風(fēng)電功率預(yù)測問題研究

摘 要：文章采用BP神經(jīng)網(wǎng)絡(luò)法對風(fēng)電場58臺風(fēng)機的輸出功率進(jìn)行了預(yù)測研究，建立三層神經(jīng)網(wǎng)絡(luò)模型，根據(jù)已有的風(fēng)電功率歷史數(shù)據(jù)、應(yīng)用數(shù)據(jù)整理， 進(jìn)行BP神經(jīng)網(wǎng)絡(luò)的計算和回歸分析，運用excel，matlab以及eviews等相關(guān)軟件進(jìn)行預(yù)測分析，解決了風(fēng)電功率預(yù)測問題。

關(guān)鍵詞：神經(jīng)網(wǎng)絡(luò)；預(yù)測；Eviews；MATLAB；Excel

中圖分類號：TM614 文獻(xiàn)標(biāo)識碼：A 文章編號：1006-8937（2012）20-0041-02

1 問題重述

風(fēng)電功率預(yù)測分為日前預(yù)測和實時預(yù)測。日前預(yù)測是預(yù)測明日24 h 96個時點（每15 min一個時點）的風(fēng)電功率數(shù)值。實時預(yù)測是滾動地預(yù)測每個時點未來4 h內(nèi)的16個時點（每15 min一個時點）的風(fēng)電功率數(shù)值。

某風(fēng)電場由58臺風(fēng)電機組構(gòu)成，每臺機組的額定輸出功率為850 kW。2006年5月10日至2006年6月6日時間段內(nèi)該風(fēng)電場中指定的四臺風(fēng)電機組（A、B、C、D）輸出功率數(shù)據(jù)（分別記為PA，PB，PC，PD;另設(shè)該四臺機組總輸出功率為P4）及全場58臺機組總輸出功率數(shù)據(jù)（記為P58）。

問題：風(fēng)電功率實時預(yù)測。

①預(yù)測量：a．PA，PB，PC，PD；b．P4；c．P58。

②預(yù)測時間范圍分別為：5月31日0時0分至5月31日23時45分；5月31日0時0分至6月6日23時45分。

2 問題分析

根據(jù)題意所要求是要實時預(yù)測和用excle、eviews初步分析過的數(shù)據(jù)，且預(yù)測為用單一的風(fēng)電功率預(yù)測風(fēng)電功率，將神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計為三層BP網(wǎng)絡(luò)，BP模型用功率預(yù)測功率，采樣時間間隔為15 min，因為相鄰時刻的值之間突變的可能性較小，所以采用一個小時內(nèi)的4個數(shù)據(jù)作為一組，用前三個數(shù)據(jù)預(yù)測下一個數(shù)據(jù)，因此輸入變量就是一個三維的向量，第四個數(shù)據(jù)就是目標(biāo)輸出量。

3 模型假設(shè)

①由于歷史數(shù)據(jù)足夠多，故假設(shè)由歷史數(shù)據(jù)可以反映未來風(fēng)電功率的取值。

②由于采樣時間為15 min，所以假設(shè)相鄰時刻的風(fēng)電功率值突變可能性很小。

③預(yù)測功率時刻上傳。

4 符號說明

各種符合及含義說明如表1所示。

5 模型的建立與求解

根據(jù)題意和初步分析過的數(shù)據(jù)，將神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計為三層BP網(wǎng)絡(luò)，BP模型用功率預(yù)測功率，采樣時間間隔為15 min，因為相鄰時刻的值之間突變的可能性較小，所以采用一個小時內(nèi)德6個數(shù)據(jù)作為一組，用前三個數(shù)據(jù)預(yù)測下一個數(shù)據(jù)，因此輸入變量就是一個三維的向量，第四個數(shù)據(jù)就是目標(biāo)輸出量。

根據(jù)Kolmogorov定理，輸入向量3個，則輸入層神經(jīng)元3個，則隱含層神經(jīng)元為2×3+1=7個，輸出向量1個，輸出層神經(jīng)元1個。由此可作出神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖，如圖1所示。

創(chuàng)建一個滿足上述要求的BP網(wǎng)絡(luò)；net=newff([minmax(P)，[7 1]，{‘tansig’，’purelin’}，’trainlm’])；當(dāng)輸出節(jié)點的目標(biāo)值為t時，模型計算公式為：y=f(net)，輸出節(jié)點的輸出為：net=∑vjy-θ，隱層節(jié)點的輸出有：sj=f(netj)，（j=1，2，...，j）；netj=∑wji-θj，（j=1，2，...，j）。

以上兩式中，轉(zhuǎn)移函數(shù)一般都用單極性Sigmoid函數(shù)：

當(dāng)網(wǎng)絡(luò)輸出與 輸出不等時，輸出誤差E定義如下：

E=1/2∑(t-z)2

將上式誤差定義展開到隱含層，則有：

E=1/2∑[t-f(netj )]2=1/2∑[t-f(∑vjy-θ)]2

再將上式定義展開到輸出層，則：

E=1/2∑[t-f（∑vjy-θ）]2=1/2∑[t-f（∑vjyf(∑wjixi-θj)- θ）]2

由上式可以看出，網(wǎng)絡(luò)輸入誤差是各層權(quán)值vj，wji 的函數(shù)，因此調(diào)整權(quán)值可改變誤差E，顯然，調(diào)整權(quán)值的原則是使誤差不斷減小，采用梯度下降法，使權(quán)值的調(diào)整量與誤差的負(fù)梯度成正比，即如下：

式中，負(fù)號表示梯度下降，a∈（0，1）。

將樣本提供給網(wǎng)絡(luò)，按上述過程訓(xùn)練，預(yù)先設(shè)定誤差E的大小，當(dāng)訓(xùn)練結(jié)果與目標(biāo)值之差小于預(yù)先設(shè)定的誤差限時，網(wǎng)絡(luò)收斂，訓(xùn)練結(jié)束。若訓(xùn)練次數(shù)已達(dá)到預(yù)設(shè)的最大訓(xùn)練次數(shù)，訓(xùn)練終止，網(wǎng)絡(luò)無法收斂，學(xué)習(xí)過程結(jié)束。用流程圖表示如圖2所示。

6 BP神經(jīng)網(wǎng)絡(luò)預(yù)測的MATLAB實現(xiàn)

①數(shù)據(jù)樣本的預(yù)處理，在論文前面已經(jīng)統(tǒng)一進(jìn)行了預(yù)處理。

②確定激活函數(shù)，取tansig和purelin為激活函數(shù)。

③設(shè)定網(wǎng)絡(luò)的最大學(xué)習(xí)迭代次數(shù)為20000。

④設(shè)定網(wǎng)絡(luò)的學(xué)習(xí)精度為a。

⑤創(chuàng)建和訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)的MATLAB程序。

⑥測試BP神經(jīng)網(wǎng)絡(luò)，將測試的輸出數(shù)據(jù)還原，與實際數(shù)據(jù)比較分析誤差。

7 模型的評價及推廣

由于風(fēng)的波動性和間歇性，風(fēng)電的典型特征就是不可控，大容量風(fēng)電場的介入會對電網(wǎng)運行產(chǎn)生較大的沖擊甚至危險。為了保障電網(wǎng)的安全，對風(fēng)電場發(fā)電功率進(jìn)行預(yù)測十分必要。

通過這種模型，不僅從數(shù)量上揭示了風(fēng)電場風(fēng)電功率的發(fā)展變化規(guī)律，也從動態(tài)上刻畫了現(xiàn)象的內(nèi)部數(shù)量關(guān)系及其變化規(guī)律。

參考文獻(xiàn)：

[1] 楊秀媛，肖洋，陳樹勇.風(fēng)電場風(fēng)速和發(fā)電功率預(yù)測研究[J].中國機電工程學(xué)報，2005，(11).

[2] 焦淑華，夏冰，徐海靜，等.BP神經(jīng)網(wǎng)絡(luò)預(yù)測的MATLAB實現(xiàn)[J].哈爾濱金融高等?？茖W(xué)校學(xué)報，2009，(1).

[3]王世謙，蘇娟，杜松懷.基于小波變換和神經(jīng)網(wǎng)絡(luò)的短期風(fēng)電功率預(yù)測方法[J].農(nóng)業(yè)工程學(xué)報，2010，(s2).

[4] 黃金花.基于神經(jīng)網(wǎng)絡(luò)的風(fēng)電場短期風(fēng)電功率預(yù)測研究[D].南京:東南大學(xué)，2010.