霍政界

（河海大學能源與電氣學院，江蘇南京，211000)

0 引言

在能源漸趨枯竭、環(huán)境污染嚴重的當下，大力發(fā)展占地球表面積71%的海洋能已經(jīng)成為時代的趨勢。作為海洋中分布最廣的可再生能源，波浪能具有良好的開發(fā)利用價值。但波浪發(fā)電也有其缺點，由于波浪的不規(guī)則性，不可控性等特點，波浪發(fā)電系統(tǒng)的輸出功率也具有較大的波動性。這使得電力系統(tǒng)的運行調(diào)度難度增加。因此，若能對波電場的輸出功率進行預測，就不僅對于其功率平滑控制有著重要的作用，同時也有利于電力系統(tǒng)消納波浪發(fā)電系統(tǒng)的電能。

AWS 是第一個直驅式的波浪發(fā)電系統(tǒng)，2004 年在荷蘭投入海底試運行，它的結構簡單、效率高且完全淹沒在水面下，所以易于被人們接受，本文以AWS 為例開展研究。

由于波浪數(shù)據(jù)的不規(guī)則性，本文選用能逼近任意非線性曲線的人工神經(jīng)網(wǎng)絡中的BP 算法，它具有很強的非線性映射能力，而且網(wǎng)絡的中間層數(shù)、各層的處理單元數(shù)及網(wǎng)絡的學習系數(shù)等參數(shù)都可根據(jù)具體情況設定，靈活性很大。本文用BP 算法對波浪數(shù)據(jù)建立網(wǎng)絡模型，通過不同樣本數(shù)據(jù)訓練模型以及預測不同時間長度，得到不同預測結果，比對樣本數(shù)據(jù)及預測時間長度對預測結果的影響。

1 基于AWS 的功率轉化模型

1.1 阿基米德波能裝置（AWS）

AWS 的底部固定于海底，上面由一個中空的氣缸和一個浮子組成，浮子在波浪的起伏運動下往復運動，同時壓縮氣缸做功，將波浪能轉化為機械能，從而帶動直線永磁發(fā)電機發(fā)電。

1.2 簡化的功率轉化模型

文獻[3]中根據(jù)牛頓第二定律給出了AWS 系統(tǒng)功率轉換的詳細模型。但其作為定義式，無法用于真是海面的計算。本文根據(jù)真實海面波浪周期不斷變化的特點，對波浪力的計算采取了分段形式。

用于電力系統(tǒng)分析的AWS 驅動系統(tǒng)和直線永磁發(fā)電機可采用如下簡化模型。

輸出有功功率方程為：

式（1）、式（2）和式（3），構成了由波浪參數(shù)到功率的AWS 波浪完整轉化模型，據(jù)此，搭建基于Matlab/Simulink 平臺的仿真模型。

2 BP 神經(jīng)網(wǎng)絡基本原理

2.1 BP 網(wǎng)絡介紹

BP（Back Propagation）網(wǎng)絡是一種按照誤差反向傳播的方法，最早由Rumelhart、McCelland 等人在1986 年提出。

BP 算法的學習規(guī)則是沿著表現(xiàn)函數(shù)下降最快的方向修正網(wǎng)絡權值和閥值，使網(wǎng)絡的誤差平方和最小。BP 網(wǎng)絡由輸入層、隱含層和輸出層構成。由于具有S 型函數(shù)的3 層BP 網(wǎng)絡已經(jīng)能夠以任意精度逼近于任意連續(xù)函數(shù)，所以確定3 層結構BP 網(wǎng)絡作為此次研究的基本模型（如圖4）。網(wǎng)絡的學習過程就是權值的調(diào)整過程，有兩個過程組成，即：

1） 信號的正向傳播

輸入樣本－＞輸入層－＞各隱含層－＞輸出層

2） 誤差的反向傳播

輸出誤差－＞隱層－＞輸入層

2.2 基于BP 算法的預測模型

基于BP 算法的短期波浪數(shù)據(jù)預測模型可分為BP 神經(jīng)網(wǎng)絡構建、BP 神經(jīng)網(wǎng)絡訓練和BP 神經(jīng)網(wǎng)絡預測三步。

a) BP 神經(jīng)網(wǎng)絡構建

BP 網(wǎng)絡輸入輸出層的參數(shù)根據(jù)實際情況來決定。在隱含層節(jié)點數(shù)的選擇上，根據(jù)以下公式而定：

式中，l 為隱含層節(jié)點數(shù)； n 為輸入節(jié)點數(shù)； m 為輸出節(jié)點數(shù)； a 為1-10 直接的調(diào)節(jié)常數(shù)。改變l，用同一樣本訓練，從中確定網(wǎng)絡誤差最小時對應的隱含層節(jié)點數(shù)。

b) BP 神經(jīng)網(wǎng)絡訓練

BP 神經(jīng)網(wǎng)絡的訓練包括選取合適的傳遞函數(shù)、學習速率、期望誤差等。傳遞函數(shù)是神經(jīng)元間的傳遞方式，對網(wǎng)絡的建模起著非常重要的作用。常見的傳遞函數(shù)有：線性函數(shù)（purelin）和sigmoid 型函數(shù)。

c) BP 神經(jīng)網(wǎng)絡預測

運用Matlab 軟件進行預測，得到誤差最小的預測值。

3 仿真分析

基于實測數(shù)據(jù)對波浪數(shù)據(jù)進行預測，測波點面向開敞黃海海區(qū)，無島嶼掩護，可觀測到多個方向的波浪，波浪代表性良好。波浪站使用采樣頻率4Hz的SBF3-1型波浪浮標進行波浪數(shù)據(jù)采集，每1h 進行一次，采樣間隔0.25s。為驗證本文所提出的預測方法的有效性，這里選取了觀測站2011 年8 月的一組波面數(shù)據(jù)中的3840 個連續(xù)點（4 點/s，共16min）用作樣本數(shù)據(jù)。其中最后1min的數(shù)據(jù)用作預測目標值。

本文借助Matlab 工具箱中包含的各種函數(shù)開始分析樣本數(shù)據(jù)。選取trainlm 函數(shù)為訓練函數(shù)，將學習速率取為0.04，期望誤差目標設為0.00033。

3.1 不同訓練樣本數(shù)量對的預測結果影響

分別取1440、1200、960、720、480 個訓練樣本來訓練，滾動預測8 個點（即提前2s）預測，得到最后1min 的預測值與目標值得平均絕對誤差mae 與平均絕對百分比誤差map 如表1 所示：

表1 不同訓練樣本數(shù)量得到的預測誤差

從預測結果可以看出，當訓練樣本數(shù)越多時，預測模型越準確，1200 個訓練樣本以上，誤差值基本都很小了。所以，應選取合適的訓練樣本個數(shù)，使得訓練的模型即精確又迅速。

3.2 不同預測時長對預測結果的影響

當取1200 個訓練樣本時，分別提前1s、2s、3s 進行預測，得到的誤差值如表2 所示：

表2 不同預測時長得到的預測誤差

從預測結果看，當預測超過3s 后，誤差會變得很大，所以用這個模型進行預測的預測值最好在2s 以內(nèi)。

3.3 功率預測值

將以1200 個點作為訓練樣本，提前2s 預測得到的預測值帶入到功率轉換方程，得到功率的預測值如下圖所示：

4 結論

本文以AWS 波浪發(fā)電系統(tǒng)為例，建立了從波面數(shù)據(jù)到功率的簡化模型，再利用BP 算法對實際波浪數(shù)據(jù)進行建模并預測，同時比對了不同訓練樣本數(shù)及預測時間長度對于結果的影響，最后選取合適的預測值帶入功率轉化模型中得到功率的預測值?？梢钥闯?，預測得到的輸出功率比用正弦函數(shù)模擬得到的更為真實準確，并且能夠充分反映現(xiàn)實中功率的變化，更有利于波浪發(fā)電系統(tǒng)的功率平滑控制。

但是，這樣超短時間的預測對于波浪系統(tǒng)的并網(wǎng)運行幫助不大，后期應采取其它更為有效的預測方法來改進預測模型，以便得到更長時間的預測值。

圖2 輸出功率Fig. 2 The Output power of wave

[1] 廣州能源研究所.我國海洋波浪能的發(fā)展進展[EB/OL]. [2006-5-11].http://www.newenergy.org.cn/.

[2] De COSTA J S,PINTO P, SARMENTO A et al.Modeling of an Ocean Waves Power Device AWS[C]//Proceedings of IEEE Conference on Control Applications,2003: 618-623.

[3] Sousa Prado M G,Gardner F,Damen M,et al. Modelling and test results of the Archimedes wave swing[C]// Proceedings of the Institution of Mechanical Engineers,Dec,2006:855-868.

[4] WU Feng,ZHANG Xiaoping.Optimal Control for AWSBased Wave Energy Conversion System[J].IEEE Trans on Power Systems,2009,24(4):1747-1755.

[5] Simon Haykin.神經(jīng)網(wǎng)絡原理[M].葉世偉,史忠植譯. 北京機械工業(yè)出版社, 2004:109-121 .

[6] 蔣宗禮.人工神經(jīng)網(wǎng)絡導論[M].北京高等教育出版社, 2001: 97-106.

[7] Martin Hagan T,Howard Demuth B,et al.神經(jīng)網(wǎng)絡設計[M].戴葵譯.北京：機械工業(yè)出版社，2002:197-221.

[8] 張德豐.MATLAB 神經(jīng)網(wǎng)絡編程[M].化學工業(yè)出版社, 2011-12.