凌 勁,茆美琴,李福根,張恩銘

(1.國(guó)網(wǎng)安徽電力公司 檢修公司，安徽 合肥 230061； 2.合肥工業(yè)大學(xué) 教育部光伏系統(tǒng)工程研究中心,安徽 合肥 230009)

短期風(fēng)速預(yù)測(cè)的相關(guān)方法及其應(yīng)用研究

凌 勁1,茆美琴2,李福根1,張恩銘1

(1.國(guó)網(wǎng)安徽電力公司 檢修公司，安徽 合肥 230061； 2.合肥工業(yè)大學(xué) 教育部光伏系統(tǒng)工程研究中心,安徽 合肥 230009)

文章對(duì)持續(xù)法、BP神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)(support vector machine，SVM)3種方法在提前24 h風(fēng)速預(yù)測(cè)中的應(yīng)用進(jìn)行了研究和比較。為了消除季節(jié)對(duì)預(yù)測(cè)結(jié)果的影響,針對(duì)某年12個(gè)月份分別建立預(yù)測(cè)模型,結(jié)果表明:在大多數(shù)情況下,BP神經(jīng)網(wǎng)絡(luò)和SVM算法的預(yù)測(cè)結(jié)果要優(yōu)于持續(xù)法,并且SVM算法優(yōu)于BP神經(jīng)網(wǎng)絡(luò);但也有持續(xù)法優(yōu)于BP神經(jīng)網(wǎng)絡(luò)和SVM算法及BP算法優(yōu)于SVM算法的情況。因此不能絕對(duì)說某種算法優(yōu)于另一種算法,應(yīng)該根據(jù)具體情況來進(jìn)行分析判斷,或者通過組合預(yù)測(cè)來提高預(yù)測(cè)精度。

風(fēng)速預(yù)測(cè);應(yīng)用研究;持續(xù)法;BP神經(jīng)網(wǎng)絡(luò);支持向量機(jī)(SVM)

風(fēng)能作為目前世界上增長(zhǎng)速度最快的可再生能源之一,被認(rèn)為可以替代日益短缺的化石燃料來進(jìn)行發(fā)電[1]。根據(jù)世界風(fēng)能協(xié)會(huì)最新數(shù)據(jù)顯示,到2014年底,全球風(fēng)電裝機(jī)容量為370 GW,其中我國(guó)風(fēng)電裝機(jī)容量為114.61 GW,同比增長(zhǎng)25.4%。然而,由于風(fēng)力發(fā)電系統(tǒng)出力的波動(dòng)性和隨機(jī)性,高比例風(fēng)力發(fā)電系統(tǒng)并網(wǎng)運(yùn)行,使電力系統(tǒng)的運(yùn)行控制面對(duì)極大的挑戰(zhàn)[2]。高精度風(fēng)電系統(tǒng)出力預(yù)測(cè)成為風(fēng)電規(guī)?；⒕W(wǎng)應(yīng)用的關(guān)鍵技術(shù)之一[3],而風(fēng)能預(yù)測(cè)結(jié)果的精度主要取決于風(fēng)速預(yù)測(cè)的準(zhǔn)確度[4]。根據(jù)預(yù)測(cè)的時(shí)間尺度可以將風(fēng)速預(yù)測(cè)劃分為以分鐘為單位的超短期預(yù)測(cè),以日、小時(shí)為單位的短期預(yù)測(cè);以月、周為單位的中期預(yù)測(cè)和以年為單位的長(zhǎng)期預(yù)測(cè)。其中以日、小時(shí)為預(yù)測(cè)單位的短期風(fēng)速預(yù)測(cè)一般是提前1～48 h對(duì)未來24 h的風(fēng)速進(jìn)行預(yù)測(cè)[5],其預(yù)測(cè)結(jié)果是包含風(fēng)電系統(tǒng)的電力系統(tǒng)制定日調(diào)度計(jì)劃的重要依據(jù),并且其預(yù)測(cè)結(jié)果的準(zhǔn)確度對(duì)電力系統(tǒng)的經(jīng)濟(jì)、可靠的運(yùn)行具有重要的影響。

對(duì)風(fēng)速預(yù)測(cè)的方法主要包括物理方法和統(tǒng)計(jì)方法[6]2種,其中物理方法對(duì)風(fēng)機(jī)環(huán)境周圍物理信息要求較高,應(yīng)用較為復(fù)雜。統(tǒng)計(jì)方法不考慮風(fēng)速變化的物理過程,采用一定的數(shù)學(xué)統(tǒng)計(jì)方法,在歷史數(shù)據(jù)與風(fēng)電輸出功率之間建立一種映射關(guān)系,可分為持續(xù)性算法、時(shí)間序列法(auto regressive moving average,ARMA)、卡爾曼濾波法、指數(shù)平滑法、人工神經(jīng)網(wǎng)絡(luò)法和支持向量機(jī)法(support vector machine，SVM)等[7-13]。

本文選取持續(xù)法、BP神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)(SVM)3種算法研究提前24 h的風(fēng)速預(yù)測(cè),同時(shí)為避免季節(jié)性等因素的影響,對(duì)某年12個(gè)月分別建立預(yù)測(cè)模型,并對(duì)預(yù)測(cè)結(jié)果進(jìn)行比較分析。

1 預(yù)測(cè)方法

1.1 持續(xù)法

持續(xù)法是最簡(jiǎn)單的一種預(yù)測(cè)方法,即把最近一點(diǎn)的風(fēng)速觀測(cè)值作為下一點(diǎn)的預(yù)測(cè)值,該方法適用于3～6 h以下的預(yù)測(cè)，即

wt+k′=wt，k=1,2,3,…,n

(1)

其中,wt+k′為t+k時(shí)刻的風(fēng)速預(yù)測(cè)值;wt為t時(shí)刻的風(fēng)速觀測(cè)值。

方法雖然簡(jiǎn)單,卻十分有效,在1 h以內(nèi)的預(yù)測(cè),持續(xù)法的準(zhǔn)確度非常高。現(xiàn)在的預(yù)測(cè)技術(shù)一般都把持續(xù)法作為比較基準(zhǔn),來評(píng)價(jià)該技術(shù)的精確度。

1.2 BP神經(jīng)網(wǎng)絡(luò)

誤差反向傳播BP神經(jīng)網(wǎng)絡(luò)是一種按誤差反向傳播算法訓(xùn)練的多層前饋網(wǎng)絡(luò),是目前應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)之一。它采用有導(dǎo)師的訓(xùn)練方式,能夠逼近任意非線性映射。

含有1個(gè)隱含層的BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)圖如圖1所示。輸入層有M個(gè)神經(jīng)元,其中任一神經(jīng)元用m表示;隱含層有I個(gè)神經(jīng)元,其中任一神經(jīng)元用i表示;輸出層有J個(gè)神經(jīng)元,其中任一神經(jīng)元用j表示。輸入層與隱含層突觸權(quán)值用wmi(m=1,2,…,M;i=1,2,…,I)表示,隱含層與輸出層突觸權(quán)值用wij(i=1,2,…,I;j=1,2,…,J)表示。

圖1 含有一個(gè)隱含層的BP神經(jīng)網(wǎng)絡(luò)

設(shè)訓(xùn)練樣本集X=[X1,X2,…,Xk,…,XN]T,其中任一訓(xùn)練樣本Xk=[xk1,xk2,…,xkm,…,xkM](k=1,2,…,N);對(duì)應(yīng)的實(shí)際輸出為Yk=[yk1,yk2,…,ykj,…,ykJ](k=1,2,…,N);期望輸出為dk=[dk1,dk2,…,dkj,…,dkJ](k=1,2,…,N)。輸出層第j個(gè)神經(jīng)元的誤差信號(hào)為:

ekj(n)=dkj(n)-ykj(n)

(2)

(3)

根據(jù)Delta學(xué)習(xí)規(guī)則,計(jì)算權(quán)值修正量Δwij(n)和Δwmi,對(duì)權(quán)值進(jìn)行更新,即

wij(n+1)=wij(n)+Δwij(n)

(4)

wmi(n+1)=wmi(n)+Δwmi(n)

(5)

其中,n為迭代次數(shù)。

直到誤差能量總和滿足要求或者迭代次數(shù)達(dá)到設(shè)定的最大值停止訓(xùn)練。

1.3 SVM算法

SVM是由Vapnik首先提出的,像多層感知器網(wǎng)絡(luò)和徑向基函數(shù)網(wǎng)絡(luò)一樣,可用于模式分類和非線性回歸。SVM的主要思想是建立一個(gè)分類超平面作為決策曲面,使得正例和反例之間的隔離邊緣被最大化。SVM的理論基礎(chǔ)是統(tǒng)計(jì)學(xué)習(xí)理論,更精確地說,SVM是結(jié)構(gòu)風(fēng)險(xiǎn)最小化的近似實(shí)現(xiàn)。

規(guī)定的數(shù)據(jù)樣本集合為{(xi,yi),…,(xt,yt)}。其中,xi∈Rn；yi∈R；i=1,2,3,…,l。尋找Rn上的一個(gè)函數(shù)f(x),以便用y=f(x)來推斷任意輸入x所對(duì)應(yīng)的y值。

SVM估計(jì)回歸函數(shù)的基本思想就是通過一個(gè)非線性映射,將輸入空間的的數(shù)據(jù)x映射到高維空間G中,并在這個(gè)空間進(jìn)行線性回歸。一般采用(6)式來估計(jì)函數(shù)，即

y=f(x)=wφ(x)+b

(6)

(7)

(8)

(8)

maxW(α-α*)=

(9)

(10)

(11)

2 樣本預(yù)處理

本文選取某地區(qū)某一全年12個(gè)月份的風(fēng)速作為樣本數(shù)據(jù),每15 min記錄1次風(fēng)速數(shù)據(jù)。為了提高BP神經(jīng)網(wǎng)絡(luò)的泛化能力,在用于神經(jīng)網(wǎng)絡(luò)模型時(shí),對(duì)數(shù)據(jù)進(jìn)行歸一化處理,即將風(fēng)速的取值范圍變換為[0,1]區(qū)間。

3 預(yù)測(cè)模型

由于風(fēng)速和氣候溫度等因素的影響,因此每個(gè)月的分布各不相同。1月份、6月份的風(fēng)速分布直方圖如圖2所示,兩者有明顯的不同。

1月份、6月份風(fēng)速威布爾分布的檢驗(yàn)結(jié)果如圖3所示。

圖2 1月份、6月份風(fēng)速分布直方圖

圖3 1月份、6月份風(fēng)速威布爾分布

當(dāng)圖形近似于1條直線時(shí),說明其分布滿足威布爾分布,當(dāng)圖形為1條曲線時(shí)，其分布不滿足威布爾分布[10]。由圖3可以看出，1月份的風(fēng)速為威布爾分布,而6月份的風(fēng)速則不滿足威布爾分布。不同的分布應(yīng)該用不同的模型來描述。為了消除可能出現(xiàn)的季節(jié)性問題,本文提出應(yīng)該針對(duì)每個(gè)月分別建立BP網(wǎng)絡(luò)預(yù)測(cè)模型。

經(jīng)研究發(fā)現(xiàn),風(fēng)速的分布類型與每種模型的具體形式?jīng)]有明顯的直接關(guān)系，即使屬于同一種分布類型的2個(gè)月的數(shù)據(jù),其分布參數(shù)也不相同,模型也有差異。

因此,需要根據(jù)每個(gè)月的實(shí)際數(shù)據(jù)分別建立模型。根據(jù)某風(fēng)電場(chǎng)1 a的實(shí)測(cè)數(shù)據(jù),12個(gè)月的風(fēng)速預(yù)測(cè)模型見表1所列。

表1 1～12月份BP神經(jīng)網(wǎng)絡(luò)模型的結(jié)構(gòu)

4 預(yù)測(cè)結(jié)果及分析

各個(gè)模型預(yù)測(cè)產(chǎn)生的誤差比較見表2所列。

表2 1～12月份各種預(yù)測(cè)方法產(chǎn)生的預(yù)測(cè)誤差 %

從表2中可以看出,BP神經(jīng)網(wǎng)絡(luò)和SVM算法的預(yù)測(cè)結(jié)果都要優(yōu)于持續(xù)法,并且SVM進(jìn)一步優(yōu)于BP神經(jīng)網(wǎng)絡(luò)算法。

但并非絕對(duì)如此,從表2中還可以看出,在2月份和8月份持續(xù)法比BP神經(jīng)網(wǎng)絡(luò)和SVM算法預(yù)測(cè)效果都要好,主要原因是這2個(gè)月風(fēng)速變化比較劇烈,BP神經(jīng)網(wǎng)絡(luò)和SVM算法很難準(zhǔn)確地跟蹤風(fēng)速的變化,而持續(xù)法可以準(zhǔn)確地跟蹤風(fēng)速的變化,因此預(yù)測(cè)結(jié)果較后兩者更為準(zhǔn)確。

由表2的結(jié)果可以推斷,不能籠統(tǒng)地說某個(gè)方法優(yōu)于另外一個(gè)方法,應(yīng)該根據(jù)具體情況進(jìn)行分析和判斷,選擇合適的模型種類,或者進(jìn)行組合預(yù)測(cè)以提高預(yù)測(cè)精度。

一般來說,SVM算法是首選,其次是BP神經(jīng)網(wǎng)絡(luò)算法,最后是持續(xù)法；但當(dāng)風(fēng)速波動(dòng)比較大,或者訓(xùn)練數(shù)據(jù)比較少時(shí),則應(yīng)該考慮持續(xù)法的預(yù)測(cè)結(jié)果或者進(jìn)行組合預(yù)測(cè)。

5 結(jié) 論

本文主要對(duì)3種不同的風(fēng)速預(yù)測(cè)方法進(jìn)行了研究比較,得到如下結(jié)論:

(1) 風(fēng)速具有不確定性,應(yīng)對(duì)原始風(fēng)速序列進(jìn)行差分處理。

(2) 在BP神經(jīng)網(wǎng)絡(luò)中,不同的輸入?yún)?shù)對(duì)預(yù)測(cè)產(chǎn)生的結(jié)果都有著相關(guān)的影響。

(3) 研究發(fā)現(xiàn)不同的月份,風(fēng)速具有不同的分布類型,應(yīng)對(duì)每一個(gè)月份的風(fēng)速分別建立預(yù)測(cè)模型來消除季節(jié)對(duì)預(yù)測(cè)結(jié)果的影響。

(4) 在大多數(shù)情況下,BP神經(jīng)網(wǎng)絡(luò)和SVM算法的預(yù)測(cè)結(jié)果要優(yōu)于持續(xù)法,并且SVM算法優(yōu)于BP神經(jīng)網(wǎng)絡(luò)算法，但也有持續(xù)法優(yōu)于BP神經(jīng)網(wǎng)絡(luò)和SVM算法及BP算法優(yōu)于SVM算法的情況。不能絕對(duì)說某種算法優(yōu)于另一種算法,應(yīng)該根據(jù)具體情況來進(jìn)行分析判斷,或者通過組合預(yù)測(cè)來提高預(yù)測(cè)精度。

[1] EL-FOULY T H M,EL-SAADANY E F,SALAMA M M A.One day ahead prediction of wind speed and direction[J].IEEE Trans Energy Convers,2008,23(1):191-201.

[2] FAN S,LIAO J R,YOKOYAMA R,et al.Forecasting the wind generation using a two-stage network based on meteorological information[J].IEEE Trans Energy Convers,2009,24(2):474-482.

[3] 徐曼,喬穎,魯宗相.短期風(fēng)電功率預(yù)測(cè)綜合評(píng)價(jià)方法[J].電力系統(tǒng)自動(dòng)化,2011,35(12):20-26.

[5] 周松林,茆美琴,蘇建徽.基于預(yù)測(cè)誤差校正的支持向量機(jī)短期風(fēng)速預(yù)測(cè)[J].系統(tǒng)仿真學(xué)報(bào)2012,24(4):769-773.

[6] 楊秀媛,肖洋,陳樹勇.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.

[7] ANG Z,CHALABI Z S.Use of time-series analysis to model and forecast wind speed[J].Journal of Wind Engineering and Industrial Aerodynamics,1995,56(2/3):311-322.

[8] ALEXIADIS M U,DOKOPOULOS P S,SAHSAMANOGLOU H S.Short-term forecasting of wind speed and related electrical power[J].Solar Energy,1998,63(1):61-68.

[9] KARINIOTAKIS G N,STAVRAKAKIS G S,NOGARET EF.Wind power forecasting using advanced networks models[J].IEEE Transaction on Energy Conversion,1996,11(4):762-767.

[10] BHASKAR KANNA,SINGH S N.AWNN-assisted wind power forecasting using feed-forward neural network[J].IEEE Transaction on Sustainable Energy,2012,3(2):306-315.

[11] LIU Yongqian,SHI Jie,YANG Yongping,et al.Short-term wind-power prediction based on wavelet transform-support vector machine and statistic-characteristics analysis[J].IEEE Transaction on Industry Application,2012,48(4):1136-1141.

[12] 范高鋒,王偉勝,劉純,等.基于人工神經(jīng)網(wǎng)絡(luò)的風(fēng)電功率預(yù)測(cè)[J].中國(guó)電機(jī)工程學(xué)報(bào),2008,28(34):118-123.

[13] 茆美琴,周松林,蘇建徽.基于脊波神經(jīng)網(wǎng)絡(luò)的短期風(fēng)電功率預(yù)測(cè)[J].電力系統(tǒng)自動(dòng)化,2011,35(7):70-74.

Researchonmethodsandapplicationofshort-termwindspeedforecasting

LING Jin1,MAO Meiqin2，LI Fugen1,ZHANG Enming1

(1.Maintenance Company, State Grid Anhui Electric Power Company, Hefei 230061, China; 2.Research Center for Photovoltaic System Engineering of Ministry of Education, Hefei University of Technology, Hefei 230009, China)

The application of continuous method, BP neural network and support vector machine(SVM) algorithm in the 24 h ahead wind speed forecasting is studied and compared. In order to eliminate the influence of season on forecast results, the forecast model for each month throughout a certain year is set up. The results show that in most cases, the BP neural network and SVM algorithm is better than the continuous method, and the SVM algorithm is better than the BP neural network. But there are also cases that the continuous method is better than the BP neural network and SVM algorithm and the BP algorithm is better than the SVM algorithm. Each of the three algorithms does not have an absolute advantage. The three algorithms should be appropriately adopted according to the specific situation and sometimes the combination forecasting is recommended to improve prediction accuracy.

wind speed forecasting; applied research; continuous method; BP neural network; support vector machine(SVM)

2016-04-18；

2016-04-27

國(guó)家重點(diǎn)基礎(chǔ)研究發(fā)展計(jì)劃(973計(jì)劃)資助項(xiàng)目(2009CB219708);國(guó)家自然科學(xué)基金面上資助項(xiàng)目(51077033);高等學(xué)校博士學(xué)科點(diǎn)專項(xiàng)科研基金資助項(xiàng)目(201301111110005)和廣東省引進(jìn)創(chuàng)新團(tuán)隊(duì)資助項(xiàng)目(2011N015)

凌 勁(1989-),男,安徽合肥人,國(guó)網(wǎng)安徽電力公司技術(shù)員;

茆美琴(1961-),女,安徽蕪湖人,博士,合肥工業(yè)大學(xué)教授,博士生導(dǎo)師.

10.3969/j.issn.1003-5060.2017.11.013

TM743

A

1003-5060(2017)11-1502-05

(責(zé)任編輯 張 镅)