基于極限學習機的風電輸出功率預測?

馬 驥馬忠彧馬宏鋒

（1.電子科技大學電子科學與工程學院（示范性微電子學院）成都610051）

（2.蘭州工業學院電子信息工程學院 蘭州730050）（3.甘肅省資源環境信息化工程實驗室 蘭州730050）

1 引言

風能是一種清潔能源，作為可再生能源中最便于利用的能源之一，自古以來就被人類廣泛利用［1~2］。目前，甘肅電網風電裝機已達到1033萬kW，占全省總裝機的24.25%，風電最大出力478.6萬kW，占當時全省發電量的28.6%，風電最大日發電量9454.3萬kWh，占當日全省用電量的38.7%，風電在甘肅電網中扮演著十分重要的角色。隨著風電出力的增加，整個甘肅河西電網的電壓隨之大幅下降，各級調度需迅速調整當地所轄的無功補償裝置，但是由于調整范圍較廣，調整時間較長，會導致電網電壓短時越限。如果風電在電網中的比例超過一定數值，就會對電網造成嚴重沖擊。因此，調度系統希望通過對風電進行精確的預測，適機對電網做出精確的調整，減少風電對電網造成的沖擊［3~5］。

2 基于極限學習機的風電機組功率預測實現方法

2.1 極限學習機的基本理論原理

極限學習機（ELM）是Huang等提出了的一種新型單隱層前饋神經網絡（SLFN）［6~7］。針對傳統神經網絡基于梯度下降學習算法的缺點，在ELM中，由于網絡隱含層節點的權值和閾值都是隨機生成而得，就可以通過網絡隱含層輸出矩陣的MP廣義逆求得系統輸出權值。這樣ELM在保證網絡具有良好的泛化性能的同時，避免了由于梯度下降算法產生的諸多缺陷，提高了學習速度［8~14］。特別是ELM的參數確定相對簡單，計算時間少，還能提高系統建模精度和泛化性能［15~16］。其網絡結構如圖1所示。

圖1 ELM網絡結構拓撲圖

ELM學習算法主要歸納為三個步驟。

通過確定激活函數G(x)以及隱含層節點數N?的基礎上就可在給定一個訓練集(xi，ti)∈Rn×Rm，i=1，…，N，上得出β，有

1）隨機產生輸入層與隱含層間的連接權值和隱含層神經元的偏置數值，并確定隱含層神經元個數，隱含層節點參數為（ai，bi），j=1，2，…，N?；

2）確定隱含層神經元的激活函數實際上為選擇一個無限可微的函數，并計算隱含層輸出矩陣H；

3）進一步計算輸出的權值β?:β?=H+T。

2.2 基于ELM算法的風電預測建模

極限學習機ELM算法必須要先確定好隱含層的激勵函數，再隨機選取網絡隱含層節點數輸入權值，從而得到ELM預測模型的隱含層節點數和網絡的神經元個數組合RMSECV，即：

基于ELM的預測的基本步驟為［6］

1）預處理樣本數據。

2）確定激活函數、最大隱含層節點數和最大主成分數（小于等于輸入模型的影響因子數）。

3）若RMSECV均值最小，求取隱含層節點數的最優參數組合。

4）通過對測試樣本和訓練樣本的分析，計算出其輸出權值β?、隱含層輸出矩陣H、主成分矩陣。

5）利用步驟4）中最佳矩陣集來預測風電機組輸出功率。

基于極限學習機ELM算法的功率預測的邏輯框圖如圖2所示。

圖2 基于ELM的風電功率預測模型框圖

3 風力發電量預測模型

采用高原某風場的歷史風電功率數據進行分析（2016年2月13日~2月22日），記錄周期為10min，先將前8天的風速以及風機附近的氣壓、濕度、溫度和風向的按時間序列，共有4464個時間序列數據，用前4320個數據時間序列訓練ELM網絡，最后用訓練好的ELM網絡預測2月22日每隔10min的輸出功率值。

基于極限學習機ELM算法的輸入權值和閾值是隨機選取，神經元節點選為30，風電機組輸出功率預測仿真結果見圖3，基于時間序列ARMA算法輸出功率預測仿真如圖4所示。

圖3 基于ELM模型預測的功率預測

圖4 基于ARMA模型的功率預測仿真結果

從圖3和圖4可以看出，當輸出功率超過1500kW時，使用基于極限學習機ELM算法預測出的輸出功率更為接近實際的輸出功率，而基于時間序列ARMA算法輸出功率得到預測的輸出功率與實際的輸出功率存在較大的偏差。當輸出功率低于500kW時，基于時間序列ARMA算法能得到比較理想的預測數據，而使用基于極限學習機ELM算法得到的預測數據與實際數據相差較大。當輸出功率介于500kW~1500kW之間時，兩種方法預測方法都能得到的預測數據與實際數據相差均較小。

同樣，每間隔10個數據選取一組數據（實際輸出功率值和輸出功率預測值），得到不同時間段對應的基于極限學習機ELM算法的輸出功率誤差值如表1所示。表2為基于時間序列ARMA算法的輸出功率誤差值。

由表1和表2可以看到，在得到的15個預測數據與實際數據誤差中，基于極限學習機ELM得到預測數據與實際數據誤差大于8%共有兩次，而基于時間序列ARMA算法得到預測數據與實際數據誤差大于8%則有5次之多。基于極限學習機ELM得到預測數據的最小誤差為0.1%，且誤差多在0.1%~3%之間。基于時間序列ARMA算法得到預測數據的最小誤差為-1.05%，且得到的誤差大部分都超過了3%。由表1和表2得到的誤差數據求出兩種算法的誤差均方根如表3所示。

表1 基于極限學習機ELM預測不同時間段對應的誤差值

表2 基于時間序列ARMA算法預測不同時間段對應的誤差值

表3 兩種預測算法額誤差均方根

由表3以上分析可以看出，基于ELM的預測效果更好。

4 結語

本文應用基于ELM預測方法對風力發電量進行預測研究，針對風力發電過程中的復雜性和不確定性，建立預測模型，和基于ARMA方法進行了對比分析，結果表明使用基于ELM預測方法預測效果更優，跟蹤誤差小。