高 騫，程 霄，沙宇恒，于海波

(1.國網(wǎng)江蘇省電力有限公司 發(fā)展策劃部，南京 210024；2.北京國電通網(wǎng)絡(luò)技術(shù)有限公司 規(guī)劃與計(jì)劃業(yè)務(wù)管理事業(yè)部，北京 100192；3.國家電網(wǎng)公司 發(fā)展策劃部，北京 100031)

風(fēng)電作為可再生清潔能源，能夠替代化石能源并網(wǎng)消納，有利于減少能源消耗，促進(jìn)電力可持續(xù)發(fā)展.然而，由于風(fēng)電出力的隨機(jī)性和波動(dòng)性會(huì)為大規(guī)模并網(wǎng)安全穩(wěn)定運(yùn)行帶來很大風(fēng)險(xiǎn)，因此，需要提高風(fēng)電的預(yù)測精度，以保障電網(wǎng)安全運(yùn)行.目前，采用單一的風(fēng)電出力預(yù)測方法很難滿足風(fēng)電預(yù)測的精度要求，即使在風(fēng)電預(yù)測短周期(5～10 min)內(nèi)，仍會(huì)有10%～20%的風(fēng)電預(yù)測誤差[1].同時(shí)考慮到風(fēng)電場的差異化特點(diǎn)，若僅采用單一的預(yù)測方法很難滿足風(fēng)電實(shí)際運(yùn)行要求.文獻(xiàn)[2]通過建立人工神經(jīng)網(wǎng)絡(luò)模型對(duì)風(fēng)電場24 h內(nèi)的輸出功率進(jìn)行預(yù)測，該方法訓(xùn)練的結(jié)果基本吻合風(fēng)電場實(shí)際功率曲線，但仍然存在很大的誤差.文獻(xiàn)[3]建立了風(fēng)速預(yù)測模型，并結(jié)合基波神經(jīng)網(wǎng)絡(luò)擬合實(shí)際功率曲線，根據(jù)擬合曲線計(jì)算功率預(yù)測值.雖然該方法能提高運(yùn)算效率，但在擬合實(shí)際功率過程中出現(xiàn)的誤差會(huì)累積到預(yù)測功率的模擬當(dāng)中，使得優(yōu)化出的預(yù)測功率依然存在較大誤差.文獻(xiàn)[4]利用差分算法處理原始風(fēng)速數(shù)據(jù)，并建立ARMA預(yù)測模型，取得了較好預(yù)測效果，但該模型的參數(shù)未能選取最優(yōu)值，使得模型仍然不夠準(zhǔn)確.文獻(xiàn)[5]利用小波變換的改進(jìn)持續(xù)法對(duì)短期風(fēng)電功率預(yù)測進(jìn)行研究.該方法首先通過小波變換將信號(hào)高低分頻，然后采用平滑法進(jìn)行數(shù)據(jù)采樣，最后利用持續(xù)法預(yù)測風(fēng)電功率，該方法一定程度上過濾掉信號(hào)變異的部分，使得預(yù)測結(jié)果更加平滑，然而算例預(yù)測結(jié)果未能證明比其他的預(yù)測方法更為有效.雖然目前大部分學(xué)者開始利用組合預(yù)測方法開展風(fēng)電短期預(yù)測工作，但絕大多數(shù)使用了各預(yù)測方法結(jié)果線性加權(quán)求和的方法，該方法求解各加權(quán)系數(shù)面臨著很大困難，特別是當(dāng)各方法的誤差系數(shù)呈正相關(guān)性時(shí)，所得到的風(fēng)電預(yù)測精度很難滿足實(shí)際運(yùn)行要求.

綜上所述，本文提出了基于自適應(yīng)神經(jīng)模糊推理系統(tǒng)[6-7](ANFIS)的風(fēng)電短期出力組合優(yōu)化預(yù)測模型，并將各單一預(yù)測方法得到的預(yù)測結(jié)果作為ANFIS優(yōu)化系統(tǒng)的輸入信號(hào)，利用ANFIS優(yōu)化功能模擬出風(fēng)電輸出功率.通過仿真算例結(jié)果可以看出，該模型方法優(yōu)化出的風(fēng)電預(yù)測精度要高于單一方法的預(yù)測精度.

1 風(fēng)電預(yù)測模型

本文提出的風(fēng)電預(yù)測模型并行運(yùn)算組合優(yōu)化的流程如圖1所示.圖1中風(fēng)速-功率預(yù)測模型的編號(hào)用i來表示，其功率用Pi表示，各預(yù)測結(jié)果組合優(yōu)化后的功率Pt表示為

Pt=F[P1，…，Pi，…，PI|θ]

(1)

式中：F為組合優(yōu)化方案；θ為組合優(yōu)化方案中所用參數(shù).

圖1 風(fēng)電模型組合模型圖

2 ANFIS原理

自適應(yīng)神經(jīng)模糊推理系統(tǒng)憑借快速處理大規(guī)模數(shù)據(jù)和學(xué)習(xí)進(jìn)化的功能，可以自動(dòng)優(yōu)化調(diào)整控制規(guī)則，建立適應(yīng)各種規(guī)則的輸出函數(shù)和隸屬度函數(shù).其中，比較典型的ANFIS原理框架圖可分為五層，如圖2所示.

圖2 ANFIS原理框架圖

第一層：將隸屬度函數(shù)對(duì)應(yīng)的輸入量模糊化處理.X、Y對(duì)應(yīng)節(jié)點(diǎn)的模糊集所采用的隸屬函數(shù)為

(2)

式中，ai、ci分別為ANFIS系統(tǒng)中的條件參數(shù).

第二層：規(guī)則層.不同節(jié)點(diǎn)分別代表對(duì)應(yīng)的學(xué)習(xí)規(guī)則，并由各節(jié)點(diǎn)相互配合，共同完成系統(tǒng)的算子計(jì)算.其中，各節(jié)點(diǎn)的輸出信號(hào)使用該節(jié)點(diǎn)各輸入信號(hào)的積作為對(duì)應(yīng)的信號(hào)強(qiáng)度.

第三層：標(biāo)準(zhǔn)層.將第二層對(duì)應(yīng)節(jié)點(diǎn)的輸出信號(hào)作為輸入信號(hào)，該層節(jié)點(diǎn)的規(guī)則是該節(jié)點(diǎn)單個(gè)輸入信號(hào)的強(qiáng)度與所有輸入信號(hào)強(qiáng)度和的比值，依次可對(duì)相應(yīng)節(jié)點(diǎn)完成模糊推理系統(tǒng)的可信度歸一化工作，歸一化表達(dá)式為

(3)

第四層：該層節(jié)點(diǎn)數(shù)與第三層相同，目的是保證第三層各對(duì)應(yīng)節(jié)點(diǎn)的信號(hào)輸出與第四層各對(duì)應(yīng)節(jié)點(diǎn)的輸入信號(hào)(即ANFIS信號(hào)錄入)匹配鏈接，從而確保每個(gè)樣本數(shù)據(jù)均能有效參與模糊推理的自適應(yīng)進(jìn)化學(xué)習(xí).第四層對(duì)應(yīng)各節(jié)點(diǎn)的輸出信號(hào)代表了各規(guī)則對(duì)ANFIS結(jié)果的貢獻(xiàn)度，即

(4)

式中，pi、qi、ri為ANFIS系統(tǒng)的效應(yīng)參數(shù).

第五層：輸出層.將第四層對(duì)應(yīng)的節(jié)點(diǎn)輸出信號(hào)采用權(quán)重平均法求和，最終計(jì)算出ANFIS的結(jié)果，本文最終預(yù)測的風(fēng)電場輸出功率為

(5)

3 ANFIS的模糊C均值算法

3.1 模糊C均值算法

由于ANFIS中涉及的參數(shù)較多，因此采用一種高效尋優(yōu)的方法是很有必要的.本文所采用的模糊C均值算法[8-10]作為一種高效的尋優(yōu)算法，將各樣本到聚類中心點(diǎn)的內(nèi)距離最小加權(quán)平方和作為尋優(yōu)ANFIS參數(shù)的優(yōu)化目標(biāo)，利用隸屬度矩陣函數(shù)模糊劃分各樣本屬于各聚類中心的程度，歸一化后隸屬度函數(shù)矩陣U的元素表示為

(6)

式中：E為聚類個(gè)數(shù)；uik為樣本k隸屬第i個(gè)聚類中心的函數(shù).

算法選取的優(yōu)化目標(biāo)函數(shù)為

(7)

式中：V為聚類中心矩陣；m為加權(quán)指數(shù)；δik為樣本k到第i類中心的距離.

結(jié)合拉格朗日法則[11-12]計(jì)算樣本k隸屬第i個(gè)聚類中心點(diǎn)的隸屬度函數(shù)為

(8)

(9)

式中：dik為第i個(gè)聚類中心與第k個(gè)數(shù)據(jù)點(diǎn)間的歐幾里得距離；xk為ANFIS第k個(gè)輸入信號(hào).

3.2 評(píng)價(jià)指標(biāo)

采用國家能源局對(duì)風(fēng)電功率預(yù)測管理規(guī)定的辦法，建立以15 min為預(yù)測周期的評(píng)價(jià)指標(biāo).各指標(biāo)含義如下：

日平均預(yù)測功率準(zhǔn)確率表示為

(10)

(11)

日平均預(yù)測功率合格率表示為

(12)

(13)

全天風(fēng)電功率預(yù)測均方根誤差為

(14)

本文所提方法的算法流程圖如圖3所示.

4 算例分析

本文采用某風(fēng)電場的實(shí)測數(shù)據(jù)進(jìn)行實(shí)驗(yàn)，該風(fēng)電場的總裝機(jī)容量為300 MW，總風(fēng)機(jī)臺(tái)數(shù)為150臺(tái)，每臺(tái)風(fēng)機(jī)的額定容量為2 MW，采樣時(shí)間為2017年6月1日至6月15日，數(shù)據(jù)采樣間隔為15 min.1號(hào)風(fēng)電機(jī)組和整座風(fēng)電場的功率時(shí)序采樣分別如圖4、5所示.

以6月5日為例，通過優(yōu)化仿真得到1號(hào)機(jī)組和整座風(fēng)電場在不同預(yù)測方法下的評(píng)價(jià)指標(biāo)，分別如表1、2所示.為了方便表述，將時(shí)間序列法(ARMA)、BP神經(jīng)網(wǎng)絡(luò)法、持續(xù)法和ANFIS法分別記為a法、b法、c法和d法.采用ANFIS法進(jìn)行預(yù)測時(shí)，選取的訓(xùn)練次數(shù)為2 000次.

由表1、2可知，運(yùn)用ANFIS方法進(jìn)行風(fēng)電功率預(yù)測時(shí)，無論單臺(tái)機(jī)組或整座風(fēng)電場，其準(zhǔn)確率、合格率均高于其他三種方法的結(jié)果，且均方根誤差低于其他三種方法.綜上所述，利用ANFIS組合優(yōu)化方法進(jìn)行風(fēng)電功率預(yù)測是有效的.

算法將風(fēng)電機(jī)組匯聚成風(fēng)電場群時(shí)，單臺(tái)風(fēng)電機(jī)組之間的輸出功率可能出現(xiàn)互補(bǔ)和消性的情況，使得整座風(fēng)電場的功率特性曲線要比單機(jī)組的功率曲線平緩，抑制了風(fēng)電機(jī)組的突變功率.使用該算法后，風(fēng)電場功率曲線的規(guī)律性提高，且預(yù)測精度也相應(yīng)提高，這與表1、2的優(yōu)化結(jié)果是一致的.

圖3 ANFIS的模糊C均值算法流程圖

圖4 1號(hào)風(fēng)電機(jī)組功率時(shí)序采樣

圖5 整座風(fēng)電場總功率時(shí)序采樣

取1號(hào)單機(jī)組在6月5日上午8點(diǎn)到12點(diǎn)時(shí)間段內(nèi)的單次測量結(jié)果，將4種預(yù)測方法下的預(yù)測值和真實(shí)值進(jìn)行對(duì)比，結(jié)果如圖6所示，各方法的預(yù)測誤差對(duì)比如圖7所示.

表1 1號(hào)風(fēng)電機(jī)組4種預(yù)測方法的評(píng)價(jià)指標(biāo)

表2 整個(gè)風(fēng)電場4種預(yù)測方法的評(píng)價(jià)指標(biāo)

根據(jù)圖6可知，文中ANFIS組合優(yōu)化預(yù)測方法所得的預(yù)測結(jié)果更加趨近真實(shí)值，且從圖7也可看出ANFIS方法的誤差比其他三種預(yù)測方法預(yù)測誤差更小.原因在于ANFIS組合優(yōu)化預(yù)測風(fēng)電功率的方法是將各預(yù)測方法的結(jié)果作為ANFIS系統(tǒng)信號(hào)輸入，使得各輸入信號(hào)平滑調(diào)和，并且通過ANFIS系統(tǒng)各層的優(yōu)化模擬后，系統(tǒng)輸出信號(hào)與真實(shí)值的誤差減小，彌補(bǔ)了輸出信號(hào)的失真，提高了預(yù)測精度.

圖6 4種方法預(yù)測結(jié)果對(duì)比

圖7 4種方法預(yù)測結(jié)果誤差趨勢

5 結(jié) 論

單一預(yù)測方法在風(fēng)電機(jī)組功率預(yù)測精度上存在較大誤差，本文提出了一種ANFIS組合優(yōu)化方法.將各預(yù)測方法所得的預(yù)測結(jié)果作為輸入信號(hào)，經(jīng)ANFIS組合優(yōu)化系統(tǒng)再次模擬出最終風(fēng)電輸出功率.結(jié)合算例結(jié)果可以看出，ANFIS組合優(yōu)化預(yù)測模型在進(jìn)行風(fēng)電短期機(jī)組出力預(yù)測時(shí)，能取得很好的預(yù)測精度.同時(shí)，對(duì)于整座風(fēng)電場的預(yù)測精度要比單機(jī)組的預(yù)測結(jié)果要好，這與匯聚效應(yīng)原理相符.