基于模糊神經網絡的風速預測研究＊

郭華旺 ，董海鷹 ，2

（1.蘭州交通大學自動化與電氣工程學院，甘肅蘭州730070；

（2.蘭州交通大學光電技術與智能控制教育部重點實驗室，甘肅蘭州730070）

1 引言

風電機組以風作為原動力，風速決定了風電機組的動態特性和工作狀況。風速的波動性和不確定性導致風力發電量隨機變化，而風速是影響風產能最直接最根本的因素，因此很有必要對風速進行預測，進而為電網調度提供依據［1-8］。

模糊系統和人工神經網絡都是無模型、非線性的動力學系統。模糊系統具有處理模糊語言信息的能力，可以仿真人的智慧進行判斷和決策，但它不具有自學習能力；人工神經網絡具有良好的自學習和自適應能力［9-11］，但不能表達人腦的推理功能，容易陷入局部極小值，且收斂速度比較慢。模糊神經網絡是將人工神經網絡和模糊控制的優勢進行有機結合。文獻［12］利用ARMA模型對風電場風速短期進行預測，該方法的預測誤差較大；文獻［13］結合時間序列法和神經網絡法對風速預測進行了探討；文獻［14］結合小波函數和神經網絡法對風速進行預測，該方法具有較高的精度。但是以上方法都沒有考慮氣溫、濕度等環境因素。本文提出利用模糊神經網絡風速預測模型，將氣溫、氣壓、空氣濕度和風向等環境因素引入模型對風速進行預測，仿真結果表明利用該方法提高風速預測的精度是可行的。

2 T-S模糊模型

T-S模糊模型是日本學者Takagi和Sugeno于1985年首先提出來的，它采用系統狀態變量或者屬于變量的函數作為IF-THEN模糊規則的后件，不僅可以用來描述模糊控制器，也可以描述被控對象的動態模型。T-S模糊系統是一種自適應能力很強的模糊系統，該系統不僅能自動更新，而且能不斷修正模糊子集的隸屬函數。T-S模糊系統用IF-THEN規則的形式來定義，在規則為Ri的情況下，模糊推理如下：

假設對于輸入量 x＝［x1，x2，…，xk］，首先根據模糊規則計算各輸出變量xj的隸屬度。

根據模糊計算結果計算模糊模型的輸出值yi。

將T-S模糊系統模型應用到神經網絡系統來構建具有更強的自適應學習能力的模糊神經網絡系統是非常可取的，它具有模糊邏輯易于表達人類知識和神經網絡分布式信息存儲以及學習能力的優勢，為像風速預測這樣的復雜系統的建模提供了有效的工具［15-16］。

3 模糊神經網絡風速預測建模

T-S模糊神經網絡分為輸入層、模糊化層、模糊規則計算層和輸出層四層。輸入層于輸入向量xi連接，節點數與輸入向量的維數相同。模糊化層采用隸屬度函數式（1）對輸入值進行模糊化得到模糊隸屬度值μ，模糊規則計算層采用模糊連乘公式（2）計算得到。輸出層采用公式（3）計算模糊神經網絡的輸出。

在風速預測中模糊神經網絡在本質上就是將常規神經網絡賦予模糊輸入信號和模糊權值。因此，模糊神經網絡和一般神經網絡是相似的，本文中采用前向型模糊神經網絡，該網絡由輸入層、模糊化層、模糊推理層和去模糊化層四層網絡構成。其中輸入層包括風速v、溫度T、氣壓P、空氣濕度Rh和風向Dw。模糊化層是對模糊信息進行預處理的網層，主要功能是對輸入值（包括模糊或是非模糊信息和數據）進行規范化處理。模糊推理層是前向型模糊神經網絡的核心，可模擬執行模糊推理方面的工作。去模糊化層可將推理結論由模糊狀態轉化為確定的狀態，其目的是給出確定的輸出以便系統執行。由上所述建立模糊神經網絡預測模型結構如圖1所示。

圖1 模糊神經網絡風速預測模型

在圖1中網絡對性的輸入輸出映射關系如下：

（1）層輸出節點：

據中央紀委通報，2017年全國紀檢監察機關共接受信訪舉報273.3萬件次，處置問題線索125.1萬件，立案52.7萬件，處分52.7萬人(其中黨紀處分44.3萬人)，全年立案數及處分人數超過2016年，連續五年增長。查處的結果一方面反映了我國自十八大以來的反腐成績，但也從另一層面顯現了腐敗增量與存量存在的嚴重問題，從“反腐敗斗爭壓倒性態勢”到“反腐敗斗爭壓倒性勝利”仍任重道遠。

（2）層輸入節點：

輸出節點：

（3）層輸入節點：

輸出節點：

（4）層輸入節點：

輸出節點：

其中：xi表示網絡的輸入。

模糊神經網絡的學習算法如下：

（1）誤差計算

式中：yd為網絡期望輸出；yc為網絡實際輸出；e為期望輸出和實際輸出的誤差。

（2）系統修正

式中：pji為神經網絡系數；α為網絡學習率；xj為網絡輸入參數；ωi為輸入參數隸屬度連乘積。

（3）參數修正

ωi表示網絡第三層和第四層之間的連接權值。

基于模糊神經網絡的預測建模步驟如下：

（1）選定兆瓦級風電發電系統進行建模，確定采集樣本的輸入輸出變量，找出變量對被測變量相關變量最大變量，輸入量分別為風速v、溫度T、氣壓P、空氣濕度Rh和風向Dw，輸出量為風速預測值Y；

（2）以風電場的歷史數據作為樣本數據，對樣本數據進行校驗和歸一化變化；

（3）對樣本優化組合，進行模糊神經網絡訓練，由Matlab編程來完成模糊神經網絡訓練和網絡生成；

（4）用確認集進行檢驗，用訓練好的網絡輸出風速預測值，選出最優組合參數建立模糊神經網絡預測模型。

4 模糊神經網絡風速預測仿真實例

本文采用某風電場2011年4月6日0點到24點樣本數據，該樣本數據是從1.5MW雙饋異步風力發電機組獲得的，采集的數據包括風速v、溫度T、氣壓P、空氣濕度Rh和風向Dw，首先將變量樣本中經過顯著誤差剔除和濾波處理后得到一個樣本集，然后再利用處理后的參數變量建立風速的預測樣本集。分別對風速進行提前4小時和提前一天的風速預測進行仿真，仿真結果如圖2、3所示。

圖2 有環境因素模糊神經網絡提前4小時風速預測

圖3 有環境因素基于模糊神經網絡提前一天風速預測

另外，只將樣本數據的風速作為模型的輸入，按照上述步驟進行仿真，仿真結果如圖4、5所示。

圖4 無環境因素基于模糊神經網絡提前4小時風速預測

圖5 無環境因素基于模糊神經網絡提前一天風速預測

表1 基于模糊神經網絡不同時間段對應的誤差值

如表1所示為基于模糊神經網絡不同的時間段對應的誤差值。從表1可以看出，無論是否考慮環境參數，基于模糊神經網絡的提前4小時和提前一天的風速預測隨著時間尺度的加大，風速預測誤差會有所增加；但不考慮溫度、氣壓、空氣濕度和風向等環境參數，僅僅將風速作為模糊神經網絡風速模型的輸入，提前4小時風速預測的最大誤差為0.4 m／s，提前一天的風速預測的最大誤差為1.27m／s，較之考慮環境參數的風速預測提前4小時的風速預測最大的誤差0.36m／s和提前一天的風速預測誤差0.65m／s都變大，可見環境因素對風電場風速的預測有一定的影響，本文將環境參數作為風速預測模型的輸入來提高預測精度是非常有必要的。

考慮溫度、氣壓、空氣濕度和風向等環境參數，利用小波神經網絡的對風速進行預測，仿真結果如圖6、7所示。

圖6 基于小波神經網絡提前4小時風速預測

圖7 基于小波神經網絡提前一天風速預測

表2 不同時間段對應的誤差值對比

如表2所示為不同時間段對應的誤差值對比。由表2可以看出，考慮環境參數基于小波神經網絡的提前4小時的風速預測最大誤差為0.36m／s，提前一天的風速預測誤差為0.65m／s，盡管預測誤差也已經比較小了，但是較之考慮環境參數的模糊神經網絡風速預測提前4小時的風速預測最大誤差0.11m／s和提前一天的風速預測誤差 0.58m／s還是偏大，可見基于模糊神經網絡的風速預測具有更高的預測精度，說明利用模糊神經網絡的預測方法來提高風速預測準確度和精度是可行的。

5 結束語

風速的變化與風電場的氣溫、氣壓、空氣濕度和風向等環境因素有非常密切的關系，仿真結果表明考慮環境因素的模糊神經網絡風速預測比只將歷史風速作為樣本的預測精度要高，因此從建立高精度的風速預測模型的角度出發，這些因素應該被重視起來。并且隨著時間尺度的加大，風速預測的偏差將會變大。與小波神經網絡風速預測相比，基于模糊神經網絡的風速預測有更高的精度，在風速預測方面具有較好的實用價值和應用前景。

［1］Alexiadis M，Dokopoulos P，Sahsamanoglou H.Short Term Forecasting of Wind Speed and Related Electrical Power［J］.Solar Energy，1998，63（1）：61-68.

［2］楊秀媛，梁貴書.風力發電的發展及其市場前景［J］.電網技術，2003，27（7）：77-79.

［3］冬 雷，高 爽，廖曉鐘，馮成博.風力發電系統發電容量時間序列的混沌屬性分析［J］.太陽能學報，2007，28（11）：1288-1295.

［4］Brown B G，Katz R W，Murphy A H.Time Series Models to Simulate and Forecast Wind Speed and Wind Power［J］.Journal of Climate and Applied Meteorology，1984（23）：1184-1195.

［5］Billinton R，Chen Hua，Ghajar R.Time-series Models for Reliability Evaluation of Power Systems Including Wind Energy［J］.Microelectronics and Reliability，1996，36（9）：1253-1261.

［6］朱 鋒.風電場風速多步預測方法的研究［D］.大連理工大學，2009.

［7］王曉蘭，李 輝.風電場輸出功率年度預測中有效風速預測研究［J］.中國電機工程學報，2010，30（8）：116-123.

［8］鄒 文，丁巧林，楊 宏，張 偉.基于Mycielski算法的風電場風速預測［J］.電力科學與工程，2011，27（3）：1-6.

［9］何春梅.模糊神經網絡的性能及學習算法研究［D］.南京理工大學，2010.

［10］董海鷹.智能控制理論及應用［M］.北京：中國鐵道出版社，2005.

［11］鄭 亮.風力發電機組風速檢測的研究［D］.北京：華北電力大學，2008.

［12］邵 璠，孫育河，梁嵐珍.基于ARMA的風電場風速短期預測［J］.電網與清潔能源，2008，24（1）：52-55.

［13］梁嵐珍，邵 璠.時序神經網絡算法的短期風速預測研究［J］.控制工程，2011，18（1）：43-45.

［14］楊 琦，張建華，王向峰，李衛國.基于小波-神經網絡的風速及風電發電量預測［J］.電網技術，2009，33（17）：42-49.

［15］史 峰，王小川，郁 磊，李 洋.MATLAB神經網絡30個案例分析［M］.北京：北京航空航天大學出版社，2010.

［16］李國勇.智能控制及其MATLAB實現［M］.北京：電子工業出版社，2010.