基于多層RBF神經(jīng)元網(wǎng)絡(luò)的風(fēng)電功率短期預(yù)測(cè)

摘要：風(fēng)力發(fā)電輸出功率預(yù)測(cè)對(duì)風(fēng)電場(chǎng)和電力系統(tǒng)都具有重大意義。文章提出了多層徑向基函數(shù)（radial basis function，RBF）神經(jīng)元網(wǎng)絡(luò)的聚類算法，從實(shí)際運(yùn)行的風(fēng)電場(chǎng)獲得的數(shù)據(jù)樣本，建立了基于多層RBF網(wǎng)絡(luò)的短期風(fēng)電功率預(yù)測(cè)模型。運(yùn)用該模型并利用MATLAB數(shù)學(xué)軟件編程進(jìn)行了每隔15分鐘30個(gè)時(shí)點(diǎn)的風(fēng)電功率輸出預(yù)測(cè)，結(jié)果表明預(yù)測(cè)誤差達(dá)到了很高的精度。通過預(yù)測(cè)值與實(shí)際輸出功率數(shù)據(jù)比較，說明了多層RBF網(wǎng)絡(luò)預(yù)測(cè)的有效性和可靠性。

關(guān)鍵詞：風(fēng)電功率；短期預(yù)測(cè)；多層RBF神經(jīng)元網(wǎng)絡(luò)；風(fēng)能；風(fēng)電場(chǎng)

中圖分類號(hào)：TM74文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1009-2374（2012）30-0018-03

1概述

隨著大規(guī)模風(fēng)電場(chǎng)的興起，風(fēng)能越來越多地被應(yīng)用到發(fā)電行業(yè)，加強(qiáng)對(duì)風(fēng)電功率預(yù)測(cè)的研究具有迫切性和重要性，目前提出的預(yù)測(cè)方法有統(tǒng)計(jì)方法、時(shí)間序列分析法、空間相關(guān)性法、模糊邏輯法、灰色預(yù)測(cè)法、人工神經(jīng)網(wǎng)絡(luò)法等。

本文提出多層RBF網(wǎng)絡(luò)。該網(wǎng)絡(luò)是在一層網(wǎng)絡(luò)的基礎(chǔ)上用第二層網(wǎng)絡(luò)去擬合殘差函數(shù)，得到三層網(wǎng)絡(luò)，它的擬合精度又提高了。如此進(jìn)行下去，就得到一個(gè)高精度的多層徑向基函數(shù)網(wǎng)絡(luò)，其在非線性建模特別是非線性時(shí)間序列和混沌時(shí)間序列的建模和預(yù)測(cè)上有重要意義。相對(duì)于單層RBF網(wǎng)絡(luò)的預(yù)測(cè)有更高的精度。

2基本理論

2.1單層RBF神經(jīng)網(wǎng)絡(luò)

RBF神經(jīng)網(wǎng)絡(luò)是一種性能良好的前向神經(jīng)網(wǎng)絡(luò)。RBF神經(jīng)網(wǎng)絡(luò)的典型結(jié)構(gòu)如下，不失一般性，假設(shè)輸出層只有一個(gè)結(jié)點(diǎn)，這種結(jié)構(gòu)很容易擴(kuò)展到多輸出結(jié)點(diǎn)的情形。輸入層到隱層為權(quán)值1的固定連接。隱含層由一組徑向基函數(shù)構(gòu)成，其中對(duì)應(yīng)的中心向量和寬度是RBF的參數(shù)。一般隱含層各結(jié)點(diǎn)都采用相同的徑向基函數(shù)，徑向基函數(shù)有多種形式，通常取高斯函數(shù)。隱層的輸出在輸出層線性加權(quán)組合，形成神經(jīng)網(wǎng)絡(luò)的輸出。

2.2多層RBF神經(jīng)元網(wǎng)絡(luò)

多層徑向基函數(shù)的原理是在一層網(wǎng)絡(luò)的基礎(chǔ)上用第二層網(wǎng)絡(luò)去擬合殘差函數(shù)，得到三層網(wǎng)絡(luò)，如此進(jìn)行下去，就得到一個(gè)高精度的多層徑向基函數(shù)網(wǎng)絡(luò)，高精度的函數(shù)逼近網(wǎng)絡(luò)在非線性建模，特別是非線性時(shí)間序列和混沌時(shí)間序列的建模和預(yù)測(cè)上有重要意義。

于是得到了一個(gè)模型，其中用最小二乘法決定加權(quán)系數(shù)得到。重復(fù)這一步驟得到一個(gè)多層徑向基網(wǎng)絡(luò)。最后，根據(jù)適當(dāng)?shù)呐袆e準(zhǔn)則可以決定增加幾層最為合適。

3模型的建立及求解

3.1單層RBF神經(jīng)網(wǎng)絡(luò)

4結(jié)語

建立了以風(fēng)電輸出功率數(shù)據(jù)為樣本的單層RBF及多層RBF神經(jīng)元網(wǎng)絡(luò)模型的預(yù)測(cè)，并用實(shí)際數(shù)據(jù)作了大量實(shí)驗(yàn)預(yù)測(cè)，檢驗(yàn)了模型的精確性。多層RBF網(wǎng)絡(luò)具有比單層RBF網(wǎng)絡(luò)更好的樣本預(yù)測(cè)性能，需要指出的是，多層徑向基函數(shù)網(wǎng)絡(luò)的聚類學(xué)習(xí)法仍有一些待解決的問題，如網(wǎng)絡(luò)隱層神經(jīng)元數(shù)目的選擇問題、參數(shù)優(yōu)化的計(jì)算量大等，對(duì)于該預(yù)測(cè)方法還要作進(jìn)一步的完善。

參考文獻(xiàn)

[1]方江曉，周輝，黃梅．基于統(tǒng)計(jì)局類分析的短期風(fēng)電功率預(yù)測(cè)[J]．電力系統(tǒng)保護(hù)與控制，2011，39（11）：67-78．

[2]Torres J L，Garcia A，Blas M D，et a1．Forecast of Hourly Average Wind Speed with ARMA Models in Navarre（Spain）[J]．Solar Energy，2005，79（5）：65-77．

[3]李文良，衛(wèi)志農(nóng)，孫國(guó)強(qiáng)．基于改進(jìn)空間相關(guān)法和徑向基神經(jīng)網(wǎng)路的風(fēng)電場(chǎng)短期風(fēng)速分時(shí)預(yù)測(cè)模型[J]．電力自動(dòng)化設(shè)備，2009，29（6）：89-92．

[4]Alexiadis M，Dokopoulos P，Sahsamanoglou H，et a1．Short term forecasting of wind speed and related electrical power[J]．Solar Energy，1998，63（1）：61-68．

[5]Barbounis T G，Theocharis J B．A locally Wuetta，Pakistan 1997（01）recurrent fuzzy neural network with application to the wind speed prediction using spatial correlation[J]．Neurocomputing，2007，70（7/9）：15、25-42．

[6]李俊芳，張步涵，謝光龍．基于灰色預(yù)測(cè)模型的風(fēng)速-風(fēng)電功率預(yù)測(cè)研究[J]．電力系統(tǒng)保護(hù)與控制，2010，38（19）：112-120．

[7]Barbounis T G，Theocharis J B，Alexiadis M C，et a1．Long-term Wind Speed and Power Forecasting Using Local Recurrent Neural Network Models[J]．Transactions on Energy Conversion，2006，21（1）：273-284．

[8]郭琦，鮑金春，宋繼光．基于BP神經(jīng)網(wǎng)絡(luò)的風(fēng)電功率預(yù)測(cè)[J]．電源技術(shù)應(yīng)用，2011，14（6）：100-105．

作者簡(jiǎn)介：李秀秀（1988-），女，安徽阜陽人，安徽財(cái)經(jīng)大學(xué)統(tǒng)計(jì)與應(yīng)用數(shù)學(xué)學(xué)院2009屆數(shù)學(xué)系學(xué)生，研究方向：數(shù)學(xué)與應(yīng)用數(shù)學(xué)。

（責(zé)任編輯：王書柏）