國網(wǎng)山東省電力公司肥城市供電公司 劉曉曉

1 前言

風(fēng)速一般會受到多種氣象與地理因素的影響，比如溫度、氣壓、地形等，這就使它會相應(yīng)地表現(xiàn)出很強的隨機性，進(jìn)而導(dǎo)致風(fēng)電場風(fēng)力發(fā)電功率也具有很強的隨機性，這也將使預(yù)測的難度遠(yuǎn)遠(yuǎn)加大，并且精度下降[1-3]。

風(fēng)功率預(yù)測方法主要可以分為2類：一種方法是根據(jù)數(shù)值天氣預(yù)報的數(shù)據(jù)，然后通過物理方法計算風(fēng)速與風(fēng)電場的輸出功率；另一種方法是根據(jù)在線實測的歷史數(shù)據(jù)，挖掘其中的內(nèi)在規(guī)律，進(jìn)行預(yù)測的統(tǒng)計方法。一般來說，統(tǒng)計方法要優(yōu)于物理方法，但是這兩種方法在進(jìn)行長期預(yù)測方面差別不是很大，而統(tǒng)計模型需要更多的輸入數(shù)據(jù)，而物理方法則要求較高的數(shù)值天氣預(yù)報的精確度[4-6]。

當(dāng)今我國對風(fēng)速及風(fēng)電場出力的預(yù)測還大部分都還停留在理論研究階段，各科研單位、風(fēng)電企業(yè)、電網(wǎng)公司都在努力探索。國內(nèi)的風(fēng)電預(yù)測水平近年來有較大提高，預(yù)測誤差不斷降低，但與國外相比，仍然偏高。造成這一現(xiàn)象的原因，一方面由于國內(nèi)的風(fēng)速及風(fēng)電場功率預(yù)測研究起步比較晚，仍需時日以不斷進(jìn)步，另一方面，國外的NWP系統(tǒng)較國內(nèi)更為先進(jìn)，可以提供精度更高、尺度更細(xì)的天氣預(yù)報數(shù)據(jù)進(jìn)行分析預(yù)測[7-10]。

風(fēng)功率預(yù)測的復(fù)雜和困難主要是由于其非線性和非平穩(wěn)性造成的，在實際分析的時候，若把與輸出功率有關(guān)的多個變量考慮到，運用多維數(shù)據(jù)作為影響能夠輸出功率的參數(shù)，輸出數(shù)據(jù)在理論上來說會更加精確的。本文數(shù)值環(huán)境因素的影響，通過運用時間序列來簡化處理各種參數(shù)，基于改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)建立基于數(shù)值氣象數(shù)據(jù)的風(fēng)電功率預(yù)測模型。

2 建模流程

BP神經(jīng)網(wǎng)絡(luò)的基本結(jié)果和原理參考文獻(xiàn)[12]，本文主要工作為基于BP神經(jīng)玩過建立風(fēng)功率預(yù)測模型。影響風(fēng)電功率輸出的最大因子是風(fēng)速，而風(fēng)速與年變化、地形不同、高度不同、時間不同都有關(guān)聯(lián)。而數(shù)值氣象包含溫度、濕度、風(fēng)速等，期預(yù)測結(jié)果可以作為風(fēng)速預(yù)測的有力依據(jù)。本文選擇的輸入數(shù)據(jù)有：風(fēng)速、溫度、歷史功率，設(shè)計一個單隱層。從而本文的BP網(wǎng)絡(luò)模型結(jié)構(gòu)為三層：輸入層、隱含層、輸出層。具體模型如圖1所示：

圖1 BP預(yù)測網(wǎng)絡(luò)直接預(yù)測風(fēng)功率模型

3 算例分析

本文所采用的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)為三層BP網(wǎng)絡(luò)，所用數(shù)據(jù)來源于我們南方某風(fēng)電場，采樣時間間隔為10分鐘的340個連續(xù)風(fēng)電功率數(shù)據(jù)，前320個數(shù)據(jù)作為模型訓(xùn)練數(shù)據(jù)，后20個數(shù)據(jù)作為檢驗預(yù)測結(jié)果。本文將訓(xùn)練模型的輸入向量設(shè)為7個，所以網(wǎng)絡(luò)輸入層的神經(jīng)元有7個，根據(jù)Kolmogorov定理，可知網(wǎng)絡(luò)中間層即隱含層的神經(jīng)元可以取13個，即2n+l法，輸入?yún)?shù)個數(shù)的2倍。輸出向量是1個，所以輸出層的神經(jīng)元有1個。另外網(wǎng)絡(luò)中間層的神經(jīng)元傳遞函數(shù)采用S型的tansig函數(shù)，輸出層的神經(jīng)元傳遞函數(shù)采用線性purelin函數(shù)。利用以下代碼創(chuàng)建一個滿足上述要求的BP網(wǎng)絡(luò)：net=newff([minmax(pp)]，[13,1]，{'tansig','purelin’}，'trainlm’)；其中，pp是輸入向量，trainlm'表示設(shè)定網(wǎng)絡(luò)的訓(xùn)練函數(shù)為trainlm，它采用Levenberg-Marquardt算法進(jìn)行網(wǎng)絡(luò)學(xué)習(xí)。因為這里選取的功率預(yù)測功率訓(xùn)練，模型相對簡單，除了預(yù)設(shè)誤差限之外，網(wǎng)絡(luò)其他參數(shù)按默認(rèn)值訓(xùn)練。由于其他參數(shù)都按默認(rèn)值，而誤差曲面存在的多個極小點會使得訓(xùn)練陷入局部最小值，無法收斂于給定誤差，針對以上情況，針對這一問題，本文采用增加動量項和可變學(xué)習(xí)速度的方法來進(jìn)行改進(jìn)BP神經(jīng)網(wǎng)絡(luò)。

（1）增加動量項

標(biāo)準(zhǔn)BP算法在調(diào)整權(quán)值時，之按t時刻誤差梯度下降方向調(diào)整而沒有考慮t時刻以前的梯度方向，會導(dǎo)致訓(xùn)練過程發(fā)生振蕩。為了提高訓(xùn)練速度，可以在權(quán)值中加入一些動量項：

式(1)中W為某層權(quán)矩陣，O為某層輸出向量，α稱為動量系數(shù)，，反應(yīng)了以前積累的調(diào)整經(jīng)驗。

（2）可變學(xué)習(xí)速率的反向傳播法

由之前分析可以知道，可以通過調(diào)整學(xué)習(xí)速率來改變誤差曲面的形狀?？勺儗W(xué)習(xí)速度反向傳播法的規(guī)則如下：

1）如果平方誤差（在整個訓(xùn)練集上）在權(quán)值更新后增加了，并且超過了某個設(shè)置的百分?jǐn)?shù)β（在1%～5%之間），則權(quán)值更新取消，學(xué)習(xí)速率乘以一個0到1之間的因子，且動量系數(shù)α歸零。

2）如果平方誤差在權(quán)值更新后減少了，則權(quán)值更新被接受，并且學(xué)習(xí)速率保持不變。如果α過去被設(shè)置為0，則恢復(fù)到以前的值。

3）如果平方誤差小于β，則權(quán)值更新被接受，但學(xué)習(xí)速率不變。如果α過去被設(shè)置為0，則恢復(fù)到之前的值。

（3）學(xué)習(xí)速率的自適應(yīng)調(diào)節(jié)

上面給出的可變學(xué)習(xí)速度算法需要設(shè)置若干個參數(shù)，算法性能對這些參數(shù)的改變很敏感，處理較麻煩。自適應(yīng)學(xué)習(xí)速率法則沒有以上缺陷。學(xué)習(xí)速率之和網(wǎng)絡(luò)誤差有關(guān)聯(lián)。

在網(wǎng)絡(luò)經(jīng)過一個批次處理后，如果總的誤差E總增加，則本次調(diào)整無效，且：

若E總下降，則調(diào)整有效，且：

（4）改進(jìn)BP算法結(jié)果

按照上述改進(jìn)方法改進(jìn)BP網(wǎng)絡(luò)算法，結(jié)果如圖2所示。

圖2 改進(jìn)BP網(wǎng)絡(luò)算法結(jié)果

一般而言采用均方根誤差和平均絕對誤差來衡量預(yù)測的效果，表1給出了風(fēng)速預(yù)測各模型的主要誤差指標(biāo)。

表1 各預(yù)測模型主要誤差指標(biāo)

由表1可以看出，兩者改進(jìn)前后的風(fēng)速預(yù)測的絕對平均誤差和均方根誤差均小于0.15，滿足要求。但是改進(jìn)后的指標(biāo)明顯優(yōu)于修改之前。

4 結(jié)論

本文從風(fēng)功率預(yù)測的基本理論出發(fā)，通過數(shù)值環(huán)境因素和改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)對風(fēng)電功率進(jìn)行預(yù)測，實驗結(jié)果表明了本文方法的實用性和先進(jìn)性，然而，本文的并沒有深度挖掘多種環(huán)境大數(shù)據(jù)對功率數(shù)據(jù)的影響，一定程度上限制了預(yù)測精度，因此今后的主要工作應(yīng)該是從挖掘多種數(shù)值環(huán)境大數(shù)據(jù)出發(fā)，基于數(shù)據(jù)挖掘來提高預(yù)測精度。

[1]張麗英,葉廷路,辛耀中,等.大規(guī)模風(fēng)電接入電網(wǎng)的相關(guān)問題及措施[J].中國電機工程學(xué)報,2010,30(25):1-9.

[2]袁鐵江,晁勤,李義巖,等.大規(guī)模風(fēng)電并網(wǎng)電力系統(tǒng)經(jīng)濟調(diào)度中風(fēng)電場出力的短期預(yù)測模型[J].中國電機工程學(xué)報,2010,30(13):23-27.

[3]馮雙磊,王偉勝,劉純,等.風(fēng)電場功率預(yù)測物理方法研究[J].中國電機工程學(xué)報,2010,30(2):1-6．

[4]王麗婕,冬雷,廖曉鐘,等.基于小波分析的風(fēng)電場短期發(fā)電功率預(yù)測[J].中國電機工程學(xué)報,2009.

[5]Yongqian L,Jie S,Yongping Y,et al.Short-term wind power prediction based on wavelet transform-support vector machine and statistic characteristics analysis[J].IEEE Transactions on Industry Applications,2012,48(4):1136-1141.

[6]Antonino-Daviu J.A,Riera-Guasp M,Pons-Llinares J,Toward Condition Monitoring of Damper Windings in Synchronous Motors via EMD Analysis[J].IEEE Transactions on Energy Conversion,2012.27(2):432-439.

[7]Peiyuan C,Pedersen T,Bak-Jensen B,et al.ARIMA-Based Time Series Model of Stochastic Wind Power Generation.IEEE Transactions on Power Systems[J].2010,25(2):667-676．

[8]Bhaskar K.,Singh S.N.AWNN-Assisted Wind Power Forecasting Using Feed-Forward Neural Network.IEEE Transactions on Sustainable Energy[J].2012,3(2):306-315．

[9]楊錫運,孫寶君,張新房等.基于相似數(shù)據(jù)的支持向量機短期風(fēng)速預(yù)測仿真研究[J].中國電機工程學(xué)報2012,32(4):35-41．

[10]康守強,王玉靜,楊廣學(xué),等.基于經(jīng)驗?zāi)B(tài)分解和超球多類支持向量機的滾動軸承故障診斷方法[J].中國電機工程學(xué)報,2011,31(14):96-102．

[11]崔楊,陳正洪,等.棄風(fēng)限電條件下復(fù)雜地形風(fēng)電場短期風(fēng)功率預(yù)測對比分析[J].太陽能學(xué)報,2017.

[12]王小川,史峰,郁磊,等.MATLAB神經(jīng)網(wǎng)絡(luò)43個案例分析[M].北京:北京航空航天大學(xué),2013.