徐龍博, 王 偉, 張 滔, 楊 莉, 汪少勇, 李煜東

(1. 中國能源建設集團廣東省電力設計研究院有限公司, 廣東省廣州市 510663;2. 南瑞集團公司(國網(wǎng)電力科學研究院), 江蘇省南京市 211106;3. 國電南瑞南京控制系統(tǒng)有限公司, 江蘇省南京市 210061)

基于神經網(wǎng)絡平均影響值的超短期風電功率預測

徐龍博1, 王 偉2,3, 張 滔2,3, 楊 莉1, 汪少勇1, 李煜東1

(1. 中國能源建設集團廣東省電力設計研究院有限公司, 廣東省廣州市 510663;2. 南瑞集團公司(國網(wǎng)電力科學研究院), 江蘇省南京市 211106;3. 國電南瑞南京控制系統(tǒng)有限公司, 江蘇省南京市 210061)

針對動態(tài)神經網(wǎng)絡風電功率預測模型輸入變量較多、模型復雜的問題,將神經網(wǎng)絡和平均影響值方法相結合,提出了一種基于神經網(wǎng)絡平均影響值的超短期風電功率預測方法。此方法綜合考慮了各輸入變量對輸出變量(風電預測功率)的外部貢獻率和內部貢獻率,篩選出了對輸出變量貢獻率最大的輸入變量,建立了一個優(yōu)化的神經網(wǎng)絡超短期風電功率預測模型。實驗結果表明,所提模型降低了預測模型的復雜度,減少了測量噪聲對預測精度的影響,得到了較好的風電功率預測結果。

風電功率; 超短期預測; 動態(tài)神經網(wǎng)絡; 平均影響值; 變量篩選

0 引言

準確的風電功率預測是提高風電接入容量、保證電網(wǎng)運行穩(wěn)定性和經濟性的有效手段[1-2]。風電功率預測通常分為短期預測與超短期預測。其中超短期預測是對風電場未來數(shù)小時內的出力進行預測,主要用于日內計劃滾動,動態(tài)調節(jié)短期預測誤差引起的功率波動,有助于優(yōu)化調頻及旋轉備用容量,以及在線優(yōu)化機組組合與經濟負荷調度[3-4]。超短期預測的預測精度對電網(wǎng)運行安全有著重要影響[5-6]。

目前,對風電功率的超短期預測方法主要可分為物理預測方法與統(tǒng)計預測方法[1,5]。由于風力具有非線性、不確定等諸多特性,物理預測的計算過程非常復雜,且往往要依賴數(shù)值天氣預報的結果,無法適用于需要頻繁給出預測結果的超短期風電功率預測,因此超短期風電功率通常采用統(tǒng)計方法進行預測[7],常見的方法包括:持續(xù)法[8]、時間序列法[9-10]、支持向量機法[11-13]、神經網(wǎng)絡(neural network,NN)法[14-16]等。持續(xù)法是將最近一點的功率觀測值作為下一點的預測值,該方法具有模型簡單、容易實現(xiàn)的優(yōu)點,但隨著時間尺度的增大,預測精度會快速下降。時間序列法則根據(jù)風電功率或風速隨時間變化的趨勢外推,該方法可通過不同的需求設定不同的外推算法,來適應系統(tǒng)不同的動態(tài)特性,因此預測精度較持續(xù)法要高。但兩種方法均有輸入數(shù)據(jù)單一、難以考察其他信息的問題。

支持向量機預測方法和神經網(wǎng)絡預測方法是兩種典型的人工智能模型預測方法,它們能夠通過數(shù)據(jù)的訓練,確定不同變量之間的映射關系,例如可建立以風速與風向為輸入,以風電場總功率為輸出的預測模型,還可根據(jù)輸入變量對輸出變量的貢獻率分析,進行變量篩選和重新組合,使預測模型的實現(xiàn)具有較高的靈活性。

有研究表明[7,17]:在歷史數(shù)據(jù)較為充分的條件下,神經網(wǎng)絡預測方法在預測精度和泛化能力上比支持向量機等預測方法更有優(yōu)勢,因此得到了更為廣泛的研究和應用。

目前的神經網(wǎng)絡風電功率預測方法中所使用的神經網(wǎng)絡通常是靜態(tài)神經網(wǎng)絡,無法反映系統(tǒng)的動態(tài)特性,當風速、風向發(fā)生較大變動時,預測精度會有較大下降。為解決這個問題,本文首先給出一種基于動態(tài)神經網(wǎng)絡的風電功率超短期預測模型。該預測模型采用風速和風向余弦的導數(shù)表征系統(tǒng)的動態(tài)特性,采用神經網(wǎng)絡表征系統(tǒng)的非線性特性,較完整地描述了系統(tǒng)的動靜態(tài)特性,在風速變動較大時也具有較高的預測精度。但由于引入了輸入變量的導數(shù),當風機數(shù)量增加時,預測模型的輸入變量個數(shù)會大量增多,使得模型變得極為復雜,不適用于大型風電場的功率預測。

為此本文在動態(tài)神經網(wǎng)絡預測模型的基礎上提出了一種基于神經網(wǎng)絡平均影響值(NN-MIV)的變量選擇方法,通過對輸入變量對輸出變量的貢獻率進行排序,篩選出對預測功率貢獻率較大的變量構建新的預測模型,使構建的預測模型結構簡單,并具有較高的預測精度。

1 動態(tài)神經網(wǎng)絡預測原理

目前,大部分的神經網(wǎng)絡預測系統(tǒng)采用如下的靜態(tài)預測模型:

PWP=fNN(V,Dcos)

(1)

式中:PWP為風電場的預測功率;V為各風機所在位置的風速;Dcos為各風機所在位置的風向的余弦值;fNN表示輸入輸出的非線性函數(shù)關系,用靜態(tài)神經網(wǎng)絡來實現(xiàn)。

由式(1)可知,目前常見的神經網(wǎng)絡預測方法的輸入變量只采用了當前的風速和風向,而沒有采用任何動態(tài)信息,因此所建立的預測模型無法反映系統(tǒng)的動態(tài)特性。這樣的預測模型在風速相對穩(wěn)定的時候能夠較好地預測風電功率,但當風速或者風向發(fā)生較大變化時,預測精度往往不甚理想。

為了解決這個問題,有研究者采用了動態(tài)的神經網(wǎng)絡來建立預測模型[18]。但該動態(tài)神經網(wǎng)絡采用局部反饋時延的神經網(wǎng)絡,即采用時延和反饋表征預測系統(tǒng)的動態(tài)特性,這種動態(tài)神經網(wǎng)絡可看作時間序列方法[9]跟神經網(wǎng)絡結合的一種方法。文中作者構造了一個以風速、風向等變量和它的歷史序列為輸入,以預測功率為輸出的神經網(wǎng)絡,來實現(xiàn)對風電功率的預測。這種動態(tài)神經網(wǎng)絡用風速、風向等變量的時間序列表征它們未來的變化趨勢來預測功率,實際上是將變量的導數(shù)等趨勢信息隱含在時間序列中,并通過神經網(wǎng)絡去擬合出時間序列與未來趨勢的隱含關系,因此這種動態(tài)神經網(wǎng)絡的物理意義不甚清晰,動態(tài)特性難以把握,在模型訓練時會增加神經網(wǎng)絡收斂的難度,影響預測模型的精度。

因此,本文采用如下的動態(tài)預測模型:

(2)

風速和風向的導數(shù)表征風速和風向的變化趨勢,包含風速和風向未來的信息,將這些信息引入風電功率預測模型中使預測模型具有了直觀的物理意義。結構合理的靜態(tài)神經網(wǎng)絡可以以任意精度逼近非線性函數(shù)關系。因此,理論上來說,將靜態(tài)神經網(wǎng)絡和微分器相結合所構成的動態(tài)神經網(wǎng)絡可以逼近一般非線性動態(tài)系統(tǒng),將其用于風電功率預測可獲得很好的預測效果。

但由于引入了輸入變量的導數(shù),使得動態(tài)神經網(wǎng)絡預測模型的輸入變量個數(shù)比靜態(tài)神經網(wǎng)絡預測模型增加了2倍。當動態(tài)神經網(wǎng)絡預測模型應用于大型風電場時,模型的輸入變量個數(shù)會變得非常巨大,使得模型變得極為復雜,大大增加了神經網(wǎng)絡的訓練時間。增加的變量也會增加噪聲引入的可能性,出現(xiàn)預測精度下降的情況。

為此本文提出了一種基于NN-MIV的變量選擇方法,通過平均影響值方法衡量各輸入變量對輸出變量的外部貢獻率,通過神經網(wǎng)絡方法衡量各輸入變量對輸出變量的內部貢獻率,結合兩種方法,得到較為穩(wěn)定的貢獻率值,可簡化預測模型的結構,減少神經網(wǎng)絡訓練的時間,并有望獲得較高的預測精度。

2 NN-MIV變量篩選原理

2.1 平均影響值及外部貢獻率

假設式(2)所示預測模型的輸入變量個數(shù)是p。令這p個變量組成一個自變量向量,并對其進行m次觀測,得到X=[x1,x2,…,xm]的自變量空間。相應地,與每一個樣本點所對應的因變量可以寫為Y=[y1,y2,…,ym]。以m個樣本的自變量向量組成的X作為輸入,與之對應的向量Y作為輸出,組成訓練樣本集{X,Y}訓練神經網(wǎng)絡,保存訓練好的神經網(wǎng)絡。然后對原始訓練用的自變量空間作如下變換,依次對各自變量在原值的基礎上分別加、減δ(百分數(shù)),得到如下2p(i=1,2,…,p)個新的自變量空間:

(3)

(4)

把構造好的新自變量空間依次作為神經網(wǎng)絡模型的輸入,經網(wǎng)絡輸出后得到變化樣本點中第i(i=1,2,…,p)個輸入變量指標變化時與之對應的2p個輸出向量:

(5)

(6)

(7)

式中:IMIV,i為變化樣本中第i個輸入變量指標對輸出結果的平均影響值。IMIV,i的符號表示自變量與因變量相關的方向,絕對值大小代表自變量對因變量影響的相對重要性。

進一步計算得到第i個變量xi對輸出y的貢獻率為:

(8)

這種方法通過預測模型外部輸入的變化計算各輸入變量對輸出變量的貢獻率,因此把這種貢獻率定義為外部貢獻率。

2.2 神經網(wǎng)絡及內部貢獻率

文中選用的神經網(wǎng)絡為三層前向神經網(wǎng)絡,其網(wǎng)絡一般形式為:

(9)

式中:xi(i=1,2,…,p)為第i個輸入;βj(j=0,1,…,q)為從隱含層到輸出層的連接權值;ωji為輸入層到隱含層的連接權值。

(10)

式中:cov和var分別表示求協(xié)方差和求方差函數(shù)。

然后,計算隱含層oj對輸出y的貢獻值:

(11)

因此,第i個輸入xi對輸出y的貢獻值為:

(12)

進一步,得到xi對輸出y的貢獻率為:

(13)

這種方法通過神經網(wǎng)絡輸入對隱含層的權值的變化和隱含層對輸出權值的變化計算各輸入變量對輸出變量的貢獻率,因此把這種貢獻率定義為內部貢獻率。

2.3 基于NN-MIV的變量選擇方法

MIV方法表征了預測模型對外部輸入變化的特性,計算得到的貢獻率為外部貢獻率。但僅考慮模型外部貢獻率無法保證篩選出來的輸入變量最優(yōu),因此需要其他方法來彌補,基于神經網(wǎng)絡的內部貢獻率計算方法能很好地做到這一點。它利用輸入層對隱含層的權值的變化和隱含層對輸出層權值的變化計算各輸入變量對輸出變量的內部貢獻率,以避免單一使用外部貢獻率造成的貢獻率計算不穩(wěn)定、輸入變量選擇不可靠等問題。本文結合兩種貢獻率計算方法,提出了基于NN-MIV綜合貢獻率的變量選擇方法,其綜合貢獻值表達式定義為:

CNN-MIV,i=|αMIV,iαNN,i|=[C1,C2,…,Cp]T

(14)

進一步,得到xi對輸出y的綜合貢獻率為:

(15)

將內部貢獻率與外部貢獻率結合可以使預測模型的輸入變量貢獻率值明顯增大易于選擇,又可以保證所建模型同時具有較高的外部貢獻率和內部貢獻率,避免外部貢獻率計算不穩(wěn)定等問題。

3 實驗結果與分析

以鹽城某風電場的46臺風機作為研究對象。圖1為所有風機的坐標分布圖,從圖中可以看出,46臺風機的位置呈不規(guī)則的散布,很難直接從空間分布中分析各臺風機的相關性,也很難直接確定哪些風機的風速、風向數(shù)據(jù)對預測風電場總功率的貢獻率較大。如果直接把所有風機的數(shù)據(jù)及其導數(shù)作為風電場功率預測模型的輸入,其輸入個數(shù)會非常巨大,因此基于上一節(jié)給出的NN-MIV方法,對輸入變量進行篩選。

圖1 風機分布圖Fig.1 Distribution of wind turbines

首先,將46臺風機的風速V、風向余弦Dcos及其1階、2階導數(shù)作為輸入,風電場1 h的預測總功率PWP作為輸出,構造一個結構為276-280-1的三層前向神經網(wǎng)絡(如圖2所示)。為獲得較準確的導數(shù)信息,避免測量噪聲對求導的影響,首先對測量數(shù)據(jù)進行平滑濾波,并用精度較高的七點求導公式對數(shù)據(jù)進行求導[20],以獲得較高的精度,隱含層激勵函數(shù)取為“tansig”函數(shù),輸出層激活函數(shù)選取“purelin”。用風電場30個典型工作日且未出現(xiàn)棄風情況的歷史數(shù)據(jù)(采樣間隔5 min,共8 640個樣本),采用Levenberg-Marquardt訓練算法對神經網(wǎng)絡進行50次訓練,使訓練均方誤差(MSE)小于0.001。

對訓練好的神經網(wǎng)絡,采用神經網(wǎng)絡方法計算輸入變量對輸出變量的內部貢獻率,采用平均影響值方法計算輸入變量對輸出變量的外部貢獻率,最后計算出綜合貢獻率。

附錄A表A1給出了各輸入變量對預測功率輸出的綜合貢獻率。由表A1可得出如下結論。

1)貢獻率較大的變量主要是風機的風速V,但不是所有風機的風速對預測功率都有較大的貢獻值,表明風速信息有一定的冗余,NN-MIV方法剔除了這些冗余信息。例如:12號風機位于11號、13號風機中間,其冗余信息已被11號、13號風機包含,因此12號風機的貢獻率計算值很小。

圖2 動態(tài)神經網(wǎng)絡預測模型(由三層前向神經網(wǎng)絡和微分器S構成)Fig.2 Dynamic neural network prediction model composed of 3-layer feedforward neural network and differentiators

2)大部分風機的風速導數(shù)對預測功率的貢獻率不大,但也有部分風機的風速導數(shù)或2階導數(shù)對輸出有較大貢獻,這些風機主要位于所有風機的外圍,對風速的改變較為敏感,代表了整個風電場風速未來的變化趨勢。

3)風向本身對預測輸出貢獻率非常小,但風向余弦的導數(shù)(主要是2階導數(shù))對預測功率有一定的貢獻率,表明風向本身與功率輸出基本無關,但風向余弦導數(shù)表示風向的變化,是一種能量轉換的因素,與功率存在一定的關系,而風向余弦的二階導數(shù)則對應著這種能量轉換的未來變化趨勢,因此對預測功率有相對大的貢獻率。

4)貢獻率較大的風機一般位于風電場的外圍,能較快反映風速和風向的變化信息,與未來的風電功率有緊密的聯(lián)系。但由于本文的貢獻率計算方法是一種神經網(wǎng)絡數(shù)據(jù)驅動的方法,因此貢獻率的計算結果還與神經網(wǎng)絡權值的隨機初始化值密切相關。如果權值的初始化值導致某個(風機)節(jié)點數(shù)據(jù)權重較大,則該節(jié)點的貢獻率會在神經網(wǎng)絡訓練中被強化,而權重較小的節(jié)點貢獻率會被弱化,這可能導致地位相近的兩個節(jié)點的貢獻率差異較大的結果。當然這對最終的風電功率預測結果影響較小,因為貢獻率小的變量,或者與風電預測功率聯(lián)系不緊密,或者其信息已經被其他貢獻率大的變量所包含。

根據(jù)變量選擇原則,選擇對預測功率貢獻值最大的56個變量作為輸入,使α為0.953 5,重新構造一個結構為56-60-1的神經網(wǎng)絡預測模型,并采用與訓練276-280-1神經網(wǎng)絡相同的數(shù)據(jù)訓練新的神經網(wǎng)絡,然后對2個神經網(wǎng)絡預測模型分別進行了風電功率預測的實驗。預測實驗采用訓練樣本集之后未出現(xiàn)棄風的某個典型工作日的數(shù)據(jù)(共288個預測點)。圖3給出了不同方法預測的對比結果。

圖3 靜態(tài)神經網(wǎng)絡模型、動態(tài)神經網(wǎng)絡模型與NN-MIV模型的風電功率預測效果Fig.3 Wind power prediction results of static neural network, dynamic neural network and NN-MIV models

同時,本文還構造了一個輸入為46臺風機的風速和風向余弦,神經網(wǎng)絡結構為92-100-1的靜態(tài)神經網(wǎng)絡預測模型。用訓練動態(tài)神經網(wǎng)絡和NN-MIV模型同樣的數(shù)據(jù)訓練靜態(tài)神經網(wǎng)絡模型,用檢驗動態(tài)神經網(wǎng)絡和NN-MIV模型同樣的數(shù)據(jù)檢驗靜態(tài)神經網(wǎng)絡模型的預測效果,其結果也在圖3中給出。

為定量比較預測結果,表1給出了預測結果的均方根誤差:

(16)

式中:Prated為風電場的額定容量;PWP,i為第i次預測風電功率;PW,i為第i次實測風電功率;n為預測數(shù)據(jù)個數(shù)。

為衡量在功率發(fā)生較大變化時的預測誤差,表1給出了預測結果的最大相對誤差指標(見式(17)),還給出了3種預測模型訓練所需要的時間。

(17)

表1 3種預測方法結果比較Table 1 Result comparison between 3 prediction methods

從圖3和表1可以看出:靜態(tài)神經網(wǎng)絡方法除了在訓練時間上少于動態(tài)神經網(wǎng)絡方法外,其他指標均比動態(tài)神經網(wǎng)絡差;而NN-MIV方法不但具有最短的訓練時間,最簡單的結構,而且有最高的預測精度。以上結果可以說明:①動態(tài)神經網(wǎng)絡預測方法通過引入導數(shù),反映系統(tǒng)的動態(tài)特性,能夠提高預測精度;②風電場風機的風速、風向及其各階導數(shù)之中存在較多的對預測功率貢獻較小或冗余的變量,通過NN-MIV方法能在保留95%以上有效信息的基礎上大量減少這些貢獻較小和冗余的變量,簡化預測模型,降低引入測量噪聲的概率,提高了模型的泛化能力和預測精度。

4 結語

基于動態(tài)神經網(wǎng)絡的超短期風電功率預測方法由于采用變量的導數(shù)來表征系統(tǒng)的動態(tài)特性,使預測系統(tǒng)的輸入中隱含了風速和風向未來的信息,能獲得較好的預測效果。但對于風機數(shù)量多的大型風電場,直接使用該方法會導致神經網(wǎng)絡結構復雜、訓練時間長等問題。本文提出了一種基于NN-MIV的超短期風電功率預測方法,此方法將平均影響值和神經網(wǎng)絡方法相結合,綜合考慮了各輸入變量對預測功率的外部貢獻率和內部貢獻率,篩選出了對輸出變量貢獻率最大的56個輸入變量,建立了一個優(yōu)化的神經網(wǎng)絡超短期風電功率預測模型。實驗結果表明,本文方法不僅能降低預測模型的復雜度,減少訓練時間,而且能降低測量噪聲對預測精度的影響,提高風電功率的預測精度。

附錄見本刊網(wǎng)絡版(http://www.aeps-info.com/aeps/ch/index.aspx)。

[1] S?DER L, HOFMANN L, ORTHS A, et al. Experience from wind integration in some high penetration areas[J]. IEEE Trans on Energy Conversion, 2007, 22(1): 4-12.

[2] 何東,劉瑞葉.基于主成分分析的神經網(wǎng)絡動態(tài)集成風功率超短期預測[J].電力系統(tǒng)保護與控制,2013,41(4):50-54.

HE Dong, LIU Ruiye. Ultra-short-term wind power prediction using ANN ensemble based on the principal components analysis[J]. Power System Protection and Control, 2013, 41(4): 50-54.

[3] 薛禹勝,郁琛,趙俊華,等.關于短期及超短期風電功率預測的評述[J].電力系統(tǒng)自動化,2015,39(6):141-151.DOI:10.7500/AEPS20141218003.

XUE Yusheng, YU Chen, ZHAO Junhua, et al. A review on short-term and ultra-short-term wind power prediction[J]. Automation of Electric Power Systems, 2015, 39(6): 141-151. DOI:10.7500/AEPS20141218003.

[4] JIANG Yu, CHEN Xingying, YU Kun, et al. Short-term wind power forecasting using hybrid method based on enhanced boosting algorithm[J]. Journal of Modern Power Systems and Clean Energy, 2017, 5(1): 126-133.

[5] COSTA A, CRESPO A, NAVARRO J, et al. A review on the young history of the wind power short-term prediction[J]. Renewable and Sustainable Energy Reviews, 2008, 12(6): 1725-1744.

[6] MU Gang, YANG Mao, WANG Dong, et al. Spatial dispersion of wind speeds and its influence on the forecasting error of wind power in a wind farm[J]. Journal of Modern Power Systems and Clean Energy, 2016, 4(2): 265-274.

[7] 陳穎,周海,王文鵬,等.風電場輸出功率超短期預測結果分析與改進[J].電力系統(tǒng)自動化,2011,35(15):30-33.

CHEN Ying, ZHOU Hai, WANG Wenpeng, et al. Improvement of ultra-short-term forecast for wind power[J]. Automation of Electric Power Systems, 2011, 35(15): 30-33

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

[9] BROWN B G, KATZ R W, MURPHY A H. Time-series models to simulate and forecast wind-speed and wind power[J]. Journal of Climate and Applied Meteorology, 1984, 23(8): 1184-1195.

[10] 郁琛,薛禹勝,文福拴,等.按時序特征優(yōu)化模型后在線選配的超短期風電預測[J].電力系統(tǒng)自動化,2015,39(8):5-11.DOI:10.7500/AEPS20141230007.

YU Chen, XUE Yusheng, WEN Fushuan, et al. An ultra-short-term wind power prediction method using “offline classification and optimization, online model matching” based on time series features[J]. Automation of Electric Power Systems, 2015, 39(8): 5-11. DOI: 10.7500/AEPS20141230007.

[11] 李智,韓學山,韓力,等.地區(qū)電網(wǎng)風電場功率超短期預測方法[J].電力系統(tǒng)自動化,2010,34(7):90-94.

LI Zhi, HAN Xueshan, HAN Li, et al. An ultra-short-term wind power forecasting method in regional grids[J]. Automation of Electric Power Systems, 2010, 34(7): 90-94

[12] 劉愛國,薛云濤,胡江鷺.基于GA優(yōu)化SVM的風電功率的超短期預測[J]. 電力系統(tǒng)保護與控制, 2015, 43(2): 90-95.

LIU Aiguo, XUE Yuntao, HU Jianglu, et al. Ultra-short-term wind power forecasting based on SVM optimized by GA[J]. Power System Protection and Control, 2015, 43(2): 90-95.

[13] 丁志勇,楊蘋,楊曦,等.基于連續(xù)時間段聚類的支持向量機風電功率預測方法[J].電力系統(tǒng)自動化,2012,36(14):131-135.

DING Zhiyong, YANG Ping, YANG Xi, et al. Wind power prediction method based on sequential time clustering support vector machine[J]. Automation of Electric Power Systems, 2012, 36(14): 131-135.

[14] PRATHEEPRAJ E, ABRAHAM A, DEEPA S N. Very short term wind power forecasting using PSO-neural network hybrid system[J]. Advances in Computing and Communications, 2011, 192(3): 503-511.

[15] LI J, MAO J. Ultra-short-term wind power prediction using BP neural network[C]// 9th IEEE Conference on Industrial Electronics and Applications, June 9-11, 2014, Hangzhou, China: 2001-2006.

[16] 崔明建,孫元章,柯德平.基于原子稀疏分解和BP神經網(wǎng)絡的風電功率爬坡事件預測[J].電力系統(tǒng)自動化,2014,38(12):6-11.DOI:10.7500/AEPS20130418003.

CUI Mingjian, SUN Yuanzhang, KE Deping. Wind power ramp events forecasting based on atomic sparse decomposition and BP neural networks[J]. Automation of Electric Power Systems, 2014, 38(12): 6-11. DOI: 10.7500/AEPS20130418003.

[17] 范高鋒,王偉勝,劉純,等.基于人工神經網(wǎng)絡的風電功率預測[J].中國電機工程學報,2008,28(34):118-123.

FAN Gaofeng, WANG Weisheng, LIU Chun, et al. Wind power prediction based on artificial neural network[J]. Proceedings of the CSEE, 2008, 28(34): 118-123.

[18] 劉瑞葉,黃磊.基于動態(tài)神經網(wǎng)絡的風電場輸出功率預測[J].電力系統(tǒng)自動化,2012,36(11):19-22.

LIU Ruiye, HUANG Lei. Wind power forecasting based on dynamic neural networks[J]. Automation of Electric Power Systems, 2012, 36(11): 19-22.

[19] OZESMI S L, OZESMI U. An artificial neural network approach to spatial habitat modeling with interspecific interaction[J]. Ecological Modelling, 1999, 116(1): 15-31.

[20] 張騰.神經網(wǎng)絡逆系統(tǒng)方法及其在電力系統(tǒng)控制中的應用[D].南京:東南大學,2002.

Ultra-short-termWindPowerPredictionBasedonNeuralNetworkandMeanImpactValue

XULongbo1,WANGWei2,3,ZHANGTao2,3,YANGLi1,WANGShaoyong1,LIYudong1

(1. Guangdong Electric Power Design Institute Co. Ltd., China Energy Engineering Group, Guangzhou 510663, China;2. NARI Group Corporation (State Grid Electric Power Research Institute), Nanjing 211106, China;3. NARI Nanjing Control System Co. Ltd., Nanjing 210061, China)

To solve the problems of variable redundancy and model complexity in the prediction model based on the dynamic neural network, an ultra-short-term wind power prediction method is proposed by combining the neural network (NN) and the mean impact value (MIV). In this method, the external and internal contribution rates of the input variables to the output variables (wind power prediction value) are taken into account, and the input variable with the largest contribution to the output variables is selected. Then an optimized NN prediction model for ultra-short-term wind power prediction is developed. The experimental results show that the proposed model reduces the complexity of the prediction model, mitigates the influence of the measuring noise on the prediction accuracy, and obtains good wind power prediction results.

This work is supported by National High Technology Research and Development Program of China (863 Program) (No. 2013AA050601).

wind power; ultra-short-term prediction; dynamic neural network (DNN); mean impact value (MIV); variable selection

2017-03-21;

2017-07-20。

上網(wǎng)日期: 2017-09-19。

國家高技術研究發(fā)展計劃(863計劃)資助項目(2013AA050601)。

徐龍博(1984—),男,碩士,高級工程師,主要研究方向:新能源發(fā)電。E-mail： xlbsjtu@163.com

王 偉(1967—),男,通信作者,碩士,高級工程師,主要研究方向:新能源發(fā)電監(jiān)視與控制。E-mail: wangwei2@sgepri.sgcc.com.cn

張 滔(1982—),男,碩士,工程師,主要研究方向:新能源發(fā)電監(jiān)視與控制。E-mail: zhangtao6@sgepri.sgcc.com.cn

(編輯蔡靜雯)