基于神經(jīng)模糊網(wǎng)絡(luò)的短期風(fēng)電預(yù)測(cè)

粟華祥

(廣西金騰電力設(shè)備監(jiān)理服務(wù)有限責(zé)任公司，廣西 南寧 530000)

1 引言

隨著風(fēng)力發(fā)電技術(shù)的日益成熟，風(fēng)電產(chǎn)業(yè)在全球范圍內(nèi)得到大力發(fā)展，這不僅緩解了各國(guó)電力短缺的壓力，解決了部分偏遠(yuǎn)地區(qū)用電困難的問(wèn)題，而且在減少環(huán)境污染的同時(shí)，也起到了完善能源結(jié)構(gòu)組成的作用。然而，風(fēng)電在電力系統(tǒng)中的高滲透給電網(wǎng)帶來(lái)了諸多挑戰(zhàn)，究其原因是風(fēng)電具有隨機(jī)性、間歇性和波動(dòng)性等特性，使得風(fēng)能無(wú)法進(jìn)行調(diào)度。為了將更多的風(fēng)電引入電力系統(tǒng)，需要在36小時(shí)左右的時(shí)間范圍內(nèi)進(jìn)行準(zhǔn)確的短期風(fēng)電預(yù)測(cè)，從而實(shí)現(xiàn)最優(yōu)的旋轉(zhuǎn)備用容量調(diào)度和電網(wǎng)運(yùn)行。

近年來(lái)短期風(fēng)電預(yù)測(cè)引起了國(guó)內(nèi)外許多研究機(jī)構(gòu)的關(guān)注。根據(jù)風(fēng)力發(fā)電預(yù)測(cè)技術(shù)的發(fā)展現(xiàn)狀[1－3]，主要有兩種方法:一種是物理方法，利用控制大氣行為的物理規(guī)律模擬風(fēng)電場(chǎng)的局部氣流場(chǎng)，然后計(jì)算相應(yīng)的風(fēng)力發(fā)電機(jī)組發(fā)電量；另一種方法稱(chēng)為統(tǒng)計(jì)方法，利用歷史數(shù)據(jù)發(fā)現(xiàn)解釋變量與發(fā)電量之間的關(guān)系。另外，預(yù)報(bào)模式可分為數(shù)值預(yù)報(bào)和非數(shù)值預(yù)報(bào)兩大類(lèi)。一般來(lái)說(shuō)，物理模式必須使用數(shù)值預(yù)報(bào)，但統(tǒng)計(jì)模式可以選擇使用數(shù)值預(yù)報(bào)。不使用數(shù)值預(yù)報(bào)系統(tǒng)的模式在最初3～4小時(shí)內(nèi)可能具有令人滿(mǎn)意的預(yù)報(bào)精度，但在較長(zhǎng)的預(yù)報(bào)期內(nèi)會(huì)產(chǎn)生不準(zhǔn)確的結(jié)果。本文著重研究了統(tǒng)計(jì)預(yù)報(bào)方法，由于預(yù)報(bào)時(shí)間范圍確定為提前36小時(shí)，利用以往的實(shí)測(cè)資料是不夠的，預(yù)測(cè)了風(fēng)速、風(fēng)向、溫度、風(fēng)速等氣象變量，必須考慮數(shù)值天氣預(yù)報(bào)(NWP)模式的濕度和氣壓。利用中尺度數(shù)值預(yù)報(bào)模式，以半小時(shí)為間隔，預(yù)報(bào)未來(lái)36小時(shí)風(fēng)電場(chǎng)參考點(diǎn)的氣象變量。這些預(yù)測(cè)變量被插值到風(fēng)力渦輪機(jī)的輪轂高度。常用的統(tǒng)計(jì)模型包括針對(duì)相對(duì)較短預(yù)測(cè)時(shí)間(3～4h)的典型線(xiàn)性模型(persistence、AR、ARMA等)和可利用NWPs進(jìn)行較長(zhǎng)預(yù)測(cè)時(shí)間(24～36h)的非線(xiàn)性模型(神經(jīng)網(wǎng)絡(luò)等)。本文提出了一種融合神經(jīng)網(wǎng)絡(luò)和模糊邏輯的風(fēng)電預(yù)測(cè)統(tǒng)計(jì)模型，該模型被定義為神經(jīng)模糊網(wǎng)絡(luò)。這種模型已成功應(yīng)用于電力負(fù)荷預(yù)測(cè)[4]、太陽(yáng)輻射預(yù)測(cè)、交通流預(yù)測(cè)、水位預(yù)測(cè)、財(cái)務(wù)預(yù)測(cè)等多個(gè)時(shí)間序列建模領(lǐng)域，很少有文獻(xiàn)將其應(yīng)用于該時(shí)段的風(fēng)電預(yù)測(cè)。該模型將NWP模型的輸出與SCADA和風(fēng)塔在參考點(diǎn)的實(shí)測(cè)數(shù)據(jù)相結(jié)合，對(duì)風(fēng)電場(chǎng)各風(fēng)機(jī)的風(fēng)電功率進(jìn)行精確預(yù)測(cè)，并提出了一種基于BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練算法，將該方法應(yīng)用于我國(guó)某風(fēng)電場(chǎng)的風(fēng)電功率預(yù)測(cè)。通過(guò)在風(fēng)電場(chǎng)進(jìn)行的試驗(yàn)，得出以下結(jié)論:訓(xùn)練后的神經(jīng)模糊網(wǎng)絡(luò)對(duì)風(fēng)電場(chǎng)建模和風(fēng)電功率預(yù)測(cè)有很好的效果，預(yù)測(cè)風(fēng)電功率與實(shí)際風(fēng)電功率的均方根誤差小于20%，效果良好。所提出的方法可以集成到一個(gè)在線(xiàn)風(fēng)力發(fā)電預(yù)測(cè)系統(tǒng)中，該系統(tǒng)可以在運(yùn)行過(guò)程中自動(dòng)調(diào)整。

2 風(fēng)力發(fā)電預(yù)測(cè)系統(tǒng)

本文提出了一種基于神經(jīng)模糊網(wǎng)絡(luò)的短期風(fēng)電預(yù)測(cè)框架，如圖1所示。預(yù)測(cè)系統(tǒng)主要采用數(shù)值天氣預(yù)報(bào)(NWPs)作為輸入，對(duì)整個(gè)風(fēng)電場(chǎng)未來(lái)的風(fēng)電生產(chǎn)進(jìn)行預(yù)測(cè)。所應(yīng)用的NWP模型的氣象預(yù)報(bào)是專(zhuān)門(mén)為風(fēng)電場(chǎng)區(qū)域內(nèi)的地理參考點(diǎn)提供的[5]。風(fēng)力機(jī)模型WTM(i)表示NWP模型中氣象變量與第i臺(tái)風(fēng)力機(jī)相應(yīng)發(fā)電量之間的傳遞函數(shù)。每個(gè)WTM都用一個(gè)神經(jīng)模糊網(wǎng)絡(luò)來(lái)建模，當(dāng)神經(jīng)模糊網(wǎng)絡(luò)經(jīng)過(guò)訓(xùn)練后，它能正確地表示各個(gè)傳遞函數(shù)，以及由于地形特征引起的電力生產(chǎn)模式差異，考慮了各風(fēng)力機(jī)的尾流效應(yīng)和功率曲線(xiàn)特性，并對(duì)其進(jìn)行了自動(dòng)建模。WTM模型的輸入是NWP模型預(yù)測(cè)的氣象變量:預(yù)測(cè)平均風(fēng)速值、預(yù)測(cè)平均風(fēng)向值、預(yù)測(cè)平均濕度值、預(yù)測(cè)溫度值和預(yù)測(cè)氣壓值。

圖1 風(fēng)電預(yù)測(cè)系統(tǒng)概述

功率聚合模塊將每個(gè)風(fēng)力發(fā)電機(jī)組對(duì)應(yīng)的發(fā)電量預(yù)測(cè)進(jìn)行聚合，以生成總的發(fā)電量預(yù)測(cè)。所有風(fēng)力渦輪機(jī)的可用性時(shí)間表用于指示其在運(yùn)行期間的開(kāi)/關(guān)狀態(tài)。計(jì)劃由風(fēng)電場(chǎng)運(yùn)營(yíng)商輸入，通常基于常規(guī)停機(jī)的預(yù)期時(shí)間。

2.1 NWP模型

天氣數(shù)值預(yù)報(bào)模式是一個(gè)被稱(chēng)為WRF的中尺度模式。圖2顯示了獲取輸入到風(fēng)電預(yù)測(cè)模塊的氣象預(yù)報(bào)的過(guò)程。它從一個(gè)全球天氣預(yù)報(bào)模型開(kāi)始，其輸出作為WRF模型的初始條件。全球預(yù)測(cè)系統(tǒng)(GFS)由美國(guó)國(guó)家環(huán)境預(yù)測(cè)中心維護(hù)，這個(gè)全球預(yù)測(cè)系統(tǒng)的數(shù)據(jù)可以在互聯(lián)網(wǎng)上免費(fèi)獲得，它在給定的位置和高度為未來(lái)時(shí)間提供氣象信息，將整個(gè)地球視為水平域。利用WRF模型，從初始數(shù)據(jù)和邊界數(shù)據(jù)進(jìn)行第一次降尺度。天氣研究與預(yù)報(bào)(WRF)模式是一個(gè)為研究和業(yè)務(wù)應(yīng)用而設(shè)計(jì)的數(shù)值天氣預(yù)報(bào)和大氣模擬系統(tǒng)。WRF的發(fā)展是一個(gè)多階段的過(guò)程，該機(jī)構(gòu)致力于建立下一代中尺度預(yù)報(bào)模式和資料同化系統(tǒng)，以促進(jìn)對(duì)中尺度天氣的理解和預(yù)報(bào)，并加速將研究進(jìn)展轉(zhuǎn)化為業(yè)務(wù)，WRF模型每隔半小時(shí)為風(fēng)電場(chǎng)的一個(gè)參考地理點(diǎn)生成未來(lái)36小時(shí)的天氣預(yù)報(bào)。預(yù)測(cè)(平均風(fēng)速和風(fēng)向、濕度、溫度和壓力)插值到風(fēng)力渦輪機(jī)的輪轂高度。WRF模型預(yù)測(cè)每天12:00 CST可用。

圖2 數(shù)值天氣預(yù)報(bào)系統(tǒng)概況

2.2 神經(jīng)模糊網(wǎng)絡(luò)及其訓(xùn)練

傳統(tǒng)的線(xiàn)性時(shí)間序列分析技術(shù)＆回歸分析(AR、MA、ARMA等)已廣泛應(yīng)用于時(shí)間序列預(yù)測(cè)領(lǐng)域。這些模型的目的是通過(guò)捕捉歷史數(shù)據(jù)中的時(shí)間和空間相關(guān)性來(lái)預(yù)測(cè)未來(lái)。將數(shù)值預(yù)報(bào)應(yīng)用于短期風(fēng)電預(yù)測(cè)領(lǐng)域時(shí)，模型通常不采用數(shù)值預(yù)報(bào)，因此，將預(yù)測(cè)時(shí)間限制在3～4小時(shí)內(nèi)，以達(dá)到令人滿(mǎn)意的預(yù)測(cè)精度。

為確保電網(wǎng)安全、經(jīng)濟(jì)的大規(guī)模風(fēng)電并網(wǎng)，預(yù)測(cè)期應(yīng)提前36小時(shí)。對(duì)于這樣一個(gè)相對(duì)“長(zhǎng)時(shí)間”的范圍，為了獲得可接受的預(yù)測(cè)性能，有必要使用數(shù)值預(yù)報(bào)作為預(yù)測(cè)模型的解釋性輸入。由于NWP模型提供的解釋變量與各風(fēng)力發(fā)電機(jī)組發(fā)電量之間存在復(fù)雜的非線(xiàn)性關(guān)系，使得線(xiàn)性統(tǒng)計(jì)預(yù)測(cè)模型效率低下。非線(xiàn)性系統(tǒng)如模糊邏輯推理系統(tǒng)、神經(jīng)網(wǎng)絡(luò)和遺傳算法被認(rèn)為是很好的替代。已有文獻(xiàn)研究了它們?cè)跁r(shí)間序列預(yù)測(cè)領(lǐng)域的應(yīng)用。這些技術(shù)被定義為計(jì)算智能，有如下優(yōu)點(diǎn):模糊邏輯推理系統(tǒng)能夠解釋不精確的數(shù)據(jù)，有助于做出可能的決策；神經(jīng)網(wǎng)絡(luò)的突出特點(diǎn)是學(xué)習(xí)能力強(qiáng)；而遺傳算法在很大的搜索空間內(nèi)提供了隨機(jī)、并行求解搜索過(guò)程的實(shí)現(xiàn)。融合不同的技術(shù)來(lái)創(chuàng)建混合智能系統(tǒng)可以在解決許多復(fù)雜問(wèn)題方面取得進(jìn)展。在這些混合智能系統(tǒng)中，融合神經(jīng)網(wǎng)絡(luò)和模糊邏輯推理的智能系統(tǒng)是很有前途的。最常見(jiàn)的數(shù)值數(shù)據(jù)驅(qū)動(dòng)神經(jīng)網(wǎng)絡(luò)－模糊建模是采用Takagi－Sugeno型模糊模型[6]。這種模糊模型可以用“如果—然后”規(guī)則:

2.3 風(fēng)機(jī)建模

如前所述，每個(gè)風(fēng)力渦輪機(jī)都有自己的神經(jīng)網(wǎng)絡(luò)，即用它來(lái)表示風(fēng)電場(chǎng)內(nèi)某一參考點(diǎn)的氣象變量與其發(fā)電量之間的關(guān)系。本文利用風(fēng)電場(chǎng)內(nèi)一個(gè)風(fēng)塔(參考點(diǎn))測(cè)得的歷史氣象數(shù)據(jù)和包含單個(gè)風(fēng)力發(fā)電機(jī)組歷史發(fā)電量的監(jiān)控與數(shù)據(jù)采集(SCADA)系統(tǒng)存儲(chǔ)的數(shù)據(jù)對(duì)神經(jīng)模糊網(wǎng)絡(luò)進(jìn)行訓(xùn)練。一旦每個(gè)風(fēng)電機(jī)組完成培訓(xùn)過(guò)程，將提供未來(lái)36小時(shí)參考點(diǎn)的預(yù)測(cè)氣象變量，并計(jì)算出未來(lái)36小時(shí)每個(gè)風(fēng)電機(jī)組和整個(gè)風(fēng)電場(chǎng)的相應(yīng)電功率。預(yù)測(cè)系統(tǒng)運(yùn)行期間的訓(xùn)練數(shù)據(jù)(歷史數(shù)據(jù))和輸入變量(NWP)的輸入變量指的是相同的地理點(diǎn)，并且具有相同的名稱(chēng)列表。名稱(chēng)列表包括:(1)風(fēng)機(jī)輪轂高度處的平均風(fēng)速；(2)風(fēng)機(jī)輪轂高度處的平均風(fēng)向；(3)空氣的平均濕度；(4)平均氣壓；(5)平均氣溫。

3 案例研究

在本節(jié)中，我們將所提出的風(fēng)力發(fā)電預(yù)測(cè)系統(tǒng)應(yīng)用于預(yù)測(cè)實(shí)際風(fēng)電場(chǎng)輸送到電網(wǎng)的平均發(fā)電出力。未來(lái)36個(gè)小時(shí)的預(yù)測(cè)每隔半小時(shí)進(jìn)行一次。

3.1 風(fēng)電場(chǎng)信息

該試驗(yàn)風(fēng)電場(chǎng)包括33臺(tái)額定功率為1.5WM的風(fēng)力渦輪機(jī)，總額定風(fēng)電容量為49.5MW，該風(fēng)電場(chǎng)位于中國(guó)江蘇省。這是一個(gè)靠近海灘的陸上風(fēng)電場(chǎng)，地形相對(duì)平坦，風(fēng)電場(chǎng)內(nèi)設(shè)有風(fēng)塔，用于氣象測(cè)量。

3.2 數(shù)據(jù)過(guò)濾和模型訓(xùn)練

歷史電力信息和實(shí)測(cè)氣象信息分別從SCADA系統(tǒng)和風(fēng)塔直接導(dǎo)出，風(fēng)電機(jī)組在運(yùn)行期間，風(fēng)速有時(shí)會(huì)超過(guò)了風(fēng)機(jī)的停轉(zhuǎn)速度或沒(méi)有達(dá)到風(fēng)機(jī)的停轉(zhuǎn)速度，或者在運(yùn)行過(guò)程中對(duì)一些風(fēng)機(jī)進(jìn)行了例行維護(hù)，因此，必須對(duì)這些原始的歷史數(shù)據(jù)進(jìn)行過(guò)濾，以提高訓(xùn)練性能。然后將過(guò)濾后的歷史數(shù)據(jù)導(dǎo)入神經(jīng)模糊網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，輸入向量[x1，x2，x3，x4，x5]表示風(fēng)機(jī)輪轂高度處的平均風(fēng)速時(shí)間序列(x1)、風(fēng)機(jī)輪轂高度處的平均風(fēng)向時(shí)間序列(x2)、平均濕度時(shí)間序列(x3)、平均壓力時(shí)間序列(x4)和平均溫度時(shí)間序列(x5)，這些神經(jīng)模糊網(wǎng)絡(luò)的輸出(y)是一維電功率時(shí)間序列。

3.3 預(yù)測(cè)結(jié)果

在本案例研究中，從風(fēng)塔和SCADA系統(tǒng)導(dǎo)出的歷史數(shù)據(jù)是在2019年1月至2019年12月期間，利用這個(gè)數(shù)據(jù)集來(lái)訓(xùn)練每個(gè)渦輪的神經(jīng)模糊模型，預(yù)測(cè)測(cè)試在2020年3月17日至3月31日之間進(jìn)行，未來(lái)36小時(shí)的氣象預(yù)報(bào)將于當(dāng)日12時(shí)發(fā)布。幾個(gè)代表日的預(yù)測(cè)結(jié)果如圖3～圖6所示，表1列出了每個(gè)預(yù)測(cè)對(duì)應(yīng)的均方根誤差(RMSE)。各代表日預(yù)測(cè)的RMSE均顯著小于20%，基于這種令人滿(mǎn)意的預(yù)測(cè)精度，可以看出神經(jīng)模糊網(wǎng)絡(luò)適用于提前36小時(shí)的短期風(fēng)電預(yù)測(cè)，本文所采用的預(yù)測(cè)框架是有效的。神經(jīng)模糊網(wǎng)絡(luò)是一種自適應(yīng)模型，因此當(dāng)風(fēng)電場(chǎng)壽命期間發(fā)生變化時(shí)(如風(fēng)電場(chǎng)的擴(kuò)建、通常無(wú)法通過(guò)SCADA獲得的機(jī)器的維護(hù)或可用性)，所提出的自適應(yīng)預(yù)測(cè)模型可以微調(diào)其參數(shù)。它將變得很容易跟蹤真實(shí)的風(fēng)電場(chǎng)，并在運(yùn)行過(guò)程中正確表示。

圖3 首個(gè)代表日預(yù)測(cè)和實(shí)測(cè)發(fā)電量

圖4 第2代表日預(yù)測(cè)和實(shí)測(cè)發(fā)電量

圖5 第3個(gè)代表日預(yù)測(cè)實(shí)測(cè)發(fā)電量

圖6 第4個(gè)代表日預(yù)測(cè)實(shí)測(cè)發(fā)電量

表1 各代表日風(fēng)電預(yù)測(cè)均方根誤差

4 結(jié)論

本文將神經(jīng)網(wǎng)絡(luò)與模糊邏輯技術(shù)相結(jié)合的神經(jīng)模糊網(wǎng)絡(luò)應(yīng)用于未來(lái)36小時(shí)的短期風(fēng)電預(yù)測(cè)。預(yù)測(cè)基于NWP模型在參考點(diǎn)(風(fēng)塔位置)給出的氣象數(shù)據(jù)，將該方法應(yīng)用于江蘇某實(shí)際風(fēng)電場(chǎng)，氣象預(yù)報(bào)由中尺度數(shù)值預(yù)報(bào)模式(WRF)提供。實(shí)例分析結(jié)果證明了該方法在風(fēng)電預(yù)測(cè)中的有效性。此外，神經(jīng)模糊網(wǎng)絡(luò)是一種自適應(yīng)模型，因此所提出的風(fēng)電功率預(yù)測(cè)模型可以在在線(xiàn)運(yùn)行過(guò)程中進(jìn)行參數(shù)整定。這種自適應(yīng)將補(bǔ)償風(fēng)電場(chǎng)中發(fā)生的變化，使預(yù)測(cè)模型在運(yùn)行過(guò)程中始終保持準(zhǔn)確。