一種自主多層神經(jīng)網(wǎng)風(fēng)能預(yù)測(cè)算法

高僮 陳波濤 張海峰

（國(guó)網(wǎng)長(zhǎng)春供電公司，吉林長(zhǎng)春 130021）

一種自主多層神經(jīng)網(wǎng)風(fēng)能預(yù)測(cè)算法

高僮 陳波濤 張海峰

（國(guó)網(wǎng)長(zhǎng)春供電公司，吉林長(zhǎng)春 130021）

當(dāng)前以風(fēng)電為代表的可再生能源技術(shù)在世界范圍內(nèi)得到了快速發(fā)展。由于風(fēng)電的不穩(wěn)定性，自然風(fēng)力時(shí)強(qiáng)時(shí)弱會(huì)引起風(fēng)電的電能質(zhì)量、電壓、電網(wǎng)穩(wěn)定性等問(wèn)題，最終影響整個(gè)電網(wǎng)的穩(wěn)定性。進(jìn)行風(fēng)能預(yù)測(cè)可以預(yù)估風(fēng)電的發(fā)電出力程度，對(duì)于整個(gè)電網(wǎng)的穩(wěn)定十分重要。基于此，提出一種自主多層神經(jīng)網(wǎng)風(fēng)能預(yù)測(cè)算法，通過(guò)自組織算法來(lái)動(dòng)態(tài)地決定風(fēng)能預(yù)測(cè)神經(jīng)網(wǎng)模型的層數(shù)、中間節(jié)點(diǎn)個(gè)數(shù)、傳輸函數(shù)類型。試驗(yàn)表明通過(guò)本算法獲得的模型具有更高的預(yù)測(cè)精度。

風(fēng)能預(yù)測(cè)；神經(jīng)網(wǎng)；自主結(jié)構(gòu)；回歸分析；風(fēng)力發(fā)電

當(dāng)前以風(fēng)電為代表的可再生能源技術(shù)在世界范圍內(nèi)得到了快速發(fā)展。由于風(fēng)電的不穩(wěn)定性，自然風(fēng)力時(shí)強(qiáng)時(shí)弱會(huì)引起風(fēng)電電源的電能質(zhì)量、電壓、電網(wǎng)穩(wěn)定性等問(wèn)題，最終影響整個(gè)電網(wǎng)的穩(wěn)定性［1，2］。進(jìn)行風(fēng)能預(yù)測(cè)可以預(yù)估風(fēng)電的發(fā)電出力程度，對(duì)于整個(gè)電網(wǎng)的穩(wěn)定十分重要。目前，引入人工智能算法進(jìn)行風(fēng)能預(yù)測(cè)已經(jīng)得到了廣泛的關(guān)注［3，4］。

由于風(fēng)能預(yù)測(cè)需要引入的條件眾多，風(fēng)能預(yù)測(cè)采用的參數(shù)、模型結(jié)構(gòu)、處理方式對(duì)于其預(yù)測(cè)有較大影響，通過(guò)人工不斷的試錯(cuò)來(lái)調(diào)整模型結(jié)構(gòu)和參數(shù)效率較低，較難發(fā)現(xiàn)較好的模型結(jié)構(gòu)，進(jìn)而影響風(fēng)能預(yù)測(cè)的效率。針對(duì)以上問(wèn)題，本文提出了一種自主多層神經(jīng)網(wǎng)風(fēng)能預(yù)測(cè)算法（A Self-organized Multilayer Neural Network Wind Power Prediction Algorithm，S-MLP），通過(guò)自組織算法來(lái)動(dòng)態(tài)地決定風(fēng)能預(yù)測(cè)神經(jīng)網(wǎng)模型的層數(shù)、中間節(jié)點(diǎn)個(gè)數(shù)、傳輸函數(shù)類型，試驗(yàn)表明通過(guò)本算法獲得的模型具有更高的預(yù)測(cè)精度。

1 一種基于自主多層神經(jīng)網(wǎng)風(fēng)能預(yù)測(cè)算法

1.1 多層神經(jīng)網(wǎng)理論

如圖1所示，多層神經(jīng)網(wǎng)是由多組神經(jīng)元連接而成的，一個(gè)神經(jīng)元的輸出可以作為另外一個(gè)神經(jīng)元的輸入。

圖1 神經(jīng)網(wǎng)的多層次結(jié)構(gòu)

如圖1所示的神經(jīng)網(wǎng)包含3個(gè)層：1個(gè)輸入層Layer L1，2個(gè)中間層Layer L2和Layer L3，以及一個(gè)輸出層Lay?er L4。除了輸出層之外，每一層還可以包含一個(gè)偏置b。神經(jīng)網(wǎng)的輸出采用正向傳播方式，來(lái)決定每一層神經(jīng)元的輸出，如式（1）（2）所示：

式（1）（2）中，l對(duì)應(yīng)層數(shù)，b(l)為第l層的偏置，w(l)為第l層的權(quán)重，z(l+1)為第l+1層的其上一層（第l層）經(jīng)過(guò)計(jì)算后的輸入，a(l+1)為經(jīng)過(guò)傳輸計(jì)算后獲得的輸出。對(duì)于一個(gè)m層的多層神經(jīng)網(wǎng)，其輸入對(duì)應(yīng)神經(jīng)網(wǎng)的第1層a(1)=x，其最后一層作為神經(jīng)網(wǎng)的輸出，可以表達(dá)為：

式（3）中，w和b對(duì)應(yīng)所有層的權(quán)重和偏置，此時(shí)多層神經(jīng)網(wǎng)使用反向傳播來(lái)實(shí)現(xiàn)訓(xùn)練過(guò)程，其訓(xùn)練的目標(biāo)函數(shù)為：

通過(guò)對(duì)改目標(biāo)函數(shù)優(yōu)化求解，最終獲得整個(gè)神經(jīng)網(wǎng)的權(quán)重與偏置。

1.2 自主多層神經(jīng)網(wǎng)風(fēng)能預(yù)測(cè)算法

神經(jīng)網(wǎng)的預(yù)測(cè)能力與其模型結(jié)構(gòu)密切相關(guān)，本文利用以下自組織算法獲得神經(jīng)網(wǎng)的模型：

模型結(jié)構(gòu)自組織算法

輸入：風(fēng)能訓(xùn)練樣本samples輸出：風(fēng)能預(yù)測(cè)模型model

2 試驗(yàn)與仿真

本文引入多個(gè)風(fēng)電場(chǎng)的實(shí)際運(yùn)行數(shù)據(jù)，取出1 000個(gè)輸入和輸出對(duì)應(yīng)數(shù)據(jù)構(gòu)建樣本集。其中500個(gè)作為訓(xùn)練數(shù)據(jù)，另外500個(gè)作為測(cè)試數(shù)據(jù)。為了驗(yàn)證算法的有效性，本文提出S-MLP算法與多元回歸分析、三層神經(jīng)網(wǎng)進(jìn)行對(duì)比，將訓(xùn)練數(shù)據(jù)進(jìn)一步劃分為50，100，150，……，500共計(jì)10組數(shù)據(jù)，3種算法預(yù)測(cè)精度如表1所示。

表1 3種分類預(yù)測(cè)精度對(duì)比

如表1所示，可以看出S-MLP的分類精度比多元回歸分析、三層神經(jīng)網(wǎng)高，在較低樣本的時(shí)候就可以達(dá)到較高分類精度80%，而在500個(gè)樣本時(shí)達(dá)到了最高的預(yù)測(cè)精度94%。

3 結(jié)論

本文提出了一種自主多層神經(jīng)網(wǎng)風(fēng)能預(yù)測(cè)算法，通過(guò)與多元回歸分析、三層神經(jīng)網(wǎng)進(jìn)行對(duì)比，表明本文提出的算法在分類精度和穩(wěn)定性均優(yōu)于傳統(tǒng)算法，尤其是樣本較少的情況下仍然可以保持較高的預(yù)測(cè)精度。

［1］劉其輝，賀益康，趙仁德.交流勵(lì)磁變速恒頻風(fēng)力發(fā)電系統(tǒng)的運(yùn)行與控制［J］.電工技術(shù)學(xué)報(bào)，2008（1）：129-136.

［2］陳俊風(fēng)，任子武，傘冶.徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的一種兩級(jí)學(xué)習(xí)方法［J］.控制理論與應(yīng)用，2008（4）：655-660.

［3］王新生，吳吟簫，何川.基于風(fēng)速預(yù)測(cè)的最大風(fēng)能追蹤控制系統(tǒng)仿真［J］.電機(jī)與控制學(xué)報(bào)，2010（2）：20-24.

［4］李洪濤.人工神經(jīng)網(wǎng)絡(luò)和模糊技術(shù)在風(fēng)能預(yù)測(cè)中的應(yīng)用［J］.中國(guó)電力，2012（8）：69-73.

A Self-organized Multilayer Neural Network Wind Power Prediction Algorithm

Gao TongChen BotaoZhang Haifeng
（State Grid Changchun Power Supply Company，Changchun Jilin 130021）

At present,the renewable energy technologies represented by wind power have been developing rapidly all over the world.Due to the instability of wind power,natural wind power will cause the problem of power quality,volt?age and grid stability,which will affect the stability of the whole power grid.Wind power prediction can predict the extent of wind power generation,the stability of the entire power grid is very important.Based on this,a self-orga?nized multi-layer neural network wind power prediction algorithm(S-MLP)was proposed,the number of layers,the number of intermediate nodes,and the type of transfer function of the neural network model could be dynamically de?termined by the self-organizing algorithm.The experimental results show that the model obtained by this algorithm has higher prediction accuracy.

wind energy prediction；neural network；self-organized structure；regression analysis；wind power gener?ation

TP183；TM614

A

1003-5168（2016）12-0040-02

2016-11-12

高僮（1971-），女，本科，高級(jí)工程師，研究方向：配電網(wǎng)自動(dòng)化、電力營(yíng)銷與服務(wù)。