基于小波神經網絡結合物聯網架構的大規模集中接入風電站功率自動預測

摘 要：風力發電的功率受風速、風向等多個氣象因素影響，因此風力發電的功率具有不穩定性和時變性，因而很難通過傳統的算法和數學模型來預測。為此，結合小波神經網絡和物聯網架構設計一種大規模集中接入風電站功率自動預測方法。設計基于物聯網架構的風電站數據采集架構，利用無線傳感器與射頻標簽等設備采集風力發電機組設備運行狀態信息與風電站周邊環境信息，所采集信息利用無線傳感模塊傳輸至網絡服務層內實施處理與存儲；客戶端層構建基于小波神經網絡的預測模型，將網絡服務層內所存儲的數據作為輸入，通過網絡初始化與訓練輸出功率預測結果。實驗結果顯示，該方法能夠獲取準確的功率預測結果。

關鍵詞：小波神經網絡；物聯網架構；風電站；功率自動預測；數據采集；小波基函數

中圖分類號：TP393；TM71 文獻標識碼：A 文章編號：2095-1302（2024）03-0-03

0 引 言

作為新能源發電技術之一，風力發電能夠有效緩解環境污染問題[1]，對推動電力工業優化具有重要意義。新能源場站的功率預測、資金投入必不可少，大規模集中接入風電站功率自動預測主要完成從集控系統采集新能源場站風機、測風塔、環境監測儀、光伏逆變器、升壓站和計算機監控系統的數據，以及獲取的外部天氣預報數值，對所轄的新能源場站進行獨立的功率預測[2]。但當前大規模的風力發電過程中還存在一定的問題，研究風電站功率預測勢在必行。

本文研究基于小波神經網絡結合物聯網架構的大規模集中接入風電站功率自動預測方法。在發電管理、后期電力交易等方面發揮最大的綜合利用效益，更好地實現各電站的遠程優化管理和經濟運行。

1 方 法

1.1 數據采集架構設計

數據采集質量直接影響小波神經網絡的預測性能。如果采集到的數據有誤差、缺失或不完整等問題，將導致預測模型出現偏差或錯誤，從而降低預測準確性。

物聯網技術架構的主要特征有全面感知、可靠傳遞和智能處理，能夠有效監測風電站數據。基于此，在采集大規模集中接入風電站相關數據的過程中，可基于物聯網架構設計一種大規模集中接入風電站設備運行狀態與周邊環境監測系統[3]，即構建一個能夠遠程監測大規模集中接入風電站設備運行狀態與風電場周邊環境的物聯網平臺。基于物聯網架構，提供大規模集中接入風電站數據服務。

基于物聯網架構的風電站數據采集架構，能夠有效監測大規模集中接入風電站設備的運行狀態與風電站周邊環境的變化，采集設備運行數據與環境數據，并基于數據分析提供數據查詢與預測等功能。圖1所示為基于物聯網架構的大規模集中接入風電站數據采集架構。

基于物聯網架構的大規模集中接入風電站數據采集架構主要包含三個主要部分，分別是信息采集層、網絡服務層和客戶端層。

（1）信息采集層主要利用無線傳感器與射頻標簽等設備，采集風力發電機組設備運行狀態信息與風電站周邊環境信息，再將所采集信息利用無線傳感模塊傳輸至網絡服務層[4]。

（2）網絡服務層包含數據庫服務器等，主要功能為存儲信息采集層采集的數據，對數據進行過濾、零漂處理、限值檢查、更新死區檢查等，并對處理后的數據進行備份。

（3）客戶端層基于網絡服務層內所存儲的數據，實現風力發電設備或風電場周邊環境數據的查詢、分析與預測[5-6]。

1.2 功率預測

小波神經網絡是一種在線預測模型，對數據的處理效率要求高。物聯網架構的數據采集和處理速度決定了預測模型的反應速度。基于物聯網架構的風電站數據采集，實現風電站功率自動預測。

利用小波神經網絡構建預測模型。小波神經網絡以BP神經網絡拓撲結構為基礎[7-8]，將小波基函數作為隱藏層節點的傳遞函數。實際運行過程中信號正向傳輸，而誤差反向傳輸。

將基于物聯網架構的風電站數據采集架構所采集的數據X1， X2， ...， XK作為輸入數據，以Y1， Y2， ...， Ym表示小波神經網絡預測模型的輸出結果。

以xi（1， 2， ...， k）表示小波神經網絡預測模型輸入信息序列，利用式（1）描述隱含層輸出：

（1）

式中：hj和wij分別表示小波基函數與輸入層和隱含層間的連接權值；bj和aj分別表示hj的平移因子和伸縮因子。

利用式（2）描述網絡輸出層輸出結果：

（2）

式中：l和wlk分別表示隱含層節點數量和隱含層至輸出層的權值；m表示輸出層節點數量。

基于小波神經網絡預測模型[9]的大規模集中接入風電站功率自動預測流程為：

（1）初始化網絡：隨機初始化模型內各參數；

（2）樣本劃分：將基于物聯網架構的風電站數據采集架構所采集的數據樣本劃分為訓練集與測試集兩部分；

（3）預測輸出：在預測模型輸入訓練樣本，獲取預測結果的同時，確定模型輸出同期望輸出間的誤差；

（4）優化權值：依照輸出誤差，通過梯度優化方法優化權值參數與小波基函數參數[10]，由此確保預測模型輸出結果最大限度逼近期望輸出；

（5）確定預測過程是否結束，若未結束，則返回（3）。

2 實驗結果

本文研究基于小波神經網絡結合物聯網架構的大規模集中接入風電站功率自動預測方法，為驗證本文方法的功率預測性能，以某大規模集中接入風電站為研究對象，采用本文方法對功率進行預測，所得結果如下。

2.1 數據采集性能分析

基于本文方法采集研究對象相關數據，并分析數據采集過程中模擬量綜合誤差與網絡通信延時等指標，所得結果見表1所列。

分析表1得到，采用本文方法采集研究對象相關數據過程中，綜合誤差與誤碼率均較低，且合格率較高。由此可知，本文方法具有較高的數據采集精度。

數據處理過程包括：數據過濾、零漂數據處理、限值檢查、更新死區檢查。通過數據處理能夠對采集數據的數據完整率、有效率進行修正。對數據源提供的數據進行校驗，包括數據邊界范圍，數據異常（過大、過小）、補數以及錯輸校驗等。圖2所示為采用本文方法處理后的數據完整率。

分析圖2得到，采用本文方法對所采集數據進行處理后，能夠有效提升數據的完整性，剔除缺數、錯數、死數等數據。結合表1的結果可知，采用本文方法采集研究對象的相關數據，有利于提升后續功率預測結果的精度。

2.2 功率預測性能分析

利用小波基函數，對功率預測性能進行分析。分析過程中，選取歸一化平均絕對誤差、歸一化均方根誤差與相關系數作為分析指標。在未使用小波基函數和使用小波基函數兩種情況下對本文方法的功率預測性能影響做對比分析，如圖3所示。

分析圖3得到，本文方法所構建的預測模型內采用小波基函數作為隱藏層節點的傳遞函數，可有效降低研究對象功率預測的誤差。

2.3 功率預測結果

采用本文方法對研究對象2022年6月18日不同時刻的功率進行預測，并將預測結果與實際功率值進行對比，所得結果見表2所列。

分析表2可得，采用本文方法預測研究對象在不同時刻的發電功率，所得預測結果與實際發電功率值基本一致，誤差控制在0.02 kW以內，全天預測誤差控制在0.1 kW左右。由此說明本文方法具有較高的預測精度，完全滿足實際預測需求。

3 結 語

本文研究基于小波神經網絡結合物聯網架構的大規模集中接入風電站功率自動預測方法。通過該方法可對不同區域新能源電場站數據進行統一管理和維護，并為集團新能源功率預測、并網提供科學有效的技術手段，為調度集團統一計劃的制定提供有力支持。

參考文獻

[1]馬聞達，王西田，解大.大規模風電場并網系統次同步振蕩功率傳播特性研究[J].中國電機工程學報，2020，40（16）：5217-5229.

[2]張健.基于卷積神經網絡的新能源光伏電站發電功率預測方法[J].機械設計與制造工程，2022，51（10）：69-73.

[3]王一妹，劉輝，宋鵬，等.基于高斯混合模型聚類的風電場短期功率預測方法[J].電力系統自動化，2021，45（7）：37-43.

[4]雷蕾瀟，張新燕，孫珂.基于關聯規則及BP神經網絡的風電場輸出功率預測[J].安徽大學學報（自然科學版），2021，45（5）：72-76.

[5]王佶宣，鄧斌，王江.基于經驗模態分解與RBF神經網絡的短期風功率預測[J].電力系統及其自動化學報，2020，32（11）：109-115.

[6]史如新，王德順，余濤，等.基于NARX神經網絡-小波分解光伏發電功率預測[J].鄭州大學學報（工學版），2020，41（6）：79-84.

[7]鄒文進，郝少飛，馬剛，等.基于CEEMD-GA-BP神經網絡的風光發電功率預測[J].電網與清潔能源，2022，38（3）：111-118.

[8]張潔，郝倩男.基于煙花算法優化BP神經網絡的光伏功率預測[J].計算機技術與發展，2021，31（10）：146-153.

[9]張成，白建波，蘭康，等.基于數據挖掘和遺傳小波神經網絡的光伏電站發電量預測[J].太陽能學報，2021，42（3）：375-382.

[10]龐傳軍，尚學偉，張波，等.基于改進梯度提升算法的短期風電功率概率預測[J].電力系統自動化，2022，46（16）：198-206.