鄭 海， 陳湘萍， 李 慧， 鄭友康

(貴州大學(xué) 電氣工程學(xué)院，貴陽 550000)

0 引 言

隨著全球性化石能源危機(jī)、環(huán)境污染、溫室效應(yīng)、電力供需矛盾以及常規(guī)能源的開發(fā)利用受到局限等一系列問題的加深，使得新能源得到大力的發(fā)展。作為一種污染小、儲(chǔ)量大的可再生能源，風(fēng)能具有極大的開發(fā)價(jià)值意義和美好發(fā)展的前景。風(fēng)能的主要利用方式為風(fēng)力發(fā)電。風(fēng)電出力的不穩(wěn)定、隨機(jī)等特性使得風(fēng)電場(chǎng)輸出功率并網(wǎng)給電力系統(tǒng)維護(hù)增加了巨大的難度，因此，風(fēng)功率的預(yù)測(cè)對(duì)電力系統(tǒng)的穩(wěn)定運(yùn)轉(zhuǎn)、功率均衡、風(fēng)險(xiǎn)評(píng)估、電能質(zhì)量等具有較大的意義。隨著風(fēng)電場(chǎng)發(fā)電量在電網(wǎng)中的比重增加，電網(wǎng)調(diào)度的難度系數(shù)不斷加大，準(zhǔn)確地預(yù)測(cè)風(fēng)電場(chǎng)功率輸出，對(duì)于電能生產(chǎn)的運(yùn)行、發(fā)電計(jì)劃的調(diào)整有極大意義。

當(dāng)前，針對(duì)風(fēng)電場(chǎng)輸出功率的預(yù)測(cè)方法有很多，文獻(xiàn)[1]中將經(jīng)驗(yàn)小波變換和核極限學(xué)習(xí)機(jī)相結(jié)合用于短期風(fēng)功率預(yù)測(cè)，文獻(xiàn)[2]中采用時(shí)間序列法對(duì)風(fēng)功率進(jìn)行預(yù)測(cè)并對(duì)結(jié)果進(jìn)行分析，結(jié)果表明不加入氣象因素的預(yù)測(cè)結(jié)果不是太理想。文獻(xiàn)[3]中將遺傳算法用于優(yōu)化模型的權(quán)值和閥值，再通過訓(xùn)練好的小波-BP神經(jīng)網(wǎng)絡(luò)來對(duì)風(fēng)電場(chǎng)輸出功率進(jìn)行預(yù)測(cè)。文獻(xiàn)[4]中將數(shù)值天氣預(yù)報(bào)引入風(fēng)電場(chǎng)的功率預(yù)測(cè)中，提出了一種基于卡爾曼濾波風(fēng)功率預(yù)測(cè)模型。這些預(yù)測(cè)方法以龐大的數(shù)據(jù)庫作為支撐，將風(fēng)本身的特性作為特征輸入，鮮有考慮天氣因素對(duì)風(fēng)電場(chǎng)功率輸出的影響，即忽略了一些影響風(fēng)功率輸出的非線性因素。風(fēng)特性在一定程度上受降雨量、溫度、濕度、氣壓等氣象因素影響，因此，含有氣象信息的風(fēng)功率預(yù)測(cè)方法亟待研究。

神經(jīng)網(wǎng)絡(luò)不僅可通過映射形式來反映輸入和輸出數(shù)據(jù)之間的關(guān)系，而且收斂速度快，具有良好的學(xué)習(xí)和泛化能力[5]，可應(yīng)用于數(shù)據(jù)的分類，天氣的預(yù)報(bào)等領(lǐng)域。小波分析方法則可以獲取一些不穩(wěn)定和非線性的特征，可用于分析具有顯著間歇特性和不穩(wěn)定的可再生能源的波動(dòng)情況[6-9]，相關(guān)結(jié)論在可再生能源輸出功率預(yù)測(cè)中取得不錯(cuò)的效果。本文針對(duì)風(fēng)電場(chǎng)功率輸出具有的周期、波動(dòng)、隨機(jī)等特點(diǎn)，提出一種基于小波變換與RBF神經(jīng)網(wǎng)絡(luò)的方法建模，以實(shí)現(xiàn)風(fēng)電場(chǎng)功率輸出預(yù)測(cè)。

1 小波變換與神經(jīng)網(wǎng)絡(luò)技術(shù)

1.1 小波變換

作為一種有效的分析方法，小波變換能對(duì)一些具有不穩(wěn)定和非線性的信號(hào)進(jìn)行局部化分析。即是將一個(gè)已知的函數(shù)Ψ(t)經(jīng)過平移和縮放后跟原始信號(hào)作比較，這樣可以分析不同時(shí)期和不同領(lǐng)域范圍內(nèi)信號(hào)的局部特征[10]。

假設(shè)x(t)在一定領(lǐng)域范圍為平方可積信號(hào)，即滿足x(t)∈L2(R)，那么x(t)的連續(xù)小波變換可定義為：

(1)

式中：a為尺度參數(shù)；b位移參數(shù)；

(2)

小波變換中常使用Mallat算法, 該算法加快了小波離散化的速度，該算法將x(t)信號(hào)正交投影到空間Vi和Wi。這樣即可得到在i尺度下x(t)的離散逼近信號(hào)ci(t)和離散細(xì)節(jié)信號(hào)di(t)[11]，當(dāng)i由0逐漸增大時(shí)，就可逐級(jí)分解信號(hào)，而后就可得到離散x(t)，信號(hào)：

(3)

1.2 神經(jīng)網(wǎng)絡(luò)

神經(jīng)網(wǎng)絡(luò)具有如下兩個(gè)特點(diǎn)：① 大規(guī)模并行分布式結(jié)構(gòu)；② 較強(qiáng)學(xué)習(xí)能力和泛化能力[12-13]。從理論上說，通過調(diào)整神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，就可以在一個(gè)范圍內(nèi)接近給出的任何一個(gè)非線性函數(shù)。在風(fēng)力發(fā)電系統(tǒng)中，神經(jīng)網(wǎng)絡(luò)主要用于預(yù)測(cè)未來幾小時(shí)內(nèi)或1 d內(nèi)風(fēng)電場(chǎng)輸出的功率。

文中采用的神經(jīng)網(wǎng)絡(luò)為徑向基神經(jīng)網(wǎng)絡(luò)(Radical Basis Function Neural Network，RBFNN)。RBF網(wǎng)絡(luò)是一個(gè)雙層前向神經(jīng)網(wǎng)絡(luò)，由隱藏的功能神經(jīng)元層和帶有線性神經(jīng)元的輸出層組成[14]。相對(duì)于BPNN來說，RBFNN泛化能力強(qiáng)、收斂速度快、節(jié)約時(shí)間，能全局逼近而避免陷入局部最小值或最大值問題，并且預(yù)測(cè)精度較高。表1為“WT+RBFNN” 和RBFNN用于風(fēng)功率預(yù)測(cè)的相參數(shù)。

表1 風(fēng)功率預(yù)測(cè)的“WT+ RBFNN”和RBFNN的相關(guān)模型參數(shù)

2 基于小波變換的神經(jīng)網(wǎng)絡(luò)模型建立

2.1 輸入變量分析和選擇

從理論上說，風(fēng)速的大小是導(dǎo)致風(fēng)電場(chǎng)出力的直接影響因素，風(fēng)速的大小直接影響風(fēng)電功率的大小，同時(shí)風(fēng)電功率的輸出與氣象條件和風(fēng)電場(chǎng)系統(tǒng)自身特性有關(guān)。因此，文中采用風(fēng)電場(chǎng)以往的部分?jǐn)?shù)據(jù)訓(xùn)練，環(huán)境信息(包括平均溫度、相對(duì)濕度、降雨量、等氣象信息)作為文中模型的輸入數(shù)據(jù)。平均溫度、相對(duì)濕度、降雨量、風(fēng)速信號(hào)如圖1所示。

(a) 相對(duì)濕度

(c) 降雨量

2.2 模型的建立

風(fēng)電場(chǎng)輸出功率跟風(fēng)速之間的近似關(guān)系如下：

(4)

式中：v表示風(fēng)機(jī)輪轂高度處的風(fēng)速；vcut_in表示切入風(fēng)速；vcut_out表示切出風(fēng)速；vr表示額定風(fēng)速；Pr表示風(fēng)機(jī)額定輸出功率。

神經(jīng)網(wǎng)絡(luò)作為一種具有廣泛研究?jī)?nèi)容的學(xué)科，它不僅可運(yùn)用于最基礎(chǔ)的生物原型的分析、信息的處理等，還可用于建立模型用作預(yù)測(cè)，文中正是運(yùn)用了神經(jīng)網(wǎng)絡(luò)的這一原理。在預(yù)測(cè)風(fēng)功率之前，先選取一部分?jǐn)?shù)據(jù)訓(xùn)練預(yù)測(cè)模型，另一部分?jǐn)?shù)據(jù)作為測(cè)試集以評(píng)估預(yù)測(cè)模型的性能，最終即可通過訓(xùn)練好的模型對(duì)風(fēng)電池輸出功率進(jìn)行預(yù)測(cè)。基于小波變換和神經(jīng)網(wǎng)絡(luò)的風(fēng)功率預(yù)測(cè)的預(yù)測(cè)方法流程圖如圖2所示，為在提高預(yù)測(cè)精度的前提下盡量減少輸入量，將平均溫度t、相對(duì)濕度RH、降雨量(mm)、風(fēng)電場(chǎng)輸出功率PM作為輸入。該預(yù)測(cè)方法首先將風(fēng)電場(chǎng)的實(shí)際輸出功率應(yīng)用小波變換進(jìn)行比例分解，然后將t、RH、降雨量作為各層神經(jīng)網(wǎng)絡(luò)的輸入來訓(xùn)練出神經(jīng)網(wǎng)絡(luò)訓(xùn)練模型，最后通過小波重構(gòu)法進(jìn)行重構(gòu)，獲取風(fēng)電場(chǎng)輸出功率的預(yù)測(cè)值。

圖2 “WT+RBFNN”預(yù)測(cè)方法預(yù)測(cè)結(jié)構(gòu)流程

3 算例分析

選取實(shí)驗(yàn)站數(shù)據(jù)進(jìn)行算例驗(yàn)證，數(shù)據(jù)包括風(fēng)速大小，平均溫度t，相對(duì)濕度，降雨量和風(fēng)電場(chǎng)的輸出功率。圖3所示為采用2種方法(RBFNN，WT+RBFNN)對(duì)風(fēng)電場(chǎng)輸出的風(fēng)功率進(jìn)行預(yù)測(cè)結(jié)果的對(duì)比圖。

(a) WT+RBFNN預(yù)測(cè)輸出

(c) WTNN+RBFNN預(yù)測(cè)誤差百分比

圖3(a)是基于小波變換和神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)的風(fēng)功率輸出和實(shí)際風(fēng)功率輸出的結(jié)果比較，預(yù)測(cè)的功率輸出趨勢(shì)與實(shí)際基本符合。而圖3(b)基于RBFNN的預(yù)測(cè)輸出結(jié)果與實(shí)際功率的形態(tài)偏差較大。圖3(c)、(d)可以直觀地看到，“WT+RBFNN”的誤差百分比基本在0點(diǎn)波動(dòng)，僅有極少部分點(diǎn)的值偏離了原點(diǎn)，而僅使用RBFNN預(yù)測(cè)的結(jié)果誤差波動(dòng)就比較大，效果遠(yuǎn)不如“WTNN+RBFNN” 。綜合圖3分析，加入氣象因素的情況下，“WTNN+RBFNN”方法對(duì)風(fēng)功率進(jìn)行預(yù)測(cè)具有較好的預(yù)測(cè)精度。

文中采用平均絕對(duì)誤差(MAE)和均方根誤差(RMSE)對(duì)“WTNN+RBFNN”預(yù)測(cè)模型進(jìn)行性能評(píng)估[15-16]:

(5)

(6)

表2 “WT+RBFNN”預(yù)測(cè)方法與RBFNN 預(yù)測(cè)方法的預(yù)測(cè)誤差比較

從表2可以得出,RBFNN預(yù)測(cè)方法計(jì)算出的MAE值和RMSE值都比“WTNN+RBFNN”大，當(dāng)將WTNN和RBFNN結(jié)合后，預(yù)測(cè)精度得到了極大的改善。預(yù)測(cè)結(jié)果表明，文中提出的“WTNN+RBFNN” 預(yù)測(cè)方法在加入氣象因素后都能取得更好的預(yù)測(cè)效果，可以提高風(fēng)功率預(yù)測(cè)精度。

4 結(jié) 語

文中提出了一種基于小波變換和RBFNN相結(jié)合的風(fēng)功率混合預(yù)測(cè)方法。該方法將小波變換作為神經(jīng)網(wǎng)絡(luò)的前置手段，對(duì)輸入的風(fēng)功率進(jìn)行頻率分解，再將處理過的風(fēng)功率和氣象信息數(shù)據(jù)送進(jìn)神經(jīng)網(wǎng)絡(luò)模型中進(jìn)行預(yù)測(cè)。從預(yù)測(cè)結(jié)果來看，相對(duì)于RBFNN方法，“WTNN+RBFNN”模型預(yù)測(cè)結(jié)果更準(zhǔn)確，具有較高的預(yù)測(cè)精度，且MAE值和RMSE值相對(duì)較小，模型具有較好的泛化能力。文中提出的加入氣象因素的“WTNN+RBFNN”混合預(yù)測(cè)方法從理論上證明了該方法的有效性，為后續(xù)研究風(fēng)電池輸出功率的預(yù)測(cè)提供了一定的理論基礎(chǔ)，具有重要意義。