基于BP神經(jīng)網(wǎng)絡(luò)的風(fēng)電場發(fā)電功率短期預(yù)測

劉曉楠，王勝輝,金月新，曲可丁

(沈陽工程學(xué)院 a.電力學(xué)院； b.產(chǎn)業(yè)管理處; c.東北電網(wǎng)有限公司，遼寧 沈陽 110136)

?

基于BP神經(jīng)網(wǎng)絡(luò)的風(fēng)電場發(fā)電功率短期預(yù)測

劉曉楠a，王勝輝a,金月新b，曲可丁c

(沈陽工程學(xué)院 a.電力學(xué)院； b.產(chǎn)業(yè)管理處; c.東北電網(wǎng)有限公司，遼寧 沈陽 110136)

摘要：結(jié)合我國風(fēng)電發(fā)展的基本情況，分析總結(jié)了國內(nèi)外風(fēng)力發(fā)電功率預(yù)測的現(xiàn)狀及方法。由于BP神經(jīng)網(wǎng)絡(luò)能以任意精度逼近任意非線性映射并且泛化能力強，所以運用BP神經(jīng)網(wǎng)絡(luò)法來進行功率預(yù)測，建立內(nèi)蒙某風(fēng)電場提供的數(shù)值天氣預(yù)報數(shù)據(jù)與發(fā)電功率的映射模型。利用MATLAB進行仿真，驗證設(shè)計預(yù)測模型的實際可行性，并且預(yù)測精度滿足相關(guān)要求。最后運用VB簡單設(shè)計開發(fā)了一個風(fēng)電功率預(yù)測系統(tǒng)。

關(guān)鍵詞：風(fēng)力發(fā)電；功率預(yù)測；BP神經(jīng)網(wǎng)絡(luò)；預(yù)測系統(tǒng)

1人工神經(jīng)網(wǎng)絡(luò)方法

人工神經(jīng)網(wǎng)絡(luò)(artificial neural networks,ANN)系統(tǒng)是20世紀40年代后出現(xiàn)的。它的原理就是模仿人腦的結(jié)構(gòu)和功能，由大量記憶元件和拓撲元件連接而成，具有較強的泛化能力，對處理非線性的問題非常有效，適合預(yù)測有間歇性、波動性等特點的風(fēng)電場功率。神經(jīng)網(wǎng)絡(luò)能夠以任意的精度來逼近任意的非線性映射。目前在風(fēng)電場輸出功率預(yù)測的方法中應(yīng)用最成熟的就是人工神經(jīng)網(wǎng)絡(luò)方法，而80%～90%的人工神經(jīng)網(wǎng)絡(luò)模型是采用BP(Back Propagation，以下簡稱BP)神經(jīng)網(wǎng)絡(luò)或它的變化形式。

BP神經(jīng)網(wǎng)絡(luò)模型的學(xué)習(xí)訓(xùn)練過程包括輸入樣本的正向傳播過程和輸出誤差的反向傳播過程。BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)規(guī)則是：對網(wǎng)絡(luò)權(quán)值和閾值的修正要沿著表現(xiàn)函數(shù)梯度下降最快的方向，即負梯度方向。

1.1BP神經(jīng)網(wǎng)絡(luò)模型的算法

圖1是多輸入單輸出的BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)示意圖。

圖1中，xi為輸入層第i個節(jié)點的輸入，i=1,2,……,M；ωij為輸入層第i個節(jié)點到隱含層第j個節(jié)點之間的權(quán)值；θj為隱含層第j個節(jié)點的閾值；φ為隱含層的激勵函數(shù)；ωj為隱含層第j個節(jié)點和輸出節(jié)點之間的權(quán)值，j=1,2,……,N；θ為輸出節(jié)點的閾值；φ為輸出層的激勵函數(shù)；Y為輸出節(jié)點的輸出。

圖1　BP神網(wǎng)絡(luò)的結(jié)構(gòu)

1.1.1信號的前向傳播過程

隱含層第j個節(jié)點的輸入

(1)

隱含層第j個節(jié)點的輸出

(2)

輸出節(jié)點的輸入

(3)

輸出節(jié)點的輸出

(4)

1.1.2誤差的反向傳播過程

誤差的反向傳播，即首先由輸出層開始逐層計算各層神經(jīng)元的輸出誤差，然后根據(jù)誤差梯度下降法來調(diào)節(jié)各層的權(quán)值和閾值，使修改后的網(wǎng)絡(luò)的最終輸出能接近期望值。

網(wǎng)絡(luò)對于每一個樣本k的期望輸出值y與實際輸出值Y之差的平方和定義為誤差函數(shù)，即

(5)

網(wǎng)絡(luò)對K個訓(xùn)練樣本的總誤差函數(shù)為

(6)

根據(jù)誤差梯度下降法依次修正輸出層權(quán)值的修正量Δωj，輸出層閾值的修正量Δθ，隱含層權(quán)值的修正量Δωij，隱含層閾值的修正量Δθj。

(7)

(8)

(9)

(10)

根據(jù)預(yù)測誤差E修正BP經(jīng)網(wǎng)絡(luò)權(quán)值和閾值，第p+1次修正值為

(11)

1.2BP神經(jīng)網(wǎng)絡(luò)的設(shè)計

要建立一個BP神經(jīng)網(wǎng)絡(luò)，首先應(yīng)該確定網(wǎng)絡(luò)的層數(shù)和各層節(jié)點數(shù)，然后還需確定各層傳遞函數(shù)和相關(guān)參數(shù)。

2BP神經(jīng)網(wǎng)絡(luò)實例模型

利用基于數(shù)值天氣預(yù)報提供的數(shù)據(jù)建立BP神經(jīng)網(wǎng)絡(luò)模型來預(yù)測未來1天的風(fēng)電場發(fā)電功率。所選數(shù)據(jù)均來自位于內(nèi)蒙古通遼市開魯縣義和塔拉的深能北方(通遼)能源開發(fā)有限公司的深能義和風(fēng)電場。數(shù)據(jù)樣本為該風(fēng)電場4月2日至30日29天的天氣預(yù)報。風(fēng)電場實際輸出功率每15 min進行一次采樣，共2 784個樣本，其中前2 112個數(shù)據(jù)為訓(xùn)練樣本，后672個樣本為測試樣本。該風(fēng)電場總裝機容量為150 MW，共安裝了100臺單機容量為1.5 MW采用東方汽輪機有限公司生產(chǎn)的FD77B-1500風(fēng)力發(fā)電機組，其理論功率輸出特性如圖2所示。

需要注意的是，采用BP神經(jīng)網(wǎng)絡(luò)方法來建立風(fēng)電場發(fā)電功率預(yù)測模型，如果輸入變量幅值過大會使神經(jīng)元輸出飽和，無法建立準確的預(yù)測模型。同時為了提高BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)精度和效率，在網(wǎng)絡(luò)訓(xùn)練之前必須將輸入輸出樣本進行歸一化處理。即將網(wǎng)絡(luò)的輸入輸出樣本值限制在[0,1]或[-1,1]區(qū)間內(nèi)。MATLAB的mapminmax函數(shù)默認將數(shù)據(jù)歸一化到[-1,1]，利用該函數(shù)將風(fēng)速、溫度，壓力以及實測功率進行歸一化處理，風(fēng)向的歸一化采用其正弦值和余弦值。在得到歸一化后的預(yù)測值之后，再把預(yù)測值還原為原來的量綱。

圖2　FD77B型風(fēng)機理論標準功率曲線

預(yù)測模型的輸入數(shù)據(jù)主要是天氣預(yù)報數(shù)據(jù)歸一化處理后的數(shù)據(jù)，輸入?yún)?shù)包括風(fēng)速、風(fēng)向、溫度和壓力，其中風(fēng)向可由角度的正弦值和余弦值來進行表示，從而確定神經(jīng)網(wǎng)絡(luò)的輸入層神經(jīng)元數(shù)量為5個。利用經(jīng)驗公式計算出隱層神經(jīng)元個數(shù)的范圍為3～13個，通過多次試驗可知當(dāng)神經(jīng)網(wǎng)絡(luò)隱層節(jié)點數(shù)選11個時的效果最好，也就是等于輸入節(jié)點數(shù)加1。建立的模型如圖3所示。

圖3　建立模型的結(jié)構(gòu)

構(gòu)建的BP神經(jīng)網(wǎng)絡(luò)隱含層和輸出層都采用tansig函數(shù)，訓(xùn)練算法采用Levenberg-Marquard算法即trainlm函數(shù)，初始權(quán)值和閾值采用learngdm學(xué)習(xí)函數(shù)，性能函數(shù)采用為mse函數(shù)。對神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練的最大訓(xùn)練次數(shù)為5 000次，訓(xùn)練誤差為0.005，整批學(xué)習(xí)的學(xué)習(xí)效率為0.05。

圖4是風(fēng)電場的實際與預(yù)測輸出功率對比圖，從圖中可知風(fēng)電場實際功率與神經(jīng)網(wǎng)絡(luò)輸出功率的變化趨勢基本相同。

圖4　實際與預(yù)測輸出功率對比

3風(fēng)電場短期功率預(yù)測系統(tǒng)的開發(fā)

運用VB搭建簡單界面，圖5為用戶登陸界面。當(dāng)輸入用戶名為“l(fā)iuxiaonan”，密碼為“1234567”時，可以進入風(fēng)電功率預(yù)測系統(tǒng)，系統(tǒng)的界面如圖6所示。點擊菜單欄按鈕就可以進行相應(yīng)的操作。包括各種數(shù)據(jù)的查看還有風(fēng)電功率的預(yù)測。相應(yīng)的操作結(jié)果將顯示在界面上。

圖5　登陸界面

4預(yù)測結(jié)果的誤差分析

預(yù)測結(jié)果的誤差指標采用平均絕對誤差(MAE)和均方根誤差(RMSE)，計算公式如下：

(11)

(12)

式中，Pt實測為t時刻的實際功率；Pt預(yù)測為t時刻的預(yù)測功率；Cap為裝機容量；T為樣本個數(shù)。

圖6　系統(tǒng)界面

得到的MAE大約為12.173%，RMSE為17.067%，根據(jù)國家能源局發(fā)布的《風(fēng)電場功率預(yù)測預(yù)報管理暫行辦法》規(guī)定：風(fēng)電場功率預(yù)測系統(tǒng)提供的日預(yù)測曲線最大誤差不超過25%，實時預(yù)測誤差不超過15%，全天預(yù)測結(jié)果的均方根誤差應(yīng)小于20%。所建立的預(yù)測模型的預(yù)測結(jié)果符合國家頒布的風(fēng)電場功率預(yù)報管理暫行辦法的通知中的相關(guān)要求，因此利用BP神經(jīng)網(wǎng)絡(luò)預(yù)測未來一天的輸出功率具有實際可行性。

對于風(fēng)速變化較快的情況，模型的預(yù)測誤差也較大，說明風(fēng)速劇烈波動降低了BP神經(jīng)網(wǎng)絡(luò)的泛化能力，影響了模型的預(yù)測性能。模型的預(yù)測誤差除了受模型的構(gòu)建及參數(shù)的選取的影響，另外輸入數(shù)據(jù)(本文即數(shù)值天氣預(yù)報數(shù)據(jù))的準確性也會對預(yù)測誤差產(chǎn)生影響，因此在輸入樣本輸入模型之前應(yīng)該檢驗數(shù)據(jù)的正確性，剔除壞數(shù)據(jù)和補全缺失數(shù)據(jù)。

5結(jié)語

通過實例驗證了BP神經(jīng)網(wǎng)絡(luò)應(yīng)用于風(fēng)電場發(fā)電功率預(yù)測的的正確性和可靠性，具有較高的實用價值和參考意義,模型預(yù)測結(jié)果的誤差滿足國家相關(guān)規(guī)定。雖然人工神經(jīng)能夠以任意精度逼近任意非線性映射，但是傳統(tǒng)的BP算法其收斂速度慢且容易陷入局部極小，因此許多學(xué)者都把更多優(yōu)秀的預(yù)測方法引入到風(fēng)力發(fā)電功率預(yù)測中來。隨著風(fēng)電預(yù)測技術(shù)的不斷發(fā)展，預(yù)測方法也從單一化走向多樣化，組合預(yù)測方法充分利用各單一方法數(shù)據(jù)，減少了誤差，提高了預(yù)測的精度。最后運用VB開發(fā)設(shè)計了一個簡單的風(fēng)電功率預(yù)測系統(tǒng)，其中還有很多需要改進和完善的地方。

風(fēng)電功率預(yù)測是長期的、復(fù)雜的工作，應(yīng)當(dāng)立足現(xiàn)在，努力專研，繼續(xù)發(fā)展適合我國國情的預(yù)測方法。

參考文獻

[1]國家電網(wǎng)公司國家電力調(diào)度通信中心.風(fēng)電功率預(yù)測系統(tǒng)功能規(guī)范[S].北京:中國電力出版社，2010.

[2]符金偉，馬進.風(fēng)電功率預(yù)測研究方法綜述[J].華東電力，2012，40(5).

[3]陳茜.關(guān)于風(fēng)電場輸出功率預(yù)測技術(shù)發(fā)展的綜述[J].山西電力，2012，172(2).

[4]AHLSTROM ML，ZAVADIL RM.The role of wind forecasting in grid operations and reliability[C]//Transmission and Distribution Conference and Exhibition.Asia and Pacific：2005： 1-5.

[5]范高峰，王偉勝，劉純.基于人工神經(jīng)網(wǎng)絡(luò)的風(fēng)電功率短期預(yù)測系統(tǒng)[J].電網(wǎng)技術(shù)，2008，32(22)：72-76.

[6]周斌，文亮，楊力，等.BP神經(jīng)網(wǎng)絡(luò)在風(fēng)電功率預(yù)測中的應(yīng)用.宜賓學(xué)院學(xué)報,2012，12(6)：30-32.

[7]鄭君里,楊行峻.人工神經(jīng)網(wǎng)絡(luò)[M].北京:高等教育出版社,1992.

[8]肖永山，王維慶，霍曉萍.基于神經(jīng)網(wǎng)絡(luò)的風(fēng)電場風(fēng)速時間序列預(yù)測研究[J].節(jié)能技術(shù)，2007，25(2)：106-108.

(責(zé)任編輯佟金鍇校對張凱)

Wind Power Short Term Prediction based on Back

Propagation Neural Network

LIU Xiao-nana,WANG Sheng-huia，JIN Yue-xinb，QU Ke-dingc

(a.College of Energy and Power，Shenyang Institute of Engineering，Shenyang 110136;

b.Industry Management Office,Shenyang Institute of Engineering，Shenyang 110136;

c.NorthEast China Grid Company Limited，Shenyang 110136，Liaoning Province)

Abstract：This paper analyze and summarize the current situation as well as methods of forecasting wind power from home and aboard based on wind power development of China.Due to the BP neural network can approximate any nonlinear mapping with any degree of accuracy and it’s generalization ability is strong.This paper used BP neural network for power prediction,set up a model with numerical weather prediction data and wind power of a wind farm in Inner Mongolia Autonomous Region.Then used MATLAB to simulate and verify the feasibility of this prediction model The precision meet the requirements.

Key words：Wind power generation；Wind power forecasting；BPNN

DOI：10.13888/j.cnki.jsie(ns).2015.01.006 10.13888/j.cnki.jsie(ns).2015.01.004

通訊作者：李智(1963-)，男，遼寧沈陽人，教授，博士，碩士生導(dǎo)師，國務(wù)院特殊津貼專家，主要從事電站熱力過程仿真控制技術(shù)及電站機組優(yōu)化運行技術(shù)方面的研究。 鞠振河(1962-),男,遼寧開原人,教授,博士,碩士生導(dǎo)師,主要從事太陽能應(yīng)用科學(xué)技術(shù)方面的研究。

作者簡介：谷聰偉(1990-)，女，河北石家莊人，碩士研究生。 劉婕(1986-)，女，山東菏澤人，碩士研究生

基金項目：國家自然科學(xué)基金項目(61371200)

收稿日期：2014-07-02 2014-06-18

中圖分類號：TM614

文獻標識碼：A

文章編號：1673-1603(2015)01-0010-04