基于螢火蟲算法優化神經網絡的風電功率預測

譚 劍

中國能源建設集團華中電力試驗研究院有限公司 湖南 長沙 410000

1 引言

由于傳統能源的日漸減少,風力發電等清潔新能源越來越引起社會的重視。我國風力資源十分豐富,有效利用將大大改善我國的用電壓力。然而,風力受多種因素影響,具有隨機性與間歇性等特點,加大了風電并網的難度。利用已有的風電數據對其功率精確預測將有效幫助電力部門有針對性做出決策,保證居民生活、工業生產等多方面的用電需求,在保證電力質量的前提下,降低電網的運行成本[1－2]。

目前,國內外學者緊跟時代步伐,在風電功率預測方面做出了大量研究,常見的方法有小波分析、支持向量機、極限學習機、時間序列法等。文獻[3]采用小波變換對原始變量進行分解,并結合神經網絡進行短期風電功率預測,有效提高了預測精度,但是小波變換公式復雜,所需工作量較大。文獻[4]建立多輸入單輸出的BP神經網絡模型,能夠較好地用于預測風電機組的輸出功率,但是BP神經網絡預測精度仍有待提高,且容易陷入局部最優。文獻[5]基于支持向量機理論,建立了4h風電功率預測模型,為短期功率預測提供了一種方法,但支持向量機預測精度不足,誤差較高。

本文針對以上問題,選取風速、溫度、電流等影響功率的因素,建立一種基于螢火蟲算法(Firefly Algorithm,FA)優化BP神經網絡的預測模型,并與ELM、BP神經網絡模型預測性能進行對比。結果表明,本文提出的方法能夠降低預測誤差,提高預測準確度,在超短期與短期風電功率預測方面效果顯著,應用前景顯著。

2 理論建模分析

2.1 BP神經網絡 BP神經網絡]作為一種能夠通過不斷學習更新權重和閾值的反饋網絡,理論上能夠無限逼近任何函數,已經在許多領域得到了很好的應用。BP神經網絡分為正向傳遞與反向傳遞兩個過程,通過梯度下降法不斷減小誤差值,其基本結構包括輸入層、隱含層與輸出層,

2.2 螢火蟲算法 螢火蟲算法是一種模擬螢火蟲群聚活動尋找種群最優而提出的啟發式算法。每只螢火蟲均有一個初始發光強度,隨著時間的推移,發光弱的個體會向發光強的個體移動,改變螢火蟲的位置,完成迭代過程,具體規則如下：

式中,I為螢火蟲個體的相對熒光亮度；I0為螢火蟲個體當前位置的亮度,隨著適應度函數的更新而變化；γ為發光強度吸收系數；d ij為兩個體間的距離；D為螢火蟲所處空間的維度；x ic與x jc分別為第i只螢火蟲與第j只螢火蟲在空間中的第c個分量。

不同發光強度的螢火蟲之間通過吸引來改變位置,螢火蟲之間的吸引度定義為

式中,βij為第i只螢火蟲與第j只螢火蟲之間的吸引度值,β0為初始吸引度。

迭代過程中,每只螢火蟲位置更新規則為

式中,x i與x j分別為第i只螢火蟲與第j只螢火蟲的空間位置,k為迭代次數,α為步長因子,rand為[0,1]上服從均勻分布的隨機因子。

當滿足全局最優或者達到最大迭代次數時,尋優結束。螢火蟲算法原理清晰易懂,參數數量較少,可用來改善原始BP神經網絡的預測性能。

2.3 螢火蟲算法優化BP神經網絡 本文運用FA算法優化BP神經網絡,構建FA－BP預測模型,改善風電功率預測準確度。

3 實驗驗證與分析

3.1 數據預處理 風電是一個多參數且非線性的復雜能源系統,影響風電性能的各項參數往往具有不同的量綱與數值。如果直接用原始數據作為神經網絡的輸入,那么將會導致誤差的增大,無法提供準確的預測結果。基于此,需要首先進行歸一化處理。

本文采用“mapminmax”公式對原始數據進行歸一化處理,使新數據處于[－1,1]范圍內,消除各參數之間的差異性,如式(5)所示：

式中,y為歸一化后的無量綱新數據,ymax＝1,ymin＝－1,x為原數據,xmax與xmin分別為原數據中的最大值與最小值。

3.2 效果評價標準 為了突出所構建模型的預測性能,本文分別采用均方根誤差(Root Mean Square Error,RMSE)與平均絕對誤差(Mean Absolute Error,MAE)來反映預測效果,計算公式如下：

式中,y i為風電功率的實際值,為風電功率的預測值,i＝1,2,…,m。

3.3 參數設置與實驗結果 為了驗證本文所提出的FA－BP方法在風電功率預測方面的優越性,選取國內某風電場2018年5月1日～2018年6月7日采集的數據作為樣本來源,每隔30min采樣一次。其中,2018年5月1日～5月31日的數據為訓練樣本,共1488組。2018年6月1日數據為測試樣本1,共48組,預測一天的功率；2018年6月1日～6月7日數據為測試樣本2,共336組,預測一周的功率。

根據選擇的數據,風速、溫度、電流為模型輸入,風電功率為模型輸出。構建3層網絡結構,輸入層設置為3,隱含層為10,輸出層為1,學習率為0.1,全局訓練目標為0.00001。螢火蟲種群數量為20,迭代次數為100,步長因子為0.5,初試吸引度為0.2,發光強度吸收系數為1。

(1)2018年6月1日預測結果

圖3(a)－(d)是ELM、BP以及FA－BP模型在2018年6月1日的風電功率預測結果圖與對比圖。從圖中可以直觀看出,與其余兩種模型相比,FA－BP模型能夠較好地預測風電功率,誤差更小,精度更高。

(a)ELM風電功率預測結果(b)BP神經網絡風電功率預測結果

(c)FA－BP風電功率預測結果(d)三種模型風電功率預測結果圖3 三種模型一日風電功率預測結果

表1為三種模型一日風電功率預測結果,從表中可以看出,FA－BP模型的RMSE誤差相對ELM與BP分別降低了7.7862%與0.7833%,MAE誤差分別降低了1.4331%與0.3843%。綜合分析,FA－BP能夠有效降低預測的誤差,提高風電功率預測的精度。

表1 三種模型一日預測結果對比

(2)2018年6月1日～7日預測結果

圖4(a)－(d)是ELM、BP神經網絡以及FA－BP模型在2018年6月1日～7日的風電功率預測結果圖與對比圖。從圖中可以直觀看出,與其余兩種模型相比,FA－BP模型能夠較好地預測一周的風電功率,誤差更小,精度更高,為電力調度提供了一種有效預測手段。

圖4 三種模型一周風電功率預測結果

表2為三種模型一周風電功率預測結果,從表中可以看出,FA－BP模型的RMSE誤差相對ELM與BP分別降低了2.6364%與2.0413%,MAE誤差分別降低了0.0946%與0.3112%。綜合分析,FA－BP能夠有效降低預測的誤差,提高風電功率預測的精度。

表2 三種模型一周預測結果對比

4 結論

風電功率預測是電力調度部門合理分配電能資源的一種有效手段,合理的風電功率預測將提高調度的效率,滿足生產生活等各方面的需求。本文選取風速、電流、溫度作為模型輸入,通過FA－BP模型進行風電功率預測,得出如下結論：

(1)FA算法能夠有效優化BP神經網絡,并用于風電功率的預測。與原始BP神經網絡、ELM性能相比,FA－BP模型能夠顯著降低預測誤差,提高預測精度。

(2)運用FA－BP神經網絡模型進行風電功率預測,一日預測的RMSE誤差為3.6858%,MAE誤差為2.7162%,誤差比另外兩種模型明顯降低,可以作為電力調度部門日調度的依據。

(3)FA－BP模型進行一周風電功率預測,RMSE誤差為4.7523%,MAE誤差為3.1127%。雖然誤差比一日預測的結果高,但結果仍然可以接受,并且比另兩種模型預測精度更高。

(4)本文提出的FA－BP模型,無論是一日預測還是一周預測,均取得了滿意的預測結果,為風電功率預測提供了一種新的方法,具有一定的實際應用價值。