摘 要：

在電力市場中，風(fēng)電所占電網(wǎng)的比例越來越大。但由于風(fēng)的波動(dòng)及其不可控性，風(fēng)電場的發(fā)電量也在隨機(jī)變化，風(fēng)速是影響產(chǎn)能最直接最根本的因素，所以很有必要對其進(jìn)行預(yù)測。本文采用RBF人工神經(jīng)網(wǎng)絡(luò)模型對未來短時(shí)間風(fēng)速進(jìn)行預(yù)測。通過對風(fēng)速反復(fù)訓(xùn)練與檢測來選擇一組合適的模型參數(shù)，并對模型進(jìn)行了誤差分析。研究結(jié)果表明，使用RBF神經(jīng)網(wǎng)絡(luò)對未來風(fēng)速進(jìn)行短時(shí)間預(yù)測能夠達(dá)到較好效果。

關(guān)堅(jiān)詞：風(fēng)電機(jī)組；matlab；RBF神經(jīng)網(wǎng)絡(luò)；風(fēng)速預(yù)測

1. 引言

開發(fā)與利用新能源是我國21世紀(jì)的重要能源戰(zhàn)略。風(fēng)能是一種“取之不盡，用之不竭”、環(huán)境友好的可持續(xù)性能源，已受到了越來越廣泛的重視，并成為發(fā)展最快的新型能源。但是風(fēng)電具有間歇性和隨機(jī)性的固有缺點(diǎn)，隨著我國風(fēng)電并網(wǎng)容量快速增大，風(fēng)速波動(dòng)使得風(fēng)力機(jī)組功率不穩(wěn)定，給電力調(diào)度、風(fēng)力機(jī)組維修帶來了困難，因此預(yù)先一段時(shí)間進(jìn)行風(fēng)速的預(yù)測是很有意義的。風(fēng)電場短期風(fēng)速預(yù)測是解決該問題的有效途徑之一。我國從20世紀(jì)90年代末開始了風(fēng)速和風(fēng)電功率預(yù)測研究，風(fēng)電場風(fēng)速預(yù)測誤差在25%-40%。

本文選用徑向基神經(jīng)網(wǎng)絡(luò)（即RBF神經(jīng)網(wǎng)絡(luò)），利用內(nèi)蒙古某風(fēng)電場2014年7月份每10分鐘平均實(shí)測風(fēng)速數(shù)據(jù)，建立神經(jīng)網(wǎng)絡(luò)模型，通過網(wǎng)絡(luò)學(xué)習(xí)來預(yù)測風(fēng)速。

2. 風(fēng)速的變化特性

受氣候背景、地形以及海陸分布等多種自然因素影響，風(fēng)速在時(shí)間分布上具有不確定性和不連續(xù)性。然而，風(fēng)速仍然具有很強(qiáng)的變化特性。一般情況下，每月平均風(fēng)速的空間分布與造成風(fēng)速的氣候背景、地形以及海陸分布等有直接關(guān)系。以地處內(nèi)蒙古的風(fēng)場為例，風(fēng)場海拔高度為1000-2000米，氣候條件多為溫帶大陸性季風(fēng)氣候，風(fēng)速在夏季（6月至9月）較小，在秋冬春季（10月至第二年5月）風(fēng)速較大。因此對風(fēng)速進(jìn)行預(yù)測之前，要對風(fēng)場風(fēng)速變化特性有充分的考慮。

3. RBF神經(jīng)網(wǎng)絡(luò)構(gòu)建

3.1 RBF神經(jīng)網(wǎng)絡(luò)

徑向基神經(jīng)網(wǎng)絡(luò)（即RBF神經(jīng)網(wǎng)絡(luò)）由三層組成，輸入層、隱含層和輸出層，如圖1所示。相比其他神經(jīng)網(wǎng)絡(luò)，RBF神經(jīng)網(wǎng)絡(luò)的訓(xùn)練時(shí)間更短，其對函數(shù)的逼近是最優(yōu)的。

圖1 RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

RBF神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法需要求解的參數(shù)有3個(gè)：基函數(shù)的中心、方差以及隱含層到輸出層的權(quán)值。根據(jù)徑向基函數(shù)中心選取方法的不同，RBF神經(jīng)網(wǎng)絡(luò)有很多學(xué)習(xí)方法，如隨機(jī)選取中心法、梯度訓(xùn)練法、有監(jiān)督選取中心法和正交最小二乘法等。這里，選用自組織選取中心法作為RBF神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)方法。

自組織選取中心法由兩個(gè)階段組成：一是自組織學(xué)習(xí)階段，此階段為無導(dǎo)師學(xué)習(xí)過程，求解隱含層基函數(shù)的中心與方差；二是有導(dǎo)師學(xué)習(xí)階段，此階段求解隱含層到輸出層之間的權(quán)值。

3.2 數(shù)據(jù)歸一化

數(shù)據(jù)歸一化是神經(jīng)網(wǎng)絡(luò)預(yù)測前對數(shù)據(jù)常用的一種處理方法。數(shù)據(jù)歸一化處理把所有數(shù)據(jù)都轉(zhuǎn)化為[0，1]之間的數(shù)，其目的是取消各維數(shù)據(jù)間數(shù)量級別差，避免因?yàn)檩斎胼敵鰯?shù)據(jù)數(shù)量級差別較大而造成神經(jīng)網(wǎng)絡(luò)預(yù)測誤差較大。

本文中，應(yīng)用多年統(tǒng)計(jì)的極限風(fēng)速對風(fēng)速數(shù)據(jù)進(jìn)行歸一化處理。

3.3RBF神經(jīng)網(wǎng)絡(luò)的構(gòu)建

首先挑選幾組數(shù)據(jù)風(fēng)速作為樣本，通過前n個(gè)時(shí)刻的風(fēng)速值預(yù)測后n個(gè)時(shí)刻的風(fēng)速值?？蓪⒚總€(gè)樣本的前n個(gè)風(fēng)速值進(jìn)行歸一化處理，將處理后的數(shù)值作為RBF神經(jīng)網(wǎng)絡(luò)的輸入；可將每個(gè)樣本的后n個(gè)風(fēng)速值進(jìn)行歸一化處理，將處理后的數(shù)值作為RBF神經(jīng)網(wǎng)絡(luò)的目標(biāo)輸出，通過對RBF神經(jīng)網(wǎng)絡(luò)的訓(xùn)練學(xué)習(xí)，實(shí)現(xiàn)從輸入空間到輸出空間的映射。

3.3 短期風(fēng)速預(yù)測結(jié)果

將前10天的風(fēng)速數(shù)據(jù)作為訓(xùn)練樣本，對風(fēng)機(jī)風(fēng)速提前1小時(shí)進(jìn)行預(yù)測。由于陣風(fēng)、湍流等因素影響，使得該風(fēng)機(jī)風(fēng)速有突變性質(zhì)，觀察風(fēng)速預(yù)測曲線需著重看其預(yù)測的趨勢與誤差情況。

由圖2預(yù)測風(fēng)速與實(shí)測風(fēng)速比較可知，可以看到神經(jīng)網(wǎng)絡(luò)預(yù)測風(fēng)速變化趨勢與實(shí)際風(fēng)速變化基本趨勢一致，并且預(yù)測風(fēng)速比實(shí)際風(fēng)速變化平緩，當(dāng)實(shí)際風(fēng)速有突變時(shí)，預(yù)測風(fēng)速突變的幅度要小一些。

圖2 預(yù)測風(fēng)速與實(shí)測風(fēng)速比較

由圖3預(yù)測風(fēng)速誤差曲線可以看出，神經(jīng)網(wǎng)絡(luò)在風(fēng)速預(yù)測時(shí)，每點(diǎn)的預(yù)報(bào)誤差不盡相同，這主要與實(shí)際測風(fēng)裝置的精度、早晚溫差造成的風(fēng)速變化以及當(dāng)天天氣變化情況等有關(guān)，從預(yù)測曲線的總體趨勢以及誤差值大小來看，該神經(jīng)網(wǎng)絡(luò)模型預(yù)測結(jié)果基本令人滿意。

圖3預(yù)測風(fēng)速誤差曲線

4. 結(jié)論

采用RBF神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測，與傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)相比精度更高、訓(xùn)練速度更快，更適用于在線預(yù)測的場合。但是由于所用訓(xùn)練數(shù)據(jù)為風(fēng)速相對平穩(wěn)時(shí)期的數(shù)據(jù)，所以該模型對于突變風(fēng)速的處理能力仍然有限，為提高預(yù)測結(jié)果的精度，還需對模型進(jìn)行進(jìn)一步改進(jìn)。總體而言，通過建立RBF神經(jīng)網(wǎng)絡(luò)模型，對短期風(fēng)速進(jìn)行預(yù)測，雖有一定局限性，但其預(yù)測精度滿足工程要求。

參考文獻(xiàn)：

[1] Tony Burton等.風(fēng)能技術(shù)[M].北京：科學(xué)出版社，2007.

[2] 廖明夫.風(fēng)力發(fā)電技術(shù)[M].西安：西北工業(yè)大學(xué)出版社，2009.

[3] 周品.MATLAB神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)與應(yīng)用[M].北京：清華大學(xué)出版社，2013

作者簡介：周四平（1978.9-），男，工程師。