趙世磊，孫振，鮑鐵柱，李強，張軍，李業(yè)順，郭路宣，張永茂，趙曉東

(淄博供電公司，山東 淄博 255000)

?

RBF-NN與BP-NN比較的風(fēng)功率預(yù)測模型研究

趙世磊，孫振，鮑鐵柱，李強，張軍，李業(yè)順，郭路宣，張永茂，趙曉東

(淄博供電公司，山東 淄博 255000)

風(fēng)電場輸出功率預(yù)測對接入大量風(fēng)電的電力系統(tǒng)運行有重要意義。本文探討了RBF神經(jīng)網(wǎng)絡(luò)和BP神經(jīng)網(wǎng)絡(luò)兩種訓(xùn)練方法。以中國北方某風(fēng)電場的實際數(shù)據(jù)以及數(shù)值天氣預(yù)報數(shù)據(jù)為依據(jù)，對RBF神經(jīng)網(wǎng)絡(luò)模型和BP神經(jīng)網(wǎng)絡(luò)模型進行了驗證，最終研究并比較二者在風(fēng)功率預(yù)測方面的差異。結(jié)果表明：對于風(fēng)電場短期功率預(yù)測，RBF神經(jīng)網(wǎng)絡(luò)模型預(yù)測精度要好于BP神經(jīng)網(wǎng)絡(luò)模型，預(yù)測精度較高，且收斂速度較快，能夠較好的擬合實際功率曲線。

風(fēng)電場；功率預(yù)測；BP神經(jīng)網(wǎng)絡(luò)；RBF神經(jīng)網(wǎng)絡(luò)

引言

隨著溫室效應(yīng)和化石燃料等一次性能源的日益枯竭，可再生能源的利用在世界范圍內(nèi)受到普遍的重視。風(fēng)能作為一種清潔、可再生的能源，具有很大的發(fā)展前景[1]。但中國的風(fēng)電事業(yè)，在自動控制和設(shè)備制造方面，尤其在風(fēng)功率預(yù)測領(lǐng)域受制于國外技術(shù)的壟斷。近年來，中國的風(fēng)電事業(yè)增長迅速，風(fēng)電裝機容量比例也在逐年增大，但由于風(fēng)的高度波動性和間歇性，大容量風(fēng)電接入電網(wǎng)對電力供需平衡以及電網(wǎng)的安全帶來極大的考驗。為解決以上問題，風(fēng)功率預(yù)測技術(shù)應(yīng)運而生。研究表明，將短期功率預(yù)測技術(shù)應(yīng)用到風(fēng)電場輸出功率中，對于提高電網(wǎng)安全經(jīng)濟運行，優(yōu)化市場接入量，提高電網(wǎng)網(wǎng)架結(jié)構(gòu)等具有重要意義[2]。

本文以北方某風(fēng)電場的實際數(shù)據(jù)以及數(shù)值天氣預(yù)報數(shù)據(jù)為依據(jù)，采用基于K-均值聚類方法的徑向基函數(shù)(Radial Basis Function,RBF)神經(jīng)網(wǎng)絡(luò)方法對未來某段時間內(nèi)的風(fēng)電場輸出功率做預(yù)測，并與BP神經(jīng)網(wǎng)絡(luò)方法做比較，結(jié)果分析表明，RBF神經(jīng)網(wǎng)絡(luò)方法得到的預(yù)測結(jié)果更令人滿意。

1　BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)與原理

BP神經(jīng)網(wǎng)絡(luò)是指基于誤差反向傳播算法的多層前向神經(jīng)網(wǎng)絡(luò)，能夠進行自適應(yīng)學(xué)習(xí)[3]，且以任意精度無限逼近所建立的非線性映射；對于未知的信息具有較強的學(xué)習(xí)能力，同時對于未知問題所建立的學(xué)習(xí)模型具有很好的魯棒性，對于處理復(fù)雜問題方面具有較強的優(yōu)勢。

BP神經(jīng)網(wǎng)絡(luò)的算法步驟。首先要選定合適的BP網(wǎng)絡(luò)模型，然后向選定的網(wǎng)絡(luò)中導(dǎo)入輸入向量以及實際的輸出向量，建立樣本集進行訓(xùn)練，在對樣本的訓(xùn)練過程中，要將該選定網(wǎng)絡(luò)的各個輸出值計算出來，其中包括隱含層和輸出層各個神經(jīng)元的輸出值，在計算出輸出值之后，將預(yù)測輸出值與實際的輸出值作對比，獲得輸出層和隱含層的誤差，根據(jù)誤差來對網(wǎng)絡(luò)的閥值和權(quán)值進行調(diào)整，直到誤差小于期望值，則結(jié)束訓(xùn)練。

2　RBF網(wǎng)絡(luò)模型

RBF神經(jīng)網(wǎng)絡(luò)屬于前向型神經(jīng)網(wǎng)絡(luò)，一般由輸入層、隱含層和輸出層三層神經(jīng)網(wǎng)絡(luò)構(gòu)成。其中輸入層僅僅起到傳輸信號的作用。隱含層是對激活函數(shù)的參數(shù)進行調(diào)整，其中激活函數(shù)大部分采用高斯函數(shù)，利用非線性優(yōu)化策略對參數(shù)進行調(diào)整。輸出層是對線性權(quán)進行調(diào)整，一般采用線性優(yōu)化策略[4]。

3　基于實際算例的兩種模型預(yù)測比較分析

3.1樣本數(shù)據(jù)的選取

本文選取北方某風(fēng)電場的6個月的出力數(shù)據(jù)以及對應(yīng)時刻的天氣預(yù)報數(shù)據(jù)(包括風(fēng)速、風(fēng)向、溫度、濕度等數(shù)據(jù))，選取其中的風(fēng)速、風(fēng)向、溫度數(shù)據(jù)作為網(wǎng)絡(luò)的輸入數(shù)據(jù)，對應(yīng)的功率數(shù)據(jù)作為輸出，以此來分別建立BP、RBF神經(jīng)網(wǎng)絡(luò)模型，使用前5個月數(shù)據(jù)作為樣本數(shù)據(jù)，后一個月某一天數(shù)據(jù)作為預(yù)測樣本，對兩種方法預(yù)測結(jié)果進行比較。

3.2樣本數(shù)據(jù)的預(yù)處理

由于本文輸入數(shù)據(jù)中有多個輸入?yún)?shù)，且每個輸入數(shù)據(jù)的量綱不一樣，數(shù)量級也不相同，同時系統(tǒng)又非線性，若直接使用會導(dǎo)致學(xué)習(xí)速度慢，甚至于不收斂，因此需要對樣本數(shù)據(jù)進行歸一化處理。本文將輸入數(shù)據(jù)映射到[0.1,0.9]之間，訓(xùn)練結(jié)束后，將輸出結(jié)果反歸一化，則可得到真實數(shù)據(jù)。

3.3預(yù)測精度評價指標(biāo)

為了定量地判斷模型的有效性，采用均方根誤差(RMSE)和平均絕對百分誤差(MAE)來分析預(yù)測結(jié)果。

兩種模型的預(yù)測誤差對比：

模型類別MAE/%RMSE/%BP16.42%16.91%RBF12.42%7.5%

3.4結(jié)果分析

根據(jù)前面所建立的模型，對風(fēng)電場輸出功率進行預(yù)測。在訓(xùn)練過程中，RBF神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練速度明顯比BP神經(jīng)網(wǎng)絡(luò)速度快，說明RBF神經(jīng)網(wǎng)絡(luò)模型更易于收斂，而且從誤差表中可以看出，應(yīng)用RBF神經(jīng)網(wǎng)絡(luò)模型預(yù)測的精度明顯好于BP神經(jīng)網(wǎng)絡(luò)模型。綜合二者比較，RBF神經(jīng)網(wǎng)絡(luò)模型比BP神經(jīng)網(wǎng)絡(luò)模型更適合做風(fēng)電場輸出功率預(yù)測。

[1]雷亞洲.與風(fēng)電并網(wǎng)相關(guān)的研究課題.電力系統(tǒng)自動化,2003,27(8):84-89.

[2]劉永前，胡爽，胡永生.風(fēng)電場處理短期預(yù)報研究綜述[J].現(xiàn)代電力，2007,24(5)：5-11.

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

[4]張德豐．MAll，AB神經(jīng)網(wǎng)絡(luò)應(yīng)用設(shè)計[M]．北京：機械工業(yè)出版社,2009．

趙世磊(1989—)，男，漢族，山東淄博人，研究生，淄博供電公司，配電運檢。

KT8

A

1671-1602(2016)18-0005-01