一種新型的混合式的中國環縣短期風速預測

付桐林

(隴東學院 數學與統計學院,甘肅 慶陽 745000)

一種新型的混合式的中國環縣短期風速預測

付桐林

(隴東學院 數學與統計學院,甘肅 慶陽 745000)

風能是一種清潔、無污染的可再生能源,由于氣象參數的混沌和內在復雜性,使得風速的預測是一個非常困難的問題.基于對實際風速數據集,使用季節性指數調整消除季節性因子和反向傳播(BP)神經網絡,給出一種新的風速預測方法.數值結果表明,該方法能有效地提高風速預測的準確性.

BP神經網絡; J-T檢驗; 風速預測; 絕對平均誤差

1 預備知識

風能作為一種可再生的清潔能源,具有調整能源結構和減輕環境污染的雙重功效,將是21世紀最有發展前景的綠色能源.但風電受風速變化特性的影響,具有很大的隨機性、不可控性和反調峰特性,由此給電網調度和電力供應管理構成顯著壓力;因此風速預測是風電功率和風電場發電量預測的重要基礎和前提.目前風電場風速預測精度依然不足,風速預測精度的提高成為目前亟待解決的問題.國內外諸多學者對此做了大量深入的研究,提出了各種風速預測方法,提高了風速預測精度[1-8].

本文給出一種基于BP神經網絡和季節調整,消除風速數據中的季節因子相結合的新的混合風速預測方法;以中國環縣2007—2015年的日平均風速數據集作為案例研究.結果顯示:采用這種混合方法預測的日平均風速,與單獨的使用BP神經網絡預測的日平均風速相比,具有較低的絕對平均誤差和相對平均誤差.

2 短期風速預測方法

風能是一種不穩定的能源,即風速具有隨機性和不可控性,隨著大量的風力發電接入電網,勢必會對電力系統的安全、穩定運行以及保證電能質量帶來嚴峻挑戰,從而限制風力發電的發展規模.風電場短期風速和發電功率預測是解決該問題的有效途徑之一[2-8].

由于風速數據集會顯示出季度或月度的循環變動(如圖1所示),這些季節性變動掩蓋了數據變化的客觀規律,這就需要對這些時間序列數據進行季節調整.季節調整可以從時間序列中去除季節變動要素,從而顯示出序列潛在的趨勢循環分量,這些分量能夠真實地反映時間序列變化的客觀規律.

2.1 季節指數法季節指數法是根據時間序列中的數據資料所呈現的季節變動規律,對預測目標未來狀況做出預測的方法.

假設有一系列的數據x1,x2,…,xT(T=ml),記為

季節指數滿足歸一化條件,通過相應的季節性指數Is對時間序列的每個元素xks進行分割yks=xks/IS(k=1,2,…,m;s=1,2,…,l),從而得到一個不受季節性因素影響的時間序列.

2.2 BP神經網絡BP網絡是一種按誤差逆傳播算法訓練的多層前饋網絡,是目前應用最廣泛的神經網絡模型之一[9-12].BP神經網絡模型拓撲結構包括輸入層、隱含層和輸出層.輸入層節點xi的個數由樣本屬性的維度決定,隱含層的節點數yj層數由用戶指定,輸出層節點zi的個數由樣本分類個數決定.網絡權值wi,j和閾值θj的修正沿著負梯度方向,隱含層節點與輸出節點的網絡權值為vl,j.當輸出節點的期望值為tl時,隱含層節點的輸出

考慮到屬性值存在區間和數值的情況，以關聯函數值作為度量指標，在計算出可拓距基礎上，計算關聯函數的標準差，從而確定屬性的權重，如式（1）：

輸出節點的計算輸出

輸出節點的誤差

2.3 短期風速預測的算法根據中國環縣2007年1月—2015年12月的日平均風速數據集,設計預測短期風速的算法如下:

1) 對數據集做J-T檢驗,判斷數據是否來自同一個分布,如果不是,則算法失效.

2) 如果通過J-T檢驗,則用季節指數法消除季節因子,得到一個不受季節性因素影響的時間序列xi.

3) 基于BP神經網絡對不受季節性因素影響的時間序列xi做出預測,得到序列zi.

4) 對預測序列zi,加入季節因子得到最終的短期風速預測結果.

2.4 預測性能的評估對預測結果進行多角度評價,具體選用指標包括絕對平均誤差

和相對平均誤差

對于同一種預測模型來說,有時單獨考察絕對平均誤差和相對平均誤差的大小,可能得不到什么結論,因為沒有比較的對象;因此用未消除季節因子的BP神經網絡作為比較的對象,分別用SEA-BP和BP神經網絡預測環縣2015年的日平均風速,計算出絕對平均誤差和相對平均誤差并作比較,具有最小誤差值的模型就是最精確的模型.

3 數值結果

環縣隸屬于甘肅省慶陽市,位于甘肅省東部、慶陽市西北部,地處北緯36°1′～37°9′,東經106°21′～107°44′之間,屬黃土高原丘陵溝壑區,全境90%以上面積為黃土覆蓋,土層厚度在60～240 m之間.境內地貌可分為山脈嶺梁、丘陵掌區、川道溝臺和零碎殘塬4種類型,有較大山脈106座,山掌400個,大小溝道17 364條,大小殘塬527塊.地勢西北高、東南低,海拔在1 136～2 089 m之間.氣候屬溫帶大陸性季風氣候,特殊的地理風貌和長期的農業耕作使得水土流失嚴重、環境惡化,脫貧致富路途遙遠,這一區域適宜風電場的建設.在國家鼓勵新能源建設和精準扶貧的背景下,該區域調整產業結構,優化資源配置,大力發展新能源開發與建設,2014年11月,6個總裝機容量1 050 MW,估算總投資81.08億元的風電項目水土保持方案,已在黃土高原隴東區開工建設.為了優化風電并網管理和電力負荷預測,以及實現更大規模的風電場建設,亟需對黃土高原隴東區風電場風速做出預測,研究風速對風電項目產生的效益.

選擇一段時間的風速數據作為原始數據集(如圖1所示),原始數據集的數據包含2部分:第一部分數據2007年1月—2014年12月的日平均風速值,作為BP神經網絡的訓練集;第二部分數據2015年1—12月的日平均風速值作為測試集.

在多個獨立樣本非參數檢驗中,J-T檢驗可以檢驗多個獨立樣本的位置參數是否持續上升或下降,以確定k組樣本是否來自同一總體.J-T的原假設是k組樣本來自同一總體,它的備擇假設是各個總體的位置參數按照升序排列或降序排列.對于樣本觀測值,J-T檢驗有2個步驟:

1) 將2組樣本值進行對比,計算第i組觀測值小于第i′組觀測值的對數Mi,i′.設xij是第i組第j個元素,k是樣本組數,ni是第i個樣本組數,記

2) 計算J-T檢驗的統計量J=∑Mi,i′.在原假設成立的條件下,統計量Z具有漸進正態性,即

Z=

當樣本容量較大時,利用統計量J近似服從正態分布,在給定的顯著性水平α下求得p值,如果p值小于顯著性水平α,那么拒絕原假設.對數據集做J-T檢驗,結果如表1所示,檢驗的p值為0.240,大于顯著性水平0.05,因此每年的數據集具有相同的分布.

表1 J-T檢驗結果Table 1 The results of J-T test

將原始數據集消除季節因子后,得到數據集部分數據如表2所示.

對消除季節因子的數據做標準化處理:二月份數據按照

標準化,其他月份數據按照

標準化后,作為BP神經網絡的輸入層,分別預測出2015年每月的日平均風速值.若輸入層的神經元個數是n,據Kolmogorov定理可知,網絡中間層的神經元可以取2n+1,輸出層的神經元仍然是n.網絡經過訓練后才可以用于預測日平均風速,考慮到網絡結構比較復雜,神經元個數較多,需要適當增加訓練次數并提高學習速率,中間層的神經元傳遞函數采用S型正切函數,輸出層神經元傳遞函數采用S型對數函數,采用Levenberg-Marquardt算法訓練網絡[13-16].

表2 2007—2014年消除季節因子后的日平均風速數據集Table 2 Daily average wind speed after eliminating the seasonal component from 2007 to 2014

將3、6、9和12月日平均風速預測作為環縣春夏秋冬四季短期風速預測的實例,用真實值和預測值作圖2;不消除季節因子,直接用BP神經網絡預測風速,用真實值和預測值作圖3.可見不消除季節因子,直接用BP神經網絡預測風速有著比較大的誤差.

用σMAE和σMAPE2個函數去評估消除季節因子后,用BP神經網絡做預測和直接用BP神經網絡做預測的精度,將2個模型的誤差分析結果匯總如表3所示.可以看出,用模型SEA-BP預測環縣3、6、9和12月的日平均風速,要比直接用BP預測精度要高.模型SEA-BP的絕對平均誤差σMAE和相對平均誤差σMAPE都比BP神經網絡預測結果的絕對平均誤差σMAE和相對平均誤差σMAPE小.

4 結論

由于氣象參數的內在復雜性、季節變化以及地形地貌等因素,都使得風速的預測是一個非常困難的問題.而風電機組的運行特征隨風速的隨機波動而變化,所以準確地預測風電場的風速就顯得尤為重要.可以減小風電并網對電網造成的影響和提高對風電機組的控制,提高電網的經濟性和穩定性.一般情況下,風速變化越平穩,預測時間越短,絕對平均誤差和相對平均誤差越小.日平均風速預測結果的相對平均誤差變化范圍是25%～40%,取決于預測方法、精度要求以及預測地風速的變化特征.

從表3可以看出,先去除季節因子后,再用BP神經網絡去預測日平均風速,具有較小的絕對平均誤差和相對平均誤差,相對平均誤差最大的是29.78%,比直接用BP神經網絡預測的相對平均誤差的最小值41.77%還要小;說明SEA-BP預測精度更高.

表3 SEA-BP和BP的預測精度Table 3 The prediction accuracy of SEA-BP and BP

[1] ABDEL AAL R E,ELHADIDY M A,SHAAHID S M.Modeling and forecasting the mean hourly wind speed time series using GMDH-based abductive networks[J].Renewable Energy,2009,34(7):686-1699.

[2] OZTOPAL A.Artificial neural network approach to spatial estimation of wind velocity data[J].Energy Conversion and Management,2007,47(4):395-406.

[3] 王德明,王莉,張廣明.基于遺傳BP神經網絡的短期風速預測模型[J].浙江大學學報(工學版),2015,46(5):837-838.

[4] MOHANDES M,HALAWANI T,REHMAN S.Support vector machines for wind speed prediction[J].Renewable Energy,2004,29(6):939-947.

[5] XIAO L,WANG J Z,DONG Y.Combined forecasting models for wind energy forecasting:a case study in China[J].Renewable and Sustainable Energy Reviews,2015,44(17):271-288.

[6] ERDEM E,SHI J.ARMA based approaches for forecasting the topple of wind speed and direction[J].Appl Energy,2011,88(4):1405-1414.

[7] KAVASSERI R G,SEETHARAMAN K.Day-ahead wind speed forecasting usingf-ARIMA models[J].Renewable Energy,2009,34(5):1388-1393.

[8] POGGI P,MUSELLI M,NOTTON G.Forecasting and simulating wind speed in Corsica by using an autoregressive model[J].Energy Conversion and Management,2003,44(3):3177-3196.

[9] CHAU K W.Particle swarm optimization training algorithm for ANNs in stage prediction of Shing Mun River[J].J Hydrology,2007,329(3/4):363-367.

[10] GUO Z X,WONG W K,LI M.Sparsely connected neural network-based time series forecasting[J].Infor Sci,2012,193(11):54-71.

[11] HAMZACE C.Improving artificial neural networks performance in seasonal time series forecasting[J].Infor Sci,2008,178(23):4550-4559.

[12] KALOGIROU S A.Artificial neural networks in renewable energy systems applications:a review[J].Renewable and Sustainable Energy Reviews,2001,5(4):373-401.

[13] LIN K P,PAI P F,LU Y M.Revenue forecasting using a least-squares support vector regression model in a fuzzy environment[J].Infor Sci,2013,220(1):196-209.

[14] RIAHY G H,ABEDI M.Short term wind speed forecasting for wind turbine applications using linear prediction method[J].Renewable Energy,2008,33(1):35-41.

[15] SANCHO S S,ANGEL M P B,EMILIO G O G.Accurate short-term wind speed prediction by exploiting diversity in input data using banks of artificial neural networks[J].Neuro Computing,2009,72(4/6):1336-1341.

[16] 程武學,任德智,顏清梅.基于紋理特征神經網絡模型的魯朗河流域地類信息提取研究[J].四川師范大學學報(自然科學版),2015,38(5):759-765.

2010 MSC：97R40; 62M45

(編輯 鄭月蓉)

A Novel Hybrid Approach for Wind Speed Prediction in Huan Region of China

FU Tonglin

(SchoolofMathematicsandStatistics,LongdongCollege,Qingyang745000,Gansu)

Wind power is a clean and non-polluting renewable energy source.However,due to the chaotic and intrinsic complexity of weather parameters,the prediction of wind speed is a very difficult problem.In this paper,we propose a new hybrid wind speed forecasting method based on a back-propagation (BP) neural network and the idea of eliminating seasonal effects from actual wind speed datasets using seasonal exponential adjustment.The numerical results indicate that the proposed method is effective in improving the accuracy of wind speed predictions.

BP neural network; J-T test; wind speed prediction; mean absolute percentage error

2016-03-31

國家自然科學基金(71471148)、甘肅省高等學?？蒲许椖?2015A-150)和博士科研啟動基金項目(xyby05)

付桐林(1977—),男,副教授,主要從事應用概率統計、能源經濟分析及預測理論與方法的研究,E-mail:futonglin2008@163.com

O212.3; TP391.9

A

1001-8395(2017)02-0272-05

10.3969/j.issn.1001-8395.2017.02.021