張穎超，肖　寅，鄧　華，王　璐

（1.南京信息工程大學(xué) 信息與控制學(xué)院，江蘇 南京210044；2.南京信息工程大學(xué) 氣象災(zāi)害預(yù)報(bào)預(yù)警與評(píng)估協(xié)同創(chuàng)新中心，江蘇 南京210044；3.江蘇省大數(shù)據(jù)分析技術(shù)重點(diǎn)實(shí)驗(yàn)室，江蘇 南京210044）

基于OS-ELM的風(fēng)速修正及短期風(fēng)電功率預(yù)測(cè)*

張穎超1，2，3，肖寅1，鄧華2，王璐1

（1.南京信息工程大學(xué) 信息與控制學(xué)院，江蘇 南京210044；2.南京信息工程大學(xué) 氣象災(zāi)害預(yù)報(bào)預(yù)警與評(píng)估協(xié)同創(chuàng)新中心，江蘇 南京210044；3.江蘇省大數(shù)據(jù)分析技術(shù)重點(diǎn)實(shí)驗(yàn)室，江蘇 南京210044）

隨著時(shí)間的推移，風(fēng)電場(chǎng)風(fēng)電功率預(yù)測(cè)模型的適用性逐漸降低，導(dǎo)致預(yù)測(cè)精度下降。為了解決該問(wèn)題，基于在線序列-極限學(xué)習(xí)機(jī)(OS-ELM)算法提出了風(fēng)電場(chǎng)短期風(fēng)電功率預(yù)測(cè)模型的在線更新策略，建立的OS-ELM模型將風(fēng)電場(chǎng)的歷史數(shù)據(jù)固化到隱含層輸出矩陣中，模型更新時(shí)，只需將新產(chǎn)生的數(shù)據(jù)對(duì)當(dāng)前網(wǎng)絡(luò)進(jìn)行更新，大大降低了計(jì)算所需的資源。采用極限學(xué)習(xí)機(jī)(ELM)算法對(duì)數(shù)值天氣預(yù)報(bào)(NWP)的預(yù)測(cè)風(fēng)速進(jìn)行修正，并根據(jù)風(fēng)電功率的置信區(qū)間對(duì)預(yù)測(cè)功率進(jìn)行二次修正。實(shí)驗(yàn)結(jié)果表明，采用OS-ELM算法更新后的模型適用性增強(qiáng)，預(yù)測(cè)精度提高；采用基于風(fēng)電功率置信區(qū)間的功率修正模型后，風(fēng)電功率的預(yù)測(cè)精度明顯提高。

在線序列-極限學(xué)習(xí)機(jī)；數(shù)值天氣預(yù)報(bào)；風(fēng)速修正；功率修正

0　引言

隨著全球化石能源儲(chǔ)量的日漸匱乏以及環(huán)境問(wèn)題的日益突出，新能源的開(kāi)發(fā)與利用受到人們的廣泛關(guān)注。在眾多新能源中，風(fēng)能作為環(huán)保清潔的可再生能源具有儲(chǔ)量大、分布廣等優(yōu)勢(shì)，日益受到各個(gè)國(guó)家的重視[1]。然而，與常規(guī)能源不同，風(fēng)電具有間歇性和波動(dòng)性特點(diǎn)，給電力系統(tǒng)的安全、穩(wěn)定運(yùn)行以及保證電能質(zhì)量帶來(lái)了巨大的壓力[2]。對(duì)風(fēng)電功率進(jìn)行準(zhǔn)確的預(yù)測(cè)，將有助于削弱風(fēng)電接入對(duì)電網(wǎng)造成的不利影響，保證了電力系統(tǒng)的安全、穩(wěn)定[3-4]。

在短期風(fēng)電功率預(yù)測(cè)方面，國(guó)內(nèi)外學(xué)者做了大量的研究，常用的統(tǒng)計(jì)學(xué)習(xí)方法包括卡爾曼濾波法、模糊預(yù)測(cè)法以及支持向量機(jī)等?？偨Y(jié)目前國(guó)內(nèi)外的研究現(xiàn)狀可知，前人的研究主要集中在如下 4點(diǎn)：(1)數(shù)據(jù)預(yù)處理。為了提高風(fēng)能到電能轉(zhuǎn)換的模型精度，提出了很多數(shù)據(jù)預(yù)處理的方法，如小波分析法[5]、經(jīng)驗(yàn)?zāi)B(tài)分解法[6-7]、混沌時(shí)間序列法[8]以及數(shù)據(jù)挖掘中的聚類分析[9]等。(2)利用尋優(yōu)算法對(duì)模型參數(shù)進(jìn)行優(yōu)化，如粒子群算法、遺傳算法[10-11]等。(3)研究風(fēng)速風(fēng)向?qū)β视绊戄^多，很少考慮其他氣象要素對(duì)風(fēng)電機(jī)組出力的影響。(4)研究風(fēng)速到風(fēng)電功率的轉(zhuǎn)化模型較多，而研究風(fēng)速及風(fēng)電功率的統(tǒng)計(jì)修正較少。

風(fēng)電功率預(yù)測(cè)模型隨著風(fēng)電場(chǎng)季節(jié)及訓(xùn)練樣本的變化不斷調(diào)整，需要模型能根據(jù)新樣本實(shí)時(shí)更新。但是傳統(tǒng)神經(jīng)網(wǎng)絡(luò)模型由于訓(xùn)練樣本不變，隨著訓(xùn)練時(shí)間的延長(zhǎng)，該模型會(huì)導(dǎo)致預(yù)測(cè)結(jié)果越來(lái)越不準(zhǔn)確，因此為了提高整個(gè)訓(xùn)練網(wǎng)絡(luò)的外延能力，需要不斷地更新樣本數(shù)據(jù)。但是樣本數(shù)量的增加也造成了訓(xùn)練所需要的資源顯著增加。

針對(duì)上述問(wèn)題，本文提出了在線序列極限學(xué)習(xí)機(jī)(OS-ELM)算法，解決了模型更新問(wèn)題，同時(shí)基于極限學(xué)習(xí)機(jī)算法建立了數(shù)值天氣預(yù)報(bào)風(fēng)速的修正模型，并根據(jù)風(fēng)功率曲線排除了預(yù)測(cè)過(guò)程中可能產(chǎn)生的奇異點(diǎn)，提高了預(yù)測(cè)的準(zhǔn)確度。

1　OS-ELM算法原理

設(shè)要構(gòu)造的網(wǎng)絡(luò)輸入層有n個(gè)神經(jīng)元，隱含層有l(wèi)個(gè)神經(jīng)元，輸出層有m個(gè)神經(jīng)元。設(shè)激活函數(shù)為g(w，x，b)，學(xué)習(xí)樣本為(xi，ti)，xi=[xi1，xi2，…，xin]T∈Rn，ti=[ti1，ti2，…，tim]∈Rm，ELM建模即尋找一個(gè)函數(shù) f(x)，使得通過(guò)學(xué)習(xí)樣本(xi，ti)后，對(duì)于樣本以外的 x，由 f(x)可找到對(duì)應(yīng)的輸出y，設(shè)函數(shù)f(x)為：

式(1)中，βi=[βi1，βi2，…，βim]T，表示網(wǎng)絡(luò)輸出權(quán)重；預(yù)設(shè)定參數(shù) wi=[wi1，wi2，…，win]T，表示網(wǎng)絡(luò)輸入權(quán)重；預(yù)設(shè)定參數(shù) bi表示第 i個(gè)隱層節(jié)點(diǎn) i=1，2，…，l。將樣本(xi，ti)帶入式(1)得：

式(2)中，H被稱為隱含層輸出矩陣，β表示輸出權(quán)值矩陣，T表示網(wǎng)絡(luò)的輸出矩陣。

求解以下方程組的最小二乘解可得β

式(3)解為

式(4)中，H+為H的Moore-Penrose廣義逆。

為了更好地適應(yīng)短期風(fēng)電功率預(yù)測(cè)模型的在線更新，引入OS-ELM。OS-ELM算法主要包括兩個(gè)步驟[12-13]：

(1)初始化階段：給定網(wǎng)絡(luò)初始的隱含層節(jié)點(diǎn)數(shù)，輸入初始訓(xùn)練樣本數(shù)據(jù)，初始化網(wǎng)絡(luò)并設(shè)置網(wǎng)絡(luò)參數(shù)，求得初始隱含層輸出矩陣H0和輸出權(quán)值向量β0。

(2)在線序列更新階段：在建立的初始網(wǎng)絡(luò)基礎(chǔ)上，根據(jù)最新的樣本數(shù)據(jù)更新參數(shù)H和β，直到所有的樣本數(shù)據(jù)學(xué)習(xí)完成。

OS-ELM算法模型如圖1所示。

圖1　OS-ELM算法的流程

2　預(yù)測(cè)風(fēng)速及輸出功率修正模型

2.1基于極限學(xué)習(xí)機(jī)的預(yù)測(cè)風(fēng)速修正

數(shù)值天氣預(yù)報(bào)預(yù)測(cè)風(fēng)速與風(fēng)電場(chǎng)實(shí)際風(fēng)速之間必然存在差距。當(dāng)通過(guò)短期預(yù)測(cè)模型對(duì)每臺(tái)風(fēng)機(jī)的風(fēng)電功率進(jìn)行預(yù)測(cè)時(shí)，如果輸入端誤差較大，將會(huì)導(dǎo)致預(yù)測(cè)誤差增大。由于風(fēng)速是影響風(fēng)電功率輸出的最主要因素，因此對(duì)NWP風(fēng)速數(shù)據(jù)進(jìn)行修正將提高網(wǎng)絡(luò)模型輸入數(shù)據(jù)的準(zhǔn)確度，從而有效地提高預(yù)測(cè)的精度。本文以歷史NWP預(yù)報(bào)的風(fēng)速數(shù)據(jù)作為模型的輸入，相應(yīng)時(shí)間段SCADA實(shí)際采集風(fēng)速數(shù)據(jù)作為輸出建立風(fēng)速修正的ELM模型。

2.2輸出功率的修正

風(fēng)電場(chǎng)風(fēng)機(jī)實(shí)測(cè)風(fēng)速與功率的對(duì)應(yīng)關(guān)系并不是理想的曲線，其對(duì)應(yīng)關(guān)系是以理想的風(fēng)功率曲線為基準(zhǔn)，上下波動(dòng)的散點(diǎn)圖。在這些散點(diǎn)中，有明顯不符合風(fēng)機(jī)出力規(guī)律的點(diǎn)，如圖2中圓圈圈出的點(diǎn)。這類點(diǎn)偏離了理想風(fēng)功率曲線的中心，影響了風(fēng)電功率預(yù)測(cè)的精度，應(yīng)該剔除。本文以99%為檢驗(yàn)水平，計(jì)算擬合的風(fēng)功率曲線的置信區(qū)間，所得的置信上下限如圖2所示。

圖2　風(fēng)電功率修正原理圖

3　實(shí)例分析

本文以國(guó)內(nèi)某風(fēng)場(chǎng)為研究對(duì)象，選擇該風(fēng)場(chǎng)一年中春、夏、秋、冬4個(gè)季度的數(shù)據(jù)對(duì)算法進(jìn)行驗(yàn)證。本文選用的數(shù)據(jù)包括數(shù)值天氣預(yù)報(bào)預(yù)測(cè)的風(fēng)速、SCADA系統(tǒng)采集的實(shí)際風(fēng)速以及測(cè)風(fēng)塔測(cè)得的風(fēng)電場(chǎng)實(shí)際風(fēng)速，各種數(shù)據(jù)的時(shí)間分辨率間隔為15 min。

3.1OS-ELM模型的建立與仿真分析

本文首先選用春天的數(shù)據(jù)建立ELM模型，依次將夏天、秋天和冬天的數(shù)據(jù)加入到OS-ELM模型中實(shí)現(xiàn)模型的在線更新，選擇任意一天的實(shí)際風(fēng)速和實(shí)際功率作為測(cè)試樣本對(duì)各個(gè)批次更新的模型進(jìn)行對(duì)比分析。圖3、圖4、圖5和圖6分別表示初始新建的ELM模型、加入第一批次訓(xùn)練數(shù)據(jù)、第二批次訓(xùn)練數(shù)據(jù)和第三批次訓(xùn)練數(shù)據(jù)后的模型預(yù)測(cè)功率與實(shí)際功率的對(duì)比。由圖3和圖4可知，由于初始模型的樣本集較少，導(dǎo)致模型的預(yù)測(cè)精度較差。從圖5和圖6可以看出，隨著樣本集的不斷加入，特征數(shù)據(jù)越來(lái)越豐富，模型泛化能力增強(qiáng)。

圖3　新建ELM模型的預(yù)測(cè)輸出（以春天的數(shù)據(jù)為訓(xùn)練集）

圖4　第一次模型更新后的預(yù)測(cè)輸出（加入夏天的數(shù)據(jù)）

圖5　第二次模型更新后的預(yù)測(cè)輸出（加入秋天的數(shù)據(jù)）

圖6　第三次模型更新后的預(yù)測(cè)輸出（加入冬天的數(shù)據(jù)）

表1為各個(gè)模型的統(tǒng)計(jì)誤差對(duì)比。由表1可知，模型更新后預(yù)測(cè)誤差減小，預(yù)測(cè)精度較初始新建模型明顯提高。

表1　模型更新前后統(tǒng)計(jì)誤差

3.2風(fēng)速修正模型的建立與仿真分析

基于ELM算法建立了數(shù)值天氣預(yù)報(bào)風(fēng)速的修正模型。NWP預(yù)測(cè)風(fēng)速與實(shí)際風(fēng)速的對(duì)比如圖7所示。從圖7可以看出，預(yù)測(cè)風(fēng)速大部分的預(yù)測(cè)值都大于實(shí)際風(fēng)速值，但是兩種風(fēng)速的變化趨勢(shì)基本相同，說(shuō)明兩種風(fēng)速之間存在一定的相關(guān)性。

圖7　NWP預(yù)測(cè)風(fēng)速與實(shí)際風(fēng)速對(duì)比

ELM模型對(duì)預(yù)測(cè)風(fēng)速進(jìn)行修正前后的對(duì)比結(jié)果如圖8所示。圖8中，修正后的風(fēng)速更加接近實(shí)際風(fēng)速，表2為風(fēng)速ELM模型修正前后統(tǒng)計(jì)誤差的對(duì)比。修正之后的風(fēng)速相比修正前，平均絕對(duì)誤差和均方根誤差都相應(yīng)地減小。

圖8　ELM模型修正前后風(fēng)速的對(duì)比

預(yù)測(cè)風(fēng)速修正前后預(yù)測(cè)功率與實(shí)際功率的對(duì)比如圖9所示。從圖9可以看出，修正后的功率相比修正前與風(fēng)電場(chǎng)的實(shí)際功率更為接近，誤差進(jìn)一步減小，表明修正后的預(yù)測(cè)功率更加準(zhǔn)確。表3為預(yù)測(cè)功率的統(tǒng)計(jì)誤差對(duì)比。風(fēng)速修正后再對(duì)功率進(jìn)行預(yù)測(cè)，精度要遠(yuǎn)大于風(fēng)速修正之前直接對(duì)功率進(jìn)行預(yù)測(cè)的結(jié)果。

表2　風(fēng)速ELM模型修正前后誤差統(tǒng)計(jì)對(duì)比

圖9　風(fēng)速修正前后預(yù)測(cè)功率的對(duì)比

表3　風(fēng)速修正前后預(yù)測(cè)功率誤差統(tǒng)計(jì)對(duì)比

3.3功率修正模型的建立與仿真分析

功率修正模型主要是針對(duì)預(yù)測(cè)模型的預(yù)測(cè)功率進(jìn)行的修正。如果預(yù)測(cè)功率沒(méi)有落在風(fēng)功率曲線的置信區(qū)間之內(nèi)，則根據(jù)該時(shí)刻點(diǎn)的風(fēng)速采用風(fēng)功率曲線計(jì)算該時(shí)間點(diǎn)的功率，代替錯(cuò)誤的預(yù)測(cè)功率，這樣可以有效地提高預(yù)測(cè)精度。

通過(guò)功率修正模型修正前后預(yù)測(cè)功率的對(duì)比圖如圖10所示。圖中黑色箭頭標(biāo)示的點(diǎn)為脫離了風(fēng)功率曲線置信區(qū)間之外的不可靠預(yù)測(cè)點(diǎn)，通過(guò)功率修正模型，將該風(fēng)速處對(duì)應(yīng)的功率用風(fēng)功率曲線擬合值替代，去除了功率預(yù)測(cè)錯(cuò)誤的點(diǎn)，提高了功率預(yù)測(cè)的準(zhǔn)確度。表4為功率修正模型修正前后預(yù)測(cè)功率的誤差統(tǒng)計(jì)對(duì)比，由表4可知，通過(guò)功率修正模型修正后的預(yù)測(cè)功率精度有了明顯提高。

圖10　功率修正模型修正前后的預(yù)測(cè)功率對(duì)比

表4　功率修正模型修正前后預(yù)測(cè)功率的誤差統(tǒng)計(jì)對(duì)比

4　結(jié)論

本文提出了OS-ELM風(fēng)電功率預(yù)測(cè)模型實(shí)現(xiàn)風(fēng)電功率預(yù)測(cè)模型的在線更新，模型更新時(shí)，將新的數(shù)據(jù)對(duì)當(dāng)前網(wǎng)絡(luò)進(jìn)行更新，大大降低了計(jì)算所需的資源。實(shí)驗(yàn)證明，OS-ELM算法能有效地解決模型在線更新問(wèn)題，更新后的模型具有更高的預(yù)測(cè)精度。為了提高風(fēng)電功率預(yù)測(cè)的準(zhǔn)確度，基于ELM算法建立了NWP預(yù)測(cè)風(fēng)速的修正模型，并基于風(fēng)電功率置信區(qū)間建立功率修正模型。實(shí)驗(yàn)證明，風(fēng)速修正后對(duì)功率預(yù)測(cè)的效果更佳，通過(guò)功率修正模型后的預(yù)測(cè)功率精度更高，驗(yàn)證了所用算法的有效性。

[1]楊秀媛，肖洋.風(fēng)電場(chǎng)風(fēng)速和發(fā)電功率預(yù)測(cè)研究[J].中國(guó)電機(jī)工程學(xué)報(bào)，2005，25(11)：1-5.

[2]周瑋，孫輝，顧宏，等.含風(fēng)電場(chǎng)的電力系統(tǒng)經(jīng)濟(jì)調(diào)度研究綜述[J].電力系統(tǒng)保護(hù)與控制，2011，39(24)：148-154.

[3]張勇，肖建，遲永寧.基于機(jī)組調(diào)峰能力的電力系統(tǒng)風(fēng)電接納能力研究[J].太陽(yáng)能學(xué)報(bào)，2014，3(6)：998-1003.

[4]張保會(huì)，李光輝，王進(jìn).風(fēng)電接入電力系統(tǒng)故障電流的影響因素分析及對(duì)繼電保護(hù)的影響[J].電力自動(dòng)化設(shè)備，2012，32(2)：1-8.

[5]J.S.P.C，H.M.I.P，V.M.F.M.Short-term wind power forecasting in Portugal by neural networks and wavelet transform[J].Renewable Energy，2011(36)：1245-1251.

[6]An Xueli，Jiang Dongxiang，Zhao Minghao，et al.Short-term prediction of wind power using EMD and chaotic theory[J]. Nonlinear Science and Numerical Simulation，2012(17)：1036-1042.

[7]王韶，楊江平，李逢兵，等.基于經(jīng)驗(yàn)?zāi)Ｊ椒纸夂蜕窠?jīng)網(wǎng)絡(luò)的短期風(fēng)速組合預(yù)測(cè)[J].電力系統(tǒng)保護(hù)與控制，2012，40 (10)：6-11.

[8]劉純，呂振華，黃越輝，等.長(zhǎng)時(shí)間尺度風(fēng)電出力時(shí)間序列建模新方法研究[J].電力系統(tǒng)保護(hù)與控制，2013，41(1)：7-13.

[9]武小梅，白銀明，文福拴.基于RBF神經(jīng)元網(wǎng)絡(luò)的風(fēng)電功率短期預(yù)測(cè)[J].電力系統(tǒng)保護(hù)與控制，2011，39(15)：80-83.

[10]葉小嶺，劉波，鄧華.基于小波分析和PSO優(yōu)化神經(jīng)網(wǎng)絡(luò)的短期風(fēng)電功率預(yù)測(cè)研究[J].可再生能源，2014，32 (10)：1486-1492.

[11]陸寧，武本令，劉穎.基于自適應(yīng)粒子群優(yōu)化的 SVM模型在負(fù)荷預(yù)測(cè)中的應(yīng)用[J].電力系統(tǒng)保護(hù)與控制，2011，39(15)：43-47.

[12]馬永杰，云文霞.遺傳算法研究進(jìn)展[J].計(jì)算機(jī)應(yīng)用研究，2012，29(4)：1201-1206.

[13]Xiao Dong，Wang Jichun，Mao Zhizhong.The research on the modeling method of batch process based on OS-ELMRMPLS[J].Chemometrics and Intelligent Laboratory Systems，2014(134)：118-122.

Wind speed correction and short-term wind power prediction based on OS-ELM algorithm

Zhang Yingchao1，2，3，Xiao Yin1，Deng Hua2，Wang Lu1
(1.School of Information and Control,Nanjing University of Information Science and Technology，Nanjing 210044，China；2.Collaborative Innovation Center on Forecast and Evaluation of Meteorological Disasters，Nanjing University of Information Science&Technology，Nanjing 210044，China；3.Jiangsu Key Laboratory of Big Data Analysis Technology，Nanjing 210044，China)

As time goes on,the applicability of the wind power prediction model is gradually reduced,which causes decline of prediction accuracy.To solve this problem,online update strategy of short-term wind power prediction model is proposed in this paper based on online sequential-Extreme Learning Machine(OS-ELM)algorithm,OS-ELM model established solidify the historical data of wind farm to the implied layer output matrix,and when updating model,simply use new produced data to update current network,which greatly reduces the resources required for the calculation.Extreme Learning Machine(ELM)is used to correct predicted wind speed of numerical weather prediction(NWP)and make secondary correction for the predicted power based on wind power and confidence intervals.Experimental results show that the applicability of updated model by OS-ELM is enhanced,and the prediction accuracy is improved.With wind power confidence intervals of the power correction model,the prediction accuracy of wind power has improved significantly.

online sequential-Extreme Learning Machine(OS-ELM)；numerical weather prediction(NWP)；wind speed correction；wind power correction

TK89

A

10.16157/j.issn.0258-7998.2016.02.030

江蘇省六大人才高峰項(xiàng)目（WLW-021）；江蘇省研究生創(chuàng)新工程省立項(xiàng)目（SJLX_0386）

張穎超(1960-)，男，教授，博士生導(dǎo)師，主要研究方向：復(fù)雜系統(tǒng)建模與評(píng)估、災(zāi)害評(píng)估與損失預(yù)測(cè)、氣象服務(wù)效益研究、風(fēng)電功率預(yù)測(cè)、氣象數(shù)據(jù)質(zhì)量控制等。

肖寅(1991-)，男，碩士研究生，主要研究方向：風(fēng)電功率預(yù)測(cè)。

鄧華(1977-)，男，工程師，博士研究生，主要研究方向：風(fēng)電功率預(yù)測(cè)。

中文引用格式：張穎超，肖寅，鄧華，等.基于 OS-ELM的風(fēng)速修正及短期風(fēng)電功率預(yù)測(cè)[J].電子技術(shù)應(yīng)用，2016，42 (2)：110-113，121.

英文引用格式：Zhang Yingchao，Xiao Yin，Deng Hua，et al.Wind speed correction and short-term wind power prediction based on OS-ELM algorithm[J].Application of Electronic Technique，2016，42(2)：110-113，121.