趙云凱

(哈電發(fā)電設(shè)備國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)風能預測

趙云凱

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

風能是微電網(wǎng)重要的能量來源，但由于其穩(wěn)定性差，使得微電網(wǎng)使用風能作為主要能量來源時需要容量較大的儲能裝置，從而增加了微電網(wǎng)的造價。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，對微電網(wǎng)進行風能預測。通過實際檢驗，微電網(wǎng)可調(diào)度用電設(shè)備和發(fā)電設(shè)備的運行，降低儲能設(shè)備的電能波動、容量及微電網(wǎng)造價。

微電網(wǎng)；風能;遺傳算法；神經(jīng)網(wǎng)絡(luò)；儲能裝置

0 引 言

隨著微電網(wǎng)技術(shù)的廣泛應(yīng)用[1]，使用風電作為主要能源供給的案例越來越多[2-3]。由于風能穩(wěn)定性差，為穩(wěn)定微電網(wǎng)的母線電壓，微電網(wǎng)內(nèi)需要采用儲能裝置[4-6]，而儲能裝置所采用的電池造價及維護費用均較高。采用風能預測后，根據(jù)預測出的風速通過風力發(fā)電系統(tǒng)的功率曲線可預測風力發(fā)電系統(tǒng)所發(fā)電量，進而通過調(diào)度發(fā)電設(shè)備和用電設(shè)備的運行可降低儲能系統(tǒng)的電能波動、容量，降低微電網(wǎng)系統(tǒng)造價，減少微電網(wǎng)系統(tǒng)故障點。

采用反向傳播(back propagation，BP)神經(jīng)網(wǎng)絡(luò)可對非線性變化的風速進行預測[7]，但由于其易于收斂于局部最優(yōu)解，無法達到全局最優(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]；遺傳算法在操作過程中也存在由于個別優(yōu)勢個體的存在，而陷入局部最優(yōu)的問題。為防止其陷入局部最優(yōu)值，將采用擴大種群數(shù)量的方法；并在遺傳算法選擇操作時(本文采用輪盤賭方法)，將重復多次出現(xiàn)的個體剔除，避免優(yōu)勢個體進入遺傳算法下一步操作，減少陷入局部最優(yōu)值的機會，從而達到預測風能的目的。

通過實際運行，經(jīng)過遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)可有效預測風能。

1 微電網(wǎng)系統(tǒng)結(jié)構(gòu)

微電網(wǎng)系統(tǒng)見圖1。采用一臺2.5 MW直驅(qū)永磁式風力發(fā)電機組作為主電源，配合由雙向變流器和蓄儲能電池構(gòu)成的儲能裝置，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個步驟：

1)確定BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，根據(jù)訓練數(shù)據(jù)和期望輸出的特點確定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體的長度。

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個體都包含了所對應(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)輸出預測，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)，訓練網(wǎng)絡(luò)從而得到預期輸出[13]。

2.2 BP神經(jīng)網(wǎng)絡(luò)的建立

本文選擇風場2014年5月1日8～17時，時間間隔為5 min測風數(shù)據(jù)，每連續(xù)12個測風數(shù)據(jù)作為一組輸入樣本數(shù)據(jù)，第13～第24個測風數(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組為訓練數(shù)據(jù)，后20組數(shù)據(jù)為測試數(shù)據(jù)。

由于輸入為12個數(shù)據(jù)一組，輸出數(shù)據(jù)為預測風速；故BP神經(jīng)網(wǎng)絡(luò)輸入層節(jié)點數(shù)選取為12，采取經(jīng)驗法確定隱層節(jié)點數(shù)為24，輸出節(jié)點數(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個權(quán)值，24+1=25個閾值。訓練數(shù)據(jù)預測誤差的絕對值和作為個體適應(yīng)度函數(shù)值，因此個體適應(yīng)度越小，個體越優(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體的長度，利用適應(yīng)度函數(shù)對種群初始化后產(chǎn)生的個體進行選擇、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、輸出層閾值進行編碼。由此初始化后的種群個體將包括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)選取為訓練數(shù)據(jù)預測誤差的絕對值和作為個體適應(yīng)度函數(shù)值，由此可知個體適應(yīng)度越小，個體越優(yōu)秀。預測輸出和期望輸出差的絕對值求和作為適應(yīng)度值F，計算公式為：

(1)

式中k為系數(shù),k=1；n為網(wǎng)絡(luò)輸出節(jié)點數(shù)；Yi第i個節(jié)點的期望輸出；Youti為第i個節(jié)點的預測輸出。

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，每個個體i的選擇概率為Pi，公式為：

(2)

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

4)交叉操作，采用實數(shù)交叉法對個體進行交叉操作，選擇兩個染色體xk、xl在其基因位置為j處進行交叉操作，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個基因位置處進行變異操作，公式為：

(4)

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

2.4 編程實現(xiàn)

根據(jù)上述內(nèi)容編程，程序流程圖見圖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)訓練結(jié)果

遺傳算法優(yōu)化過程中最優(yōu)個體適應(yīng)度值變化見圖3，進化達到50代，達到優(yōu)化目標。

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

利用訓練數(shù)據(jù)訓練、預測，預測誤差見圖4，

圖4中預測誤差的均方差為8.732E-5,達到預期目標。

圖4 優(yōu)化后BP神經(jīng)網(wǎng)絡(luò)預測誤差Fig. 4 BP neural network prediction error after optimization

3 結(jié)果及分析

對微電網(wǎng)系統(tǒng)，用遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)預測風能，連續(xù)運行9 h的數(shù)據(jù)進行分析。

采用遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)的預測平均風速與實測平均風速見圖5,預測誤差見圖6。由圖5可見平均風速預測值與實測值變化趨勢基本一致，由圖6可見預測值與實測值最大誤差≤9%。

圖5 實測平均風速與預測平均風速Fig. 5 Measured average wind speed—prediction average wind speed

圖6 預測平均風速與實測平均風速誤差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)預測時，微電網(wǎng)儲能電池組SOC(State of Charge，電池可用電量)的波動范圍在40%以內(nèi)，見圖7。采用遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)預測后，微電網(wǎng)儲能電池組SOC的波動范圍在5%以內(nèi)，見圖8。通過對比發(fā)現(xiàn)采用遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)進行風能預測后，儲能電池組的SOC波動范圍減小，在保證設(shè)備安全可靠的前提下，可以降低儲能電池容量。

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

圖8 微電網(wǎng)SOC變化(預測)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)提供風能預測。通過預測得到的風速數(shù)據(jù)，提前調(diào)整微電網(wǎng)內(nèi)負荷，降低微電網(wǎng)中儲能電池SOC變化范圍；平抑部分微電網(wǎng)內(nèi)部電能波動；降低儲能電池容量，進一步降低微電網(wǎng)工程造價。

[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)保護與控制，2012，40(14)：152-155.

[2]武 星，殷曉剛，宋 昕，等.中國微電網(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，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， 李長俊， 冷 明，等. 基于遺傳BP神經(jīng)網(wǎng)絡(luò)預測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)學基礎(chǔ)[M].西安：西安交通大學出版社，2003.

[13]王德民.基于遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的風電功率預測[J].電子設(shè)計工程，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

江蘇省科技計劃資助項目(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