遺傳算法優(yōu)化的神經(jīng)網(wǎng)絡(luò)微電網(wǎng)風(fēng)能預(yù)測(cè)

趙云凱

(哈電發(fā)電設(shè)備國(guó)家工程研究中心有限公司，哈爾濱 150040)

遺傳算法優(yōu)化的神經(jīng)網(wǎng)絡(luò)微電網(wǎng)風(fēng)能預(yù)測(cè)

趙云凱

(哈電發(fā)電設(shè)備國(guó)家工程研究中心有限公司，哈爾濱 150040)

風(fēng)能是微電網(wǎng)重要的能量來(lái)源，但由于其穩(wěn)定性差，使得微電網(wǎng)使用風(fēng)能作為主要能量來(lái)源時(shí)需要容量較大的儲(chǔ)能裝置，從而增加了微電網(wǎng)的造價(jià)。遺傳算法優(yōu)化的神經(jīng)網(wǎng)絡(luò)能夠快速、有效地建立非線性系統(tǒng)輸入與輸出之間的關(guān)系，對(duì)微電網(wǎng)進(jìn)行風(fēng)能預(yù)測(cè)。通過(guò)實(shí)際檢驗(yàn)，微電網(wǎng)可調(diào)度用電設(shè)備和發(fā)電設(shè)備的運(yùn)行，降低儲(chǔ)能設(shè)備的電能波動(dòng)、容量及微電網(wǎng)造價(jià)。

微電網(wǎng)；風(fēng)能;遺傳算法；神經(jīng)網(wǎng)絡(luò)；儲(chǔ)能裝置

0 引 言

隨著微電網(wǎng)技術(shù)的廣泛應(yīng)用[1]，使用風(fēng)電作為主要能源供給的案例越來(lái)越多[2-3]。由于風(fēng)能穩(wěn)定性差，為穩(wěn)定微電網(wǎng)的母線電壓，微電網(wǎng)內(nèi)需要采用儲(chǔ)能裝置[4-6]，而儲(chǔ)能裝置所采用的電池造價(jià)及維護(hù)費(fèi)用均較高。采用風(fēng)能預(yù)測(cè)后，根據(jù)預(yù)測(cè)出的風(fēng)速通過(guò)風(fēng)力發(fā)電系統(tǒng)的功率曲線可預(yù)測(cè)風(fēng)力發(fā)電系統(tǒng)所發(fā)電量，進(jìn)而通過(guò)調(diào)度發(fā)電設(shè)備和用電設(shè)備的運(yùn)行可降低儲(chǔ)能系統(tǒng)的電能波動(dòng)、容量，降低微電網(wǎng)系統(tǒng)造價(jià)，減少微電網(wǎng)系統(tǒng)故障點(diǎn)。

采用反向傳播(back propagation，BP)神經(jīng)網(wǎng)絡(luò)可對(duì)非線性變化的風(fēng)速進(jìn)行預(yù)測(cè)[7]，但由于其易于收斂于局部最優(yōu)解，無(wú)法達(dá)到全局最優(yōu)。采用遺傳算法(genetic algorithm，GA)優(yōu)化的反向傳播(back propagation，BP)神經(jīng)網(wǎng)絡(luò)，可使神經(jīng)網(wǎng)絡(luò)收斂于全局最優(yōu)解[8]；遺傳算法在操作過(guò)程中也存在由于個(gè)別優(yōu)勢(shì)個(gè)體的存在，而陷入局部最優(yōu)的問(wèn)題。為防止其陷入局部最優(yōu)值，將采用擴(kuò)大種群數(shù)量的方法；并在遺傳算法選擇操作時(shí)(本文采用輪盤賭方法)，將重復(fù)多次出現(xiàn)的個(gè)體剔除，避免優(yōu)勢(shì)個(gè)體進(jìn)入遺傳算法下一步操作，減少陷入局部最優(yōu)值的機(jī)會(huì)，從而達(dá)到預(yù)測(cè)風(fēng)能的目的。

通過(guò)實(shí)際運(yùn)行，經(jīng)過(guò)遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)可有效預(yù)測(cè)風(fēng)能。

1 微電網(wǎng)系統(tǒng)結(jié)構(gòu)

微電網(wǎng)系統(tǒng)見(jiàn)圖1。采用一臺(tái)2.5 MW直驅(qū)永磁式風(fēng)力發(fā)電機(jī)組作為主電源，配合由雙向變流器和蓄儲(chǔ)能電池構(gòu)成的儲(chǔ)能裝置，形成微電網(wǎng)供電系統(tǒng)，向3套海水淡化裝置供電；其中儲(chǔ)能裝置容量為1.5 MW，海水淡化裝置總耗能為1.2 MW·h，整套裝置最大生產(chǎn)淡水水量為5 000 t/d。

圖1 微電網(wǎng)系統(tǒng)Fig.1 Micro grid system

2 遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)

2.1 遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的步驟

利用遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)，主要包含3個(gè)步驟：

1)確定BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，根據(jù)訓(xùn)練數(shù)據(jù)和期望輸出的特點(diǎn)確定BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)[9-10]，確定BP神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)構(gòu)后即確定了遺傳算法中個(gè)體的長(zhǎng)度。

2)利用遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值，遺傳算法中的每一個(gè)個(gè)體都包含了所對(duì)應(yīng)BP神經(jīng)網(wǎng)絡(luò)的所有權(quán)值和閾值，利用適應(yīng)度函數(shù)判讀個(gè)體是否應(yīng)該保留，遺傳算法利用選擇、交叉、變異，得到最優(yōu)適應(yīng)度個(gè)體，即得到BP神經(jīng)網(wǎng)絡(luò)最優(yōu)化的權(quán)值和閾值[11-12]。

3)BP神經(jīng)網(wǎng)絡(luò)輸出預(yù)測(cè)，將由遺傳算法優(yōu)化后的權(quán)值和閾值賦給BP神經(jīng)網(wǎng)絡(luò)，訓(xùn)練網(wǎng)絡(luò)從而得到預(yù)期輸出[13]。

2.2 BP神經(jīng)網(wǎng)絡(luò)的建立

本文選擇風(fēng)場(chǎng)2014年5月1日8～17時(shí)，時(shí)間間隔為5 min測(cè)風(fēng)數(shù)據(jù)，每連續(xù)12個(gè)測(cè)風(fēng)數(shù)據(jù)作為一組輸入樣本數(shù)據(jù)，第13～第24個(gè)測(cè)風(fēng)數(shù)據(jù)的平均值作為期望輸出，共生成9×12-12-12=84組樣本數(shù)據(jù)，其中前64組為訓(xùn)練數(shù)據(jù)，后20組數(shù)據(jù)為測(cè)試數(shù)據(jù)。

由于輸入為12個(gè)數(shù)據(jù)一組，輸出數(shù)據(jù)為預(yù)測(cè)風(fēng)速；故BP神經(jīng)網(wǎng)絡(luò)輸入層節(jié)點(diǎn)數(shù)選取為12，采取經(jīng)驗(yàn)法確定隱層節(jié)點(diǎn)數(shù)為24，輸出節(jié)點(diǎn)數(shù)為1，即神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)為12-24-1，共有12×24+24×1=312個(gè)權(quán)值，24+1=25個(gè)閾值。訓(xùn)練數(shù)據(jù)預(yù)測(cè)誤差的絕對(duì)值和作為個(gè)體適應(yīng)度函數(shù)值，因此個(gè)體適應(yīng)度越小，個(gè)體越優(yōu)秀。

2.3 權(quán)值、閾值的優(yōu)化

確定BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)后即確定了遺傳算法中個(gè)體的長(zhǎng)度，利用適應(yīng)度函數(shù)對(duì)種群初始化后產(chǎn)生的個(gè)體進(jìn)行選擇、交叉和變異操作，尋優(yōu)輸出BP神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值。

1)種群初始化，采用實(shí)數(shù)編碼的方式將輸入層與隱含層權(quán)值、隱含層閾值、隱含層與輸出層權(quán)值、輸出層閾值進(jìn)行編碼。由此初始化后的種群個(gè)體將包括BP神經(jīng)網(wǎng)絡(luò)所有的權(quán)值和閾值。

2)適應(yīng)度函數(shù)，適應(yīng)度函數(shù)選取為訓(xùn)練數(shù)據(jù)預(yù)測(cè)誤差的絕對(duì)值和作為個(gè)體適應(yīng)度函數(shù)值，由此可知個(gè)體適應(yīng)度越小，個(gè)體越優(yōu)秀。預(yù)測(cè)輸出和期望輸出差的絕對(duì)值求和作為適應(yīng)度值F，計(jì)算公式為：

(1)

式中k為系數(shù),k=1；n為網(wǎng)絡(luò)輸出節(jié)點(diǎn)數(shù)；Yi第i個(gè)節(jié)點(diǎn)的期望輸出；Youti為第i個(gè)節(jié)點(diǎn)的預(yù)測(cè)輸出。

3)選擇操作，本文利用選擇輪盤賭法完成遺傳算法選擇操作，每個(gè)個(gè)體i的選擇概率為Pi，公式為：

(2)

式中Fi為個(gè)體i的適應(yīng)度值；M為種群內(nèi)個(gè)體總數(shù)。

4)交叉操作，采用實(shí)數(shù)交叉法對(duì)個(gè)體進(jìn)行交叉操作，選擇兩個(gè)染色體xk、xl在其基因位置為j處進(jìn)行交叉操作，公式為：

(3)

式中c∈[0,1],c=0.4。

5)變異操作，選取染色體xi，在其第j個(gè)基因位置處進(jìn)行變異操作，公式為：

(4)

式中xmin≤xij≤xmax；g為當(dāng)前迭代次數(shù)；Gmax為最大進(jìn)化次數(shù),Gmax=50；r為[0，1]之間的隨機(jī)數(shù)。

2.4 編程實(shí)現(xiàn)

根據(jù)上述內(nèi)容編程，程序流程圖見(jiàn)圖2。

圖2 程序流程圖Fig.2 program flow chart

2.5 基于遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練結(jié)果

遺傳算法優(yōu)化過(guò)程中最優(yōu)個(gè)體適應(yīng)度值變化見(jiàn)圖3，進(jìn)化達(dá)到50代，達(dá)到優(yōu)化目標(biāo)。

圖3 最優(yōu)個(gè)體適應(yīng)度值Fig.3 Optimal individual fitness value

利用訓(xùn)練數(shù)據(jù)訓(xùn)練、預(yù)測(cè)，預(yù)測(cè)誤差見(jiàn)圖4，

圖4中預(yù)測(cè)誤差的均方差為8.732E-5,達(dá)到預(yù)期目標(biāo)。

圖4 優(yōu)化后BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)誤差Fig. 4 BP neural network prediction error after optimization

3 結(jié)果及分析

對(duì)微電網(wǎng)系統(tǒng)，用遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)風(fēng)能，連續(xù)運(yùn)行9 h的數(shù)據(jù)進(jìn)行分析。

采用遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)平均風(fēng)速與實(shí)測(cè)平均風(fēng)速見(jiàn)圖5,預(yù)測(cè)誤差見(jiàn)圖6。由圖5可見(jiàn)平均風(fēng)速預(yù)測(cè)值與實(shí)測(cè)值變化趨勢(shì)基本一致，由圖6可見(jiàn)預(yù)測(cè)值與實(shí)測(cè)值最大誤差≤9%。

圖5 實(shí)測(cè)平均風(fēng)速與預(yù)測(cè)平均風(fēng)速Fig. 5 Measured average wind speed—prediction average wind speed

圖6 預(yù)測(cè)平均風(fēng)速與實(shí)測(cè)平均風(fēng)速誤差Fig. 6 Error between prediction average wind speed and measured average wind speed

未采用遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)時(shí)，微電網(wǎng)儲(chǔ)能電池組SOC(State of Charge，電池可用電量)的波動(dòng)范圍在40%以內(nèi)，見(jiàn)圖7。采用遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)后，微電網(wǎng)儲(chǔ)能電池組SOC的波動(dòng)范圍在5%以內(nèi)，見(jiàn)圖8。通過(guò)對(duì)比發(fā)現(xiàn)采用遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)進(jìn)行風(fēng)能預(yù)測(cè)后，儲(chǔ)能電池組的SOC波動(dòng)范圍減小，在保證設(shè)備安全可靠的前提下，可以降低儲(chǔ)能電池容量。

圖7 微電網(wǎng)SOC變化(未預(yù)測(cè))Fig. 7 Micro grid SOC Fluctuation (no prediction)

圖8 微電網(wǎng)SOC變化(預(yù)測(cè))Fig. 8 Micro grid SOC Fluctuation (prediction)

4 結(jié) 論

采用遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)為微電網(wǎng)提供風(fēng)能預(yù)測(cè)。通過(guò)預(yù)測(cè)得到的風(fēng)速數(shù)據(jù)，提前調(diào)整微電網(wǎng)內(nèi)負(fù)荷，降低微電網(wǎng)中儲(chǔ)能電池SOC變化范圍；平抑部分微電網(wǎng)內(nèi)部電能波動(dòng)；降低儲(chǔ)能電池容量，進(jìn)一步降低微電網(wǎng)工程造價(jià)。

[1]劉 文，楊慧霞，祝 斌.微電網(wǎng)關(guān)鍵技術(shù)研究綜述[J].電力系統(tǒng)保護(hù)與控制，2012，40(14)：152-155.

[2]武 星，殷曉剛，宋 昕，等.中國(guó)微電網(wǎng)技術(shù)研究及應(yīng)用現(xiàn)狀[J].高壓電器，2013，49(9)：142-149.

[3]薛媛媛.微電網(wǎng)的綜合控制研究[D].南京理工大學(xué)，2014.

[4]Liang Xiao,Mandayam N B,Poor H V.Prospect theoretic analysis of energy exchange among micro grids [J]. IEEE Transactions on Smart Grid, 2014,6(1): 63-72.

[5]Olivares D E,Mehrizi-Sani A,Etemadi A H,et al.Trends in micro grid control[J].IEEE Transactions on Smart Grid, 2014,5(4): 1 905-1 919.

[6]Singh A K,Singh R,Pal B C.Stability analysis of networked control in smart grids[J]. IEEE Transactions on Smart Grid,2014,6(1): 381-390.

[7]Li Jinxuan,Mao Jiandong. Ultra-short-term wind power prediction using BP neural network[C]// Industrial Electronics and Applications (ICIEA), 2014 IEEE 9th Conference on,2014: 2 001-2 006.

[8]Wang Yamin, Wang Shouxiang,Zhang Na. A novel wind speed forecasting method based on ensemble empirical mode decomposition and GA-BP neural network[C]// IEEE Power and Energy Society General Meeting (PES), 2013:1-5.

[9]陳 磊， 李長(zhǎng)俊， 冷 明，等. 基于遺傳BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)硫在高含硫氣體中溶解度[J].現(xiàn)代化工，2015，45(2)：50-53.

[10]姚 健，紀(jì)志成，黃言平.基于神經(jīng)網(wǎng)絡(luò)的非線性多模型自適應(yīng)控制[J].制控工程，2014，21(2): 172-177.

[11]劉硯菊，周 光.基于BP 神經(jīng)網(wǎng)絡(luò)的糧情監(jiān)控模型研究 [J].控制工程，2013，20(4)： 734-737.

[12]張文修. 遺傳算法的數(shù)學(xué)基礎(chǔ)[M].西安：西安交通大學(xué)出版社，2003.

[13]王德民.基于遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的風(fēng)電功率預(yù)測(cè)[J].電子設(shè)計(jì)工程，2013，21(22)：95-98.

Wind energy prediction of micro grid based on genetic algorithm optimization neural network

ZHAO Yun-Kai

(HEC National Engineering Research Center-Power Equipment Co.,Ltd，Harbin 150040， China)

Although wind energy is the main energy source of the micro grid, it has low stability. Micro grid using wind energy as the main energy source needs large capacity storage device, thereby increasing the micro grid cost. The genetic algorithm optimization neural network can rapidly, effectively establish the relation between input and output of nonlinear system. The genetic algorithm optimization neural network is used to predict the wind energy of the micro grid. Through practical test, electrical equipment and power equipment can be reasonably dispatched and operated, in the micro grid using this method of wind power prediction. That can reduce the storage equipment energy fluctuation, the capacity of energy storage devices and the micro grid cost.

micro grid; wind energy;genetic algorithm; neural network; storage device

10.13524/j.2095-008x.2015.03.051

2015-04-14;

2015-05-25

江蘇省科技計(jì)劃資助項(xiàng)目(SBA2015030383)

趙云凱(1983-),黑龍江哈爾濱人,工程師,碩士,研究方向：發(fā)電設(shè)備控制,E-mail：zhaoyunkai-1983@163.com。

TP29

A

2095-008X(2015)03-0079-05