高僮 陳波濤 張海峰

（國網(wǎng)長春供電公司，吉林長春 130021）

一種自主多層神經(jīng)網(wǎng)風能預測算法

高僮 陳波濤 張海峰

（國網(wǎng)長春供電公司，吉林長春 130021）

當前以風電為代表的可再生能源技術在世界范圍內(nèi)得到了快速發(fā)展。由于風電的不穩(wěn)定性，自然風力時強時弱會引起風電的電能質(zhì)量、電壓、電網(wǎng)穩(wěn)定性等問題，最終影響整個電網(wǎng)的穩(wěn)定性。進行風能預測可以預估風電的發(fā)電出力程度，對于整個電網(wǎng)的穩(wěn)定十分重要?；诖?，提出一種自主多層神經(jīng)網(wǎng)風能預測算法，通過自組織算法來動態(tài)地決定風能預測神經(jīng)網(wǎng)模型的層數(shù)、中間節(jié)點個數(shù)、傳輸函數(shù)類型。試驗表明通過本算法獲得的模型具有更高的預測精度。

風能預測；神經(jīng)網(wǎng)；自主結(jié)構(gòu)；回歸分析；風力發(fā)電

當前以風電為代表的可再生能源技術在世界范圍內(nèi)得到了快速發(fā)展。由于風電的不穩(wěn)定性，自然風力時強時弱會引起風電電源的電能質(zhì)量、電壓、電網(wǎng)穩(wěn)定性等問題，最終影響整個電網(wǎng)的穩(wěn)定性［1，2］。進行風能預測可以預估風電的發(fā)電出力程度，對于整個電網(wǎng)的穩(wěn)定十分重要。目前，引入人工智能算法進行風能預測已經(jīng)得到了廣泛的關注［3，4］。

由于風能預測需要引入的條件眾多，風能預測采用的參數(shù)、模型結(jié)構(gòu)、處理方式對于其預測有較大影響，通過人工不斷的試錯來調(diào)整模型結(jié)構(gòu)和參數(shù)效率較低，較難發(fā)現(xiàn)較好的模型結(jié)構(gòu)，進而影響風能預測的效率。針對以上問題，本文提出了一種自主多層神經(jīng)網(wǎng)風能預測算法（A Self-organized Multilayer Neural Network Wind Power Prediction Algorithm，S-MLP），通過自組織算法來動態(tài)地決定風能預測神經(jīng)網(wǎng)模型的層數(shù)、中間節(jié)點個數(shù)、傳輸函數(shù)類型，試驗表明通過本算法獲得的模型具有更高的預測精度。

1 一種基于自主多層神經(jīng)網(wǎng)風能預測算法

1.1 多層神經(jīng)網(wǎng)理論

如圖1所示，多層神經(jīng)網(wǎng)是由多組神經(jīng)元連接而成的，一個神經(jīng)元的輸出可以作為另外一個神經(jīng)元的輸入。

圖1 神經(jīng)網(wǎng)的多層次結(jié)構(gòu)

如圖1所示的神經(jīng)網(wǎng)包含3個層：1個輸入層Layer L1，2個中間層Layer L2和Layer L3，以及一個輸出層Lay?er L4。除了輸出層之外，每一層還可以包含一個偏置b。神經(jīng)網(wǎng)的輸出采用正向傳播方式，來決定每一層神經(jīng)元的輸出，如式（1）（2）所示：

式（1）（2）中，l對應層數(shù)，b(l)為第l層的偏置，w(l)為第l層的權重，z(l+1)為第l+1層的其上一層（第l層）經(jīng)過計算后的輸入，a(l+1)為經(jīng)過傳輸計算后獲得的輸出。對于一個m層的多層神經(jīng)網(wǎng)，其輸入對應神經(jīng)網(wǎng)的第1層a(1)=x，其最后一層作為神經(jīng)網(wǎng)的輸出，可以表達為：

式（3）中，w和b對應所有層的權重和偏置，此時多層神經(jīng)網(wǎng)使用反向傳播來實現(xiàn)訓練過程，其訓練的目標函數(shù)為：

通過對改目標函數(shù)優(yōu)化求解，最終獲得整個神經(jīng)網(wǎng)的權重與偏置。

1.2 自主多層神經(jīng)網(wǎng)風能預測算法

神經(jīng)網(wǎng)的預測能力與其模型結(jié)構(gòu)密切相關，本文利用以下自組織算法獲得神經(jīng)網(wǎng)的模型：

模型結(jié)構(gòu)自組織算法

輸入：風能訓練樣本samples輸出：風能預測模型model

2 試驗與仿真

本文引入多個風電場的實際運行數(shù)據(jù)，取出1 000個輸入和輸出對應數(shù)據(jù)構(gòu)建樣本集。其中500個作為訓練數(shù)據(jù)，另外500個作為測試數(shù)據(jù)。為了驗證算法的有效性，本文提出S-MLP算法與多元回歸分析、三層神經(jīng)網(wǎng)進行對比，將訓練數(shù)據(jù)進一步劃分為50，100，150，……，500共計10組數(shù)據(jù)，3種算法預測精度如表1所示。

表1 3種分類預測精度對比

如表1所示，可以看出S-MLP的分類精度比多元回歸分析、三層神經(jīng)網(wǎng)高，在較低樣本的時候就可以達到較高分類精度80%，而在500個樣本時達到了最高的預測精度94%。

3 結(jié)論

本文提出了一種自主多層神經(jīng)網(wǎng)風能預測算法，通過與多元回歸分析、三層神經(jīng)網(wǎng)進行對比，表明本文提出的算法在分類精度和穩(wěn)定性均優(yōu)于傳統(tǒng)算法，尤其是樣本較少的情況下仍然可以保持較高的預測精度。

［1］劉其輝，賀益康，趙仁德.交流勵磁變速恒頻風力發(fā)電系統(tǒng)的運行與控制［J］.電工技術學報，2008（1）：129-136.

［2］陳俊風，任子武，傘冶.徑向基函數(shù)神經(jīng)網(wǎng)絡的一種兩級學習方法［J］.控制理論與應用，2008（4）：655-660.

［3］王新生，吳吟簫，何川.基于風速預測的最大風能追蹤控制系統(tǒng)仿真［J］.電機與控制學報，2010（2）：20-24.

［4］李洪濤.人工神經(jīng)網(wǎng)絡和模糊技術在風能預測中的應用［J］.中國電力，2012（8）：69-73.

A Self-organized Multilayer Neural Network Wind Power Prediction Algorithm

Gao TongChen BotaoZhang Haifeng
（State Grid Changchun Power Supply Company，Changchun Jilin 130021）

At present,the renewable energy technologies represented by wind power have been developing rapidly all over the world.Due to the instability of wind power,natural wind power will cause the problem of power quality,volt?age and grid stability,which will affect the stability of the whole power grid.Wind power prediction can predict the extent of wind power generation,the stability of the entire power grid is very important.Based on this,a self-orga?nized multi-layer neural network wind power prediction algorithm(S-MLP)was proposed,the number of layers,the number of intermediate nodes,and the type of transfer function of the neural network model could be dynamically de?termined by the self-organizing algorithm.The experimental results show that the model obtained by this algorithm has higher prediction accuracy.

wind energy prediction；neural network；self-organized structure；regression analysis；wind power gener?ation

TP183；TM614

A

1003-5168（2016）12-0040-02

2016-11-12

高僮（1971-），女，本科，高級工程師，研究方向：配電網(wǎng)自動化、電力營銷與服務。