一種新型的混合式的中國(guó)環(huán)縣短期風(fēng)速預(yù)測(cè)

付桐林

(隴東學(xué)院 數(shù)學(xué)與統(tǒng)計(jì)學(xué)院,甘肅 慶陽(yáng) 745000)

一種新型的混合式的中國(guó)環(huán)縣短期風(fēng)速預(yù)測(cè)

付桐林

(隴東學(xué)院 數(shù)學(xué)與統(tǒng)計(jì)學(xué)院,甘肅 慶陽(yáng) 745000)

風(fēng)能是一種清潔、無(wú)污染的可再生能源,由于氣象參數(shù)的混沌和內(nèi)在復(fù)雜性,使得風(fēng)速的預(yù)測(cè)是一個(gè)非常困難的問(wèn)題.基于對(duì)實(shí)際風(fēng)速數(shù)據(jù)集,使用季節(jié)性指數(shù)調(diào)整消除季節(jié)性因子和反向傳播(BP)神經(jīng)網(wǎng)絡(luò),給出一種新的風(fēng)速預(yù)測(cè)方法.數(shù)值結(jié)果表明,該方法能有效地提高風(fēng)速預(yù)測(cè)的準(zhǔn)確性.

BP神經(jīng)網(wǎng)絡(luò); J-T檢驗(yàn); 風(fēng)速預(yù)測(cè); 絕對(duì)平均誤差

1 預(yù)備知識(shí)

風(fēng)能作為一種可再生的清潔能源,具有調(diào)整能源結(jié)構(gòu)和減輕環(huán)境污染的雙重功效,將是21世紀(jì)最有發(fā)展前景的綠色能源.但風(fēng)電受風(fēng)速變化特性的影響,具有很大的隨機(jī)性、不可控性和反調(diào)峰特性,由此給電網(wǎng)調(diào)度和電力供應(yīng)管理構(gòu)成顯著壓力;因此風(fēng)速預(yù)測(cè)是風(fēng)電功率和風(fēng)電場(chǎng)發(fā)電量預(yù)測(cè)的重要基礎(chǔ)和前提.目前風(fēng)電場(chǎng)風(fēng)速預(yù)測(cè)精度依然不足,風(fēng)速預(yù)測(cè)精度的提高成為目前亟待解決的問(wèn)題.國(guó)內(nèi)外諸多學(xué)者對(duì)此做了大量深入的研究,提出了各種風(fēng)速預(yù)測(cè)方法,提高了風(fēng)速預(yù)測(cè)精度[1-8].

本文給出一種基于BP神經(jīng)網(wǎng)絡(luò)和季節(jié)調(diào)整,消除風(fēng)速數(shù)據(jù)中的季節(jié)因子相結(jié)合的新的混合風(fēng)速預(yù)測(cè)方法;以中國(guó)環(huán)縣2007—2015年的日平均風(fēng)速數(shù)據(jù)集作為案例研究.結(jié)果顯示:采用這種混合方法預(yù)測(cè)的日平均風(fēng)速,與單獨(dú)的使用BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)的日平均風(fēng)速相比,具有較低的絕對(duì)平均誤差和相對(duì)平均誤差.

2 短期風(fēng)速預(yù)測(cè)方法

風(fēng)能是一種不穩(wěn)定的能源,即風(fēng)速具有隨機(jī)性和不可控性,隨著大量的風(fēng)力發(fā)電接入電網(wǎng),勢(shì)必會(huì)對(duì)電力系統(tǒng)的安全、穩(wěn)定運(yùn)行以及保證電能質(zhì)量帶來(lái)嚴(yán)峻挑戰(zhàn),從而限制風(fēng)力發(fā)電的發(fā)展規(guī)模.風(fēng)電場(chǎng)短期風(fēng)速和發(fā)電功率預(yù)測(cè)是解決該問(wèn)題的有效途徑之一[2-8].

由于風(fēng)速數(shù)據(jù)集會(huì)顯示出季度或月度的循環(huán)變動(dòng)(如圖1所示),這些季節(jié)性變動(dòng)掩蓋了數(shù)據(jù)變化的客觀規(guī)律,這就需要對(duì)這些時(shí)間序列數(shù)據(jù)進(jìn)行季節(jié)調(diào)整.季節(jié)調(diào)整可以從時(shí)間序列中去除季節(jié)變動(dòng)要素,從而顯示出序列潛在的趨勢(shì)循環(huán)分量,這些分量能夠真實(shí)地反映時(shí)間序列變化的客觀規(guī)律.

2.1 季節(jié)指數(shù)法季節(jié)指數(shù)法是根據(jù)時(shí)間序列中的數(shù)據(jù)資料所呈現(xiàn)的季節(jié)變動(dòng)規(guī)律,對(duì)預(yù)測(cè)目標(biāo)未來(lái)狀況做出預(yù)測(cè)的方法.

假設(shè)有一系列的數(shù)據(jù)x1,x2,…,xT(T=ml),記為

季節(jié)指數(shù)滿(mǎn)足歸一化條件,通過(guò)相應(yīng)的季節(jié)性指數(shù)Is對(duì)時(shí)間序列的每個(gè)元素xks進(jìn)行分割yks=xks/IS(k=1,2,…,m;s=1,2,…,l),從而得到一個(gè)不受季節(jié)性因素影響的時(shí)間序列.

2.2 BP神經(jīng)網(wǎng)絡(luò)BP網(wǎng)絡(luò)是一種按誤差逆?zhèn)鞑ニ惴ㄓ?xùn)練的多層前饋網(wǎng)絡(luò),是目前應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)模型之一[9-12].BP神經(jīng)網(wǎng)絡(luò)模型拓?fù)浣Y(jié)構(gòu)包括輸入層、隱含層和輸出層.輸入層節(jié)點(diǎn)xi的個(gè)數(shù)由樣本屬性的維度決定,隱含層的節(jié)點(diǎn)數(shù)yj層數(shù)由用戶(hù)指定,輸出層節(jié)點(diǎn)zi的個(gè)數(shù)由樣本分類(lèi)個(gè)數(shù)決定.網(wǎng)絡(luò)權(quán)值wi,j和閾值θj的修正沿著負(fù)梯度方向,隱含層節(jié)點(diǎn)與輸出節(jié)點(diǎn)的網(wǎng)絡(luò)權(quán)值為vl,j.當(dāng)輸出節(jié)點(diǎn)的期望值為tl時(shí),隱含層節(jié)點(diǎn)的輸出

考慮到屬性值存在區(qū)間和數(shù)值的情況，以關(guān)聯(lián)函數(shù)值作為度量指標(biāo)，在計(jì)算出可拓距基礎(chǔ)上，計(jì)算關(guān)聯(lián)函數(shù)的標(biāo)準(zhǔn)差，從而確定屬性的權(quán)重，如式（1）：

輸出節(jié)點(diǎn)的計(jì)算輸出

輸出節(jié)點(diǎn)的誤差

2.3 短期風(fēng)速預(yù)測(cè)的算法根據(jù)中國(guó)環(huán)縣2007年1月—2015年12月的日平均風(fēng)速數(shù)據(jù)集,設(shè)計(jì)預(yù)測(cè)短期風(fēng)速的算法如下:

1) 對(duì)數(shù)據(jù)集做J-T檢驗(yàn),判斷數(shù)據(jù)是否來(lái)自同一個(gè)分布,如果不是,則算法失效.

2) 如果通過(guò)J-T檢驗(yàn),則用季節(jié)指數(shù)法消除季節(jié)因子,得到一個(gè)不受季節(jié)性因素影響的時(shí)間序列xi.

3) 基于BP神經(jīng)網(wǎng)絡(luò)對(duì)不受季節(jié)性因素影響的時(shí)間序列xi做出預(yù)測(cè),得到序列zi.

4) 對(duì)預(yù)測(cè)序列zi,加入季節(jié)因子得到最終的短期風(fēng)速預(yù)測(cè)結(jié)果.

2.4 預(yù)測(cè)性能的評(píng)估對(duì)預(yù)測(cè)結(jié)果進(jìn)行多角度評(píng)價(jià),具體選用指標(biāo)包括絕對(duì)平均誤差

和相對(duì)平均誤差

對(duì)于同一種預(yù)測(cè)模型來(lái)說(shuō),有時(shí)單獨(dú)考察絕對(duì)平均誤差和相對(duì)平均誤差的大小,可能得不到什么結(jié)論,因?yàn)闆](méi)有比較的對(duì)象;因此用未消除季節(jié)因子的BP神經(jīng)網(wǎng)絡(luò)作為比較的對(duì)象,分別用SEA-BP和BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)環(huán)縣2015年的日平均風(fēng)速,計(jì)算出絕對(duì)平均誤差和相對(duì)平均誤差并作比較,具有最小誤差值的模型就是最精確的模型.

3 數(shù)值結(jié)果

環(huán)縣隸屬于甘肅省慶陽(yáng)市,位于甘肅省東部、慶陽(yáng)市西北部,地處北緯36°1′～37°9′,東經(jīng)106°21′～107°44′之間,屬黃土高原丘陵溝壑區(qū),全境90%以上面積為黃土覆蓋,土層厚度在60～240 m之間.境內(nèi)地貌可分為山脈嶺梁、丘陵掌區(qū)、川道溝臺(tái)和零碎殘塬4種類(lèi)型,有較大山脈106座,山掌400個(gè),大小溝道17 364條,大小殘塬527塊.地勢(shì)西北高、東南低,海拔在1 136～2 089 m之間.氣候?qū)贉貛Т箨懶约撅L(fēng)氣候,特殊的地理風(fēng)貌和長(zhǎng)期的農(nóng)業(yè)耕作使得水土流失嚴(yán)重、環(huán)境惡化,脫貧致富路途遙遠(yuǎn),這一區(qū)域適宜風(fēng)電場(chǎng)的建設(shè).在國(guó)家鼓勵(lì)新能源建設(shè)和精準(zhǔn)扶貧的背景下,該區(qū)域調(diào)整產(chǎn)業(yè)結(jié)構(gòu),優(yōu)化資源配置,大力發(fā)展新能源開(kāi)發(fā)與建設(shè),2014年11月,6個(gè)總裝機(jī)容量1 050 MW,估算總投資81.08億元的風(fēng)電項(xiàng)目水土保持方案,已在黃土高原隴東區(qū)開(kāi)工建設(shè).為了優(yōu)化風(fēng)電并網(wǎng)管理和電力負(fù)荷預(yù)測(cè),以及實(shí)現(xiàn)更大規(guī)模的風(fēng)電場(chǎng)建設(shè),亟需對(duì)黃土高原隴東區(qū)風(fēng)電場(chǎng)風(fēng)速做出預(yù)測(cè),研究風(fēng)速對(duì)風(fēng)電項(xiàng)目產(chǎn)生的效益.

選擇一段時(shí)間的風(fēng)速數(shù)據(jù)作為原始數(shù)據(jù)集(如圖1所示),原始數(shù)據(jù)集的數(shù)據(jù)包含2部分:第一部分?jǐn)?shù)據(jù)2007年1月—2014年12月的日平均風(fēng)速值,作為BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練集;第二部分?jǐn)?shù)據(jù)2015年1—12月的日平均風(fēng)速值作為測(cè)試集.

在多個(gè)獨(dú)立樣本非參數(shù)檢驗(yàn)中,J-T檢驗(yàn)可以檢驗(yàn)多個(gè)獨(dú)立樣本的位置參數(shù)是否持續(xù)上升或下降,以確定k組樣本是否來(lái)自同一總體.J-T的原假設(shè)是k組樣本來(lái)自同一總體,它的備擇假設(shè)是各個(gè)總體的位置參數(shù)按照升序排列或降序排列.對(duì)于樣本觀測(cè)值,J-T檢驗(yàn)有2個(gè)步驟:

1) 將2組樣本值進(jìn)行對(duì)比,計(jì)算第i組觀測(cè)值小于第i′組觀測(cè)值的對(duì)數(shù)Mi,i′.設(shè)xij是第i組第j個(gè)元素,k是樣本組數(shù),ni是第i個(gè)樣本組數(shù),記

2) 計(jì)算J-T檢驗(yàn)的統(tǒng)計(jì)量J=∑Mi,i′.在原假設(shè)成立的條件下,統(tǒng)計(jì)量Z具有漸進(jìn)正態(tài)性,即

Z=

當(dāng)樣本容量較大時(shí),利用統(tǒng)計(jì)量J近似服從正態(tài)分布,在給定的顯著性水平α下求得p值,如果p值小于顯著性水平α,那么拒絕原假設(shè).對(duì)數(shù)據(jù)集做J-T檢驗(yàn),結(jié)果如表1所示,檢驗(yàn)的p值為0.240,大于顯著性水平0.05,因此每年的數(shù)據(jù)集具有相同的分布.

表1 J-T檢驗(yàn)結(jié)果Table 1 The results of J-T test

將原始數(shù)據(jù)集消除季節(jié)因子后,得到數(shù)據(jù)集部分?jǐn)?shù)據(jù)如表2所示.

對(duì)消除季節(jié)因子的數(shù)據(jù)做標(biāo)準(zhǔn)化處理:二月份數(shù)據(jù)按照

標(biāo)準(zhǔn)化,其他月份數(shù)據(jù)按照

標(biāo)準(zhǔn)化后,作為BP神經(jīng)網(wǎng)絡(luò)的輸入層,分別預(yù)測(cè)出2015年每月的日平均風(fēng)速值.若輸入層的神經(jīng)元個(gè)數(shù)是n,據(jù)Kolmogorov定理可知,網(wǎng)絡(luò)中間層的神經(jīng)元可以取2n+1,輸出層的神經(jīng)元仍然是n.網(wǎng)絡(luò)經(jīng)過(guò)訓(xùn)練后才可以用于預(yù)測(cè)日平均風(fēng)速,考慮到網(wǎng)絡(luò)結(jié)構(gòu)比較復(fù)雜,神經(jīng)元個(gè)數(shù)較多,需要適當(dāng)增加訓(xùn)練次數(shù)并提高學(xué)習(xí)速率,中間層的神經(jīng)元傳遞函數(shù)采用S型正切函數(shù),輸出層神經(jīng)元傳遞函數(shù)采用S型對(duì)數(shù)函數(shù),采用Levenberg-Marquardt算法訓(xùn)練網(wǎng)絡(luò)[13-16].

表2 2007—2014年消除季節(jié)因子后的日平均風(fēng)速數(shù)據(jù)集Table 2 Daily average wind speed after eliminating the seasonal component from 2007 to 2014

將3、6、9和12月日平均風(fēng)速預(yù)測(cè)作為環(huán)縣春夏秋冬四季短期風(fēng)速預(yù)測(cè)的實(shí)例,用真實(shí)值和預(yù)測(cè)值作圖2;不消除季節(jié)因子,直接用BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)風(fēng)速,用真實(shí)值和預(yù)測(cè)值作圖3.可見(jiàn)不消除季節(jié)因子,直接用BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)風(fēng)速有著比較大的誤差.

用σMAE和σMAPE2個(gè)函數(shù)去評(píng)估消除季節(jié)因子后,用BP神經(jīng)網(wǎng)絡(luò)做預(yù)測(cè)和直接用BP神經(jīng)網(wǎng)絡(luò)做預(yù)測(cè)的精度,將2個(gè)模型的誤差分析結(jié)果匯總?cè)绫?所示.可以看出,用模型SEA-BP預(yù)測(cè)環(huán)縣3、6、9和12月的日平均風(fēng)速,要比直接用BP預(yù)測(cè)精度要高.模型SEA-BP的絕對(duì)平均誤差σMAE和相對(duì)平均誤差σMAPE都比BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)結(jié)果的絕對(duì)平均誤差σMAE和相對(duì)平均誤差σMAPE小.

4 結(jié)論

由于氣象參數(shù)的內(nèi)在復(fù)雜性、季節(jié)變化以及地形地貌等因素,都使得風(fēng)速的預(yù)測(cè)是一個(gè)非常困難的問(wèn)題.而風(fēng)電機(jī)組的運(yùn)行特征隨風(fēng)速的隨機(jī)波動(dòng)而變化,所以準(zhǔn)確地預(yù)測(cè)風(fēng)電場(chǎng)的風(fēng)速就顯得尤為重要.可以減小風(fēng)電并網(wǎng)對(duì)電網(wǎng)造成的影響和提高對(duì)風(fēng)電機(jī)組的控制,提高電網(wǎng)的經(jīng)濟(jì)性和穩(wěn)定性.一般情況下,風(fēng)速變化越平穩(wěn),預(yù)測(cè)時(shí)間越短,絕對(duì)平均誤差和相對(duì)平均誤差越小.日平均風(fēng)速預(yù)測(cè)結(jié)果的相對(duì)平均誤差變化范圍是25%～40%,取決于預(yù)測(cè)方法、精度要求以及預(yù)測(cè)地風(fēng)速的變化特征.

從表3可以看出,先去除季節(jié)因子后,再用BP神經(jīng)網(wǎng)絡(luò)去預(yù)測(cè)日平均風(fēng)速,具有較小的絕對(duì)平均誤差和相對(duì)平均誤差,相對(duì)平均誤差最大的是29.78%,比直接用BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)的相對(duì)平均誤差的最小值41.77%還要小;說(shuō)明SEA-BP預(yù)測(cè)精度更高.

表3 SEA-BP和BP的預(yù)測(cè)精度Table 3 The prediction accuracy of SEA-BP and BP

[1] ABDEL AAL R E,ELHADIDY M A,SHAAHID S M.Modeling and forecasting the mean hourly wind speed time series using GMDH-based abductive networks[J].Renewable Energy,2009,34(7):686-1699.

[2] OZTOPAL A.Artificial neural network approach to spatial estimation of wind velocity data[J].Energy Conversion and Management,2007,47(4):395-406.

[3] 王德明,王莉,張廣明.基于遺傳BP神經(jīng)網(wǎng)絡(luò)的短期風(fēng)速預(yù)測(cè)模型[J].浙江大學(xué)學(xué)報(bào)(工學(xué)版),2015,46(5):837-838.

[4] MOHANDES M,HALAWANI T,REHMAN S.Support vector machines for wind speed prediction[J].Renewable Energy,2004,29(6):939-947.

[5] XIAO L,WANG J Z,DONG Y.Combined forecasting models for wind energy forecasting:a case study in China[J].Renewable and Sustainable Energy Reviews,2015,44(17):271-288.

[6] ERDEM E,SHI J.ARMA based approaches for forecasting the topple of wind speed and direction[J].Appl Energy,2011,88(4):1405-1414.

[7] KAVASSERI R G,SEETHARAMAN K.Day-ahead wind speed forecasting usingf-ARIMA models[J].Renewable Energy,2009,34(5):1388-1393.

[8] POGGI P,MUSELLI M,NOTTON G.Forecasting and simulating wind speed in Corsica by using an autoregressive model[J].Energy Conversion and Management,2003,44(3):3177-3196.

[9] CHAU K W.Particle swarm optimization training algorithm for ANNs in stage prediction of Shing Mun River[J].J Hydrology,2007,329(3/4):363-367.

[10] GUO Z X,WONG W K,LI M.Sparsely connected neural network-based time series forecasting[J].Infor Sci,2012,193(11):54-71.

[11] HAMZACE C.Improving artificial neural networks performance in seasonal time series forecasting[J].Infor Sci,2008,178(23):4550-4559.

[12] KALOGIROU S A.Artificial neural networks in renewable energy systems applications:a review[J].Renewable and Sustainable Energy Reviews,2001,5(4):373-401.

[13] LIN K P,PAI P F,LU Y M.Revenue forecasting using a least-squares support vector regression model in a fuzzy environment[J].Infor Sci,2013,220(1):196-209.

[14] RIAHY G H,ABEDI M.Short term wind speed forecasting for wind turbine applications using linear prediction method[J].Renewable Energy,2008,33(1):35-41.

[15] SANCHO S S,ANGEL M P B,EMILIO G O G.Accurate short-term wind speed prediction by exploiting diversity in input data using banks of artificial neural networks[J].Neuro Computing,2009,72(4/6):1336-1341.

[16] 程武學(xué),任德智,顏清梅.基于紋理特征神經(jīng)網(wǎng)絡(luò)模型的魯朗河流域地類(lèi)信息提取研究[J].四川師范大學(xué)學(xué)報(bào)(自然科學(xué)版),2015,38(5):759-765.

2010 MSC：97R40; 62M45

(編輯 鄭月蓉)

A Novel Hybrid Approach for Wind Speed Prediction in Huan Region of China

FU Tonglin

(SchoolofMathematicsandStatistics,LongdongCollege,Qingyang745000,Gansu)

Wind power is a clean and non-polluting renewable energy source.However,due to the chaotic and intrinsic complexity of weather parameters,the prediction of wind speed is a very difficult problem.In this paper,we propose a new hybrid wind speed forecasting method based on a back-propagation (BP) neural network and the idea of eliminating seasonal effects from actual wind speed datasets using seasonal exponential adjustment.The numerical results indicate that the proposed method is effective in improving the accuracy of wind speed predictions.

BP neural network; J-T test; wind speed prediction; mean absolute percentage error

2016-03-31

國(guó)家自然科學(xué)基金(71471148)、甘肅省高等學(xué)?？蒲许?xiàng)目(2015A-150)和博士科研啟動(dòng)基金項(xiàng)目(xyby05)

付桐林(1977—),男,副教授,主要從事應(yīng)用概率統(tǒng)計(jì)、能源經(jīng)濟(jì)分析及預(yù)測(cè)理論與方法的研究,E-mail:futonglin2008@163.com

O212.3; TP391.9

A

1001-8395(2017)02-0272-05

10.3969/j.issn.1001-8395.2017.02.021