小波變換和RBF神經網絡的風功率預測

鄭 海， 陳湘萍， 李 慧， 鄭友康

(貴州大學 電氣工程學院，貴陽 550000)

0 引 言

隨著全球性化石能源危機、環境污染、溫室效應、電力供需矛盾以及常規能源的開發利用受到局限等一系列問題的加深，使得新能源得到大力的發展。作為一種污染小、儲量大的可再生能源，風能具有極大的開發價值意義和美好發展的前景。風能的主要利用方式為風力發電。風電出力的不穩定、隨機等特性使得風電場輸出功率并網給電力系統維護增加了巨大的難度，因此，風功率的預測對電力系統的穩定運轉、功率均衡、風險評估、電能質量等具有較大的意義。隨著風電場發電量在電網中的比重增加，電網調度的難度系數不斷加大，準確地預測風電場功率輸出，對于電能生產的運行、發電計劃的調整有極大意義。

當前，針對風電場輸出功率的預測方法有很多，文獻[1]中將經驗小波變換和核極限學習機相結合用于短期風功率預測，文獻[2]中采用時間序列法對風功率進行預測并對結果進行分析，結果表明不加入氣象因素的預測結果不是太理想。文獻[3]中將遺傳算法用于優化模型的權值和閥值，再通過訓練好的小波-BP神經網絡來對風電場輸出功率進行預測。文獻[4]中將數值天氣預報引入風電場的功率預測中，提出了一種基于卡爾曼濾波風功率預測模型。這些預測方法以龐大的數據庫作為支撐，將風本身的特性作為特征輸入，鮮有考慮天氣因素對風電場功率輸出的影響，即忽略了一些影響風功率輸出的非線性因素。風特性在一定程度上受降雨量、溫度、濕度、氣壓等氣象因素影響，因此，含有氣象信息的風功率預測方法亟待研究。

神經網絡不僅可通過映射形式來反映輸入和輸出數據之間的關系，而且收斂速度快，具有良好的學習和泛化能力[5]，可應用于數據的分類，天氣的預報等領域。小波分析方法則可以獲取一些不穩定和非線性的特征，可用于分析具有顯著間歇特性和不穩定的可再生能源的波動情況[6-9]，相關結論在可再生能源輸出功率預測中取得不錯的效果。本文針對風電場功率輸出具有的周期、波動、隨機等特點，提出一種基于小波變換與RBF神經網絡的方法建模，以實現風電場功率輸出預測。

1 小波變換與神經網絡技術

1.1 小波變換

作為一種有效的分析方法，小波變換能對一些具有不穩定和非線性的信號進行局部化分析。即是將一個已知的函數Ψ(t)經過平移和縮放后跟原始信號作比較，這樣可以分析不同時期和不同領域范圍內信號的局部特征[10]。

假設x(t)在一定領域范圍為平方可積信號，即滿足x(t)∈L2(R)，那么x(t)的連續小波變換可定義為：

(1)

式中：a為尺度參數；b位移參數；

(2)

小波變換中常使用Mallat算法, 該算法加快了小波離散化的速度，該算法將x(t)信號正交投影到空間Vi和Wi。這樣即可得到在i尺度下x(t)的離散逼近信號ci(t)和離散細節信號di(t)[11]，當i由0逐漸增大時，就可逐級分解信號，而后就可得到離散x(t)，信號：

(3)

1.2 神經網絡

神經網絡具有如下兩個特點：① 大規模并行分布式結構；② 較強學習能力和泛化能力[12-13]。從理論上說，通過調整神經網絡結構，就可以在一個范圍內接近給出的任何一個非線性函數。在風力發電系統中，神經網絡主要用于預測未來幾小時內或1 d內風電場輸出的功率。

文中采用的神經網絡為徑向基神經網絡(Radical Basis Function Neural Network，RBFNN)。RBF網絡是一個雙層前向神經網絡，由隱藏的功能神經元層和帶有線性神經元的輸出層組成[14]。相對于BPNN來說，RBFNN泛化能力強、收斂速度快、節約時間，能全局逼近而避免陷入局部最小值或最大值問題，并且預測精度較高。表1為“WT+RBFNN” 和RBFNN用于風功率預測的相參數。

表1 風功率預測的“WT+ RBFNN”和RBFNN的相關模型參數

2 基于小波變換的神經網絡模型建立

2.1 輸入變量分析和選擇

從理論上說，風速的大小是導致風電場出力的直接影響因素，風速的大小直接影響風電功率的大小，同時風電功率的輸出與氣象條件和風電場系統自身特性有關。因此，文中采用風電場以往的部分數據訓練，環境信息(包括平均溫度、相對濕度、降雨量、等氣象信息)作為文中模型的輸入數據。平均溫度、相對濕度、降雨量、風速信號如圖1所示。

(a) 相對濕度

(c) 降雨量

2.2 模型的建立

風電場輸出功率跟風速之間的近似關系如下：

(4)

式中：v表示風機輪轂高度處的風速；vcut_in表示切入風速；vcut_out表示切出風速；vr表示額定風速；Pr表示風機額定輸出功率。

神經網絡作為一種具有廣泛研究內容的學科，它不僅可運用于最基礎的生物原型的分析、信息的處理等，還可用于建立模型用作預測，文中正是運用了神經網絡的這一原理。在預測風功率之前，先選取一部分數據訓練預測模型，另一部分數據作為測試集以評估預測模型的性能，最終即可通過訓練好的模型對風電池輸出功率進行預測。基于小波變換和神經網絡的風功率預測的預測方法流程圖如圖2所示，為在提高預測精度的前提下盡量減少輸入量，將平均溫度t、相對濕度RH、降雨量(mm)、風電場輸出功率PM作為輸入。該預測方法首先將風電場的實際輸出功率應用小波變換進行比例分解，然后將t、RH、降雨量作為各層神經網絡的輸入來訓練出神經網絡訓練模型，最后通過小波重構法進行重構，獲取風電場輸出功率的預測值。

圖2 “WT+RBFNN”預測方法預測結構流程

3 算例分析

選取實驗站數據進行算例驗證，數據包括風速大小，平均溫度t，相對濕度，降雨量和風電場的輸出功率。圖3所示為采用2種方法(RBFNN，WT+RBFNN)對風電場輸出的風功率進行預測結果的對比圖。

(a) WT+RBFNN預測輸出

(c) WTNN+RBFNN預測誤差百分比

圖3(a)是基于小波變換和神經網絡模型預測的風功率輸出和實際風功率輸出的結果比較，預測的功率輸出趨勢與實際基本符合。而圖3(b)基于RBFNN的預測輸出結果與實際功率的形態偏差較大。圖3(c)、(d)可以直觀地看到，“WT+RBFNN”的誤差百分比基本在0點波動，僅有極少部分點的值偏離了原點，而僅使用RBFNN預測的結果誤差波動就比較大，效果遠不如“WTNN+RBFNN” 。綜合圖3分析，加入氣象因素的情況下，“WTNN+RBFNN”方法對風功率進行預測具有較好的預測精度。

文中采用平均絕對誤差(MAE)和均方根誤差(RMSE)對“WTNN+RBFNN”預測模型進行性能評估[15-16]:

(5)

(6)

表2 “WT+RBFNN”預測方法與RBFNN 預測方法的預測誤差比較

從表2可以得出,RBFNN預測方法計算出的MAE值和RMSE值都比“WTNN+RBFNN”大，當將WTNN和RBFNN結合后，預測精度得到了極大的改善。預測結果表明，文中提出的“WTNN+RBFNN” 預測方法在加入氣象因素后都能取得更好的預測效果，可以提高風功率預測精度。

4 結 語

文中提出了一種基于小波變換和RBFNN相結合的風功率混合預測方法。該方法將小波變換作為神經網絡的前置手段，對輸入的風功率進行頻率分解，再將處理過的風功率和氣象信息數據送進神經網絡模型中進行預測。從預測結果來看，相對于RBFNN方法，“WTNN+RBFNN”模型預測結果更準確，具有較高的預測精度，且MAE值和RMSE值相對較小，模型具有較好的泛化能力。文中提出的加入氣象因素的“WTNN+RBFNN”混合預測方法從理論上證明了該方法的有效性，為后續研究風電池輸出功率的預測提供了一定的理論基礎，具有重要意義。