基于風速融合和NARX神經網絡的短期風電功率預測

徐遵義 王俊雪

摘? 要： 高精度的短期風電功率預測是保證電網日常調度及運行安全的關鍵因素。目前，國內短期風電功率預測精度普遍低于國外水平。為了提高風機短期功率預測精度，提出一種基于風速融合和NARX神經網絡的預測模型。該方法對同一地點不同數據源提供的預報風速進行融合，采用NARX神經網絡進行短期風電功率預測。仿真實驗結果表明，所提出的短期風電功率預測方法是可行的，預測精度可提高至87.8%，與其他風電功率預測模型相比，具有更高的預測精度和更好的適應性。

關鍵詞：? 短期風電功率預測; 預測模型; NARX神經網絡; 風速融合; 數據融合; 數據處理

中圖分類號： TN99?34; TP391? ? ? ? ? ? ? ? ? ? ? 文獻標識碼： A? ? ? ? ? ? ? ? ? ? 文章編號： 1004?373X（2020）09?0166?04

Short?term wind power prediction based on wind speed fusion

and NARX neural network

XU Zunyi， WANG Junxue

（Shandong Architecture University， Jinan 250101， China）

Abstract： High accuracy short?term wind power prediction is the key factor to ensure the daily dispatch and operation safety of power grid. At present， the accuracy of short?term wind power prediction in China is generally lower than that in foreign countries. In order to improve the short?term power prediction accuracy of fan， a prediction model based on wind speed fusion and NARX neural network is proposed in this paper. In the method， fusion of the forecasted wind speed is provided for different data sources at the same location， and NARX neural network is used for short?term wind power prediction. The simulation experiment results show that the short?term wind power prediction method proposed in this paper is feasible， and its prediction accuracy can be increased to 87.8%. In comparison with other wind power forecasting models， it has higher prediction accuracy and better adaptability.

Keywords： short?term wind power prediction; prediction model; NARX neural network; wind speed fusion; data fusion; data processing

0? 引? 言

隨著環境污染、能源緊缺以及電能需求量大等問題的日益突出，風能作為一種具有清潔、儲量豐富以及可再生等特點的新能源具有重要的發展前景[1]。由于風的不可控性、間歇性以及隨機性等特點，以及國內短期風電功率預測精度普遍較低的現狀[2]，研究更高精確度的短期風電功率預測算法對保證風電場的日常調度、電網的平穩運行和提高國內風電利用率具有重要現實意義。短期風電功率預測方法主要有統計方法和物理方法，其中，統計方法中以建立數理統計模型的方法更為普遍。主要的統計方法有：時間序列、支持向量機、灰色關聯分析、小波分析和人工神經網絡等模型[3?7]，預測精度一般在82%～84%，國外研究機構預測精度已達到85%以上[8]。

風電功率預測的主要依據為氣象預報風速，同時，風速與風電功率存在高度非線性關系[9]。因此，本文提出一種基于氣象融合的動態神經網絡模型對風電功率進行預測，該方法采用基于可信度的加權方法對不同來源的天氣預報數據進行融合，采用帶外部輸入變量的非線性自回歸（Nonlinear Auto Regressive with Exogenous inputs，NARX）神經網絡對風電功率進行預測。

1? 數據融合算法

數據融合算法是對多個信息源所提供的關于同一個地點特征信息的多個不準確信息綜合后形成的一組相對準確的數據[10]。常用的數據融合模型主要有平均算法數據融合、基于可信度數據融合、D?S數據融合和Kalman濾波數據融合等。由于基于可信度的數據融合算法充分容納分析了歷史預報數據，能夠以各個預報數據源的歷史氣象預報準確性為依據。所以本文中數據融合算法采用基于可信度的數據融合[11?12]。其中，基于可信度的數據融合模型如圖1所示。

圖1中，[x1，x2，x3]代表不同數據源的測量值;[ω1，ω2，ω3]分別為每個數據源的權值。通過加權數據融合之后的數據值記為[x]：

[x=i=13xiωi] （1）

式中[ωi]為第[i]個數據源的可信度權重因子，且滿足[i=13ωi=1]。

本文中可信度權重因子根據各數據源測量值與真實值的相似程度來確定[13]。相關系數[r]為：

[ri=Exi-μxix-μxDxiDx]? （2）

式中：[xi]為第[i]個數據源數值;[μxi]為第[i]個數據源數值均值;[Dxi]為第[i]個數據源測量值方差。

令[ti=r2i]，則第[i]個信息源的可信度權重可表示為：

[ωi=ti?i=13ti-1] （3）

2? NARX神經網絡模型

NARX神經網絡是一種具有外部輸入的非線性自回歸動態神經網絡，網絡的輸出不僅僅取決于當前的輸入，而且還與過去時刻的輸出有關，能夠容納充足的歷史數據和數據之間的變化特性，因此，NARX網絡模型能夠更好地逼近非線性動力學模型[14?15]。

NARX神經網絡算法實質是一種時間序列的自回歸算法。由于時間序列是線性算法，只能適用于整個序列是平穩序列的條件下[16]。對于非平穩的序列，針對某一段平穩序列可以采用時間序列的自回歸算法，對于波動大的時間段時采用logistics函數將其無限接近平穩序列。最終此模型是多個離散的自回歸算法加上調節函數的組合，該模型的核心函數如下：

[yt=?0+β1Gx1γT1+εt]? ? （4）

式中：[?0]為待估計截距項;[β1]為待估計系數;[Gz=11+e-z]，為logistics方程;[x1=1，yt-1，yt-2，…，yt-p];[γT1=γ0，1，γ1，1，γ2，1，…，γp，1T]，為回歸模型參數。

整個模型曲線函數為：

[yt=?0+j=1nβjGxtγTj+εt]? （5）

NARX神經網絡模型結構圖如圖2所示。

圖2中：[m]為NARX神經網絡模型輸入時延階數;[n]為反饋輸入時延階數;[w]為權值向量;[b]為偏置;[d]為隱含層神經元個數;神經網絡隱含層激活函數[f1]為雙曲正切[S]型傳遞函數，即tansig函數，其表達式為[fx=21+exp-2x-1] ;神經網絡的輸出層激活函數為純線性傳遞函數，即purelin函數，其表達式為[fx=x]。

NARX神經網絡的模型可以定義為：

[yt=fxt-1，xt-2，…，xt-nx，yt-1，yt-2，…，yt-ny] （6）

式中：[f（）]為非線性函數;[yt]為網絡模型輸出變量;[xt]為網絡模型外部輸入變量;[xt-1，][xt-2，…，xt-nx，yt-1，yt-2，…yt-ny]為網絡模型時延后的輸入變量和反饋時延變量。

3? 仿真實驗

在風電場風電功率預測中，根據風電機組的發電手冊，任意時刻的輸出功率與對應時刻風速的計算關系如下：

[PVt=0，? ? vt≤v切入Cvt，? ? v切入≤vt≤vnormPnorm，? ? vnorm≤vt≤v切出0，? ? vt≥v切出] （7）

式中：[vt]表示[t]時刻的風速;[Pvt]表示在[t]時刻的功率;[v切入]表示產生風電功率的最小風速;[Cvt]為[t]時刻風速和功率的函數關系;[vnorm]表示額定風速即滿足函數的最大風速;[Pnorm]表示額定功率，即當風速超過額定風速時的功率是定值;[v切出]表示可以發電的最大風速。

3.1? 數據集及數據處理

實驗數據采用中國華能集團山東某風電場（38.136 127 78 N，117.841 930 56 E）2017年6月實測數據。數據包括風電場風機實測風速及功率數據，風電場服務商從西班牙、美國和歐洲專業氣象服務購買的該風電場氣象預報數據（國內暫無專業氣象服務商提供該項服務）。西班牙氣象服務公司每6 h發布一次氣象預報數據，美國和歐洲氣象服務公司每8 h發布一次氣象預報數據，采用克里金法插值獲得時間分辨率為15 min的氣象預報數據[17]。實驗數據選取數據中風機實測風速、實測發電功率以及西班牙、美國、歐洲的預報數據作為原始樣本數據，根據式（7）對數據異常值和缺失值進行處理。經過數據預處理后選取6月1日—15日的1 440條數據作為訓練集，6月16日—30日數據作為測試數據，預測未來24 h風機功率。訓練數據集中各氣象服務公司提供的風速預報值與風電場實測風速如圖3所示，其中，西班牙氣象服務公司提供的風速預報精度較高。

3.2? 數據融合

為定量分析各氣象服務公司預報風速與實測風速之間的關系，本文選取1天、3天、4天、5天以及7天預報風速與實測風速值，計算其相關系數如表1所示。由表1可知：西班牙氣象服務公司提供的預報風速與風機實測風速相關系數最大，4天及更長時間的相關系數急劇減少，相關性降低，因此，本文選用最近3天數據計算其相關系數。

基于可信度加權融合算法對不同數據源預報風速進行融合，融合前后的對比如圖4，圖5所示，融合后的預報風速與實測風速相關系數為0.901 5。

3.3? NARX神經網絡模型預測

3.3.1? 預測模型評價標準

NARX預測模型采用平均絕對誤差MAE、均方根誤差RMSE和相關系數[r]進行評價[18]。平均絕對誤差和均方根誤差用來衡量預測功率與實際功率之間的差值，其值越小，則表示模型的預測精度越高;相關系數用來衡量預測功率與實際功率的擬合程度，相關系數越大，則擬合程度越好。

平均絕對誤差[MAE]公式如下：

[MAE=i=1nypi-ycap?n] （8）

均方根誤差[RMSE]公式如下：

[RMSE=i=1nypi-y2cap·n] （9）

相關系數[r]的計算公式如下：

[r=i=1nypi-y·y-yi=1ny-y2·i=1nypi-y2] （10）

式中：[yp]為預測功率;[y]為實際功率;[cap]為當前風電場開機容量;[n]為預測時間點個數。

3.3.2? 仿真實驗結果

采用數據融合后的預報風速作為NARX神經網絡的輸入向量，風電場發電功率作為NARX神經網絡的輸出向量。采用單一預報風速與融合風速風電功率預測比較圖如圖6所示。

為了對本文提出算法與已有算法對風電功率預測精度進行對比，本文對BP神經網絡預測模型、NARX神經網絡預測模型、基于數據融合的BP神經網絡預測模型與基于數據融合的NARX神經網絡預測模型進行仿真，結果如表2和圖7所示。各個預測模型的預測值曲線和風機的實測功率值曲線的擬合度驗證了基于氣象融合和NARX神經網絡預測模型結果相比于其他三種預測模型，精度可以達到87.9%，預測結果與真實值具有更高的擬合度，更加接近真實值。

4? 結? 論

針對短期風電功率預測，本文提出一種基于風速融合和NARX神經網絡的預測模型。此預測模型可利用多個預報數據源的不同精度，基于可信度為各個預報數據源分配不同的權重進行數據融合;將融合后的風速值作為NARX神經網絡預測模型的輸入，構建NARX神經網絡模型預測風電功率。仿真實驗結果表明：NARX神經網絡以其良好的非線性映射能力，用于短期風電功率預測是行之有效的，通過與多種現有預測模型進行對比，基于數據融合和NARX神經網絡模型預測風電功率具有更高的精度和更好的適應能力。

參考文獻

[1] 錢政，裴巖，曹利宵，等.風電功率預測方法綜述[J].高電壓技術，2016，42（4）：1047?1060.

[2] 薛禹勝.關于短期及超短期風電功率預測的評述[J].電力系統自動化，2015，39（6）：141?151.

[3] 李軍，李大超.基于優化核極限學習機的風電功率時間序列預測[J].物理學報，2016，65（13）：33?42.

[4] ZENG Jianwu， QIAO Wei. Short?term wind power prediction using a wavelet support vector machine [C]// 2013 IEEE Power & Energy Society General Meeting. Vancouver， Canada： IEEE， 2013： 1.

[5] 李俊芳，張步涵，謝光龍，等.基于灰色模型的風速：風電功率預測研究[J].電力系統保護與控制，2010，38（19）：151?159.

[6] CATAL?O J P S， POUSINHO H M I， MENDES V M F. Hybrid wavelet?PSO?ANFIS approach for short?term wind power forecasting in Portugal [J]. IEEE transactions on sustainable energy， 2011， 2（1）： 50?59.

[7] LIN Yujie， KRUGER U， ZHANG Junping， et al. Seasonal analysis and prediction of wind energy using random forests and ARX model structures [J]. IEEE transactions on control systems technology， 2015， 23（5）： 1994?2002.

[8] 中國電力科學院.國外風電功率預測發展現狀[EB/OL]. [2014?1?1]. http：//www.doc88.com/p?5939751153777.html.

[9] 王勃，馮雙磊，劉純.考慮預報風速與功率曲線因素的風電功率預測不確定性估計[J].電網技術，2014，38（2）：463?468.

[10] YU Zheng. Methodologies for cross?domain data fusion： an overview [J]. IEEE transactions on big data， 2015， 1（1）： 16?34.

[11] ANAND A， RAMADURAI G， VANAJAKSHI L. Data fusion?based traffic density estimation and prediction [J]. Journal of intelligent transportation systems， 2014， 18（4）： 367?378.

[12] 楊紅果，申德榮，寇月，等.基于可信度的投票列表合并算法[J].東北大學學報（自然科學版），2016，37（2）：165?168.

[13] 閆鵬飛，孫權.基于可信度加權融合方法在維修性評價的應用[J].計算機仿真，2010，27（6）：31?35.

[14] JAWAD M， ALI S M， BILAL Khan， et al. Genetic algorithm?based non?linear auto?regressive with exogenous inputs neural network short?term and medium?term uncertainty modelling and prediction for electrical load and wind speed [J]. Journal of engineering， 2018， 2018（8）： 721?729.

[15] 付青，單英浩，朱昌亞.基于NARX神經網絡的光伏發電功率預測研究[J].電氣傳動，2016，46（4）：42?45.

[16] JANACEK G. Non?linear time series models in empirical finance [J]. Journal of the royal statistical society， 2010， 52（4）： 696?696.

[17] 中華人民共和國國家能源局.DL/T1711?2017中華人民共和國電力行業標準[S].北京：中國標準出版社，2017.

[18] 徐曼，喬穎，魯宗相.短期風電功率預測誤差綜合評價方法[J].電力系統自動化，2011，35（12）：20?26.