來庭煜 饒佳黎 周旭

摘 要：近年來，隨著我國(guó)的風(fēng)電發(fā)展的突飛猛進(jìn)，對(duì)風(fēng)電場(chǎng)功率進(jìn)行實(shí)時(shí)預(yù)測(cè)具有重要意義，但大氣和電場(chǎng)的地形地貌等自然因素導(dǎo)致風(fēng)電功率的不可控性。本文利用動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)的反饋記憶特性，采用基于NAR動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)對(duì)風(fēng)電功率進(jìn)行時(shí)間序列短期預(yù)測(cè)，準(zhǔn)確率高達(dá)93.7%，證明該模型能有效提高風(fēng)電功率實(shí)時(shí)預(yù)測(cè)的準(zhǔn)確性，可改善風(fēng)電聯(lián)網(wǎng)運(yùn)行性能，為電力生產(chǎn)和調(diào)度提供良好的條件。

關(guān)鍵詞：動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò) 時(shí)間序列 風(fēng)電實(shí)時(shí)預(yù)測(cè)

中圖分類號(hào)：TM73 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1672-3791（2018）10（b）-0058-02

在化石能源日益枯竭的近現(xiàn)代，各國(guó)將更多的目光投向風(fēng)電、太陽能等相對(duì)清潔的新型能源。而我國(guó)也確立了可再生能源開發(fā)利用在能源發(fā)展中的優(yōu)先地位。

風(fēng)電作為一種大自然所提供的二次能源，其實(shí)時(shí)功率存在不可控性，因此需要對(duì)風(fēng)力所產(chǎn)生的電功率進(jìn)行實(shí)時(shí)預(yù)測(cè)。一般的線性擬合模型、灰色預(yù)測(cè)模型等方法難以及時(shí)并準(zhǔn)確地預(yù)測(cè)未來時(shí)刻的風(fēng)電功率[3]。本文從提高風(fēng)電的實(shí)時(shí)預(yù)測(cè)的準(zhǔn)確精度角度出發(fā)，利用基于NAR動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)的時(shí)間序列法對(duì)風(fēng)電功率進(jìn)行短期預(yù)測(cè)。

1 動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)時(shí)間序列預(yù)測(cè)原理

1.1 基本結(jié)構(gòu)

神經(jīng)網(wǎng)絡(luò)分為兩大類：靜態(tài)神經(jīng)網(wǎng)絡(luò)和動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)。動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)又可分為有反饋和無反饋兩種[1]。靜態(tài)神經(jīng)網(wǎng)絡(luò)無記憶功能，輸出只和當(dāng)前的輸入有關(guān)，而動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)的輸出不僅依賴當(dāng)前的輸入，也和之前的輸入存在關(guān)系，因此動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)要比靜態(tài)神經(jīng)網(wǎng)絡(luò)功能強(qiáng)，預(yù)測(cè)的準(zhǔn)確率高。

時(shí)間序列預(yù)測(cè)分為三種：

有y，無x，即y（t）=f（y（t-1），y（t-2），…）（NAR）

有y，有x，即y（t）=f（x（t-2），…，y（t-1），y（t-2），…）（NARX）

無y，有x，即y（t）=f（x（t-1），x（t-2），…）（較少見）

1.2 算法流程

Matlab中存在時(shí)間序列工具箱，通過設(shè)置影響當(dāng)前輸出的過去因素的個(gè)數(shù)，隱含層節(jié)點(diǎn)的個(gè)數(shù)，采用動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)反饋模型，通過訓(xùn)練得出預(yù)測(cè)結(jié)果。

1.2.1 數(shù)據(jù)標(biāo)準(zhǔn)化

對(duì)原始數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化，使其在0～1之間，標(biāo)準(zhǔn)化方式如下：

其中，xmax、xmin分別為訓(xùn)練樣本中輸入數(shù)據(jù)的最大值和最小值，yi、xi分別為輸入樣本歸一化前后的值[4]。

1.2.2 Matlab時(shí)間序列工具箱的調(diào)用

在Matlab中輸入nnstart，啟動(dòng)Neural Network Start，進(jìn)入動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)時(shí)間序列工具箱，采用NAR—非線性自回歸模型，并選則訓(xùn)練該網(wǎng)絡(luò)的數(shù)據(jù)，對(duì)其進(jìn)行分割，采用系統(tǒng)的默認(rèn)值，原始數(shù)據(jù)的70%作為訓(xùn)練數(shù)據(jù)，15%作為驗(yàn)證數(shù)據(jù)，剩余的15%作為測(cè)試數(shù)據(jù)[2]。

1.2.3 參數(shù)設(shè)置

反復(fù)調(diào)節(jié)隱含層神經(jīng)元個(gè)數(shù)和時(shí)間滯后的yi個(gè)數(shù)，并進(jìn)行訓(xùn)練，直到滿足誤差要求。

1.2.4 仿真訓(xùn)練

參數(shù)設(shè)置好之后，點(diǎn)擊Train訓(xùn)練，訓(xùn)練完成后，通過Plot Error Autocorrelation和Plot Input-Error Correlation檢查誤差是否滿足要求，若滿足要求，則訓(xùn)練完成；若誤差不滿足要求，則進(jìn)行重新訓(xùn)練。

2 基于NAR動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)時(shí)間序列的風(fēng)電功率短期預(yù)測(cè)模型

2.1 數(shù)據(jù)預(yù)處理及考核指標(biāo)

本文選用NAR時(shí)間序列對(duì)風(fēng)電功率進(jìn)行預(yù)測(cè)，收集的風(fēng)電場(chǎng)功率數(shù)據(jù)，每15min采樣一次，單位為kW。并對(duì)原始數(shù)據(jù)進(jìn)行歸一化處理。

風(fēng)電場(chǎng)發(fā)電預(yù)測(cè)預(yù)報(bào)考核指標(biāo)為風(fēng)電場(chǎng)發(fā)電預(yù)測(cè)預(yù)報(bào)準(zhǔn)確率：

（1）

其中，e為預(yù)測(cè)曲線準(zhǔn)確率；PMk為k時(shí)段的實(shí)際平均功率；PPk為k時(shí)段的預(yù)測(cè)平均功率；N為日考核總時(shí)段數(shù)；Cap為風(fēng)電場(chǎng)開機(jī)容量。

2.2 預(yù)測(cè)指標(biāo)的結(jié)構(gòu)

本文采取NAR時(shí)間序列預(yù)測(cè)，只有輸出，沒有輸入，滿足非線性自回歸模型，當(dāng)前的預(yù)測(cè)值與前面六個(gè)的輸出變量有關(guān)，即：

y（t）=f（y（t-1），y（t-2），y（t-3），y（t-4），y（t-5），y（t-6），）

使用某個(gè)時(shí)刻之前的六個(gè)數(shù)據(jù)對(duì)此時(shí)刻的風(fēng)電功率進(jìn)行預(yù)測(cè)，將統(tǒng)計(jì)的風(fēng)電場(chǎng)各時(shí)刻數(shù)據(jù)當(dāng)做一個(gè)時(shí)間序列，以原始數(shù)據(jù)作為基礎(chǔ)，反復(fù)進(jìn)行訓(xùn)練，輸出預(yù)測(cè)值。

3 案例分析

利用MATLAB軟件進(jìn)行編程，采用數(shù)據(jù)為某地區(qū)某風(fēng)電場(chǎng)2016年5月10日至2016年6月6日內(nèi)全場(chǎng)58臺(tái)風(fēng)電機(jī)組總輸出功率數(shù)據(jù)。預(yù)測(cè)6月7日的96個(gè)時(shí)刻的風(fēng)電功率，選取之前27天的數(shù)據(jù)作為輸入數(shù)據(jù)，利用NAR動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)，反復(fù)調(diào)節(jié)隱含神經(jīng)元個(gè)數(shù)和時(shí)間滯后個(gè)數(shù)，經(jīng)訓(xùn)練后得隱含神經(jīng)元個(gè)數(shù)為15，當(dāng)達(dá)到0.01的精度要求時(shí)輸出風(fēng)電功率的預(yù)測(cè)值。誤差曲線如圖2，圖3所示。

由圖2，圖3可知，經(jīng)過NAR動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)訓(xùn)練后，所得的預(yù)測(cè)結(jié)果和真實(shí)值之間的誤差較小，較為接近真實(shí)數(shù)據(jù)，最大誤差為22.9%，平均誤差為5.84%，大部分的點(diǎn)都能準(zhǔn)確的預(yù)測(cè)，部分?jǐn)?shù)據(jù)的預(yù)測(cè)值誤差較大，可認(rèn)為是異常點(diǎn)，即在該點(diǎn)處風(fēng)電機(jī)組功率異常，因?yàn)轱L(fēng)電功率本身受風(fēng)力，氣溫氣壓等自然因素影響，存在無法消除的系統(tǒng)誤差。總體上，NAR神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)結(jié)果準(zhǔn)確率e為93.7%，誤差較小，對(duì)開發(fā)風(fēng)電功率預(yù)測(cè)系統(tǒng)有參考價(jià)值，還可促進(jìn)對(duì)風(fēng)電系統(tǒng)的穩(wěn)定運(yùn)行和維護(hù)。

4 結(jié)語

在風(fēng)電日益發(fā)展的現(xiàn)代，風(fēng)力發(fā)電的隨機(jī)性是人們無法解決的難題，提高風(fēng)電的實(shí)時(shí)預(yù)測(cè)的準(zhǔn)確精度將有利于電網(wǎng)的實(shí)時(shí)調(diào)度，本文通過動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)模型對(duì)某風(fēng)電場(chǎng)2016年6月7日全天的風(fēng)電功率進(jìn)行時(shí)間預(yù)測(cè)，采用之前27天該風(fēng)電場(chǎng)的數(shù)據(jù)進(jìn)行訓(xùn)練，滿足精度要求后輸出預(yù)測(cè)結(jié)果，準(zhǔn)確率為93.7%，誤差較小，實(shí)用性較強(qiáng)，證明動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)時(shí)間序列預(yù)測(cè)具有精度較高，收斂能力強(qiáng)等優(yōu)點(diǎn)，且無滯后效果，更加適用于風(fēng)電實(shí)時(shí)預(yù)測(cè)，有利于及時(shí)對(duì)風(fēng)電系統(tǒng)進(jìn)行調(diào)度和維護(hù)，從而提高電力系統(tǒng)的經(jīng)濟(jì)效益。

參考文獻(xiàn)

[1] 陳舒陽，徐林榮，曹祿來.基于動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)法考慮區(qū)域沉降的高速鐵路沉降預(yù)測(cè)[J].鐵道學(xué)報(bào)，2015，37（5）：83-87.

[2] 張皓.基于MATLAB動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)進(jìn)行時(shí)間序列預(yù)測(cè)房地產(chǎn)價(jià)格的研究[J].經(jīng)濟(jì)師，2015（9）：284，286.

[3] 范高鋒，王偉勝，劉純.基于人工神經(jīng)網(wǎng)絡(luò)的風(fēng)電功率短期預(yù)測(cè)系統(tǒng)[J].電網(wǎng)技術(shù)，2008（22）：72-76.