经网络预测模型.
Elman 神经网络采用的是动态梯度法来进行网络训练，该方法易出现收敛速度慢等缺点[4]，采用收敛化算法提高神经网络的自学习能力，提高算法收敛速度和计算精度。
1 小波Elman神经网络
1.1 小波Elman神经网络的建立
Elman神经网络是一种典型的动态递归神经网络。它具有内部反馈连接，将前一时刻的隐含层输出和当前输入作为新的隐含层输入，使网络具有记忆功能[6]。该网络己经成功地应用于动态系统的识别与仿真。通过合理选择网络层次和隐含层节点数，Elman神经网络能够以任意精度逼近任意非线性函数。
小波分析方法通过尺度的伸缩和平移实现对信号的多尺度分析，从而有效地提取信号的局部信息[7]。
本文采用小波函数作为Elman神经网络的隐含层激励函数，构成小波Elman神经网络模型。它同时具备小波分析和Elman神经网络的优点，有着更强的逼近、容错能力和更好的动态预测效果。
其结构模型见图1， 相比于BP神经网络，Elman神经网络除了输入层、隐含层和输出层外，还多了一个承接层。承接层主要用于层内或层间的反馈联结，构成局部反馈。承接层的传输函数为线性函数，但是多了一个延迟单元，因此承接层可以记忆过去的状态，并在下一个时刻与网络的输入一起作为隐含层的输入，使网络具有动态记忆功能。
图1 Elman神经网络拓扑结构
在Matlab平台上分别建立小波Elman、小波BP两种神经网络预测模型，利用这两种神经网络模型对未来1h,3h的风电功率进行预测，将1d~24d的数据作为训练样本，25d~30d数据作为验证样本。预测结果和实际风电功率值的对比图2,图3.为了清晰，本文只显示了其中50个点。
图2 提前1h预测风电功率
表3 根据不同时间尺度，分别列出了上述2种预测方法的平均绝对误差和最大误差，列出了不同模型的对照表；
表3.1 2种预测方法的误差比较(1h)
| 预测方法 平均绝对误差（MAPE） 最大误差（ME） |
| 小波BP网络方法 7.86 11.78 小波Elman方法 5.01 8.56 |
表3.2 2种预测方法的误差比较（3h）
| 预测方法 平均绝对误差（MAPE） 最大误差（ME） |
| 小波BP网络方法 11.45 15.76 小波Elman方法 9.63 12.35 |
表3.3 小波Elman和小波BP模型的对照表
| 模型 训练次数 精度 |
| 小波BP网络方法 1600 0.016 小波Elman方法 300 0.01 |
由以上3个表可以看出，在不同的时间尺度下，采用小波Elman神经网络方法来预测风电功率较小波BP 神经网络方法更为准确，并且小波Elman神经网络的结构简单，达到预定精度所用的训练次数少，大大节省了训练时间;
另外，在风电功率波动较大时，小波Elman能够更好的跟踪变化。随着预测时间尺度的增大，预测误差也越来越大，这是因为风电功率之间的关联性随着预测周期的增大而不断减弱。
