基于RBF神經網絡算法的短期風電功率預測研究

邱欽宇

（中國鐵路南昌局集團有限公司南昌車輛段，江西 南昌 330100）

我國的疆土廣闊無垠，擁有屈指可數的超長海岸線，是風力資源較豐富的國家之一。我國頒布的《風電發展“十二五”規劃》，精確指出國家電網公司要根據風電的發展計劃進行電力系統電網對于風力發電的進駐的配套工作，改善電力系統運行安排，使風電在整個電力發電網絡中的占比不斷增加，來完成規定風電計劃的并網。

然而，與常規發電方式有所不同的是，風是隨機的，隨高度增加而變化，隨季節，日夜的更替而變化，風力發電有著波動性、間歇性等許多不確定因素。

機組并網時，會有風電穿透功率極限問題的存在。風電場穿透功率的上升到一定值時，會造成電力系統運行出現問題，電能質量受到嚴重影響，違反電力系統運行時安全、優質、可靠、經濟、環保的基本要求。更需要我們注意的是，由于風速超過機組可運行值時會使機組直接退出電網運行，引起電力系統非常大的擾動，造成電力系統運行方式產生急劇變化，甚至使電力系統崩潰。因此，風電場的風電功率預測成為發展風力發電的漫漫長路上非常關鍵的一環，是維持電力系統高效穩定運行的重要步驟。因此保持電力系統經濟可靠的運行，使電網發電計劃調度合理。根據風電場的風電功率預測可以十分有效率地進行機組設備維護與檢修，提高風電在電力市場的經濟價值與競爭力。

風電功率預測有很多方法，如按預測時間的長短分類。可分為特短期預測（Very short Term Prediction）、短期預測（Short Term Prediction）、中期預測（Medium Term Prediction）和長期預測（Long Term Prediction）。根據預測方法分類，風電功率預測大致可分為物理方法，統計方法和人工智能法。本論文重點在研究基于RBF 神經網絡算法的短期風電功率預測的探索，通過現有的資料技術，實現電網的最優運行。

1 RBF 神經網絡

本文采用了RBF 神經網絡來對風電場進行短期的風電功率預測，風速、風向、溫度、大氣壓強，風電場運行機組數量等數據是進行短期風電功率預測的基礎，再參照風電場的歷史數據，得出最終的預測結果。本研究仿真使用的計算機軟件為MATLAB，它作為高性能的數據處理和圖像軟件，充分提高了我們分析運算的效率。

RBF 神經網絡是一種前饋式神經網絡，是一種三層網絡結構。第一層，輸入層，由信號源結點組成，包含與外部環境連接的感知單元；第二層，隱含層，是網絡結構中最關鍵的一層，問題所需決定了隱含層包含的節點數，其神經元激勵函數為對中心點徑向對稱的非負非線性徑向基函數；第三層，輸出層，它用于對輸入層輸出線性響應。

徑向基函數神經網絡的結構如圖1 所示，傳輸層的作用僅為傳輸信號，輸入層和隱含層之間的權值可近似的看作1。而徑向基函數網絡的激勵函數定義為空間中某一點到某一中心之間的歐式距離的單調函數，所以隱含層采用非線性優化，用于調整激勵函數的參數，學習速度較慢。輸出層是針對非線性優化的隱含層進行線性調整和優化，學習速度較快。

圖1 RBF 神經網絡結構圖

綜上所述，RBF 神經網絡是非線性的，但輸出層輸出的數據參數是線性的，大大節約了學習訓練的時間，又可避免一定的局部極小問題。

2 基于RBF 神經網絡的短期風電功率預測算法

建立RBF 神經網絡的預測模型，首先需要確定輸入層，隱含層和輸出層的參數。本文RBF 神經網絡輸入節點為5 個，輸出層節點為1 個，合適的隱含層神經元數目可提高網絡的性能。神經網絡受到少隱含層神經元數的影響，可能導致使訓練次數增多，精度降低，不能順利學習。通常増加神經元個數可以提高訓練精度，降低訓練次數，但需要以隱含層神經元數目保持一定合理范圍作為條件。當超過這個范圍后，繼續増加神經元數目會使訓練時間增加，同時造成其他問題。根據柯爾莫哥洛夫定理：隨意給定連續函數，存在一個對應的三層網絡實現它，假設網絡具有m 個節點的輸入層，則可以確定2m+1 個節點的隱含層。確定出隱含層神經元的理論值后，再經過反復訓練對比，找出精度最高的。RBF 神經網絡徑向基函數的擴展速度SPREAD 設為0.2。

本研究采用上海某風電場的機組歷史運行數據作為數據樣本并進行預處理對RBF 神經網絡進行訓練，結合包括風速、風向、氣溫、濕度和氣壓五項內容的氣象預報數據對風電場臺裝機容量機組進行短期功率預測。

圖2 為春季風電功率預測與實際曲線和誤差分布圖，經由MATLAB 計算機軟件仿真得，此RBF 神經網絡預測誤差：MAE=67.0896，RMSE=85.5081。由圖2 可得，在春季，時間點為260min，345min，225min 時誤差較大，誤差率分別為20.7%，16.2%，15.8%。除去預測點百分比誤差超過15%，百分比誤差小于15%的時間點有93 個。8 小時96 個預測點的平均絕對誤差為3%。根據誤差點分布，誤差小于10%的數據點為63 個，占預測數據的65.6%。殘差區間在（-2,2）的正常值內。殘差平方和越小，此模型的預測相關性就越好。圖3 為夏季實際值與預測值得回歸擬合曲線，確定系數為0.9754，處于確定系數[0，1]的正常取值范圍內，且接近于1，表明方程的變量對y 軸的解釋能力越強，這個模型的擬合優化程度越好。

圖2 上海某風場風電功率預測曲線與誤差分布圖

圖3 上海某風場風電功率預測值與實際值得擬合曲線圖

3 結語

隨著風力發電的迅猛發展，風力發電對電網的負面影響日益増加，因此，對風電場短期功率預測稱為一個十分緊迫的問題。本文采用上海某風電場的現場測量和運行數據，對于基于RBF 人工神經網絡的風電功率短期預測方法進行了研究，考慮氣象因素的影響，進行風電場風功率短期預測。利用風速、風向、氣壓、溫度等氣象因素和風機運行數量作為神經網絡模型的預測輸入，短期風功率進行預測。仿真結果表明，采用RBF 神經網絡預測，有效地提高了預測精度，減小了誤差，具有適應時變特性的能力，泛化能力較好。