基于人工神經(jīng)網(wǎng)絡(luò)的波浪發(fā)電系統(tǒng)輸出功率預(yù)測(cè)

霍政界

（河海大學(xué)能源與電氣學(xué)院，江蘇南京，211000)

0 引言

在能源漸趨枯竭、環(huán)境污染嚴(yán)重的當(dāng)下，大力發(fā)展占地球表面積71%的海洋能已經(jīng)成為時(shí)代的趨勢(shì)。作為海洋中分布最廣的可再生能源，波浪能具有良好的開(kāi)發(fā)利用價(jià)值。但波浪發(fā)電也有其缺點(diǎn)，由于波浪的不規(guī)則性，不可控性等特點(diǎn)，波浪發(fā)電系統(tǒng)的輸出功率也具有較大的波動(dòng)性。這使得電力系統(tǒng)的運(yùn)行調(diào)度難度增加。因此，若能對(duì)波電場(chǎng)的輸出功率進(jìn)行預(yù)測(cè)，就不僅對(duì)于其功率平滑控制有著重要的作用，同時(shí)也有利于電力系統(tǒng)消納波浪發(fā)電系統(tǒng)的電能。

AWS 是第一個(gè)直驅(qū)式的波浪發(fā)電系統(tǒng)，2004 年在荷蘭投入海底試運(yùn)行，它的結(jié)構(gòu)簡(jiǎn)單、效率高且完全淹沒(méi)在水面下，所以易于被人們接受，本文以AWS 為例開(kāi)展研究。

由于波浪數(shù)據(jù)的不規(guī)則性，本文選用能逼近任意非線性曲線的人工神經(jīng)網(wǎng)絡(luò)中的BP 算法，它具有很強(qiáng)的非線性映射能力，而且網(wǎng)絡(luò)的中間層數(shù)、各層的處理單元數(shù)及網(wǎng)絡(luò)的學(xué)習(xí)系數(shù)等參數(shù)都可根據(jù)具體情況設(shè)定，靈活性很大。本文用BP 算法對(duì)波浪數(shù)據(jù)建立網(wǎng)絡(luò)模型，通過(guò)不同樣本數(shù)據(jù)訓(xùn)練模型以及預(yù)測(cè)不同時(shí)間長(zhǎng)度，得到不同預(yù)測(cè)結(jié)果，比對(duì)樣本數(shù)據(jù)及預(yù)測(cè)時(shí)間長(zhǎng)度對(duì)預(yù)測(cè)結(jié)果的影響。

1 基于AWS 的功率轉(zhuǎn)化模型

1.1 阿基米德波能裝置（AWS）

AWS 的底部固定于海底，上面由一個(gè)中空的氣缸和一個(gè)浮子組成，浮子在波浪的起伏運(yùn)動(dòng)下往復(fù)運(yùn)動(dòng)，同時(shí)壓縮氣缸做功，將波浪能轉(zhuǎn)化為機(jī)械能，從而帶動(dòng)直線永磁發(fā)電機(jī)發(fā)電。

1.2 簡(jiǎn)化的功率轉(zhuǎn)化模型

文獻(xiàn)[3]中根據(jù)牛頓第二定律給出了AWS 系統(tǒng)功率轉(zhuǎn)換的詳細(xì)模型。但其作為定義式，無(wú)法用于真是海面的計(jì)算。本文根據(jù)真實(shí)海面波浪周期不斷變化的特點(diǎn)，對(duì)波浪力的計(jì)算采取了分段形式。

用于電力系統(tǒng)分析的AWS 驅(qū)動(dòng)系統(tǒng)和直線永磁發(fā)電機(jī)可采用如下簡(jiǎn)化模型。

輸出有功功率方程為：

式（1）、式（2）和式（3），構(gòu)成了由波浪參數(shù)到功率的AWS 波浪完整轉(zhuǎn)化模型，據(jù)此，搭建基于Matlab/Simulink 平臺(tái)的仿真模型。

2 BP 神經(jīng)網(wǎng)絡(luò)基本原理

2.1 BP 網(wǎng)絡(luò)介紹

BP（Back Propagation）網(wǎng)絡(luò)是一種按照誤差反向傳播的方法，最早由Rumelhart、McCelland 等人在1986 年提出。

BP 算法的學(xué)習(xí)規(guī)則是沿著表現(xiàn)函數(shù)下降最快的方向修正網(wǎng)絡(luò)權(quán)值和閥值，使網(wǎng)絡(luò)的誤差平方和最小。BP 網(wǎng)絡(luò)由輸入層、隱含層和輸出層構(gòu)成。由于具有S 型函數(shù)的3 層BP 網(wǎng)絡(luò)已經(jīng)能夠以任意精度逼近于任意連續(xù)函數(shù)，所以確定3 層結(jié)構(gòu)BP 網(wǎng)絡(luò)作為此次研究的基本模型（如圖4）。網(wǎng)絡(luò)的學(xué)習(xí)過(guò)程就是權(quán)值的調(diào)整過(guò)程，有兩個(gè)過(guò)程組成，即：

1） 信號(hào)的正向傳播

輸入樣本－＞輸入層－＞各隱含層－＞輸出層

2） 誤差的反向傳播

輸出誤差－＞隱層－＞輸入層

2.2 基于BP 算法的預(yù)測(cè)模型

基于BP 算法的短期波浪數(shù)據(jù)預(yù)測(cè)模型可分為BP 神經(jīng)網(wǎng)絡(luò)構(gòu)建、BP 神經(jīng)網(wǎng)絡(luò)訓(xùn)練和BP 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)三步。

a) BP 神經(jīng)網(wǎng)絡(luò)構(gòu)建

BP 網(wǎng)絡(luò)輸入輸出層的參數(shù)根據(jù)實(shí)際情況來(lái)決定。在隱含層節(jié)點(diǎn)數(shù)的選擇上，根據(jù)以下公式而定：

式中，l 為隱含層節(jié)點(diǎn)數(shù)； n 為輸入節(jié)點(diǎn)數(shù)； m 為輸出節(jié)點(diǎn)數(shù)； a 為1-10 直接的調(diào)節(jié)常數(shù)。改變l，用同一樣本訓(xùn)練，從中確定網(wǎng)絡(luò)誤差最小時(shí)對(duì)應(yīng)的隱含層節(jié)點(diǎn)數(shù)。

b) BP 神經(jīng)網(wǎng)絡(luò)訓(xùn)練

BP 神經(jīng)網(wǎng)絡(luò)的訓(xùn)練包括選取合適的傳遞函數(shù)、學(xué)習(xí)速率、期望誤差等。傳遞函數(shù)是神經(jīng)元間的傳遞方式，對(duì)網(wǎng)絡(luò)的建模起著非常重要的作用。常見(jiàn)的傳遞函數(shù)有：線性函數(shù)（purelin）和sigmoid 型函數(shù)。

c) BP 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)

運(yùn)用Matlab 軟件進(jìn)行預(yù)測(cè)，得到誤差最小的預(yù)測(cè)值。

3 仿真分析

基于實(shí)測(cè)數(shù)據(jù)對(duì)波浪數(shù)據(jù)進(jìn)行預(yù)測(cè)，測(cè)波點(diǎn)面向開(kāi)敞黃海海區(qū)，無(wú)島嶼掩護(hù)，可觀測(cè)到多個(gè)方向的波浪，波浪代表性良好。波浪站使用采樣頻率4Hz的SBF3-1型波浪浮標(biāo)進(jìn)行波浪數(shù)據(jù)采集，每1h 進(jìn)行一次，采樣間隔0.25s。為驗(yàn)證本文所提出的預(yù)測(cè)方法的有效性，這里選取了觀測(cè)站2011 年8 月的一組波面數(shù)據(jù)中的3840 個(gè)連續(xù)點(diǎn)（4 點(diǎn)/s，共16min）用作樣本數(shù)據(jù)。其中最后1min的數(shù)據(jù)用作預(yù)測(cè)目標(biāo)值。

本文借助Matlab 工具箱中包含的各種函數(shù)開(kāi)始分析樣本數(shù)據(jù)。選取trainlm 函數(shù)為訓(xùn)練函數(shù)，將學(xué)習(xí)速率取為0.04，期望誤差目標(biāo)設(shè)為0.00033。

3.1 不同訓(xùn)練樣本數(shù)量對(duì)的預(yù)測(cè)結(jié)果影響

分別取1440、1200、960、720、480 個(gè)訓(xùn)練樣本來(lái)訓(xùn)練，滾動(dòng)預(yù)測(cè)8 個(gè)點(diǎn)（即提前2s）預(yù)測(cè)，得到最后1min 的預(yù)測(cè)值與目標(biāo)值得平均絕對(duì)誤差mae 與平均絕對(duì)百分比誤差map 如表1 所示：

表1 不同訓(xùn)練樣本數(shù)量得到的預(yù)測(cè)誤差

從預(yù)測(cè)結(jié)果可以看出，當(dāng)訓(xùn)練樣本數(shù)越多時(shí)，預(yù)測(cè)模型越準(zhǔn)確，1200 個(gè)訓(xùn)練樣本以上，誤差值基本都很小了。所以，應(yīng)選取合適的訓(xùn)練樣本個(gè)數(shù)，使得訓(xùn)練的模型即精確又迅速。

3.2 不同預(yù)測(cè)時(shí)長(zhǎng)對(duì)預(yù)測(cè)結(jié)果的影響

當(dāng)取1200 個(gè)訓(xùn)練樣本時(shí)，分別提前1s、2s、3s 進(jìn)行預(yù)測(cè)，得到的誤差值如表2 所示：

表2 不同預(yù)測(cè)時(shí)長(zhǎng)得到的預(yù)測(cè)誤差

從預(yù)測(cè)結(jié)果看，當(dāng)預(yù)測(cè)超過(guò)3s 后，誤差會(huì)變得很大，所以用這個(gè)模型進(jìn)行預(yù)測(cè)的預(yù)測(cè)值最好在2s 以內(nèi)。

3.3 功率預(yù)測(cè)值

將以1200 個(gè)點(diǎn)作為訓(xùn)練樣本，提前2s 預(yù)測(cè)得到的預(yù)測(cè)值帶入到功率轉(zhuǎn)換方程，得到功率的預(yù)測(cè)值如下圖所示：

4 結(jié)論

本文以AWS 波浪發(fā)電系統(tǒng)為例，建立了從波面數(shù)據(jù)到功率的簡(jiǎn)化模型，再利用BP 算法對(duì)實(shí)際波浪數(shù)據(jù)進(jìn)行建模并預(yù)測(cè)，同時(shí)比對(duì)了不同訓(xùn)練樣本數(shù)及預(yù)測(cè)時(shí)間長(zhǎng)度對(duì)于結(jié)果的影響，最后選取合適的預(yù)測(cè)值帶入功率轉(zhuǎn)化模型中得到功率的預(yù)測(cè)值?？梢钥闯?，預(yù)測(cè)得到的輸出功率比用正弦函數(shù)模擬得到的更為真實(shí)準(zhǔn)確，并且能夠充分反映現(xiàn)實(shí)中功率的變化，更有利于波浪發(fā)電系統(tǒng)的功率平滑控制。

但是，這樣超短時(shí)間的預(yù)測(cè)對(duì)于波浪系統(tǒng)的并網(wǎng)運(yùn)行幫助不大，后期應(yīng)采取其它更為有效的預(yù)測(cè)方法來(lái)改進(jìn)預(yù)測(cè)模型，以便得到更長(zhǎng)時(shí)間的預(yù)測(cè)值。

圖2 輸出功率Fig. 2 The Output power of wave

[1] 廣州能源研究所.我國(guó)海洋波浪能的發(fā)展進(jìn)展[EB/OL]. [2006-5-11].http://www.newenergy.org.cn/.

[2] De COSTA J S,PINTO P, SARMENTO A et al.Modeling of an Ocean Waves Power Device AWS[C]//Proceedings of IEEE Conference on Control Applications,2003: 618-623.

[3] Sousa Prado M G,Gardner F,Damen M,et al. Modelling and test results of the Archimedes wave swing[C]// Proceedings of the Institution of Mechanical Engineers,Dec,2006:855-868.

[4] WU Feng,ZHANG Xiaoping.Optimal Control for AWSBased Wave Energy Conversion System[J].IEEE Trans on Power Systems,2009,24(4):1747-1755.

[5] Simon Haykin.神經(jīng)網(wǎng)絡(luò)原理[M].葉世偉,史忠植譯. 北京機(jī)械工業(yè)出版社, 2004:109-121 .

[6] 蔣宗禮.人工神經(jīng)網(wǎng)絡(luò)導(dǎo)論[M].北京高等教育出版社, 2001: 97-106.

[7] Martin Hagan T,Howard Demuth B,et al.神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)[M].戴葵譯.北京：機(jī)械工業(yè)出版社，2002:197-221.

[8] 張德豐.MATLAB 神經(jīng)網(wǎng)絡(luò)編程[M].化學(xué)工業(yè)出版社, 2011-12.