人工智能神經網絡在新能源微電網中的運用

劉峻銘

新能源是指以新技術和新材料為基礎，使非傳統能源得到現代化的開發和利用的能源形式。微電網是將分布式電源、負荷、儲能裝置、變流器以及監控保護裝置有機整合在一起的小型發配電系統。新能源發電是微電網中的重要一環，在新能源技術的支持下能夠確保微電網的穩定運行。但是在自由化電力市場和可再生能源的快速發展下對新能源微電網運行產生了新的挑戰，出現了新的問題。為了解決這個問題，需要相關人員能夠及時、準確的把握分布式電源風能發電量及負荷需求預測情況。

一、人工智能神經網絡

人工神經網絡是現代人工智能的最重要的分支，是一種模仿生物神經網絡的結構和功能的數學模型或者計算模型，主要研究的是神經網絡應用的網絡基礎、算法、代碼等內容。人工智能對信息的智能化處理主要分為專家系統分詞法、神經網絡分詞法、神經網絡專家系統分詞法三種。文章主要就后兩種進行分析。神經網絡分詞法主要是模擬人腦進行運行，分布操作處理，在建立好計算模型之后將分詞知識分散的存入到神經網絡內部，并通過概念內部權值來獲得正確的分詞效果。神經網絡分詞法的關鍵是構建知識庫和網絡推理規則。神經網絡專家系統分詞法主要是將神經網絡分詞法和專家系統分詞法結合在一起的方法，具有神經網絡自學、自組織的特點，在本質上，神經網絡專家系統分詞法是一種對人腦思維方式的模擬。

二、新能源微電網

微電網主要是由分布電源、儲能裝置、能量轉換裝置、監控系統、保護裝置等組合形成的小型發配電系統。微電網在實際應用中是一種能夠自我控制、自我保護、自我管理的自治系統，在使用的時候能夠和多個網絡一起運行，也可以單獨運行。微電網從微觀上看是一個功能俱全的小型電力系統，在使用的過程中能夠實現功率的平衡，從宏觀上看是一個虛擬電源。

新能源電網為大電網和新能源之間的關聯提供了重要支持，并實現了對需求側管理以及可再生資源的有效利用，滿足了一些偏遠地區的用電需求，是提升能源利用率的一種重要方式。

但是受構成微電網太陽能、風能等分布式能源的不穩定，在新能源發電預測準確度、電網運行管理上存在較大的難度，由此在無形中加大了新能源發電量的預測難度。另外，影響電力負荷的外來因素呈現出一種非線性的復雜關系，在負荷預測上很難按照順序線性時間順序來建模，加劇了微電網負荷預測的難度。人工神經網絡能夠有效處理類似短期負荷預測的非線性復雜問題，減少外界因素對風力發電預測的干擾。

三、神經網絡在微電網短期負荷預測的應用

（一）神經網絡預測模型的構建

RBF神經網絡預測模型。根據模型發現RBF神經網絡主要由三層構成，包含由信號源節點構成的輸入層，深受描述問題決定的隱含層，能夠對輸入模式做出反應的輸出層。RBF神經網絡預測原理是應用徑向基函數（RBF）作為隱含層節點的基本，形成隱含層空間，實現對輸入變量的變換調整，將低維模式輸入數據轉變到高維空間中。

（二）基于神經網絡預測模型的短期負荷預測

短期負荷預測在電網能量管理、電網運行優化、電網穩定等方面起到了十分重要的作用，是神經網絡系統進行計算、仿真分析的重要依據。為了能夠更好的滿足市場發展對短期負荷預測的要求，需要借助RBF神經網絡打造短期負荷預測模型。文章所研究的短期負荷預測數據是某地區微電網4月到12月每1小時用電量的實際測量數據，借助數據系統觀測同一地區、同一時間段每1小時的氣溫和風速數據。在短期負荷預測之前需要對負荷的類型進行劃分，之后對各類數據信息進行整理和預處理。樣本數據信息的選擇深刻影響預測精準度，為此，需要相關人員結合實際確定樣本數據信息。首先，選擇和負荷關聯較高的時間、氣溫、風速，將一周前、后最大和最小負荷作為輸入樣本數據，并和當前與之對應的樣本一起作為輸出數據。其次，實際測量數據是目標負荷數據，將短期負荷預測結果作為重要輸出數據。最后，應用“數據塊”對輸入、輸出數據信息進行統一化處理，按照日期類型劃分的七種類型數據開展網絡訓練，打造基于RBF神經網絡短期負荷預測模型。

（三）基于RBF神經網絡短期負荷預測結果和MALAB仿真

將上文的輸入數據代入到基于RBF神經網絡短期負荷預測模型中，通過MATLAB進行仿真計算，得到研究對象未來24h內的短期負荷預測值。通過預測對象日短期負荷預測結果可以發現，12月1日的負荷預測結果更加貼近實際負荷要求，預測精確度較高。

四、RBF神經網絡在微電網風力發電中的預測

（一）基于RBF神經網絡的風力發電量預測

文章研究的微電網系統主要是以最大限度利用可再生能源風力發電為主，通過自產自銷的方式建立獨立的微電網系統，應用該系統減少由于風電變動對系統穩定帶來的不利影響。首先，應用RBF神經網絡對風速以及和風速相關的要素進行預測，將風速（t）、氣壓（t）和氣壓（t-1）要素作為預測風速的重要輸入數據。t 的取值范圍是0-23，預測日期選定為12月1日在內的一星期。網絡訓練時間是除去預測對象日的累積時間。其次，將風速預測結果、微電網風力發電量數據信息作為重要的樣本輸入數據，將這些數據代入到RBF神經網絡風力發電量預測模型中。最后，借助模型對未來一天內的風力發電量展開預測，實現對風力發電的高效利用，達到節能減排的發展目標。

（二）基于RBF神經網絡的風力發電量預測和MALAB仿真

在對未來一天內的風速、風力發電量預測分析之后得到基于RBF神經網絡的風力發電風速和發電量預測結果關系，結果證實了預測模型構造的可行性。

結束語

綜上所述，文章在闡述人工智能神經網絡、新能源微電網內涵的基礎上，應用人工智能神經網絡技術打造了基于RBF神經網絡的新能源微電網短期負荷預測模型和風力發電預測模型，對未來一天以內的短期負荷和風力展開預測、仿真分析，誤差較小，適合被人們應用在未來風力發電中，在節能減排發展目標的實現上起到了十分重要的作用。