基于神經網絡的新能源電站發電功率預測方法

董蕎

（國網北京市電力公司，北京 100031）

0 引 言

現有的化石能源儲量有限，且隨著人們的開采其儲量在不斷地減少，世界各國都在努力開發新能源代替原有能源，當前能源在不斷朝著高效化與清潔化發展。在不斷研發的過程中，新能源電站逐漸取代當前發電站，為人們提供清潔能源。現有的新能源發電站數量在高速增長，全世界的新能源電站的裝機容量已經超過了200 GW。我國雖然在此領域的研究中，已經取得了相應的科研成果，但相對于西方國家還是具有一定的滯后性，還處于不斷摸索與研究的過程中。

新能源發電具有維護成本較低的用電，但當前新能源電站發電功率預測方法尚未完善，整體預測精度較低且缺乏相關數據。在此狀態下，電網企業通過發電預測結果進行電力調度的措施會存在大量的不足。

針對此問題，在本次研究中提出一種基于神經網絡的新能源電站發電功率預測方法，創新性地優化了神經網絡激活函數，保證其與預測數據庫的高匹配度，分析預測結果與實際發電功率間的誤差，進行新能源電站發電功率預測。

1 基于神經網絡的新能源電站發電功率預測方法設計

本次研究中，對當前新能源電站發電功率預測方法的基本環節進行了全面的分析。在將神經網絡引入到新能源電站發電功率預測過程之前，構建了新的發展電功率預測流程，具體如圖1所示。

圖1 基于神經網絡的新能源電站發電功率預測流程

本次研究主要可劃分為兩個方面，分別為：

（1）歷史發電數據及天氣數據的劃分與聚類處理。將此部分數據處理結果作為發電功率預測的基礎，以此提升基礎數據質量。

（2）構建發電功率預測模型。

1.1 構建新能源電站發電功率預測數據庫

本次研究中將使用K 均值算法對原始數據中的環境數據進行聚類分析，并構建新能源電站發電功率預測數據庫。本環節主要對數據處理過程展開研究，故不對數據聚類過程進行過多的贅述。

為降低數據處理難度，將原始數據集按照時間劃分為多個區間。同時，為保證各個數據區間的完整性，當區間內數據缺失量達到20%時，需要根據已知數據對數據空缺進行填充，則有：

其中，與分別表示缺失數據兩端的有效數據；（）與（）分別表示數據區間中的均值；（，）表示數據區間的零階差商。根據式（1），可得到：

其中，（b）表示計算得到的時間序列區間均值。根據此公式，對數據集中的缺失進行彌補。而后，對數據集中的數據進行歸一化處理，具體過程如下：

其中，表示待處理數據1；表示待處理數據2。通過此公式確定不同數據之間的關聯性，將其導入指定數據庫中，將其作為后續預測工作的數據基礎。

1.2 構建新能源電站發電功率預測模型

將新能源電站發電功率預測數據庫作為預測數據來源，結合卷積神經網絡，構建新能源電站發電功率預測模型，完成發電功率預測。首先對神經網絡模型中的輸出層節點與輸出層節點進行設定，假設神經網絡的隱含層權值為，閾值為；輸出層的權值為，閾值為。而后，對預測模型中的參數展開設定，確定神經網絡激活函數，為后續的計算提供便利。

神經網絡輸入的原始數據為，與為隱含層與輸出層的輸出值。此時，此神經網絡的激活函數可表示為：

使用此公式，對神經網絡的計算過程進行控制，并將其作為預測模型的基礎。在預測過程中不斷調整預測模型的適應度函數，具體內容：

預測最大值：

預測最小值：

其中，表示預測結果的空間范圍最小值；表示預測結果的空間范圍最大值。使用此公式，對神經網絡計算結果的取值范圍進行控制。將神經網絡模型與當前預測模型的基礎內容進行融合，得到文中所需的新能源電站發電功率預測模型。為保證此模型的預測精度，將模型預測結果評估指標設定為：

其中，表示驗證模型；表示新能源電站發電功率預測模型。對兩者之間的誤差展開計算，如計算結果符合當前預測精度要求，則輸出此結果。

至此，基于神經網絡的新能源電站發電功率預測方法設計完成。

2 實驗論證分析

本次研究中提出了基于神經網絡的新能源電站發電功率預測方法，為證實此方法的可行性與科學性，應用真實數據樣本，構建實驗環節，對其應用效果加以分析。

2.1 實驗準備

此次實驗中所使用的數據均來自城市內某新能源發電站，此發電站的裝機容量為100 MW，每個單元為2 MW。每個單元配置一個新能源發電組件支架。此發電站位于城市西北方向，距離市中心20 KM。根據當地氣象站數據顯示，新能源電站所在位置光能與風能資源較為豐富，具有開發價值。

將氣象條件作為自變量，對新能源電站發電功率展開預測。對此發電站的歷史數據進行分析發現，發電站的歷史功率與影響因素組成內容較為復雜，且呈現出季節性較強的特征。因此，本次實驗中選擇2020年11月與2021年7月兩個數據作為數據樣本，構建實驗數據集。此數據集中包含兩類數據樣本，其一是采集周期為1 小時的時間序列，此數據可為后續的數據分解及預測提供幫助。將此部分數據劃分為數據樣本以及待預測日數據，具體如表1所示。

表1 數據樣本以及待預測日數據統計表

根據以往實驗可知，環境因素對預測結果的影響較大。因此在本次研究中，對數據樣本的天氣進行聚類，使用統計軟件將數據劃分為晴天與非晴天兩類，所得統計結果如表2所示。

表2 數據樣本晴天與非晴天聚類分析結果

對上述數據進行整理，將作為本次實驗中使用的數據樣本。本次實驗將獲取上述日期的新能源電站發電功率作為數據基礎，使用其完成新能源電站發電功率預測。

2.2 實驗方案

在對大量相關實驗進行分析后，大部分實驗的評定指標設定為下述內容：

平均絕對誤差：

（2）平均相對誤差：

（3）均方根誤差：

上式指標計算公式中，表示實驗對象的實際發電功率輸出值；表示實驗對象的發電功率預測值；表示數據樣本總量；表示預測時間值。對上述指標進行分析后，選擇平均絕對誤差與平均相對誤差作為本次實驗中的評定指標。為了更好完成實驗結果的分析工作，將此指標計算結果與對象的評價結果進行設定，所得結果如表3所示。

表3 實驗指標取值范圍與評價結果

使用上述指標對實驗結果進行分析與評定，為保證實驗結果的細致程度，將測試日以小時為周期劃分，預測每個小時電場的發電功率，完成預測方法的應用分析過程。本次實驗過程中，選用基礎預測方法與GM（1，1）預測方法和文中方法同時對預測日數據進行處理與分析，以確定文中方法的使用效果以及其與當前方法的應用效果的差異性。

2.3 實驗結果分析

2.3.1 晴天日電廠發電量預測結果分析

按照上文中設定內容，完成晴天日條件的預測方法應用實驗，所得實驗結果如圖2所示。

圖2 晴天日電廠發電量預測結果

對上述圖像進行分析可以看出，實驗中選用的三種方法預測結果與實際電廠發電功率差異相對較小，整體預測結果與實際結果較為接近，且三種實驗方法的差異度相對較小。為了更好對其進行分析，根據實驗指標對三種方法的實驗結果進行計算與分析，所得結果如圖3所示。

圖3 晴天日電廠發電量預測精度分析結果

對上圖中的數據進行整理與分析后可以發現，三種方法整體精度大致相同。將其代入式（10）與式（11）中，得到三種方法的平均絕對誤差與平均相對誤差。在本次研究中僅對平均相對誤差進行分析，所得結果為：

（1）文中方法預測結果平均相對誤差2.7%。

（2）基礎預測方法預測結果平均相對誤差3.5%。

（3）與GM（1，1）預測方法預測結果平均相對誤差3.8%。

整理上述實驗結果以及分析結果可以確定，三種實驗方法在晴天日條件下所得預測結果的預測精度相對較高，但文中方法的預測精度優于其他兩種方法。

2.3.2 非晴天日電廠發電量預測結果分析

按照晴天日實驗條件，將非晴天日數據作為基礎，完成預測方法應用實驗，所得實驗結果如圖4所示。

圖4 非晴天日電廠發電量預測結果

對圖3中內容進行分析可以看出，在此實驗條件下，三種實驗方法所得預測結果與實際輸出功率的差異較大。文中方法整體與實際輸出功率較為一致，其他兩種方法的預測結果嚴重失真，統計上圖中數據，對不同方法的電廠發電量預測精度進行統計分析，所得結果如圖5所示。

圖5 非晴天日電廠發電量預測精度分析結果

圖5對不同時間點的預測結果精度進行了細致的分析，由此圖可以確定文中方法在不同時刻的預測精度均優于其他兩種方法。按照晴天日電廠發電量預測精度分析方法，獲取不同方法的平均相對誤差，則有：

（1）文中方法預測結果平均相對誤差4.0%。

（2）基礎預測方法預測結果平均相對誤差9.8%。

（3）與GM（1，1）預測方法預測結果平均相對誤差7.5%。

由上述數據可以確定，文中方法與其他兩種方法在此實驗條件下的預測結果精度發生了巨大的差異。綜合上述實驗結果與分析結果可以確定，文中方法在此實驗環境下所得預測結果的可靠性更好。

3 結 論

本文提出了一種以神經網絡為核心技術的預測方法，構建了新能源電站發電功率預測模型，不斷調整預測模型的適應度函數，動態更新神經網絡的激活函數，將神經網絡模型與當前預測模型的基礎內容進行融合，分析預測結果與實際發電功率間的誤差，完成新能源電站發電功率預測。

為降低實驗難度，實驗測試過程中選用的數據樣本較為有限，在日后的研究中，還需擴大數據樣本，確定此方法可在實際問題的解決中普及應用，通過此方法提升發電功率預測結果的可靠性。