SFLA-PS-ANFIS 超短期風(fēng)電功率日內(nèi)動(dòng)態(tài)預(yù)測(cè)方法

摘 要： 為提高風(fēng)電功率預(yù)測(cè)的準(zhǔn)確性，減少風(fēng)電對(duì)電網(wǎng)的負(fù)面影響，將傳統(tǒng)的自適應(yīng)神經(jīng)模糊推理系統(tǒng)（adaptivenetwork-based fuzzy inference system，ANFIS）與蛙跳算法（shuffled frog leaping algorithm，SFLA）和模式搜索（patternsearch，PS）算法相結(jié)合，提出一種超短期風(fēng)電功率日內(nèi)動(dòng)態(tài)預(yù)測(cè)方法。首先，使用SFLA-PS 算法對(duì)ANFIS 模型中的參數(shù)進(jìn)行優(yōu)化，將歸一化處理的數(shù)據(jù)集作為模型的輸入構(gòu)建SFLA-PS-ANFIS 超短期風(fēng)電功率預(yù)測(cè)模型。然后，加載待預(yù)測(cè)時(shí)刻的輸入數(shù)據(jù)到模型進(jìn)行預(yù)測(cè)，將預(yù)測(cè)結(jié)果更新到數(shù)據(jù)庫中，并更新氣象數(shù)據(jù)，每隔15 min 預(yù)測(cè)一次，實(shí)現(xiàn)對(duì)風(fēng)電功率的動(dòng)態(tài)預(yù)測(cè)。最后，以張家口某風(fēng)電場(chǎng)實(shí)際運(yùn)行數(shù)據(jù)驗(yàn)證模型的有效性。結(jié)果表明：相較于PSOANFIS、隨機(jī)森林模型，SFLA-PS-ANFIS 模型在春季平均絕對(duì)百分比誤差EMAPE 分別降低0.472%、0.741%；夏季平均絕對(duì)百分比誤差EMAPE 分別降低1.826%、3.294%；秋季平均絕對(duì)百分比誤差EMAPE 分別降低0.039%、0.183%；冬季平均絕對(duì)百分比誤差EMAPE 分別降低0.354%、0.596%，所提方法在不同季節(jié)均取得最優(yōu)效果，具有較強(qiáng)的實(shí)用性。

關(guān)鍵詞： 風(fēng)電功率預(yù)測(cè); 超短期; 自適應(yīng)神經(jīng)模糊推理系統(tǒng); 蛙跳算法; 模式搜索

中圖分類號(hào)： TB9; TM614 文獻(xiàn)標(biāo)志碼： A 文章編號(hào)： 1674–5124（2025）03–0030–07

0 引 言

作為目前全球可再生能源領(lǐng)域中最主要的發(fā)電方式之一，風(fēng)力發(fā)電因其具有清潔環(huán)保、可再生、運(yùn)維成本低等優(yōu)點(diǎn)受到廣泛應(yīng)用，風(fēng)電新增裝機(jī)大幅增長，風(fēng)力發(fā)電技術(shù)水平也不斷提高[1]。然而，受風(fēng)資源時(shí)變特性的影響，風(fēng)電具有較強(qiáng)的隨機(jī)性、間歇性和不確定性[2]，因此提高風(fēng)電功率超短期預(yù)測(cè)的精準(zhǔn)度，可以更有效地為電網(wǎng)調(diào)度和實(shí)時(shí)控制提供依據(jù)[3]。

目前風(fēng)電功率預(yù)測(cè)方法主要有兩種：模型驅(qū)動(dòng)法和數(shù)據(jù)驅(qū)動(dòng)法[4-5]。前者主要是建立具體的模型來預(yù)測(cè)風(fēng)速和風(fēng)力的未來變化。后者主要利用統(tǒng)計(jì)方法擬合風(fēng)電數(shù)據(jù)中的潛在信息。在超短期風(fēng)電功率預(yù)測(cè)中，數(shù)據(jù)驅(qū)動(dòng)的預(yù)測(cè)方法被廣泛研究[6]。文獻(xiàn)[7] 提出一種基于進(jìn)化多目標(biāo)優(yōu)化的選擇性異質(zhì)集成 （evolutionary multi-objective optimization basedselection heterogeneous ensemble， EMOSHeE） 風(fēng)電功率預(yù)測(cè)方法，并利用風(fēng)電場(chǎng)的真實(shí)數(shù)據(jù)驗(yàn)證了所提方法的有效性，但由于缺乏自適應(yīng)性，風(fēng)電功率特性隨著時(shí)間漂移，模型難免會(huì)發(fā)生性能退化。文獻(xiàn)[8] 提出一種基于隱馬爾可夫模型的日內(nèi)風(fēng)電功率預(yù)測(cè)誤差區(qū)間滾動(dòng)估計(jì)方法，實(shí)驗(yàn)結(jié)果表明所提方法能夠給出風(fēng)電功率預(yù)測(cè)誤差的波動(dòng)范圍，然而缺少單點(diǎn)滾動(dòng)替換可能會(huì)導(dǎo)致風(fēng)電功率預(yù)測(cè)精度降低。文獻(xiàn)[9] 針對(duì)風(fēng)電功率時(shí)間序列具有高度隨機(jī)波動(dòng)性而無法精準(zhǔn)預(yù)測(cè)的問題，提出一種基于完備集成經(jīng)驗(yàn)?zāi)B(tài)分解（ complete ensemble empiricalmode decomposition ， CEEMD）、Granger 因果關(guān)系檢驗(yàn)和長短時(shí)記憶網(wǎng)絡(luò)的新型混合預(yù)測(cè)方法用于預(yù)測(cè)風(fēng)電功率。文獻(xiàn)[10] 針對(duì)現(xiàn)有模型預(yù)測(cè)準(zhǔn)確性與穩(wěn)定性較低的問題， 提出一種以雙向LSTM（Bidirectional LSTM，BiLSTM）為基礎(chǔ)的風(fēng)電功率預(yù)測(cè)模型，并通過實(shí)驗(yàn)表明該模型具有更高的預(yù)測(cè)精度。上述風(fēng)電功率預(yù)測(cè)方法雖然提高了一定的預(yù)測(cè)精度，但忽視了預(yù)測(cè)模型的自適應(yīng)性，仍存在部分分解序列預(yù)測(cè)誤差較大的問題。文獻(xiàn)[11] 提出一種包含多分解策略（multidecomposition，MD）的風(fēng)電預(yù)測(cè)混合智能算法，同時(shí)利用粒子群優(yōu)化（particle swarm optimization，PSO）的自適應(yīng)神經(jīng)模糊推理系統(tǒng)[12]（adaptive network-based fuzzy inferencesystem，ANFIS）自適應(yīng)地學(xué)習(xí)誤差分布規(guī)律并進(jìn)行校正，提高了算法魯棒性和精確性，但是沒有對(duì)輸入數(shù)據(jù)進(jìn)行滾動(dòng)替換，可能會(huì)導(dǎo)致風(fēng)電功率預(yù)測(cè)效果下降。

綜上所述，為了進(jìn)一步提升風(fēng)力發(fā)電功率預(yù)測(cè)的精確度，同時(shí)確保模型具有自適應(yīng)更新能力，本文將傳統(tǒng)的ANFIS 與蛙跳算法（ shuffled frogleaping algorithm，SFLA）和模式搜索（pattern search，PS）算法相結(jié)合，提出一種超短期風(fēng)電功率日內(nèi)動(dòng)態(tài)預(yù)測(cè)方法。通過本文研究，對(duì)比其他幾種常用的預(yù)測(cè)方法，所提方法的預(yù)測(cè)精度有一定程度上的提升。

1 研究方法

1.1 自適應(yīng)神經(jīng)模糊推理系統(tǒng)（ANFIS）

主模糊推理系統(tǒng)（fuzzy inference system，F(xiàn)IS）的初始成員函數(shù)和規(guī)則根據(jù)實(shí)際情況定義。ANFIS 將調(diào)整模糊推理規(guī)則和隸屬度函數(shù)，以提高FIS 的性能。ANFIS 有兩個(gè)輸入，每個(gè)輸入有3 個(gè)成員函數(shù)和9 個(gè)規(guī)則，如圖1 所示。

ANFIS 系統(tǒng)中的各層解釋如下：