GA－WNN網(wǎng)絡(luò)在風(fēng)電功率預(yù)測中的應(yīng)用研究

程晶晶，周明龍

(1安徽理工大學(xué)，安徽 淮南 232001;2．安徽機(jī)電職業(yè)技術(shù)學(xué)院，安徽 蕪湖 241000)

GA－WNN網(wǎng)絡(luò)在風(fēng)電功率預(yù)測中的應(yīng)用研究

程晶晶1，周明龍2

(1安徽理工大學(xué)，安徽 淮南 232001;2．安徽機(jī)電職業(yè)技術(shù)學(xué)院，安徽 蕪湖 241000)

利用遺傳算法的全局優(yōu)化能力和小波神經(jīng)網(wǎng)絡(luò)的高精度特性，提出了一種基于遺傳算法、小波與神經(jīng)網(wǎng)絡(luò)的風(fēng)電功率預(yù)測方法，應(yīng)用某風(fēng)電場的58臺(tái)風(fēng)電機(jī)組的輸出功率數(shù)據(jù)作為實(shí)例，驗(yàn)證了GAWNN模型的預(yù)測魯棒性好，精度高，有效減小了預(yù)測誤差．

小波變換;人工神經(jīng)網(wǎng)絡(luò);遺傳算法;風(fēng)電功率預(yù)測

1 基本理論

目前，風(fēng)力發(fā)電是最具大規(guī)模開發(fā)技術(shù)條件的非水電再生能源的發(fā)電技術(shù)，受到了人們的廣泛關(guān)注．對(duì)于風(fēng)力發(fā)電，電力調(diào)度部門若是能夠準(zhǔn)確地預(yù)測到風(fēng)電場的發(fā)電功率趨勢，就可以依據(jù)風(fēng)電功率變化特點(diǎn)做好電力的調(diào)度計(jì)劃，從而保證電網(wǎng)的功率平衡與運(yùn)行安全，因此對(duì)風(fēng)電場的風(fēng)電功率的預(yù)測是目前風(fēng)電研究的一個(gè)重點(diǎn)．當(dāng)前研究最多的是利用小波神經(jīng)網(wǎng)絡(luò)方法對(duì)風(fēng)電功率進(jìn)行預(yù)測，但是小波神經(jīng)網(wǎng)絡(luò)的映射學(xué)習(xí)能力比較差，基于此提出了基于遺傳算法的小波神經(jīng)網(wǎng)絡(luò)模型對(duì)風(fēng)電功率進(jìn)行預(yù)測．

(1)遺傳算法理論(GA)．遺傳算法作為一種搜索算法，主要是利用自然選擇和基因遺傳學(xué)的原理，其屬于一種“生成加檢測”的迭代過程［1］．遺傳算法的目的主要是為了獲得更好的個(gè)體，其主要群體中的個(gè)體之間根據(jù)自己的適應(yīng)情況進(jìn)行信息交換，這種交換是隨機(jī)但又是有組織的，經(jīng)過交換后保留優(yōu)良的品質(zhì)，并將這些品質(zhì)進(jìn)行組合，最終得到更好的個(gè)體．遺傳算法的3個(gè)主要操作算子是選擇、交叉、變異．遺傳算法尋得的不一定是最優(yōu)解，不過它可以找到更優(yōu)點(diǎn)．所以，遺傳算法也許會(huì)在某些非最優(yōu)點(diǎn)上暫時(shí)停留，但是在變異發(fā)生時(shí)它就會(huì)遷移到另外一個(gè)更優(yōu)點(diǎn)上．

(2)BP神經(jīng)網(wǎng)絡(luò)．BPNN是一種常見的前饋網(wǎng)絡(luò)，其包括1個(gè)輸入層、1個(gè)輸出層、1個(gè)或多個(gè)隱含層［2］．這種網(wǎng)絡(luò)每一層都會(huì)包含有若干個(gè)節(jié)點(diǎn)，單個(gè)節(jié)點(diǎn)表示1個(gè)神經(jīng)元．同一層上的每個(gè)節(jié)點(diǎn)之間并沒有耦合連接關(guān)系，信息傳播主要是從輸入層節(jié)點(diǎn)到隱含層節(jié)點(diǎn)再到輸出層節(jié)點(diǎn)，這種傳播是一種單向傳播．BPNN網(wǎng)絡(luò)的結(jié)構(gòu)如圖1所示．

2 小波神經(jīng)網(wǎng)絡(luò)模型

小波神經(jīng)網(wǎng)絡(luò)模型主要是傳統(tǒng)的Sigmoid函數(shù)被小波函數(shù)所取代，其通過將所獲得的小波基經(jīng)過線性疊加后來實(shí)現(xiàn)信號(hào)表達(dá)．小波神經(jīng)網(wǎng)絡(luò)是一個(gè)3層網(wǎng)絡(luò)，包括輸入層、隱含層、輸出層，在這里它是用當(dāng)前時(shí)刻點(diǎn)的前t個(gè)時(shí)刻點(diǎn)的風(fēng)電功率數(shù)值作為輸入層的輸入;用小波基函數(shù)構(gòu)成隱含層的節(jié)點(diǎn);用當(dāng)前時(shí)刻點(diǎn)的風(fēng)電功率輸出作為輸出層的輸出．圖2表示小波神經(jīng)網(wǎng)絡(luò)模型的結(jié)構(gòu)示意圖，圖2中的vji表示連接輸入層結(jié)點(diǎn)i與隱含層結(jié)點(diǎn)j(j=1，2，…)的權(quán)值，wkj表示連接隱含層結(jié)點(diǎn)j與輸出層結(jié)點(diǎn)k的權(quán)值，aj和bj分別為第j個(gè)隱含層小波元的伸縮和平移尺度［3-5］．

利用遺傳小波神經(jīng)網(wǎng)絡(luò)模型進(jìn)行風(fēng)電功率預(yù)測，利用采集到的風(fēng)電功率原始數(shù)據(jù)進(jìn)行遺傳小波神經(jīng)網(wǎng)絡(luò)訓(xùn)練．小波神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)構(gòu)可以采用4－6－1結(jié)構(gòu)模式，表示輸入層是預(yù)測時(shí)刻點(diǎn)前4個(gè)風(fēng)電功率參數(shù)，隱含層包含6個(gè)節(jié)點(diǎn)，輸出層只有預(yù)測的風(fēng)電功率參數(shù)這一個(gè)節(jié)點(diǎn)．在初始化參數(shù)時(shí)通過對(duì)比得到網(wǎng)絡(luò)權(quán)值以及小波基函數(shù)，用樣本數(shù)據(jù)對(duì)建立的小波神經(jīng)網(wǎng)絡(luò)模型反復(fù)訓(xùn)練n次，這樣訓(xùn)練好的網(wǎng)絡(luò)就可以對(duì)風(fēng)電功率進(jìn)行預(yù)測．

圖1 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

圖2 小波神經(jīng)網(wǎng)絡(luò)模型的結(jié)構(gòu)圖

3 基于遺傳算法的小波神經(jīng)網(wǎng)絡(luò)

與傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)相比，小波神經(jīng)網(wǎng)絡(luò)的收斂速度更快，可以很好地避免局部極小值，目前小波神經(jīng)網(wǎng)絡(luò)的隱含層主要是依靠人工經(jīng)驗(yàn)法來確定，若是小波神經(jīng)元的數(shù)目較大，就無法依靠人工經(jīng)驗(yàn)法找到最優(yōu)解．利用遺傳算法的全局搜索能力確定小波神經(jīng)網(wǎng)絡(luò)模型的隱含層個(gè)數(shù)以及相應(yīng)的伸縮和平移系數(shù)和各個(gè)權(quán)值與閾值．

其具體步驟如下［4，5］:

1)初始化種群P，包括對(duì)權(quán)值vji，權(quán)值wkj，伸縮因子aj和平移因子bj等參數(shù)進(jìn)行初始化編碼，使用實(shí)數(shù)編碼進(jìn)行參數(shù)編碼，開始時(shí)隨機(jī)生成Q中的各個(gè)個(gè)體．進(jìn)行編碼時(shí)，采用實(shí)數(shù)進(jìn)行編碼，并初始化交叉規(guī)模、突變概率Pm、交叉概率Pc、初始種群數(shù)、遺傳代數(shù);

2)對(duì)個(gè)體集中的結(jié)構(gòu)進(jìn)行訓(xùn)練．主要是利用許多不同的初始權(quán)值分布，采用遺傳算法訓(xùn)練各個(gè)個(gè)體所對(duì)應(yīng)的小波網(wǎng)絡(luò)中的權(quán)系數(shù)、伸縮以及平移因子;

3)個(gè)體的適應(yīng)度值的確定．個(gè)體對(duì)環(huán)境適應(yīng)情況可以用適應(yīng)度函數(shù)說明，適應(yīng)度函數(shù)由式(1)計(jì)算:

式(1)中，k表示訓(xùn)練樣本集的個(gè)數(shù)，yk(k=1，2，…，K)表示導(dǎo)師信號(hào)，也就是實(shí)際的風(fēng)電功率值，表示網(wǎng)絡(luò)的輸出風(fēng)電功率值;

4)如果滿足終止條件，那么轉(zhuǎn)入步驟8)，如果不滿足的話，那么就轉(zhuǎn)入下一步;

5)選擇復(fù)制操作主要是依據(jù)每一個(gè)體的適應(yīng)值與選擇原則來進(jìn)行選擇的，淘汰質(zhì)量比較差的個(gè)體，復(fù)制質(zhì)量好的個(gè)體，使得搜索朝著搜索空間的解空間靠近;

6)交叉．雙親結(jié)合產(chǎn)生后代主要是依據(jù)交叉概率與交叉原則來進(jìn)行的;

7)變異．變異個(gè)體編碼中的部分信息主要也是依據(jù)變異原則和變異概率進(jìn)行的，經(jīng)過變異后產(chǎn)生新的個(gè)體，接下來轉(zhuǎn)入步驟3);

8)輸出．經(jīng)過前面幾步后就可以得到最優(yōu)編碼個(gè)體(染色體)，最終轉(zhuǎn)化成對(duì)應(yīng)的閾值、權(quán)值以及隱層節(jié)點(diǎn)的平移與伸縮因子．

4 實(shí)例分析

風(fēng)電功率某個(gè)時(shí)刻點(diǎn)的輸出功率與前幾個(gè)時(shí)刻點(diǎn)的風(fēng)電功率有關(guān)，而且風(fēng)電功率具有24 h準(zhǔn)周期的特性［1，6］．學(xué)習(xí)樣本取自某建模比賽所給的某風(fēng)電場的58臺(tái)風(fēng)電機(jī)組的輸出功率數(shù)據(jù)，數(shù)據(jù)采集的是24 h 96個(gè)時(shí)點(diǎn)(每15 min一個(gè)時(shí)點(diǎn))的風(fēng)電功率數(shù)值，例如表1所示為部分樣本數(shù)據(jù)(給出的是每天前6個(gè)時(shí)點(diǎn)的數(shù)據(jù))．程序?qū)⑨槍?duì)58臺(tái)機(jī)組總輸出功率數(shù)據(jù)進(jìn)行仿真驗(yàn)證．

表1 部分原始功率樣本數(shù)據(jù)

首先，將所采集的樣本數(shù)據(jù)中的冗余數(shù)據(jù)剔除，再進(jìn)行歸一化處理，歸一化采用x'=(x－xmin)/(xmax－xmin)公式對(duì)輸入輸出數(shù)據(jù)進(jìn)行處理，使得處理后的數(shù)據(jù)在(0，1)范圍內(nèi)，符合函數(shù)的實(shí)際情況，例如表2為歸一化處理后的部分樣本數(shù)據(jù)．

表2 歸一化處理后的部分功率樣本數(shù)據(jù)表

歸一化處理完之后，利用遺傳小波神經(jīng)網(wǎng)絡(luò)模型進(jìn)行風(fēng)電功率預(yù)測，利用5月10日到5月19日的960個(gè)風(fēng)電功率原始數(shù)據(jù)進(jìn)行遺傳小波神經(jīng)網(wǎng)絡(luò)訓(xùn)練．通過模型預(yù)測出來的數(shù)據(jù)在［0，1］范圍內(nèi)，所以在這里會(huì)對(duì)預(yù)測的風(fēng)電功率數(shù)據(jù)進(jìn)行反歸一化．在這里用絕對(duì)誤差百分比APE表示所設(shè)計(jì)模型的預(yù)測誤差．小波神經(jīng)網(wǎng)絡(luò)(WNN)模型與遺傳小波網(wǎng)絡(luò)(GA－WNN)模型部分預(yù)測結(jié)果對(duì)比表如表3所示(給出的是每天第6時(shí)點(diǎn)的預(yù)測結(jié)果)．

表3 WNN模型與GA－WNN模型部分預(yù)測結(jié)果對(duì)比表

在圖3的風(fēng)電功率預(yù)測圖中，實(shí)線帶+的曲線是實(shí)際風(fēng)電功率曲線，虛線帶o的曲線是WNN模型風(fēng)電功率預(yù)測曲線，點(diǎn)線帶*是GA－WNN模型風(fēng)電功率預(yù)測曲線．由圖3可以看出，與小波神經(jīng)網(wǎng)絡(luò)預(yù)測方法相比較而言，GA－WNN模型很大地提高了網(wǎng)絡(luò)的收斂速度．由表3可以看出，遺傳算法優(yōu)化后的小波神經(jīng)網(wǎng)絡(luò)預(yù)測方法的最大預(yù)測誤差為6．040 2%，小波神經(jīng)網(wǎng)絡(luò)預(yù)測方法的最大預(yù)測誤差為20．418%，相比較而言，GA－WNN預(yù)測模型預(yù)測數(shù)據(jù)的精度更高．

圖3 WNN與GA－WNN風(fēng)電功率預(yù)測曲線圖

5 結(jié) 論

通過GA－WNN模型和WNN模型對(duì)風(fēng)電功率進(jìn)行預(yù)測的結(jié)果對(duì)比可以發(fā)現(xiàn)，GA－WNN方法的預(yù)測精度更高．主要是因?yàn)镚A－WNN模型綜合了遺傳算法的全局優(yōu)化搜索能力特性與小波神經(jīng)網(wǎng)絡(luò)高精度的特性，實(shí)現(xiàn)了對(duì)全局參數(shù)進(jìn)行高精度優(yōu)化，對(duì)風(fēng)電機(jī)組的風(fēng)電功率就進(jìn)行了有效的預(yù)測．

［1］周明龍，田麗，王靜，等．基于遺傳算法的WANN的加速器故障診斷分析［J］．自動(dòng)化與儀器儀表，2011(4):169-170;173

［2］周明龍．機(jī)器視覺在車道線檢測技術(shù)中的應(yīng)用研究［D］．合肥:安徽工程大學(xué)，2012

［3］郭玉坤，王忠紅．基于遺傳算法的WNN在電力負(fù)荷短期預(yù)測中的應(yīng)用［J］．自動(dòng)化與儀器儀表，2012(4):118-119;122

［4］厲衛(wèi)娜，蘇小林．基于小波－神經(jīng)網(wǎng)絡(luò)的短期風(fēng)電功率預(yù)測研究［J］．電力學(xué)報(bào)，2011(6):458-461;465

［5］齊放．基于小波神經(jīng)網(wǎng)絡(luò)的風(fēng)電功率預(yù)測［J］．電氣開關(guān)，2011(4):18-20

［6］張士釗．基于免疫進(jìn)化算法和小波神經(jīng)網(wǎng)絡(luò)的短期電價(jià)預(yù)測［D］．石家莊:華北電力大學(xué)，2007

［7］余丙榮，周明龍，李玲純．基于遺傳算法的WANN的汽車發(fā)動(dòng)機(jī)故障診斷分析［J］．安徽工程大學(xué)學(xué)報(bào)，2011(1):55-57

［8］朱文武，周明龍，田麗，等．小波變換在車道線邊緣檢測中的應(yīng)用研究［J］．重慶工商大學(xué)學(xué)報(bào):自然科學(xué)版，2012(5):64-67

［9］王蒙，張國友，田麗，等．基于最優(yōu)組合預(yù)測模型的電力負(fù)荷預(yù)測研究［J］．重慶工商大學(xué)學(xué)報(bào):自然科學(xué)版，2012(9):65-69

［10］劉建娟，徐曉蘇，劉錫祥．遺傳優(yōu)化小波神經(jīng)網(wǎng)絡(luò)在組合導(dǎo)航系統(tǒng)中的應(yīng)用［J］．中國慣性技術(shù)學(xué)報(bào)，2006(2):33-37

Research on the Application of GA-WNN Network to Wind Power Prediction

CHENG Jing-jing1，ZHOU Ming-long2
(1．School of Electrical Engineering，Anhui University of Science and Technology，Anhui Huainan 232001，China;2．Department of Electrical Engineering，Anhui Technical College of Mechanical and Electrical Engineering，Anhui Wuhu 241000，China)

A prediction method for wind power is proposed based on genetic algorithm，wavelet and neural network by the feature of the global optimization capacity of the genetic algorithm and the high accuracy of wavelet neural network．The output power data of 58 wind power motors in a wind power field are used as real examples to test the prediction method and the results show that the prediction of GA-WNN Model with good robustness and high accuracy and small prediction error．

wavelet transform;artificial neural network;genetic algorithm;wind power prediction

TM71

A

1672－058X(2015)02－0062－05

10．16055/j．issn．1672－058X．2015．0002．013

責(zé)任編輯:李翠薇

2014－06－24;

2014－07－20．

安徽高校省級(jí)優(yōu)秀青年人才基金重點(diǎn)項(xiàng)目(2013SQRL109ZD)．

程晶晶(1988－)，女，安徽六安人，碩士研究生，從事智能控制研究．