基于動態(tài)神經(jīng)網(wǎng)絡時間序列的風電功率短期預測

來庭煜 饒佳黎 周旭

摘 要：近年來，隨著我國的風電發(fā)展的突飛猛進，對風電場功率進行實時預測具有重要意義，但大氣和電場的地形地貌等自然因素導致風電功率的不可控性。本文利用動態(tài)神經(jīng)網(wǎng)絡的反饋記憶特性，采用基于NAR動態(tài)神經(jīng)網(wǎng)絡對風電功率進行時間序列短期預測，準確率高達93.7%，證明該模型能有效提高風電功率實時預測的準確性，可改善風電聯(lián)網(wǎng)運行性能，為電力生產(chǎn)和調(diào)度提供良好的條件。

關鍵詞：動態(tài)神經(jīng)網(wǎng)絡 時間序列 風電實時預測

中圖分類號：TM73 文獻標識碼：A 文章編號：1672-3791（2018）10（b）-0058-02

在化石能源日益枯竭的近現(xiàn)代，各國將更多的目光投向風電、太陽能等相對清潔的新型能源。而我國也確立了可再生能源開發(fā)利用在能源發(fā)展中的優(yōu)先地位。

風電作為一種大自然所提供的二次能源，其實時功率存在不可控性，因此需要對風力所產(chǎn)生的電功率進行實時預測。一般的線性擬合模型、灰色預測模型等方法難以及時并準確地預測未來時刻的風電功率[3]。本文從提高風電的實時預測的準確精度角度出發(fā)，利用基于NAR動態(tài)神經(jīng)網(wǎng)絡的時間序列法對風電功率進行短期預測。

1 動態(tài)神經(jīng)網(wǎng)絡時間序列預測原理

1.1 基本結構

神經(jīng)網(wǎng)絡分為兩大類：靜態(tài)神經(jīng)網(wǎng)絡和動態(tài)神經(jīng)網(wǎng)絡。動態(tài)神經(jīng)網(wǎng)絡又可分為有反饋和無反饋兩種[1]。靜態(tài)神經(jīng)網(wǎng)絡無記憶功能，輸出只和當前的輸入有關，而動態(tài)神經(jīng)網(wǎng)絡的輸出不僅依賴當前的輸入，也和之前的輸入存在關系，因此動態(tài)神經(jīng)網(wǎng)絡要比靜態(tài)神經(jīng)網(wǎng)絡功能強，預測的準確率高。

時間序列預測分為三種：

有y，無x，即y（t）=f（y（t-1），y（t-2），…）（NAR）

有y，有x，即y（t）=f（x（t-2），…，y（t-1），y（t-2），…）（NARX）

無y，有x，即y（t）=f（x（t-1），x（t-2），…）（較少見）

1.2 算法流程

Matlab中存在時間序列工具箱，通過設置影響當前輸出的過去因素的個數(shù)，隱含層節(jié)點的個數(shù)，采用動態(tài)神經(jīng)網(wǎng)絡反饋模型，通過訓練得出預測結果。

1.2.1 數(shù)據(jù)標準化

對原始數(shù)據(jù)進行標準化，使其在0～1之間，標準化方式如下：

其中，xmax、xmin分別為訓練樣本中輸入數(shù)據(jù)的最大值和最小值，yi、xi分別為輸入樣本歸一化前后的值[4]。

1.2.2 Matlab時間序列工具箱的調(diào)用

在Matlab中輸入nnstart，啟動Neural Network Start，進入動態(tài)神經(jīng)網(wǎng)絡時間序列工具箱，采用NAR—非線性自回歸模型，并選則訓練該網(wǎng)絡的數(shù)據(jù)，對其進行分割，采用系統(tǒng)的默認值，原始數(shù)據(jù)的70%作為訓練數(shù)據(jù)，15%作為驗證數(shù)據(jù)，剩余的15%作為測試數(shù)據(jù)[2]。

1.2.3 參數(shù)設置

反復調(diào)節(jié)隱含層神經(jīng)元個數(shù)和時間滯后的yi個數(shù)，并進行訓練，直到滿足誤差要求。

1.2.4 仿真訓練

參數(shù)設置好之后，點擊Train訓練，訓練完成后，通過Plot Error Autocorrelation和Plot Input-Error Correlation檢查誤差是否滿足要求，若滿足要求，則訓練完成；若誤差不滿足要求，則進行重新訓練。

2 基于NAR動態(tài)神經(jīng)網(wǎng)絡時間序列的風電功率短期預測模型

2.1 數(shù)據(jù)預處理及考核指標

本文選用NAR時間序列對風電功率進行預測，收集的風電場功率數(shù)據(jù)，每15min采樣一次，單位為kW。并對原始數(shù)據(jù)進行歸一化處理。

風電場發(fā)電預測預報考核指標為風電場發(fā)電預測預報準確率：

（1）

其中，e為預測曲線準確率；PMk為k時段的實際平均功率；PPk為k時段的預測平均功率；N為日考核總時段數(shù)；Cap為風電場開機容量。

2.2 預測指標的結構

本文采取NAR時間序列預測，只有輸出，沒有輸入，滿足非線性自回歸模型，當前的預測值與前面六個的輸出變量有關，即：

y（t）=f（y（t-1），y（t-2），y（t-3），y（t-4），y（t-5），y（t-6），）

使用某個時刻之前的六個數(shù)據(jù)對此時刻的風電功率進行預測，將統(tǒng)計的風電場各時刻數(shù)據(jù)當做一個時間序列，以原始數(shù)據(jù)作為基礎，反復進行訓練，輸出預測值。

3 案例分析

利用MATLAB軟件進行編程，采用數(shù)據(jù)為某地區(qū)某風電場2016年5月10日至2016年6月6日內(nèi)全場58臺風電機組總輸出功率數(shù)據(jù)。預測6月7日的96個時刻的風電功率，選取之前27天的數(shù)據(jù)作為輸入數(shù)據(jù)，利用NAR動態(tài)神經(jīng)網(wǎng)絡，反復調(diào)節(jié)隱含神經(jīng)元個數(shù)和時間滯后個數(shù)，經(jīng)訓練后得隱含神經(jīng)元個數(shù)為15，當達到0.01的精度要求時輸出風電功率的預測值。誤差曲線如圖2，圖3所示。

由圖2，圖3可知，經(jīng)過NAR動態(tài)神經(jīng)網(wǎng)絡訓練后，所得的預測結果和真實值之間的誤差較小，較為接近真實數(shù)據(jù)，最大誤差為22.9%，平均誤差為5.84%，大部分的點都能準確的預測，部分數(shù)據(jù)的預測值誤差較大，可認為是異常點，即在該點處風電機組功率異常，因為風電功率本身受風力，氣溫氣壓等自然因素影響，存在無法消除的系統(tǒng)誤差。總體上，NAR神經(jīng)網(wǎng)絡預測結果準確率e為93.7%，誤差較小，對開發(fā)風電功率預測系統(tǒng)有參考價值，還可促進對風電系統(tǒng)的穩(wěn)定運行和維護。

4 結語

在風電日益發(fā)展的現(xiàn)代，風力發(fā)電的隨機性是人們無法解決的難題，提高風電的實時預測的準確精度將有利于電網(wǎng)的實時調(diào)度，本文通過動態(tài)神經(jīng)網(wǎng)絡模型對某風電場2016年6月7日全天的風電功率進行時間預測，采用之前27天該風電場的數(shù)據(jù)進行訓練，滿足精度要求后輸出預測結果，準確率為93.7%，誤差較小，實用性較強，證明動態(tài)神經(jīng)網(wǎng)絡時間序列預測具有精度較高，收斂能力強等優(yōu)點，且無滯后效果，更加適用于風電實時預測，有利于及時對風電系統(tǒng)進行調(diào)度和維護，從而提高電力系統(tǒng)的經(jīng)濟效益。

參考文獻

[1] 陳舒陽，徐林榮，曹祿來.基于動態(tài)神經(jīng)網(wǎng)絡法考慮區(qū)域沉降的高速鐵路沉降預測[J].鐵道學報，2015，37（5）：83-87.

[2] 張皓.基于MATLAB動態(tài)神經(jīng)網(wǎng)絡進行時間序列預測房地產(chǎn)價格的研究[J].經(jīng)濟師，2015（9）：284，286.

[3] 范高鋒，王偉勝，劉純.基于人工神經(jīng)網(wǎng)絡的風電功率短期預測系統(tǒng)[J].電網(wǎng)技術，2008（22）：72-76.