基于人工神經網絡的波浪發電系統輸出功率預測

霍政界

（河海大學能源與電氣學院，江蘇南京，211000)

0 引言

在能源漸趨枯竭、環境污染嚴重的當下，大力發展占地球表面積71%的海洋能已經成為時代的趨勢。作為海洋中分布最廣的可再生能源，波浪能具有良好的開發利用價值。但波浪發電也有其缺點，由于波浪的不規則性，不可控性等特點，波浪發電系統的輸出功率也具有較大的波動性。這使得電力系統的運行調度難度增加。因此，若能對波電場的輸出功率進行預測，就不僅對于其功率平滑控制有著重要的作用，同時也有利于電力系統消納波浪發電系統的電能。

AWS 是第一個直驅式的波浪發電系統，2004 年在荷蘭投入海底試運行，它的結構簡單、效率高且完全淹沒在水面下，所以易于被人們接受，本文以AWS 為例開展研究。

由于波浪數據的不規則性，本文選用能逼近任意非線性曲線的人工神經網絡中的BP 算法，它具有很強的非線性映射能力，而且網絡的中間層數、各層的處理單元數及網絡的學習系數等參數都可根據具體情況設定，靈活性很大。本文用BP 算法對波浪數據建立網絡模型，通過不同樣本數據訓練模型以及預測不同時間長度，得到不同預測結果，比對樣本數據及預測時間長度對預測結果的影響。

1 基于AWS 的功率轉化模型

1.1 阿基米德波能裝置（AWS）

AWS 的底部固定于海底，上面由一個中空的氣缸和一個浮子組成，浮子在波浪的起伏運動下往復運動，同時壓縮氣缸做功，將波浪能轉化為機械能，從而帶動直線永磁發電機發電。

1.2 簡化的功率轉化模型

文獻[3]中根據牛頓第二定律給出了AWS 系統功率轉換的詳細模型。但其作為定義式，無法用于真是海面的計算。本文根據真實海面波浪周期不斷變化的特點，對波浪力的計算采取了分段形式。

用于電力系統分析的AWS 驅動系統和直線永磁發電機可采用如下簡化模型。

輸出有功功率方程為：

式（1）、式（2）和式（3），構成了由波浪參數到功率的AWS 波浪完整轉化模型，據此，搭建基于Matlab/Simulink 平臺的仿真模型。

2 BP 神經網絡基本原理

2.1 BP 網絡介紹

BP（Back Propagation）網絡是一種按照誤差反向傳播的方法，最早由Rumelhart、McCelland 等人在1986 年提出。

BP 算法的學習規則是沿著表現函數下降最快的方向修正網絡權值和閥值，使網絡的誤差平方和最小。BP 網絡由輸入層、隱含層和輸出層構成。由于具有S 型函數的3 層BP 網絡已經能夠以任意精度逼近于任意連續函數，所以確定3 層結構BP 網絡作為此次研究的基本模型（如圖4）。網絡的學習過程就是權值的調整過程，有兩個過程組成，即：

1） 信號的正向傳播

輸入樣本－＞輸入層－＞各隱含層－＞輸出層

2） 誤差的反向傳播

輸出誤差－＞隱層－＞輸入層

2.2 基于BP 算法的預測模型

基于BP 算法的短期波浪數據預測模型可分為BP 神經網絡構建、BP 神經網絡訓練和BP 神經網絡預測三步。

a) BP 神經網絡構建

BP 網絡輸入輸出層的參數根據實際情況來決定。在隱含層節點數的選擇上，根據以下公式而定：

式中，l 為隱含層節點數； n 為輸入節點數； m 為輸出節點數； a 為1-10 直接的調節常數。改變l，用同一樣本訓練，從中確定網絡誤差最小時對應的隱含層節點數。

b) BP 神經網絡訓練

BP 神經網絡的訓練包括選取合適的傳遞函數、學習速率、期望誤差等。傳遞函數是神經元間的傳遞方式，對網絡的建模起著非常重要的作用。常見的傳遞函數有：線性函數（purelin）和sigmoid 型函數。

c) BP 神經網絡預測

運用Matlab 軟件進行預測，得到誤差最小的預測值。

3 仿真分析

基于實測數據對波浪數據進行預測，測波點面向開敞黃海海區，無島嶼掩護，可觀測到多個方向的波浪，波浪代表性良好。波浪站使用采樣頻率4Hz的SBF3-1型波浪浮標進行波浪數據采集，每1h 進行一次，采樣間隔0.25s。為驗證本文所提出的預測方法的有效性，這里選取了觀測站2011 年8 月的一組波面數據中的3840 個連續點（4 點/s，共16min）用作樣本數據。其中最后1min的數據用作預測目標值。

本文借助Matlab 工具箱中包含的各種函數開始分析樣本數據。選取trainlm 函數為訓練函數，將學習速率取為0.04，期望誤差目標設為0.00033。

3.1 不同訓練樣本數量對的預測結果影響

分別取1440、1200、960、720、480 個訓練樣本來訓練，滾動預測8 個點（即提前2s）預測，得到最后1min 的預測值與目標值得平均絕對誤差mae 與平均絕對百分比誤差map 如表1 所示：

表1 不同訓練樣本數量得到的預測誤差

從預測結果可以看出，當訓練樣本數越多時，預測模型越準確，1200 個訓練樣本以上，誤差值基本都很小了。所以，應選取合適的訓練樣本個數，使得訓練的模型即精確又迅速。

3.2 不同預測時長對預測結果的影響

當取1200 個訓練樣本時，分別提前1s、2s、3s 進行預測，得到的誤差值如表2 所示：

表2 不同預測時長得到的預測誤差

從預測結果看，當預測超過3s 后，誤差會變得很大，所以用這個模型進行預測的預測值最好在2s 以內。

3.3 功率預測值

將以1200 個點作為訓練樣本，提前2s 預測得到的預測值帶入到功率轉換方程，得到功率的預測值如下圖所示：

4 結論

本文以AWS 波浪發電系統為例，建立了從波面數據到功率的簡化模型，再利用BP 算法對實際波浪數據進行建模并預測，同時比對了不同訓練樣本數及預測時間長度對于結果的影響，最后選取合適的預測值帶入功率轉化模型中得到功率的預測值。可以看出，預測得到的輸出功率比用正弦函數模擬得到的更為真實準確，并且能夠充分反映現實中功率的變化，更有利于波浪發電系統的功率平滑控制。

但是，這樣超短時間的預測對于波浪系統的并網運行幫助不大，后期應采取其它更為有效的預測方法來改進預測模型，以便得到更長時間的預測值。

圖2 輸出功率Fig. 2 The Output power of wave

[1] 廣州能源研究所.我國海洋波浪能的發展進展[EB/OL]. [2006-5-11].http://www.newenergy.org.cn/.

[2] De COSTA J S,PINTO P, SARMENTO A et al.Modeling of an Ocean Waves Power Device AWS[C]//Proceedings of IEEE Conference on Control Applications,2003: 618-623.

[3] Sousa Prado M G,Gardner F,Damen M,et al. Modelling and test results of the Archimedes wave swing[C]// Proceedings of the Institution of Mechanical Engineers,Dec,2006:855-868.

[4] WU Feng,ZHANG Xiaoping.Optimal Control for AWSBased Wave Energy Conversion System[J].IEEE Trans on Power Systems,2009,24(4):1747-1755.

[5] Simon Haykin.神經網絡原理[M].葉世偉,史忠植譯. 北京機械工業出版社, 2004:109-121 .

[6] 蔣宗禮.人工神經網絡導論[M].北京高等教育出版社, 2001: 97-106.

[7] Martin Hagan T,Howard Demuth B,et al.神經網絡設計[M].戴葵譯.北京：機械工業出版社，2002:197-221.

[8] 張德豐.MATLAB 神經網絡編程[M].化學工業出版社, 2011-12.