基于模糊神經(jīng)網(wǎng)絡(luò)的風(fēng)速預(yù)測研究＊

郭華旺 ，董海鷹 ，2

（1.蘭州交通大學(xué)自動化與電氣工程學(xué)院，甘肅蘭州730070；

（2.蘭州交通大學(xué)光電技術(shù)與智能控制教育部重點實驗室，甘肅蘭州730070）

1 引言

風(fēng)電機組以風(fēng)作為原動力，風(fēng)速決定了風(fēng)電機組的動態(tài)特性和工作狀況。風(fēng)速的波動性和不確定性導(dǎo)致風(fēng)力發(fā)電量隨機變化，而風(fēng)速是影響風(fēng)產(chǎn)能最直接最根本的因素，因此很有必要對風(fēng)速進行預(yù)測，進而為電網(wǎng)調(diào)度提供依據(jù)［1-8］。

模糊系統(tǒng)和人工神經(jīng)網(wǎng)絡(luò)都是無模型、非線性的動力學(xué)系統(tǒng)。模糊系統(tǒng)具有處理模糊語言信息的能力，可以仿真人的智慧進行判斷和決策，但它不具有自學(xué)習(xí)能力；人工神經(jīng)網(wǎng)絡(luò)具有良好的自學(xué)習(xí)和自適應(yīng)能力［9-11］，但不能表達人腦的推理功能，容易陷入局部極小值，且收斂速度比較慢。模糊神經(jīng)網(wǎng)絡(luò)是將人工神經(jīng)網(wǎng)絡(luò)和模糊控制的優(yōu)勢進行有機結(jié)合。文獻［12］利用ARMA模型對風(fēng)電場風(fēng)速短期進行預(yù)測，該方法的預(yù)測誤差較大；文獻［13］結(jié)合時間序列法和神經(jīng)網(wǎng)絡(luò)法對風(fēng)速預(yù)測進行了探討；文獻［14］結(jié)合小波函數(shù)和神經(jīng)網(wǎng)絡(luò)法對風(fēng)速進行預(yù)測，該方法具有較高的精度。但是以上方法都沒有考慮氣溫、濕度等環(huán)境因素。本文提出利用模糊神經(jīng)網(wǎng)絡(luò)風(fēng)速預(yù)測模型，將氣溫、氣壓、空氣濕度和風(fēng)向等環(huán)境因素引入模型對風(fēng)速進行預(yù)測，仿真結(jié)果表明利用該方法提高風(fēng)速預(yù)測的精度是可行的。

2 T-S模糊模型

T-S模糊模型是日本學(xué)者Takagi和Sugeno于1985年首先提出來的，它采用系統(tǒng)狀態(tài)變量或者屬于變量的函數(shù)作為IF-THEN模糊規(guī)則的后件，不僅可以用來描述模糊控制器，也可以描述被控對象的動態(tài)模型。T-S模糊系統(tǒng)是一種自適應(yīng)能力很強的模糊系統(tǒng)，該系統(tǒng)不僅能自動更新，而且能不斷修正模糊子集的隸屬函數(shù)。T-S模糊系統(tǒng)用IF-THEN規(guī)則的形式來定義，在規(guī)則為Ri的情況下，模糊推理如下：

假設(shè)對于輸入量 x＝［x1，x2，…，xk］，首先根據(jù)模糊規(guī)則計算各輸出變量xj的隸屬度。

根據(jù)模糊計算結(jié)果計算模糊模型的輸出值yi。

將T-S模糊系統(tǒng)模型應(yīng)用到神經(jīng)網(wǎng)絡(luò)系統(tǒng)來構(gòu)建具有更強的自適應(yīng)學(xué)習(xí)能力的模糊神經(jīng)網(wǎng)絡(luò)系統(tǒng)是非?？扇〉模哂心：壿嬕子诒磉_人類知識和神經(jīng)網(wǎng)絡(luò)分布式信息存儲以及學(xué)習(xí)能力的優(yōu)勢，為像風(fēng)速預(yù)測這樣的復(fù)雜系統(tǒng)的建模提供了有效的工具［15-16］。

3 模糊神經(jīng)網(wǎng)絡(luò)風(fēng)速預(yù)測建模

T-S模糊神經(jīng)網(wǎng)絡(luò)分為輸入層、模糊化層、模糊規(guī)則計算層和輸出層四層。輸入層于輸入向量xi連接，節(jié)點數(shù)與輸入向量的維數(shù)相同。模糊化層采用隸屬度函數(shù)式（1）對輸入值進行模糊化得到模糊隸屬度值μ，模糊規(guī)則計算層采用模糊連乘公式（2）計算得到。輸出層采用公式（3）計算模糊神經(jīng)網(wǎng)絡(luò)的輸出。

在風(fēng)速預(yù)測中模糊神經(jīng)網(wǎng)絡(luò)在本質(zhì)上就是將常規(guī)神經(jīng)網(wǎng)絡(luò)賦予模糊輸入信號和模糊權(quán)值。因此，模糊神經(jīng)網(wǎng)絡(luò)和一般神經(jīng)網(wǎng)絡(luò)是相似的，本文中采用前向型模糊神經(jīng)網(wǎng)絡(luò)，該網(wǎng)絡(luò)由輸入層、模糊化層、模糊推理層和去模糊化層四層網(wǎng)絡(luò)構(gòu)成。其中輸入層包括風(fēng)速v、溫度T、氣壓P、空氣濕度Rh和風(fēng)向Dw。模糊化層是對模糊信息進行預(yù)處理的網(wǎng)層，主要功能是對輸入值（包括模糊或是非模糊信息和數(shù)據(jù)）進行規(guī)范化處理。模糊推理層是前向型模糊神經(jīng)網(wǎng)絡(luò)的核心，可模擬執(zhí)行模糊推理方面的工作。去模糊化層可將推理結(jié)論由模糊狀態(tài)轉(zhuǎn)化為確定的狀態(tài)，其目的是給出確定的輸出以便系統(tǒng)執(zhí)行。由上所述建立模糊神經(jīng)網(wǎng)絡(luò)預(yù)測模型結(jié)構(gòu)如圖1所示。

圖1 模糊神經(jīng)網(wǎng)絡(luò)風(fēng)速預(yù)測模型

在圖1中網(wǎng)絡(luò)對性的輸入輸出映射關(guān)系如下：

（1）層輸出節(jié)點：

據(jù)中央紀委通報，2017年全國紀檢監(jiān)察機關(guān)共接受信訪舉報273.3萬件次，處置問題線索125.1萬件，立案52.7萬件，處分52.7萬人(其中黨紀處分44.3萬人)，全年立案數(shù)及處分人數(shù)超過2016年，連續(xù)五年增長。查處的結(jié)果一方面反映了我國自十八大以來的反腐成績，但也從另一層面顯現(xiàn)了腐敗增量與存量存在的嚴重問題，從“反腐敗斗爭壓倒性態(tài)勢”到“反腐敗斗爭壓倒性勝利”仍任重道遠。

（2）層輸入節(jié)點：

輸出節(jié)點：

（3）層輸入節(jié)點：

輸出節(jié)點：

（4）層輸入節(jié)點：

輸出節(jié)點：

其中：xi表示網(wǎng)絡(luò)的輸入。

模糊神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法如下：

（1）誤差計算

式中：yd為網(wǎng)絡(luò)期望輸出；yc為網(wǎng)絡(luò)實際輸出；e為期望輸出和實際輸出的誤差。

（2）系統(tǒng)修正

式中：pji為神經(jīng)網(wǎng)絡(luò)系數(shù)；α為網(wǎng)絡(luò)學(xué)習(xí)率；xj為網(wǎng)絡(luò)輸入?yún)?shù)；ωi為輸入?yún)?shù)隸屬度連乘積。

（3）參數(shù)修正

ωi表示網(wǎng)絡(luò)第三層和第四層之間的連接權(quán)值。

基于模糊神經(jīng)網(wǎng)絡(luò)的預(yù)測建模步驟如下：

（1）選定兆瓦級風(fēng)電發(fā)電系統(tǒng)進行建模，確定采集樣本的輸入輸出變量，找出變量對被測變量相關(guān)變量最大變量，輸入量分別為風(fēng)速v、溫度T、氣壓P、空氣濕度Rh和風(fēng)向Dw，輸出量為風(fēng)速預(yù)測值Y；

（2）以風(fēng)電場的歷史數(shù)據(jù)作為樣本數(shù)據(jù)，對樣本數(shù)據(jù)進行校驗和歸一化變化；

（3）對樣本優(yōu)化組合，進行模糊神經(jīng)網(wǎng)絡(luò)訓(xùn)練，由Matlab編程來完成模糊神經(jīng)網(wǎng)絡(luò)訓(xùn)練和網(wǎng)絡(luò)生成；

（4）用確認集進行檢驗，用訓(xùn)練好的網(wǎng)絡(luò)輸出風(fēng)速預(yù)測值，選出最優(yōu)組合參數(shù)建立模糊神經(jīng)網(wǎng)絡(luò)預(yù)測模型。

4 模糊神經(jīng)網(wǎng)絡(luò)風(fēng)速預(yù)測仿真實例

本文采用某風(fēng)電場2011年4月6日0點到24點樣本數(shù)據(jù)，該樣本數(shù)據(jù)是從1.5MW雙饋異步風(fēng)力發(fā)電機組獲得的，采集的數(shù)據(jù)包括風(fēng)速v、溫度T、氣壓P、空氣濕度Rh和風(fēng)向Dw，首先將變量樣本中經(jīng)過顯著誤差剔除和濾波處理后得到一個樣本集，然后再利用處理后的參數(shù)變量建立風(fēng)速的預(yù)測樣本集。分別對風(fēng)速進行提前4小時和提前一天的風(fēng)速預(yù)測進行仿真，仿真結(jié)果如圖2、3所示。

圖2 有環(huán)境因素模糊神經(jīng)網(wǎng)絡(luò)提前4小時風(fēng)速預(yù)測

圖3 有環(huán)境因素基于模糊神經(jīng)網(wǎng)絡(luò)提前一天風(fēng)速預(yù)測

另外，只將樣本數(shù)據(jù)的風(fēng)速作為模型的輸入，按照上述步驟進行仿真，仿真結(jié)果如圖4、5所示。

圖4 無環(huán)境因素基于模糊神經(jīng)網(wǎng)絡(luò)提前4小時風(fēng)速預(yù)測

圖5 無環(huán)境因素基于模糊神經(jīng)網(wǎng)絡(luò)提前一天風(fēng)速預(yù)測

表1 基于模糊神經(jīng)網(wǎng)絡(luò)不同時間段對應(yīng)的誤差值

如表1所示為基于模糊神經(jīng)網(wǎng)絡(luò)不同的時間段對應(yīng)的誤差值。從表1可以看出，無論是否考慮環(huán)境參數(shù)，基于模糊神經(jīng)網(wǎng)絡(luò)的提前4小時和提前一天的風(fēng)速預(yù)測隨著時間尺度的加大，風(fēng)速預(yù)測誤差會有所增加；但不考慮溫度、氣壓、空氣濕度和風(fēng)向等環(huán)境參數(shù)，僅僅將風(fēng)速作為模糊神經(jīng)網(wǎng)絡(luò)風(fēng)速模型的輸入，提前4小時風(fēng)速預(yù)測的最大誤差為0.4 m／s，提前一天的風(fēng)速預(yù)測的最大誤差為1.27m／s，較之考慮環(huán)境參數(shù)的風(fēng)速預(yù)測提前4小時的風(fēng)速預(yù)測最大的誤差0.36m／s和提前一天的風(fēng)速預(yù)測誤差0.65m／s都變大，可見環(huán)境因素對風(fēng)電場風(fēng)速的預(yù)測有一定的影響，本文將環(huán)境參數(shù)作為風(fēng)速預(yù)測模型的輸入來提高預(yù)測精度是非常有必要的。

考慮溫度、氣壓、空氣濕度和風(fēng)向等環(huán)境參數(shù)，利用小波神經(jīng)網(wǎng)絡(luò)的對風(fēng)速進行預(yù)測，仿真結(jié)果如圖6、7所示。

圖6 基于小波神經(jīng)網(wǎng)絡(luò)提前4小時風(fēng)速預(yù)測

圖7 基于小波神經(jīng)網(wǎng)絡(luò)提前一天風(fēng)速預(yù)測

表2 不同時間段對應(yīng)的誤差值對比

如表2所示為不同時間段對應(yīng)的誤差值對比。由表2可以看出，考慮環(huán)境參數(shù)基于小波神經(jīng)網(wǎng)絡(luò)的提前4小時的風(fēng)速預(yù)測最大誤差為0.36m／s，提前一天的風(fēng)速預(yù)測誤差為0.65m／s，盡管預(yù)測誤差也已經(jīng)比較小了，但是較之考慮環(huán)境參數(shù)的模糊神經(jīng)網(wǎng)絡(luò)風(fēng)速預(yù)測提前4小時的風(fēng)速預(yù)測最大誤差0.11m／s和提前一天的風(fēng)速預(yù)測誤差 0.58m／s還是偏大，可見基于模糊神經(jīng)網(wǎng)絡(luò)的風(fēng)速預(yù)測具有更高的預(yù)測精度，說明利用模糊神經(jīng)網(wǎng)絡(luò)的預(yù)測方法來提高風(fēng)速預(yù)測準確度和精度是可行的。

5 結(jié)束語

風(fēng)速的變化與風(fēng)電場的氣溫、氣壓、空氣濕度和風(fēng)向等環(huán)境因素有非常密切的關(guān)系，仿真結(jié)果表明考慮環(huán)境因素的模糊神經(jīng)網(wǎng)絡(luò)風(fēng)速預(yù)測比只將歷史風(fēng)速作為樣本的預(yù)測精度要高，因此從建立高精度的風(fēng)速預(yù)測模型的角度出發(fā)，這些因素應(yīng)該被重視起來。并且隨著時間尺度的加大，風(fēng)速預(yù)測的偏差將會變大。與小波神經(jīng)網(wǎng)絡(luò)風(fēng)速預(yù)測相比，基于模糊神經(jīng)網(wǎng)絡(luò)的風(fēng)速預(yù)測有更高的精度，在風(fēng)速預(yù)測方面具有較好的實用價值和應(yīng)用前景。

［1］Alexiadis M，Dokopoulos P，Sahsamanoglou H.Short Term Forecasting of Wind Speed and Related Electrical Power［J］.Solar Energy，1998，63（1）：61-68.

［2］楊秀媛，梁貴書.風(fēng)力發(fā)電的發(fā)展及其市場前景［J］.電網(wǎng)技術(shù)，2003，27（7）：77-79.

［3］冬 雷，高 爽，廖曉鐘，馮成博.風(fēng)力發(fā)電系統(tǒng)發(fā)電容量時間序列的混沌屬性分析［J］.太陽能學(xué)報，2007，28（11）：1288-1295.

［4］Brown B G，Katz R W，Murphy A H.Time Series Models to Simulate and Forecast Wind Speed and Wind Power［J］.Journal of Climate and Applied Meteorology，1984（23）：1184-1195.

［5］Billinton R，Chen Hua，Ghajar R.Time-series Models for Reliability Evaluation of Power Systems Including Wind Energy［J］.Microelectronics and Reliability，1996，36（9）：1253-1261.

［6］朱 鋒.風(fēng)電場風(fēng)速多步預(yù)測方法的研究［D］.大連理工大學(xué)，2009.

［7］王曉蘭，李 輝.風(fēng)電場輸出功率年度預(yù)測中有效風(fēng)速預(yù)測研究［J］.中國電機工程學(xué)報，2010，30（8）：116-123.

［8］鄒 文，丁巧林，楊 宏，張 偉.基于Mycielski算法的風(fēng)電場風(fēng)速預(yù)測［J］.電力科學(xué)與工程，2011，27（3）：1-6.

［9］何春梅.模糊神經(jīng)網(wǎng)絡(luò)的性能及學(xué)習(xí)算法研究［D］.南京理工大學(xué)，2010.

［10］董海鷹.智能控制理論及應(yīng)用［M］.北京：中國鐵道出版社，2005.

［11］鄭 亮.風(fēng)力發(fā)電機組風(fēng)速檢測的研究［D］.北京：華北電力大學(xué)，2008.

［12］邵 璠，孫育河，梁嵐珍.基于ARMA的風(fēng)電場風(fēng)速短期預(yù)測［J］.電網(wǎng)與清潔能源，2008，24（1）：52-55.

［13］梁嵐珍，邵 璠.時序神經(jīng)網(wǎng)絡(luò)算法的短期風(fēng)速預(yù)測研究［J］.控制工程，2011，18（1）：43-45.

［14］楊 琦，張建華，王向峰，李衛(wèi)國.基于小波-神經(jīng)網(wǎng)絡(luò)的風(fēng)速及風(fēng)電發(fā)電量預(yù)測［J］.電網(wǎng)技術(shù)，2009，33（17）：42-49.

［15］史 峰，王小川，郁 磊，李 洋.MATLAB神經(jīng)網(wǎng)絡(luò)30個案例分析［M］.北京：北京航空航天大學(xué)出版社，2010.

［16］李國勇.智能控制及其MATLAB實現(xiàn)［M］.北京：電子工業(yè)出版社，2010.