基于數(shù)值環(huán)境因素和改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的短期風(fēng)功率預(yù)測(cè)研究

國(guó)網(wǎng)山東省電力公司肥城市供電公司 劉曉曉

1 前言

風(fēng)速一般會(huì)受到多種氣象與地理因素的影響，比如溫度、氣壓、地形等，這就使它會(huì)相應(yīng)地表現(xiàn)出很強(qiáng)的隨機(jī)性，進(jìn)而導(dǎo)致風(fēng)電場(chǎng)風(fēng)力發(fā)電功率也具有很強(qiáng)的隨機(jī)性，這也將使預(yù)測(cè)的難度遠(yuǎn)遠(yuǎn)加大，并且精度下降[1-3]。

風(fēng)功率預(yù)測(cè)方法主要可以分為2類：一種方法是根據(jù)數(shù)值天氣預(yù)報(bào)的數(shù)據(jù)，然后通過物理方法計(jì)算風(fēng)速與風(fēng)電場(chǎng)的輸出功率；另一種方法是根據(jù)在線實(shí)測(cè)的歷史數(shù)據(jù)，挖掘其中的內(nèi)在規(guī)律，進(jìn)行預(yù)測(cè)的統(tǒng)計(jì)方法。一般來說，統(tǒng)計(jì)方法要優(yōu)于物理方法，但是這兩種方法在進(jìn)行長(zhǎng)期預(yù)測(cè)方面差別不是很大，而統(tǒng)計(jì)模型需要更多的輸入數(shù)據(jù)，而物理方法則要求較高的數(shù)值天氣預(yù)報(bào)的精確度[4-6]。

當(dāng)今我國(guó)對(duì)風(fēng)速及風(fēng)電場(chǎng)出力的預(yù)測(cè)還大部分都還停留在理論研究階段，各科研單位、風(fēng)電企業(yè)、電網(wǎng)公司都在努力探索。國(guó)內(nèi)的風(fēng)電預(yù)測(cè)水平近年來有較大提高，預(yù)測(cè)誤差不斷降低，但與國(guó)外相比，仍然偏高。造成這一現(xiàn)象的原因，一方面由于國(guó)內(nèi)的風(fēng)速及風(fēng)電場(chǎng)功率預(yù)測(cè)研究起步比較晚，仍需時(shí)日以不斷進(jìn)步，另一方面，國(guó)外的NWP系統(tǒng)較國(guó)內(nèi)更為先進(jìn)，可以提供精度更高、尺度更細(xì)的天氣預(yù)報(bào)數(shù)據(jù)進(jìn)行分析預(yù)測(cè)[7-10]。

風(fēng)功率預(yù)測(cè)的復(fù)雜和困難主要是由于其非線性和非平穩(wěn)性造成的，在實(shí)際分析的時(shí)候，若把與輸出功率有關(guān)的多個(gè)變量考慮到，運(yùn)用多維數(shù)據(jù)作為影響能夠輸出功率的參數(shù)，輸出數(shù)據(jù)在理論上來說會(huì)更加精確的。本文數(shù)值環(huán)境因素的影響，通過運(yùn)用時(shí)間序列來簡(jiǎn)化處理各種參數(shù)，基于改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)建立基于數(shù)值氣象數(shù)據(jù)的風(fēng)電功率預(yù)測(cè)模型。

2 建模流程

BP神經(jīng)網(wǎng)絡(luò)的基本結(jié)果和原理參考文獻(xiàn)[12]，本文主要工作為基于BP神經(jīng)玩過建立風(fēng)功率預(yù)測(cè)模型。影響風(fēng)電功率輸出的最大因子是風(fēng)速，而風(fēng)速與年變化、地形不同、高度不同、時(shí)間不同都有關(guān)聯(lián)。而數(shù)值氣象包含溫度、濕度、風(fēng)速等，期預(yù)測(cè)結(jié)果可以作為風(fēng)速預(yù)測(cè)的有力依據(jù)。本文選擇的輸入數(shù)據(jù)有：風(fēng)速、溫度、歷史功率，設(shè)計(jì)一個(gè)單隱層。從而本文的BP網(wǎng)絡(luò)模型結(jié)構(gòu)為三層：輸入層、隱含層、輸出層。具體模型如圖1所示：

圖1 BP預(yù)測(cè)網(wǎng)絡(luò)直接預(yù)測(cè)風(fēng)功率模型

3 算例分析

本文所采用的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)為三層BP網(wǎng)絡(luò)，所用數(shù)據(jù)來源于我們南方某風(fēng)電場(chǎng)，采樣時(shí)間間隔為10分鐘的340個(gè)連續(xù)風(fēng)電功率數(shù)據(jù)，前320個(gè)數(shù)據(jù)作為模型訓(xùn)練數(shù)據(jù)，后20個(gè)數(shù)據(jù)作為檢驗(yàn)預(yù)測(cè)結(jié)果。本文將訓(xùn)練模型的輸入向量設(shè)為7個(gè)，所以網(wǎng)絡(luò)輸入層的神經(jīng)元有7個(gè)，根據(jù)Kolmogorov定理，可知網(wǎng)絡(luò)中間層即隱含層的神經(jīng)元可以取13個(gè)，即2n+l法，輸入?yún)?shù)個(gè)數(shù)的2倍。輸出向量是1個(gè)，所以輸出層的神經(jīng)元有1個(gè)。另外網(wǎng)絡(luò)中間層的神經(jīng)元傳遞函數(shù)采用S型的tansig函數(shù)，輸出層的神經(jīng)元傳遞函數(shù)采用線性purelin函數(shù)。利用以下代碼創(chuàng)建一個(gè)滿足上述要求的BP網(wǎng)絡(luò)：net=newff([minmax(pp)]，[13,1]，{'tansig','purelin’}，'trainlm’)；其中，pp是輸入向量，trainlm'表示設(shè)定網(wǎng)絡(luò)的訓(xùn)練函數(shù)為trainlm，它采用Levenberg-Marquardt算法進(jìn)行網(wǎng)絡(luò)學(xué)習(xí)。因?yàn)檫@里選取的功率預(yù)測(cè)功率訓(xùn)練，模型相對(duì)簡(jiǎn)單，除了預(yù)設(shè)誤差限之外，網(wǎng)絡(luò)其他參數(shù)按默認(rèn)值訓(xùn)練。由于其他參數(shù)都按默認(rèn)值，而誤差曲面存在的多個(gè)極小點(diǎn)會(huì)使得訓(xùn)練陷入局部最小值，無法收斂于給定誤差，針對(duì)以上情況，針對(duì)這一問題，本文采用增加動(dòng)量項(xiàng)和可變學(xué)習(xí)速度的方法來進(jìn)行改進(jìn)BP神經(jīng)網(wǎng)絡(luò)。

（1）增加動(dòng)量項(xiàng)

標(biāo)準(zhǔn)BP算法在調(diào)整權(quán)值時(shí)，之按t時(shí)刻誤差梯度下降方向調(diào)整而沒有考慮t時(shí)刻以前的梯度方向，會(huì)導(dǎo)致訓(xùn)練過程發(fā)生振蕩。為了提高訓(xùn)練速度，可以在權(quán)值中加入一些動(dòng)量項(xiàng)：

式(1)中W為某層權(quán)矩陣，O為某層輸出向量，α稱為動(dòng)量系數(shù)，，反應(yīng)了以前積累的調(diào)整經(jīng)驗(yàn)。

（2）可變學(xué)習(xí)速率的反向傳播法

由之前分析可以知道，可以通過調(diào)整學(xué)習(xí)速率來改變誤差曲面的形狀?？勺儗W(xué)習(xí)速度反向傳播法的規(guī)則如下：

1）如果平方誤差（在整個(gè)訓(xùn)練集上）在權(quán)值更新后增加了，并且超過了某個(gè)設(shè)置的百分?jǐn)?shù)β（在1%～5%之間），則權(quán)值更新取消，學(xué)習(xí)速率乘以一個(gè)0到1之間的因子，且動(dòng)量系數(shù)α歸零。

2）如果平方誤差在權(quán)值更新后減少了，則權(quán)值更新被接受，并且學(xué)習(xí)速率保持不變。如果α過去被設(shè)置為0，則恢復(fù)到以前的值。

3）如果平方誤差小于β，則權(quán)值更新被接受，但學(xué)習(xí)速率不變。如果α過去被設(shè)置為0，則恢復(fù)到之前的值。

（3）學(xué)習(xí)速率的自適應(yīng)調(diào)節(jié)

上面給出的可變學(xué)習(xí)速度算法需要設(shè)置若干個(gè)參數(shù)，算法性能對(duì)這些參數(shù)的改變很敏感，處理較麻煩。自適應(yīng)學(xué)習(xí)速率法則沒有以上缺陷。學(xué)習(xí)速率之和網(wǎng)絡(luò)誤差有關(guān)聯(lián)。

在網(wǎng)絡(luò)經(jīng)過一個(gè)批次處理后，如果總的誤差E總增加，則本次調(diào)整無效，且：

若E總下降，則調(diào)整有效，且：

（4）改進(jìn)BP算法結(jié)果

按照上述改進(jìn)方法改進(jìn)BP網(wǎng)絡(luò)算法，結(jié)果如圖2所示。

圖2 改進(jìn)BP網(wǎng)絡(luò)算法結(jié)果

一般而言采用均方根誤差和平均絕對(duì)誤差來衡量預(yù)測(cè)的效果，表1給出了風(fēng)速預(yù)測(cè)各模型的主要誤差指標(biāo)。

表1 各預(yù)測(cè)模型主要誤差指標(biāo)

由表1可以看出，兩者改進(jìn)前后的風(fēng)速預(yù)測(cè)的絕對(duì)平均誤差和均方根誤差均小于0.15，滿足要求。但是改進(jìn)后的指標(biāo)明顯優(yōu)于修改之前。

4 結(jié)論

本文從風(fēng)功率預(yù)測(cè)的基本理論出發(fā)，通過數(shù)值環(huán)境因素和改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)對(duì)風(fēng)電功率進(jìn)行預(yù)測(cè)，實(shí)驗(yàn)結(jié)果表明了本文方法的實(shí)用性和先進(jìn)性，然而，本文的并沒有深度挖掘多種環(huán)境大數(shù)據(jù)對(duì)功率數(shù)據(jù)的影響，一定程度上限制了預(yù)測(cè)精度，因此今后的主要工作應(yīng)該是從挖掘多種數(shù)值環(huán)境大數(shù)據(jù)出發(fā)，基于數(shù)據(jù)挖掘來提高預(yù)測(cè)精度。

[1]張麗英,葉廷路,辛耀中,等.大規(guī)模風(fēng)電接入電網(wǎng)的相關(guān)問題及措施[J].中國(guó)電機(jī)工程學(xué)報(bào),2010,30(25):1-9.

[2]袁鐵江,晁勤,李義巖,等.大規(guī)模風(fēng)電并網(wǎng)電力系統(tǒng)經(jīng)濟(jì)調(diào)度中風(fēng)電場(chǎng)出力的短期預(yù)測(cè)模型[J].中國(guó)電機(jī)工程學(xué)報(bào),2010,30(13):23-27.

[3]馮雙磊,王偉勝,劉純,等.風(fēng)電場(chǎng)功率預(yù)測(cè)物理方法研究[J].中國(guó)電機(jī)工程學(xué)報(bào),2010,30(2):1-6．

[4]王麗婕,冬雷,廖曉鐘,等.基于小波分析的風(fēng)電場(chǎng)短期發(fā)電功率預(yù)測(cè)[J].中國(guó)電機(jī)工程學(xué)報(bào),2009.

[5]Yongqian L,Jie S,Yongping Y,et al.Short-term wind power prediction based on wavelet transform-support vector machine and statistic characteristics analysis[J].IEEE Transactions on Industry Applications,2012,48(4):1136-1141.

[6]Antonino-Daviu J.A,Riera-Guasp M,Pons-Llinares J,Toward Condition Monitoring of Damper Windings in Synchronous Motors via EMD Analysis[J].IEEE Transactions on Energy Conversion,2012.27(2):432-439.

[7]Peiyuan C,Pedersen T,Bak-Jensen B,et al.ARIMA-Based Time Series Model of Stochastic Wind Power Generation.IEEE Transactions on Power Systems[J].2010,25(2):667-676．

[8]Bhaskar K.,Singh S.N.AWNN-Assisted Wind Power Forecasting Using Feed-Forward Neural Network.IEEE Transactions on Sustainable Energy[J].2012,3(2):306-315．

[9]楊錫運(yùn),孫寶君,張新房等.基于相似數(shù)據(jù)的支持向量機(jī)短期風(fēng)速預(yù)測(cè)仿真研究[J].中國(guó)電機(jī)工程學(xué)報(bào)2012,32(4):35-41．

[10]康守強(qiáng),王玉靜,楊廣學(xué),等.基于經(jīng)驗(yàn)?zāi)B(tài)分解和超球多類支持向量機(jī)的滾動(dòng)軸承故障診斷方法[J].中國(guó)電機(jī)工程學(xué)報(bào),2011,31(14):96-102．

[11]崔楊,陳正洪,等.棄風(fēng)限電條件下復(fù)雜地形風(fēng)電場(chǎng)短期風(fēng)功率預(yù)測(cè)對(duì)比分析[J].太陽能學(xué)報(bào),2017.

[12]王小川,史峰,郁磊,等.MATLAB神經(jīng)網(wǎng)絡(luò)43個(gè)案例分析[M].北京:北京航空航天大學(xué),2013.