SFLA-PS-ANFIS 超短期風電功率日內動態預測方法

摘 要： 為提高風電功率預測的準確性，減少風電對電網的負面影響，將傳統的自適應神經模糊推理系統（adaptivenetwork-based fuzzy inference system，ANFIS）與蛙跳算法（shuffled frog leaping algorithm，SFLA）和模式搜索（patternsearch，PS）算法相結合，提出一種超短期風電功率日內動態預測方法。首先，使用SFLA-PS 算法對ANFIS 模型中的參數進行優化，將歸一化處理的數據集作為模型的輸入構建SFLA-PS-ANFIS 超短期風電功率預測模型。然后，加載待預測時刻的輸入數據到模型進行預測，將預測結果更新到數據庫中，并更新氣象數據，每隔15 min 預測一次，實現對風電功率的動態預測。最后，以張家口某風電場實際運行數據驗證模型的有效性。結果表明：相較于PSOANFIS、隨機森林模型，SFLA-PS-ANFIS 模型在春季平均絕對百分比誤差EMAPE 分別降低0.472%、0.741%；夏季平均絕對百分比誤差EMAPE 分別降低1.826%、3.294%；秋季平均絕對百分比誤差EMAPE 分別降低0.039%、0.183%；冬季平均絕對百分比誤差EMAPE 分別降低0.354%、0.596%，所提方法在不同季節均取得最優效果，具有較強的實用性。

關鍵詞： 風電功率預測; 超短期; 自適應神經模糊推理系統; 蛙跳算法; 模式搜索

中圖分類號： TB9; TM614 文獻標志碼： A 文章編號： 1674–5124（2025）03–0030–07

0 引 言

作為目前全球可再生能源領域中最主要的發電方式之一，風力發電因其具有清潔環保、可再生、運維成本低等優點受到廣泛應用，風電新增裝機大幅增長，風力發電技術水平也不斷提高[1]。然而，受風資源時變特性的影響，風電具有較強的隨機性、間歇性和不確定性[2]，因此提高風電功率超短期預測的精準度，可以更有效地為電網調度和實時控制提供依據[3]。

目前風電功率預測方法主要有兩種：模型驅動法和數據驅動法[4-5]。前者主要是建立具體的模型來預測風速和風力的未來變化。后者主要利用統計方法擬合風電數據中的潛在信息。在超短期風電功率預測中，數據驅動的預測方法被廣泛研究[6]。文獻[7] 提出一種基于進化多目標優化的選擇性異質集成 （evolutionary multi-objective optimization basedselection heterogeneous ensemble， EMOSHeE） 風電功率預測方法，并利用風電場的真實數據驗證了所提方法的有效性，但由于缺乏自適應性，風電功率特性隨著時間漂移，模型難免會發生性能退化。文獻[8] 提出一種基于隱馬爾可夫模型的日內風電功率預測誤差區間滾動估計方法，實驗結果表明所提方法能夠給出風電功率預測誤差的波動范圍，然而缺少單點滾動替換可能會導致風電功率預測精度降低。文獻[9] 針對風電功率時間序列具有高度隨機波動性而無法精準預測的問題，提出一種基于完備集成經驗模態分解（ complete ensemble empiricalmode decomposition ， CEEMD）、Granger 因果關系檢驗和長短時記憶網絡的新型混合預測方法用于預測風電功率。文獻[10] 針對現有模型預測準確性與穩定性較低的問題， 提出一種以雙向LSTM（Bidirectional LSTM，BiLSTM）為基礎的風電功率預測模型，并通過實驗表明該模型具有更高的預測精度。上述風電功率預測方法雖然提高了一定的預測精度，但忽視了預測模型的自適應性，仍存在部分分解序列預測誤差較大的問題。文獻[11] 提出一種包含多分解策略（multidecomposition，MD）的風電預測混合智能算法，同時利用粒子群優化（particle swarm optimization，PSO）的自適應神經模糊推理系統[12]（adaptive network-based fuzzy inferencesystem，ANFIS）自適應地學習誤差分布規律并進行校正，提高了算法魯棒性和精確性，但是沒有對輸入數據進行滾動替換，可能會導致風電功率預測效果下降。

綜上所述，為了進一步提升風力發電功率預測的精確度，同時確保模型具有自適應更新能力，本文將傳統的ANFIS 與蛙跳算法（ shuffled frogleaping algorithm，SFLA）和模式搜索（pattern search，PS）算法相結合，提出一種超短期風電功率日內動態預測方法。通過本文研究，對比其他幾種常用的預測方法，所提方法的預測精度有一定程度上的提升。

1 研究方法

1.1 自適應神經模糊推理系統（ANFIS）

主模糊推理系統（fuzzy inference system，FIS）的初始成員函數和規則根據實際情況定義。ANFIS 將調整模糊推理規則和隸屬度函數，以提高FIS 的性能。ANFIS 有兩個輸入，每個輸入有3 個成員函數和9 個規則，如圖1 所示。

ANFIS 系統中的各層解釋如下：