基于神經(jīng)網(wǎng)絡(luò)的電源出力同時率研究

廖云華

摘 要：根據(jù)湖南 發(fā)改委發(fā)布的《關(guān)于發(fā)布全省 2020-2021 年度新能源消納預(yù)警結(jié)果的通知》，永州地區(qū)被劃分為風(fēng)電接入紅色預(yù)警區(qū)域，光伏接入橙色預(yù) 警區(qū)域，電源接入面臨電網(wǎng)送出困難的難題，電源接入前需對電網(wǎng)消納能力做準(zhǔn)確的分析，保證電源合理有序接入電網(wǎng)。因此本文引入神經(jīng)網(wǎng)絡(luò)進(jìn)行分析電源出力同時率，針對電源選取，計(jì)算方法選取、電源出力同時率計(jì)算等方面進(jìn)行分析，希望對于相關(guān)的人員提供參考與借鑒的作用。

關(guān)鍵詞：永州市;神經(jīng)網(wǎng)絡(luò);電源出力同時率

1 引言

目前，電源出力同時率的選取通常通過統(tǒng)計(jì)區(qū)域內(nèi)已投產(chǎn)電源出力同時率分區(qū)段概率分布情況選取，或者根據(jù)經(jīng)驗(yàn)選取，缺乏一種快速精確的計(jì)算方法。本文旨在研究使用神經(jīng)網(wǎng)絡(luò)算法快速預(yù)測電源出力同時率。

2.電源選取

采用永州市已投水電、風(fēng)電、光伏 2018-2019 年全年 1h 采樣出力數(shù)據(jù)統(tǒng)計(jì)分析出力特性。為避免全年運(yùn)行數(shù)據(jù)不全帶來的影響，分析數(shù)據(jù)選取 2018 年底前投產(chǎn)電源。截止 2019 底，永州地區(qū)已投產(chǎn)35 千伏及以上電源共 20 座，容量 1354.7MW，其中水電 10 座，容量608.7MW;風(fēng)電 7 座，容量 642MW;光伏 3 座，容量容量 104MW。

3.電源出力同時率計(jì)算方法選擇

3.1概率統(tǒng)計(jì)方法

該方法為目前電力電量平衡中普遍使用的方法，僅可統(tǒng)計(jì)現(xiàn)有投產(chǎn)電源出力同時率情況，對于新增的電源，出力同時率如何取值無法判別，從而該種方法得到的電源出力同時率準(zhǔn)確度不高。

3.2散點(diǎn)圖曲線擬合

利用曲線擬合可以對未來變化趨勢進(jìn)行預(yù)測，但擬合曲線種類有限，對于變化不規(guī)律，曲線擬合度較差，僅可作為變化趨勢的判別， 難以滿足高精度要求。

3.3神經(jīng)網(wǎng)絡(luò)算法

人工神經(jīng)網(wǎng)絡(luò)以大腦機(jī)制作為基礎(chǔ)，開發(fā)用于建立復(fù)雜模式和預(yù)測問題的算法，在從初始化輸入及其關(guān)系學(xué)習(xí)之后，它也可以推斷出從未知數(shù)據(jù)之間的未知關(guān)系，從而使得模型能夠推廣并且預(yù)測未知數(shù)據(jù)，這在電源出力同時率變化未知預(yù)測中非常有用，因此，該課題使用人工神經(jīng)網(wǎng)絡(luò)測算電源出力同時率。

4 神經(jīng)網(wǎng)絡(luò)

4.1神經(jīng)元模型

生物神經(jīng)元是生物神經(jīng)系統(tǒng)的最基本單元，按照是否有神經(jīng)沖動，可以將神經(jīng)元分為興奮與抑制兩種狀態(tài)，這兩種狀態(tài)通過細(xì)胞膜內(nèi)外之間的不同電位差來表征。

對于神經(jīng)網(wǎng)絡(luò)（neural networks）的研究在很早以前就已出現(xiàn)， 今天的“神經(jīng)網(wǎng)絡(luò)”已經(jīng)是一個龐大的、多學(xué)科交叉的研究領(lǐng)域。各學(xué)科對神經(jīng)網(wǎng)絡(luò)的定義多種多樣，被廣泛接受的定義是：“神經(jīng)網(wǎng)絡(luò)是由具有適應(yīng)性的簡單單元組成的廣泛并行互連的網(wǎng)絡(luò)，它的組織能夠模擬生物神經(jīng)系統(tǒng)對真實(shí)世界物體所作出的交互反應(yīng)。

神經(jīng)元模型是生物神經(jīng)元的抽象和模擬，是神經(jīng)網(wǎng)絡(luò)理論的最基本組成部分，即神經(jīng)網(wǎng)絡(luò)的定義中提到的“簡單單元”。在生物神經(jīng)網(wǎng)絡(luò)中，每個神經(jīng)元與其他神經(jīng)元相連，當(dāng)它“興奮”時，就會向相連的神經(jīng)元發(fā)送化學(xué)物質(zhì)，從而改變這些神經(jīng)元內(nèi)的電位;如果某神經(jīng)元的電位超過了一個“閾值”（threshold），那么它就會被激活，即“興奮” 起來，向其他神經(jīng)元發(fā)送化學(xué)物質(zhì)。

4.2感知機(jī)與多層網(wǎng)絡(luò)

由兩層神經(jīng)元組成的網(wǎng)絡(luò)被稱為感知機(jī)，輸入層接收外界輸入信號后傳遞給輸出層，輸出層是 M-P 神經(jīng)元，亦稱為“閾值邏輯單元”。實(shí)際中廣泛使用神經(jīng)網(wǎng)絡(luò)往往是層級結(jié)構(gòu)，每層神經(jīng)元與下一層神經(jīng)元完全互連，神經(jīng)元之間不存在同層連接，也不存在跨層連接，這樣的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)通常稱為“多層前饋神經(jīng)網(wǎng)絡(luò)”。輸入層與輸出層之間的一層神經(jīng)元被稱作隱層或者隱含層，隱含層和輸出層神經(jīng)元都是擁有激活函數(shù)的功能神經(jīng)元。只需包含隱含層，即可稱為多層網(wǎng)絡(luò)。輸入層神經(jīng)元接收外界輸入，隱層與輸出層神經(jīng)元對信號進(jìn)行加工，最終結(jié)果由輸出層神經(jīng)元輸出;其中，輸入層神經(jīng)元僅是接收輸入，不進(jìn)行函數(shù)處理，隱層和輸出層包含功能神經(jīng)元。

學(xué)習(xí)與訓(xùn)練是神經(jīng)網(wǎng)絡(luò)的兩個重要概念，學(xué)習(xí)指的是“神經(jīng)元系統(tǒng)根據(jù)某種學(xué)習(xí)方法調(diào)整它內(nèi)部參數(shù)以完成特定的任務(wù)的過程”。訓(xùn)練指的是“向網(wǎng)絡(luò)輸人足夠多的樣本，通過一定算法調(diào)整網(wǎng)絡(luò)的結(jié)構(gòu)（主要是調(diào)節(jié)權(quán)值），使網(wǎng)絡(luò)的輸出與預(yù)期值相符的過程”。P 神經(jīng)元為例，神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過程，就是根據(jù)訓(xùn)練數(shù)據(jù)來調(diào)整神經(jīng)元之間的“連接權(quán)重”（connection weight）以及每個功能神經(jīng)元的閾值;換言之，神經(jīng)網(wǎng)絡(luò)“學(xué)”到的東西，蘊(yùn)涵在連接權(quán)與閾值中。

4.3誤差逆?zhèn)鞑ニ惴?/p>

想要訓(xùn)練多層網(wǎng)絡(luò)，需要依賴強(qiáng)大的學(xué)習(xí)算法。誤差逆?zhèn)鞑ィ╡rrorback propagation，簡稱 BP）算法就是其中最杰出的代表，它是迄今最成功的神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法，被廣泛應(yīng)用于多層前饋神經(jīng)網(wǎng)絡(luò)的訓(xùn)練。

對每個訓(xùn)練樣例，BP 算法執(zhí)行以下操作：先將輸入示例提供給輸入層神經(jīng)元，然后逐層將信號前傳，直到產(chǎn)生輸出層的結(jié)果;然后計(jì)算輸出層的誤差（第 4-5 行），再將誤差逆向傳播至隱層神經(jīng)元（第 6 行），最后根據(jù)隱層神經(jīng)元的誤差來對連接權(quán)和閾值進(jìn)行調(diào)整（第 7 行）。該迭代過程循環(huán)進(jìn)行，直到達(dá)到某些停止條件為止，例如訓(xùn)練誤差已達(dá)到一個很小的值。

5 電源出力同時率計(jì)算

5.1 電源規(guī)模增大對同時率的影響

統(tǒng)計(jì)水電、風(fēng)電、光伏同時刻隨電源規(guī)模增大各月份同時率變化情況，由下表數(shù)據(jù)可知，隨著區(qū)域電源規(guī)模的增加，水電、風(fēng)電、光伏出力同時率均是呈下降趨勢。

5.2 基于神經(jīng)網(wǎng)絡(luò)的同時率計(jì)算

通過MATLAB 軟件構(gòu)建電源出力同時率的BP 神經(jīng)網(wǎng)絡(luò)預(yù)測模型，調(diào)取電源出力8760 數(shù)據(jù)，按同時刻相加組合預(yù)測電源出力同時率隨電源座數(shù)增加的變化規(guī)律，計(jì)算過程中將電源進(jìn)行組合求算術(shù)平均數(shù)，防止電源出力特殊情況影響。

通過神經(jīng)網(wǎng)絡(luò)預(yù)測模型預(yù)測新增電源對應(yīng)的水電、風(fēng)電同時率，擬合誤差較小，滿足精度要求。從水電同時率變化曲線可以看出，水電出力同時率與座數(shù)的關(guān)系為非典型的曲線關(guān)系，隨著電源座數(shù)的增加，電源出力同時率變化曲線趨于平滑。

6結(jié)論

6.1 永州地區(qū)水電在春夏之交水資源較豐富，日水電最大出力發(fā)生在晚 19-21 點(diǎn);風(fēng)電場在冬季、初春風(fēng)資源較豐富，與春夏之交的豐水期能形成較好的互補(bǔ)，日風(fēng)電最大出力發(fā)生在晚 20-22 點(diǎn);光伏在夏季光照資源較豐富，日光伏最大出力發(fā)生在中午 12-13 點(diǎn)。

6.2通過 MATLAB 軟件構(gòu)建電源出力同時率的 BP 神經(jīng)網(wǎng)絡(luò)預(yù)測模型，預(yù)測新增 1 座水電站則同時率降至 89%，隨著電站數(shù)量的增加，同時率變化將趨于平緩;預(yù)測新增1座風(fēng)電場則同時率降至74%，新增 5 座水電站則同時率降至72%，隨著電站數(shù)量的增加，同時率變化將趨于平緩;由于永州地區(qū)現(xiàn)有光伏電站樣本較少，等永州地區(qū)投產(chǎn)足夠的光伏電站，同理可以使用神經(jīng)網(wǎng)絡(luò)預(yù)測模型進(jìn)行光伏電站同時率的預(yù)測。

參考文獻(xiàn)：

[1]畢云帆，撖奧洋，張智晟，等.基于模糊Bagging-GBDT的短期負(fù)荷預(yù)測模型研究[J].電力系統(tǒng)及其自動化學(xué)報(bào)，2019，31（7）：51-56.

[2]常曉雪，于立濤，撖奧洋，等.基于Bagging算法和Elman-NN融合的短期負(fù)荷預(yù)測模型[J].青島大學(xué)學(xué)報(bào)（工程技術(shù)版），2018，33（3）：87-91.

[3]原思平.深度時序神經(jīng)網(wǎng)絡(luò)集成方法及其電能需量預(yù)測應(yīng)用[D].長沙：湘潭大學(xué)，2019.

（國網(wǎng)永州供電公司，湖南 永州 425000）