基于神經(jīng)網(wǎng)絡(luò)的風(fēng)功率預(yù)測(cè)問(wèn)題研究

張 濤，張新燕，王維慶

(新疆大學(xué)電氣工程學(xué)院，新疆 烏魯木齊 830047)

0 引言

全球性的能源危機(jī)和氣候變暖，驅(qū)動(dòng)了新能源在世界范圍內(nèi)的迅速發(fā)展。風(fēng)能作為一種可再生、潔凈的能源，已得到世界各國(guó)的高度重視。風(fēng)力發(fā)電以其儲(chǔ)藏量巨大、轉(zhuǎn)換形式簡(jiǎn)單、可大規(guī)模開采以及零污染等特點(diǎn)成為未來(lái)經(jīng)濟(jì)、科技發(fā)展中最有代表性和最有潛力的新能源之一。2003年，中國(guó)風(fēng)力發(fā)電累計(jì)總裝機(jī)容量為567 MW，而到了2008年已達(dá)到了12210 MW。但是風(fēng)力發(fā)電也有其缺點(diǎn)，其中波動(dòng)性和間歇性最明顯。隨著風(fēng)電在電網(wǎng)中所占比例增大，大電網(wǎng)的不確定性增大，電力調(diào)度的難度也隨之增大。為此，對(duì)風(fēng)功率的預(yù)測(cè)就顯得尤為重要。目前相關(guān)的研究很多，文獻(xiàn)［1］介紹了一種運(yùn)用神經(jīng)網(wǎng)絡(luò)對(duì)風(fēng)電功率進(jìn)行短期預(yù)測(cè)的方法，證明了神經(jīng)網(wǎng)絡(luò)對(duì)研究風(fēng)功率預(yù)測(cè)的有效性;文獻(xiàn)［2］從物理和統(tǒng)計(jì)方法，給出了SVM(支持向量機(jī))預(yù)測(cè)方法，其對(duì)風(fēng)功率預(yù)測(cè)有很大應(yīng)用空間;文獻(xiàn)［3］分別將EMD和EEMD方法與時(shí)間序列的方法相結(jié)合應(yīng)用于風(fēng)功率預(yù)測(cè)中，實(shí)驗(yàn)證明該方法的正確性;文獻(xiàn)［4］歸納了目前風(fēng)功率預(yù)測(cè)的方法模型，提出了改進(jìn)方向。還有很多文章也都從各個(gè)角度對(duì)風(fēng)功率預(yù)測(cè)進(jìn)行了研究［5-9］，都有各自見解。

1 風(fēng)功率預(yù)測(cè)

1.1 風(fēng)功率預(yù)測(cè)概念

風(fēng)功率預(yù)測(cè)是指風(fēng)電場(chǎng)風(fēng)力發(fā)電機(jī)發(fā)電功率預(yù)測(cè)，其原理是根據(jù)風(fēng)電場(chǎng)氣象信息有關(guān)數(shù)據(jù)，利用物理模型計(jì)算和科學(xué)統(tǒng)計(jì)方法，對(duì)風(fēng)電場(chǎng)的風(fēng)力風(fēng)速進(jìn)行短期預(yù)報(bào)，并預(yù)測(cè)出風(fēng)電場(chǎng)的功率，從而也可實(shí)現(xiàn)電力調(diào)度部門對(duì)風(fēng)電調(diào)度的要求。

1.2 風(fēng)功率預(yù)測(cè)相關(guān)要求

國(guó)家頒布的《風(fēng)電場(chǎng)功率預(yù)報(bào)管理暫行辦法的通知》給出了一系列預(yù)測(cè)預(yù)報(bào)要求:風(fēng)電場(chǎng)功率預(yù)測(cè)系統(tǒng)提供的日預(yù)測(cè)曲線最大誤差不超過(guò)25%;實(shí)時(shí)預(yù)測(cè)誤差不超過(guò)15%。全天預(yù)測(cè)結(jié)果的均方差跟誤差應(yīng)小于20%。

風(fēng)電場(chǎng)發(fā)電預(yù)測(cè)預(yù)報(bào)考核指標(biāo)為風(fēng)電場(chǎng)發(fā)電預(yù)測(cè)預(yù)報(bào)準(zhǔn)確率、合格率和上報(bào)率。準(zhǔn)確率為

其中，r1為預(yù)測(cè)計(jì)劃曲線準(zhǔn)確率;PMk為k時(shí)段的實(shí)際平均功率;PPk為k時(shí)段的預(yù)測(cè)平均功率;N為日考核總時(shí)段數(shù);Cap為風(fēng)電場(chǎng)開機(jī)容量。

合格率為

上報(bào)率為

月風(fēng)電功率預(yù)測(cè)數(shù)據(jù)傳輸率(%)=(月成功傳輸數(shù)據(jù)天數(shù)/月日歷天數(shù))×100%。

2 BP神經(jīng)網(wǎng)絡(luò)優(yōu)化

2.1 BP神經(jīng)網(wǎng)絡(luò)簡(jiǎn)介

BP神經(jīng)網(wǎng)絡(luò)是常見的三層(輸入層、承接層和輸出層)，網(wǎng)絡(luò)通過(guò)學(xué)習(xí)自動(dòng)校正各層之間的參數(shù)，以此來(lái)記憶前面的訓(xùn)練結(jié)果使系統(tǒng)具有適應(yīng)時(shí)變特性的能力而不產(chǎn)生泛化，BP網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。

圖1 BP網(wǎng)絡(luò)結(jié)構(gòu)圖

2.2 基于BP神經(jīng)網(wǎng)絡(luò)的風(fēng)功率預(yù)測(cè)

通過(guò)如下非線性空間狀態(tài)方程對(duì)網(wǎng)絡(luò)進(jìn)行建模。

上式中，y、m、x、J分別表示1個(gè)輸出向量，n個(gè)神經(jīng)元節(jié)點(diǎn)，k維輸入向量和n維反饋狀態(tài)向量;w1、w2、w3分別代表承接層與隱含層、輸入層與中間層、隱含層和輸出層之間的連接權(quán)值;G為輸出神經(jīng)元傳遞函數(shù);F為隱含層神經(jīng)元傳遞函數(shù)。網(wǎng)絡(luò)采用BP算法進(jìn)行權(quán)值修正，學(xué)習(xí)指標(biāo)函數(shù)采用誤差平方和函數(shù)，訓(xùn)練誤差為

基于BP神經(jīng)網(wǎng)絡(luò)的風(fēng)功率預(yù)測(cè)方法還有兩個(gè)必備部分，即輸入樣本和對(duì)應(yīng)的輸出樣本。將風(fēng)電場(chǎng)給出的風(fēng)功率預(yù)測(cè)曲線作為輸入樣本，這里取短期預(yù)測(cè)曲線。

3 仿真與結(jié)果

在Matlab中建立BP神經(jīng)網(wǎng)絡(luò)的數(shù)學(xué)模型，對(duì)樣本進(jìn)行訓(xùn)練和測(cè)試。

圖2中各曲線的意義為:Train——訓(xùn)練誤差曲線;Validation——驗(yàn)證誤差曲線;Test——測(cè)試誤差曲線;Best——理想誤差曲線;Goal——預(yù)設(shè)誤差限。

由圖2可以看出經(jīng)過(guò)6步訓(xùn)練后神經(jīng)網(wǎng)絡(luò)的訓(xùn)練誤差已滿足誤差允許的限制，達(dá)到了預(yù)設(shè)的誤差限;且驗(yàn)證誤差曲線和測(cè)試誤差曲線的下降趨勢(shì)與訓(xùn)練誤差曲線的下降趨勢(shì)相同。

圖2 網(wǎng)絡(luò)訓(xùn)練誤差曲線

圖3 神經(jīng)網(wǎng)絡(luò)訓(xùn)練過(guò)程

圖4 訓(xùn)練狀態(tài)曲線

由圖3和圖4可以看出，通過(guò)6步訓(xùn)練，訓(xùn)練誤差已達(dá)到預(yù)設(shè)誤差限;Gradient(逼近梯度)和參數(shù)mu曲線的整體趨勢(shì)是下降的，神經(jīng)網(wǎng)絡(luò)處于一個(gè)逼近最佳狀態(tài)的趨勢(shì)，由圖5可以看出曲線的回歸特性。

圖5 回歸特性曲線

圖6為神經(jīng)網(wǎng)絡(luò)的優(yōu)化輸出與預(yù)測(cè)輸出及實(shí)際輸出的對(duì)比圖，由圖可以看出經(jīng)過(guò)優(yōu)化的輸出曲線近似于實(shí)際輸出曲線，而原始預(yù)測(cè)曲線則存在著較大的偏差。

圖6 優(yōu)化輸出對(duì)比曲線

表1 優(yōu)化數(shù)據(jù)對(duì)比

將表1中的數(shù)據(jù)，帶入到準(zhǔn)確率和合格率公式中計(jì)算。

準(zhǔn)確率為

合格率為

優(yōu)化后的數(shù)據(jù)準(zhǔn)確率為88.75%，合格率為93.75%，符合國(guó)家頒布的《風(fēng)電場(chǎng)功率預(yù)報(bào)管理暫行辦法的通知》中的相關(guān)要求。

4 結(jié)語(yǔ)

通過(guò)運(yùn)用BP神經(jīng)網(wǎng)絡(luò)的方法，對(duì)風(fēng)電場(chǎng)風(fēng)功率預(yù)測(cè)數(shù)據(jù)進(jìn)行優(yōu)化，計(jì)算數(shù)據(jù)和仿真結(jié)果表明，優(yōu)化后的風(fēng)功率數(shù)據(jù)準(zhǔn)確率為88.75%，合格率為93.75%，符合國(guó)家頒布的《風(fēng)電場(chǎng)功率預(yù)報(bào)管理暫行辦法的通知》中的相關(guān)要求，證明該方法的有效性。

［1］黃金花，彭暉.風(fēng)電場(chǎng)短期風(fēng)功率的神經(jīng)網(wǎng)絡(luò)方法預(yù)測(cè)研究［J］.電工電氣，2009(9):57-60.

［2］戚雙斌，王維慶，張新燕.基于支持向量機(jī)的風(fēng)速與風(fēng)功率預(yù)測(cè)方法研究［J］.華東電力，2009(9):1600-1603.

［3］常鵬，高亞靜，張琳，等.基于EEMD與時(shí)間序列法的短期風(fēng)電場(chǎng)功率預(yù)測(cè)［J］.電力科學(xué)與工程，2012，28(3):33-39.

［4］王麗婕，廖曉鐘，高陽(yáng)，等.風(fēng)電場(chǎng)發(fā)電功率的建模和預(yù)測(cè)研究綜述［J］.電力系統(tǒng)保護(hù)與控制，2009，37(13):118-121.

［5］陸寧，周建中，何耀耀.粒子群優(yōu)化的神經(jīng)網(wǎng)絡(luò)模型在短期負(fù)荷預(yù)測(cè)中的應(yīng)用［J］.電力系統(tǒng)保護(hù)與控制，2010，38(12):65-68.

［6］王鳳霞.風(fēng)功率預(yù)測(cè)技術(shù)［J］.云南電力技術(shù)，2011，39(5):58-59.

［7］馮雙磊，王偉勝，劉純，等.風(fēng)電場(chǎng)功率預(yù)測(cè)物理方法研究［J］.中國(guó)電機(jī)工程學(xué)報(bào)，2010(2):1-6.

［8］潘迪夫，劉輝，李燕飛.基于時(shí)間序列分析和卡爾曼濾波算法的風(fēng)電場(chǎng)風(fēng)速預(yù)測(cè)優(yōu)化模型［J］.2008，32(7):82-86.

［9］杜穎，盧繼平，李青，等.基于最小二乘法支持向量機(jī)的風(fēng)電場(chǎng)短期風(fēng)速預(yù)測(cè)［J］.電網(wǎng)技術(shù)，2008，32(15):62-66.