風電功率預測問題研究

摘 要：文章采用BP神經網絡法對風電場58臺風機的輸出功率進行了預測研究，建立三層神經網絡模型，根據已有的風電功率歷史數據、應用數據整理， 進行BP神經網絡的計算和回歸分析，運用excel，matlab以及eviews等相關軟件進行預測分析，解決了風電功率預測問題。

關鍵詞：神經網絡；預測；Eviews；MATLAB；Excel

中圖分類號：TM614 文獻標識碼：A 文章編號：1006-8937（2012）20-0041-02

1 問題重述

風電功率預測分為日前預測和實時預測。日前預測是預測明日24 h 96個時點（每15 min一個時點）的風電功率數值。實時預測是滾動地預測每個時點未來4 h內的16個時點（每15 min一個時點）的風電功率數值。

某風電場由58臺風電機組構成，每臺機組的額定輸出功率為850 kW。2006年5月10日至2006年6月6日時間段內該風電場中指定的四臺風電機組（A、B、C、D）輸出功率數據（分別記為PA，PB，PC，PD;另設該四臺機組總輸出功率為P4）及全場58臺機組總輸出功率數據（記為P58）。

問題：風電功率實時預測。

①預測量：a．PA，PB，PC，PD；b．P4；c．P58。

②預測時間范圍分別為：5月31日0時0分至5月31日23時45分；5月31日0時0分至6月6日23時45分。

2 問題分析

根據題意所要求是要實時預測和用excle、eviews初步分析過的數據，且預測為用單一的風電功率預測風電功率，將神經網絡結構設計為三層BP網絡，BP模型用功率預測功率，采樣時間間隔為15 min，因為相鄰時刻的值之間突變的可能性較小，所以采用一個小時內的4個數據作為一組，用前三個數據預測下一個數據，因此輸入變量就是一個三維的向量，第四個數據就是目標輸出量。

3 模型假設

①由于歷史數據足夠多，故假設由歷史數據可以反映未來風電功率的取值。

②由于采樣時間為15 min，所以假設相鄰時刻的風電功率值突變可能性很小。

③預測功率時刻上傳。

4 符號說明

各種符合及含義說明如表1所示。

5 模型的建立與求解

根據題意和初步分析過的數據，將神經網絡結構設計為三層BP網絡，BP模型用功率預測功率，采樣時間間隔為15 min，因為相鄰時刻的值之間突變的可能性較小，所以采用一個小時內德6個數據作為一組，用前三個數據預測下一個數據，因此輸入變量就是一個三維的向量，第四個數據就是目標輸出量。

根據Kolmogorov定理，輸入向量3個，則輸入層神經元3個，則隱含層神經元為2×3+1=7個，輸出向量1個，輸出層神經元1個。由此可作出神經網絡結構圖，如圖1所示。

創建一個滿足上述要求的BP網絡；net=newff([minmax(P)，[7 1]，{‘tansig’，’purelin’}，’trainlm’])；當輸出節點的目標值為t時，模型計算公式為：y=f(net)，輸出節點的輸出為：net=∑vjy-θ，隱層節點的輸出有：sj=f(netj)，（j=1，2，...，j）；netj=∑wji-θj，（j=1，2，...，j）。

以上兩式中，轉移函數一般都用單極性Sigmoid函數：

當網絡輸出與 輸出不等時，輸出誤差E定義如下：

E=1/2∑(t-z)2

將上式誤差定義展開到隱含層，則有：

E=1/2∑[t-f(netj )]2=1/2∑[t-f(∑vjy-θ)]2

再將上式定義展開到輸出層，則：

E=1/2∑[t-f（∑vjy-θ）]2=1/2∑[t-f（∑vjyf(∑wjixi-θj)- θ）]2

由上式可以看出，網絡輸入誤差是各層權值vj，wji 的函數，因此調整權值可改變誤差E，顯然，調整權值的原則是使誤差不斷減小，采用梯度下降法，使權值的調整量與誤差的負梯度成正比，即如下：

式中，負號表示梯度下降，a∈（0，1）。

將樣本提供給網絡，按上述過程訓練，預先設定誤差E的大小，當訓練結果與目標值之差小于預先設定的誤差限時，網絡收斂，訓練結束。若訓練次數已達到預設的最大訓練次數，訓練終止，網絡無法收斂，學習過程結束。用流程圖表示如圖2所示。

6 BP神經網絡預測的MATLAB實現

①數據樣本的預處理，在論文前面已經統一進行了預處理。

②確定激活函數，取tansig和purelin為激活函數。

③設定網絡的最大學習迭代次數為20000。

④設定網絡的學習精度為a。

⑤創建和訓練BP神經網絡的MATLAB程序。

⑥測試BP神經網絡，將測試的輸出數據還原，與實際數據比較分析誤差。

7 模型的評價及推廣

由于風的波動性和間歇性，風電的典型特征就是不可控，大容量風電場的介入會對電網運行產生較大的沖擊甚至危險。為了保障電網的安全，對風電場發電功率進行預測十分必要。

通過這種模型，不僅從數量上揭示了風電場風電功率的發展變化規律，也從動態上刻畫了現象的內部數量關系及其變化規律。

參考文獻：

[1] 楊秀媛，肖洋，陳樹勇.風電場風速和發電功率預測研究[J].中國機電工程學報，2005，(11).

[2] 焦淑華，夏冰，徐海靜，等.BP神經網絡預測的MATLAB實現[J].哈爾濱金融高等專科學校學報，2009，(1).

[3]王世謙，蘇娟，杜松懷.基于小波變換和神經網絡的短期風電功率預測方法[J].農業工程學報，2010，(s2).

[4] 黃金花.基于神經網絡的風電場短期風電功率預測研究[D].南京:東南大學，2010.