基于神經(jīng)網(wǎng)絡(luò)模型短期風(fēng)功率預(yù)測方法研究

摘 要：隨著風(fēng)電并網(wǎng)規(guī)模的不斷增加，風(fēng)力發(fā)電對電力系統(tǒng)的影響也越來越顯著。由于風(fēng)能的隨機性、間歇性特點，風(fēng)力發(fā)電機組輸出功率的波動性和不確定性會對電網(wǎng)的安全穩(wěn)定運行帶來影響；因此，對風(fēng)力發(fā)電的輸出功率進行預(yù)測是緩解電網(wǎng)調(diào)峰、調(diào)頻壓力、降低電力系統(tǒng)備用容量以提高電網(wǎng)接納能力的有效手段。文章采用人工神經(jīng)網(wǎng)絡(luò)模型對風(fēng)機未來短期功率進行預(yù)測。

關(guān)鍵詞：風(fēng)電機組；matlab；人工神經(jīng)網(wǎng)絡(luò)；風(fēng)功率預(yù)測

1 風(fēng)電功率預(yù)測模型

1.1 徑向基神經(jīng)網(wǎng)絡(luò)

神經(jīng)網(wǎng)絡(luò)算法是近年來發(fā)展起來的一種新型人工智能算法。不同于以往的數(shù)學(xué)算法，它是一種模仿動物神經(jīng)網(wǎng)絡(luò)行為特征，進行分布式并行信息處理的算法數(shù)學(xué)模型，具有自學(xué)習(xí)、自適應(yīng)和自組織能力的特點。

徑向基神經(jīng)網(wǎng)絡(luò)（即RBF神經(jīng)網(wǎng)絡(luò)）是一種三層前向網(wǎng)絡(luò)，由輸入層、隱含層和輸出層組成，網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。由輸入到輸出的映射是非線性的，而隱含層到輸出層是線性的，從而大大加快了學(xué)習(xí)速度并避免局部極小問題。

根據(jù)徑向基函數(shù)中心選取方法的不同，RBF神經(jīng)網(wǎng)絡(luò)有很多學(xué)習(xí)方法，如隨機選取中心法、梯度訓(xùn)練法、有監(jiān)督選取中心法和正交最小二乘法等。這里，選用梯度訓(xùn)練法作為RBF神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)方法。

1.2 梯度訓(xùn)練方法

RBF網(wǎng)的梯度訓(xùn)練方法是通過最小化目標(biāo)函數(shù)實現(xiàn)對各隱節(jié)點數(shù)據(jù)中心、擴展常數(shù)和輸出權(quán)值的調(diào)節(jié)。使用一種帶遺忘因子的單輸出RBF網(wǎng)學(xué)習(xí)方法，此時神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)的目標(biāo)函數(shù)為：

（1）

其中，？茁j為遺忘因子，誤差信號ej的定義為：

（2）

由于神經(jīng)網(wǎng)絡(luò)函數(shù)F（X）對數(shù)據(jù)中心ci、擴展常數(shù)ri和輸出權(quán)值wi的梯度分別為：

（3）

（4）

（5）

考慮所有訓(xùn)練樣本和遺忘因子的影響，ci、ri和wi的調(diào)節(jié)量為

（6）

（7）

（8）

其中，？椎i（Xj）為第i個隱節(jié)點對Xj的輸出，？濁為學(xué)習(xí)速率。

1.3 數(shù)據(jù)歸一化

數(shù)據(jù)歸一化是神經(jīng)網(wǎng)絡(luò)預(yù)測前對數(shù)據(jù)常用的一種處理方法。數(shù)據(jù)歸一化處理將所有數(shù)據(jù)都轉(zhuǎn)化為[0，1]之間的數(shù)，其目的是取消各維數(shù)據(jù)間數(shù)量級別差，避免因為輸入輸出數(shù)據(jù)數(shù)量級差別較大而造成神經(jīng)網(wǎng)絡(luò)預(yù)測誤差較大。

風(fēng)速歸一化：應(yīng)用多年統(tǒng)計的極限風(fēng)速對風(fēng)速數(shù)據(jù)進行歸一化處理

（9）

其中，Vg為歸一化處理后的風(fēng)速標(biāo)量值；vt為應(yīng)用于預(yù)測的歷史風(fēng)速值；vmax為風(fēng)場氣象觀測到的歷史最大風(fēng)速，如不超過風(fēng)場風(fēng)機最大切除風(fēng)速，則取為風(fēng)機的切除風(fēng)度。

風(fēng)功率歸一化：根據(jù)風(fēng)電機組額定功率，采用與風(fēng)速歸一化相同的方式，對風(fēng)電機組歷史出力情況進行歸一化，并對網(wǎng)絡(luò)預(yù)測的輸出功率進行反歸一化，得到預(yù)測結(jié)果。

1.4 神經(jīng)網(wǎng)絡(luò)的構(gòu)建

首先挑選幾組數(shù)據(jù)風(fēng)功率作為樣本，將每個樣本的前n個風(fēng)速和風(fēng)功率值進行歸一化處理，將處理后的數(shù)值作為RBF神經(jīng)網(wǎng)絡(luò)的輸入；可將每個樣本的后n個風(fēng)速和風(fēng)功率值進行歸一化處理，將處理后的數(shù)值作為RBF神經(jīng)網(wǎng)絡(luò)的目標(biāo)輸出，通過對RBF神經(jīng)網(wǎng)絡(luò)的訓(xùn)練學(xué)習(xí)，實現(xiàn)從輸入空間到輸出空間的映射。

2 短期風(fēng)功率預(yù)測結(jié)果

將前10天的風(fēng)功率數(shù)據(jù)作為訓(xùn)練樣本，對風(fēng)機功率提前1小時進行預(yù)測。圖2預(yù)測風(fēng)功率與實測風(fēng)功率比較可知，可以看到神經(jīng)網(wǎng)絡(luò)預(yù)測風(fēng)功率變化趨勢與實際風(fēng)功率變化基本趨勢一致，并且預(yù)測功率比實際功率變化平緩。

神經(jīng)網(wǎng)絡(luò)在風(fēng)功率預(yù)測時，每點的預(yù)報誤差不盡相同，這主要與早晚溫差造成的風(fēng)速突然變化以及當(dāng)天天氣變化情況等有關(guān)，從預(yù)測曲線的總體趨勢以及與實際曲線誤差值大小來看，該神經(jīng)網(wǎng)絡(luò)模型預(yù)測結(jié)果基本令人滿意。

3 結(jié)束語

采用人工神經(jīng)網(wǎng)絡(luò)進行預(yù)測精度較高、訓(xùn)練速度快，適用于在線預(yù)測的場合。但是由于所用訓(xùn)練數(shù)據(jù)為風(fēng)速相對平穩(wěn)時期的數(shù)據(jù)，所以該模型對于突變風(fēng)速的處理能力仍然有限，為提高預(yù)測結(jié)果的精度，還需對模型進行進一步改進。總體而言，通過建立神經(jīng)網(wǎng)絡(luò)模型，對短期風(fēng)功率進行預(yù)測，雖有一定局限性，但其預(yù)測精度滿足工程要求。

參考文獻

[1]Tony Burton，等.風(fēng)能技術(shù)[M].北京：科學(xué)出版社，2007.

[2]周品.MATLAB神經(jīng)網(wǎng)絡(luò)設(shè)計與應(yīng)用[M].北京：清華大學(xué)出版社，2013.

[3]張澤旭.神經(jīng)網(wǎng)絡(luò)控制與MATLAB仿真[M].哈爾濱：哈爾濱工業(yè)大學(xué)出版社，2011.