基于思維進(jìn)化算法的風(fēng)電功率預(yù)測(cè)研究

俞俊+王召+籍天明+裘煒浩+裴旭斌+胡楠

摘要：風(fēng)電作為可再生能源，具有波動(dòng)性、間歇性和隨機(jī)性的特點(diǎn)，容易造成電力系統(tǒng)的不穩(wěn)定。通過對(duì)風(fēng)電功率進(jìn)行預(yù)測(cè)，不僅可以保證電能質(zhì)量，而且可以降低電力系統(tǒng)運(yùn)行成本。傳統(tǒng)的幾種風(fēng)電功率預(yù)測(cè)技術(shù)均存在一定的局限性。針對(duì)上述問題，提出一種基于思維進(jìn)化算法的風(fēng)電功率預(yù)測(cè)方法，并構(gòu)建了預(yù)測(cè)模型。結(jié)合風(fēng)電場(chǎng)風(fēng)電實(shí)測(cè)數(shù)據(jù)進(jìn)行仿真分析，結(jié)果表明所提出的方法可以有效可靠地進(jìn)行風(fēng)電功率預(yù)測(cè)，具有良好的工程應(yīng)用前景。

關(guān)鍵詞：思維進(jìn)化算法；風(fēng)電功率；預(yù)測(cè)模型

ABSTRACT：Due to the characteristics of volatility， intermittent and randomness of wind power， interconnection with the power grid will bring about impact on the stability of power system. The wind power prediction can not only ensure the quality of electric energy， but also reduce the cost of power system operation.There were some limitations in several traditional wind power prediction methods. According to the above problem， the wind power prediction method based on Mind Evolutionary Algorithm（MEA） is put forward and the prediction model is provided. The experimental results show that the proposed approach can be effective and reliable for the wind power prediction. The Mind Evolutionary Algorithmmethod has a broad prospect of engineering application.

KEYWORDS：Mind Evolutionary Algorithm； wind power； prediction model

中圖分類號(hào)：TK81文獻(xiàn)標(biāo)志碼：A 文章編號(hào)：

DOI：

0引言

全球性的能源危機(jī)和氣候變暖驅(qū)動(dòng)了可再生能源的快速發(fā)展。風(fēng)能作為可再生能源的一種，已經(jīng)得到世界各國(guó)的高度重視與肯定[1]。風(fēng)電功率的預(yù)測(cè)可以提升電力系統(tǒng)的安全性與可靠性，但是風(fēng)電功率預(yù)測(cè)作為一個(gè)難題始終存在[2-3]。目前比較常用的風(fēng)電功率預(yù)測(cè)方法主要分為以下幾類：基于歷史數(shù)據(jù)的時(shí)間序列分析法、支持向量機(jī)法、神經(jīng)網(wǎng)絡(luò)法等。

文獻(xiàn)[4]基于穩(wěn)健估計(jì)運(yùn)用時(shí)間序列法對(duì)風(fēng)電場(chǎng)出力進(jìn)行了短期預(yù)測(cè)，建立了自回歸滑動(dòng)平均模型，預(yù)測(cè)誤差為5%。文獻(xiàn)[5]從物理和統(tǒng)計(jì)方法對(duì)支持向量機(jī)預(yù)測(cè)方法做了分析，結(jié)果表明支持向量機(jī)在風(fēng)電功率預(yù)測(cè)中有很大的應(yīng)用空間。文獻(xiàn)[6]介紹了風(fēng)電功率預(yù)測(cè)的現(xiàn)狀和相關(guān)標(biāo)準(zhǔn)，通過神經(jīng)網(wǎng)絡(luò)對(duì)風(fēng)電功率預(yù)測(cè)模型進(jìn)行優(yōu)化，仿真結(jié)果表明，優(yōu)化后的預(yù)測(cè)數(shù)據(jù)準(zhǔn)確率更高。文獻(xiàn)[7]提出了一種基于總體平均經(jīng)驗(yàn)?zāi)B(tài)分解和改進(jìn)Elman神經(jīng)網(wǎng)絡(luò)的短期風(fēng)電功率組合預(yù)測(cè)方法，仿真結(jié)果表明，該方法不僅可以有效緩解風(fēng)電功率非平穩(wěn)性對(duì)于預(yù)測(cè)精度的影響，還可以避免傳統(tǒng)方法的模態(tài)混疊問題。文獻(xiàn)[8]建立風(fēng)速和風(fēng)向預(yù)測(cè)模型，采用脊波神經(jīng)網(wǎng)絡(luò)對(duì)分功率進(jìn)行預(yù)測(cè)。文獻(xiàn)[9]基于主成分分析與前饋神經(jīng)網(wǎng)絡(luò)對(duì)風(fēng)電功率進(jìn)行預(yù)測(cè)，采用主成分分析對(duì)輸入變量進(jìn)行約簡(jiǎn)，既簡(jiǎn)化了網(wǎng)絡(luò)的結(jié)構(gòu)，又提高了網(wǎng)絡(luò)的穩(wěn)定性。文獻(xiàn)[10]基于小波神經(jīng)網(wǎng)絡(luò)將風(fēng)速與功率序列在不同尺度上進(jìn)行分解，并使用多個(gè)BP神經(jīng)網(wǎng)絡(luò)對(duì)各頻率分量進(jìn)行預(yù)測(cè)，最后重構(gòu)得到完整的預(yù)測(cè)結(jié)果。文獻(xiàn)[11]利用數(shù)據(jù)挖掘和模糊聚類技術(shù)將不同的機(jī)組進(jìn)行分類，并分別進(jìn)行實(shí)時(shí)預(yù)測(cè)。

總體來看，時(shí)間序列法通過挖掘數(shù)據(jù)序列的規(guī)律進(jìn)行風(fēng)電功率預(yù)測(cè)，具有較高的預(yù)測(cè)精度，適用于短期預(yù)測(cè)[12]。支持向量機(jī)法改變了傳統(tǒng)的經(jīng)驗(yàn)風(fēng)險(xiǎn)最小化原則，具有較好的泛化能力[13]。神經(jīng)網(wǎng)絡(luò)法針對(duì)風(fēng)電功率的非線性特性[14]，魯棒性較強(qiáng)，但是訓(xùn)練數(shù)據(jù)過于龐大，容易陷入局部最優(yōu)。

針對(duì)上述問題，本文研究了基于思維進(jìn)化算法（Mind Evolutionary Algorithm， MEA）的風(fēng)電功率預(yù)測(cè)方法，該方法通過趨同和異化操作對(duì)隱層權(quán)值閾值進(jìn)行優(yōu)化，大幅度削減了隱層權(quán)值閾值隨機(jī)生成所造成的預(yù)測(cè)誤差。基于實(shí)測(cè)數(shù)據(jù)對(duì)國(guó)內(nèi)某風(fēng)場(chǎng)的風(fēng)電功率進(jìn)行預(yù)測(cè)，仿真結(jié)果驗(yàn)證了所構(gòu)建模型的有效性。

三次樣條插值法的擬合結(jié)果如圖1所示，從圖1中可以看出，使用三次樣條對(duì)隨機(jī)缺失后的數(shù)據(jù)進(jìn)行處理，所得到的擬合結(jié)果與真實(shí)風(fēng)電功率數(shù)據(jù)基本吻合。

2基于思維進(jìn)化算法的風(fēng)電功率預(yù)測(cè)模型

2.1思維進(jìn)化算法簡(jiǎn)介

與遺傳算法不同，MEA算法具有許多自身特性[16]：

（1） 把群體劃分為優(yōu)勝子種群和臨時(shí)子種群，在種群內(nèi)部進(jìn)行趨同和異化操作，趨同語義化相互協(xié)調(diào)，但又保持各自的獨(dú)立性。

（2） 可以記憶不止一代的進(jìn)化信息，這些信息有助于趨同和異化操作朝著有利的方向進(jìn)行。

（3） 趨同與異化操作在結(jié)構(gòu)上存在固有的并行性。

（4） 趨同和異化操作可以避免遺傳算法中出現(xiàn)的雙重性問題，即既可以產(chǎn)生好的基因，也可能破壞原有的好基因。

思維進(jìn)化算法的結(jié)構(gòu)如圖2所示：

圖2MEA算法結(jié)構(gòu)圖

2.2風(fēng)電功率預(yù)測(cè)模型的建立

以某風(fēng)機(jī)實(shí)測(cè)風(fēng)速 、環(huán)境溫度 和風(fēng)電功率 為例，經(jīng)過數(shù)據(jù)預(yù)處理之后，將風(fēng)速 和環(huán)境溫度 作為風(fēng)電功率預(yù)測(cè)模型的輸入，構(gòu)造特

征向量 ，歸一化后的特征向量為 （5）

思維進(jìn)化算法風(fēng)電功率預(yù)測(cè)模型如圖3所示：

3仿真分析

仿真采用某風(fēng)場(chǎng)的風(fēng)電實(shí)測(cè)數(shù)據(jù)，該風(fēng)場(chǎng)的數(shù)據(jù)采集周期為10min，單個(gè)風(fēng)機(jī)容量為1500KW。為保證訓(xùn)練樣本的多樣性，從所采集的風(fēng)場(chǎng)數(shù)據(jù)中隨機(jī)選擇1900組實(shí)驗(yàn)數(shù)據(jù)作為訓(xùn)練樣本，對(duì)MEA風(fēng)電功率預(yù)測(cè)模型進(jìn)行訓(xùn)練，在剩下的數(shù)據(jù)中隨機(jī)選擇100組數(shù)據(jù)作為測(cè)試樣本進(jìn)行模型驗(yàn)證，MEA算法的其他參數(shù)如表1所示。

圖4-圖6依次為MEA模型的第一次趨同、第二次趨同和第三次趨同操作。當(dāng)臨時(shí)子種群的得分低于優(yōu)勝子種群的得分時(shí)，趨同操作停止，反之，繼續(xù)進(jìn)行趨同操作。如圖4所示，臨時(shí)子種群的部分子種群得分高達(dá)7.4，遠(yuǎn)高于優(yōu)勝子種群的得分，因此，MEA作一次異化操作，然后繼續(xù)進(jìn)行下一次趨同操作。

圖8為MEA風(fēng)電功率預(yù)測(cè)誤差曲線，最大誤差16%，低于風(fēng)電場(chǎng)功率預(yù)測(cè)與系統(tǒng)提供的日預(yù)測(cè)曲線最大誤差不超過25%的要求，表明MEA算法具有較高的預(yù)測(cè)精度，滿足工程需求。

4結(jié)論與展望

本文建立了基于思維進(jìn)化算法的風(fēng)電功率預(yù)測(cè)模型，特征向量由環(huán)境溫度和風(fēng)速構(gòu)成。仿真結(jié)果表明，本文所提出的預(yù)測(cè)模型具有較高的預(yù)測(cè)精度，為后期整個(gè)風(fēng)場(chǎng)的風(fēng)電功率預(yù)測(cè)奠定了基礎(chǔ)。在以后的工作中，可以研究特征向量的選擇與訓(xùn)練樣本對(duì)預(yù)測(cè)精度的影響。

參考文獻(xiàn) References

[1] 葉林， 楊丹萍， 趙永寧. 風(fēng)電場(chǎng)風(fēng)能資源評(píng)估的測(cè)量-關(guān)聯(lián)-預(yù)測(cè)方法綜述[J]. 電力系統(tǒng)自動(dòng)化， 2016（3）：140-151.

[2] 薛禹勝， 郁琛， 趙俊華，等. 關(guān)于短期及超短期風(fēng)電功率預(yù)測(cè)的評(píng)述[J]. 電力系統(tǒng)自動(dòng)化， 2015（6）：141-151.

[3] 段學(xué)偉， 王瑞琪， 王昭鑫，等. 風(fēng)速及風(fēng)電功率預(yù)測(cè)研究綜述[J]. 山東電力技術(shù)， 2015， 42（7）.

[4] 朱曉榮， 劉艷萍. 基于穩(wěn)健估計(jì)時(shí)間序列法的風(fēng)電功率預(yù)測(cè)[J]. 電力系統(tǒng)及其自動(dòng)化學(xué)報(bào)， 2012， 24（3）：107-110

[5] 戚雙斌， 王維慶， 張新燕. 基于支持向量機(jī)的風(fēng)速與風(fēng)電功率預(yù)測(cè)方法研究[J]. 華東電力， 2009， 37（9）：1600-1603

[6] 張濤， 張新燕， 王維慶. 基于神經(jīng)網(wǎng)絡(luò)的風(fēng)電功率預(yù)測(cè)問題研究[J]. 四川電力技術(shù)， 2013， 36（1）：16-18

[7] 楊楠， 周崢， 李臻，等. 基于總體平均經(jīng)驗(yàn)?zāi)B(tài)分解與改進(jìn)Elman神經(jīng)網(wǎng)絡(luò)的風(fēng)電功率組合預(yù)測(cè)[J]. 電網(wǎng)與清潔能源， 2015， 31（10）.

[8] 茆美琴， 周松林， 蘇建徽. 基于脊波神經(jīng)網(wǎng)絡(luò)的短期風(fēng)電功率預(yù)測(cè)[J]. 電力系統(tǒng)自動(dòng)化， 2011， 35（7）：70-74

[9] 周松林， 茆美琴， 蘇建徽. 基于主成分分析與人工神經(jīng)網(wǎng)絡(luò)的風(fēng)電功率預(yù)測(cè)[J]. 電網(wǎng)技術(shù)， 2011， 35（9）：128-132

[10] 師洪濤， 楊靜玲， 丁茂生，等. 基于小波—BP神經(jīng)網(wǎng)絡(luò)的短期風(fēng)電功率預(yù)測(cè)方法[J]. 電力系統(tǒng)自動(dòng)化， 2011， 35（16）：44-48

[11] 楊茂， 熊昊， 嚴(yán)干貴，等. 基于數(shù)據(jù)挖掘和模糊聚類的風(fēng)電功率實(shí)時(shí)預(yù)測(cè)研究[J]. 電力系統(tǒng)保護(hù)與控制， 2013（1）：1-6

[12] 邱金鵬， 牛東曉. 基于小波-時(shí)間序列組合模型的風(fēng)電功率預(yù)測(cè)[J]. 電力建設(shè)， 2016， 37（1）：125-130.

[13] 王爽心， 李濤， 孫東旭，等. 基于小世界優(yōu)化的支持向量機(jī)風(fēng)電功率預(yù)測(cè)[J]. 太陽能學(xué)報(bào)， 2015， 36（3）：720-726.

[14] 劉曉楠， 王勝輝， 金月新，等. 基于BP神經(jīng)網(wǎng)絡(luò)的風(fēng)電場(chǎng)發(fā)電功率短期預(yù)測(cè)[J]. 沈陽工程學(xué)院學(xué)報(bào)：自然科學(xué)版， 2015（1）：10-13.

[15] 李鵬， 顧宏斌， 高振興. 三次樣條插值法在氣動(dòng)導(dǎo)數(shù)計(jì)算中的應(yīng)用[J]. 飛行力學(xué)， 2008， 26（2）：74-76

[16] 王芳， 謝克明， 劉建霞. 基于群體智能的思維進(jìn)化算法設(shè)計(jì)[J]. 控制與決策， 2010， 25（1）：145-148

收稿日期：修回日期：

作者簡(jiǎn)介：

1. 俞俊（1978），男，高級(jí)工程師，碩士，主研領(lǐng)域：IT基礎(chǔ)架構(gòu)的研究及新技術(shù)應(yīng)用。

2. 王召 （1986） ，男，工程師，學(xué)士，主研領(lǐng)域：電力系統(tǒng)通信信息。

3. 籍天明（1991），男，助理工程師，碩士，主研領(lǐng)域：電力系統(tǒng)通信信息。電子郵箱：jitianming@sgepri.sgcc.com.cn

4. 裘煒浩，（1973），男，工程師，碩士，主要從事：信息化系統(tǒng)的建設(shè)與運(yùn)維。

5. 裴旭斌（1973），男，高級(jí)工程師，學(xué)士，主

要從事：信息化系統(tǒng)的建設(shè)與運(yùn)維。

6. 胡楠 （1982），男，高級(jí)工程師，主要從事：

信息化運(yùn)維工作。

（編輯 ）