基于RBF算法短期風功率預測

王 瑤，楊培宏，李 忠

(1.內蒙古科技大學 信息工程學院， 內蒙古 包頭 014000；2.內蒙古自治區氣象服務中心， 內蒙古 呼和浩特 010051)

1 引言

近年來，隨著能源危機、溫室效應等問題的出現，開發利用風能源被提上日程。風能資源有清潔、無污染、儲量大的優點，而且相對于其他能源成本較為低廉。風力發電是風能的主要利用方式。但是風能資源最顯著的特點便是它的變化性，風能的隨機波動性巨大，主要是受風速的波動和風速方向的影響。給電力系統的穩定性帶來巨大挑戰，為此風功率預測勢在必行。

目前，國內外提出了很多風功率預測的方法。丁志勇等[1]提出連續時間段聚類的支持向量機的預測方法，該方法只能用于小規模訓練樣本，如果訓練樣本過多，則不易實施。王爽心等[2]采用小世界網絡模型，它的構造基于一個初試的最鄰近耦合網絡，但是復雜度太高，一般預測不會選用這種模型。Papaefthymiou等[3]采用馬爾可夫模型，它是典型的無后效性隨機過程，它在t時刻的狀態只與t-1時刻有關，與其他時刻都無關，很顯然風功率預測的效果不好。張國強等[4]采用的是組合預測的方法，雖然該方法預測效果良好，但是忽略異常輸入這種情況。胡夢月等[5]對AdaBoost算法改進，它的主要思想就是通過一系列迭代挑選出分類器，其穩定性不高。不僅僅為解決上述問題，本文提出了新的方法，研發了RBF算法。根據實測數據，本文采用基于歷史數據預測的方法。

2 數據預處理

在數據采集的過程中，每一個階段都可能導致異常數據的發生。負荷數據因各隨機因素產生異常對預測的準確性與負荷調度的有效性造成嚴重影響。針對這一不足，提出了可能性C均值聚類算法。其算法原理可描述為：

令X={x1,x2,…,xj,…xn}?Rs表示給定矢量樣本空間。s為維數，n為樣本數目。

優化目標函數如下：

(1)

3 短期風功率預測模型

3.1 BP神經網絡的原理

初始化權重和偏向：隨機初始化在-1到1之間，或者-0.5到0.5之間，每個單元有一個偏向。

這些變量分別如下：

(2)

停止條件是錯誤率低于某個設定值，或者是權重的更新不高于某個設定值，達到自己設置的循環次數。

BP算法的優勢：它是通過迭代性來處理訓練集中的實例。也就是一層一層來處理。不僅適用于多層前饋神經網絡，還可以用于去他類型的神經網絡，訓練遞歸。最重要的是誤差逆傳播算法，是迄今最成功的算法[6～8]。

3.2 徑向基原理

徑向基函數神經網絡是一種性能良好的前向網絡，具有訓練簡潔、學習收斂速度快以及克服局部最小值問題的性能。RBF神經網絡有很強的非線性擬合能力，可映射任意復雜的非線性關系，便于計算機實現。徑向基的網絡結構如圖1。

徑向基函數由三層構成，分別是輸入層、隱含層、輸出層。負責接收外界信息的是輸入層，隱含層則是實現非線性轉換，第三層是輸出的功能，是輸入的最終結果。假設輸入樣本為X,一個中心點為c，則任何只依賴x和c之間距離的函數都是徑向基函數。高斯基函數Gi(X)的表達式如下：

(3)

輸出為：

(4)

式(4)，Wim為輸出層的權值，bm為閾值。計算隱含層和輸出層之間的權值，采用最小二乘直接計算得到[9,10]。

圖1 徑向基的網絡結構

4 算例分析

本文采用某風電廠的實測數據，對三種算法進行了比較，進一步說明了RBF算法的高精確度。選取300組數據，前200組數據為算例，后100組數據作為預測數據[11,12]。

如圖2，采用RBF算法，得到測試樣本圖，圖中實際輸出與預測輸出基本一致，對比BP算法，顯而易見，精確度要比BP算法高，RBF算法的命中率，效果比BP算法好[13,14]。

圖2 測試樣本

4 結論

通過算例分析，可以清楚地看出RBF算法的優勢。采用RBF算法得到的風功率預測具有較高的精度，減小了風電出力不確定性對系統運行的影響，提高了系統運行的經濟性。為后續研究風功率預測提供了必要的模型和理論基礎。所以，RBF算法用于風功率預測很有必要。