基于動態(tài)熵權(quán)的短期風(fēng)速組合預(yù)測*

李　勇， 施艷春

(沈陽工業(yè)大學(xué) 電氣工程學(xué)院， 沈陽 110870)

基于動態(tài)熵權(quán)的短期風(fēng)速組合預(yù)測*

李勇， 施艷春

(沈陽工業(yè)大學(xué) 電氣工程學(xué)院， 沈陽 110870)

為了提高風(fēng)電場風(fēng)速預(yù)測的準(zhǔn)確性，將不同預(yù)測方法的權(quán)重推廣到權(quán)重序列，生成權(quán)重矩陣，同時采用新的預(yù)測誤差更新權(quán)重矩陣，獲得所需模型.建立三種單一預(yù)測模型，統(tǒng)計(jì)它們十天的預(yù)測誤差，獲得誤差序列，在此基礎(chǔ)上，提出動態(tài)熵權(quán)法.采用熵權(quán)法確定各單一預(yù)測模型在96個預(yù)測時刻的權(quán)值，并根據(jù)新的24小時預(yù)測誤差更新誤差序列和權(quán)重矩陣，從而獲得動態(tài)組合預(yù)測模型.結(jié)果表明，動態(tài)組合預(yù)測模型的整體誤差指標(biāo)比單一預(yù)測模型較小，預(yù)測精度顯然增高，證明了所建模型有效且實(shí)用.

風(fēng)速預(yù)測； 神經(jīng)網(wǎng)絡(luò)； 時間序列； 數(shù)值天氣預(yù)報； 熵權(quán)； 組合預(yù)測； 動態(tài)組合預(yù)測

風(fēng)力發(fā)電機(jī)的隨機(jī)性、波動性以及逆負(fù)荷特性等不利特征沖擊著電網(wǎng)的安全可靠運(yùn)行，如何能夠獲得精準(zhǔn)的風(fēng)速預(yù)測數(shù)據(jù)對于保證電網(wǎng)安全以及更有效利用風(fēng)力發(fā)電具有重要的意義[1].當(dāng)前風(fēng)速預(yù)測的主流方法有物理方式、統(tǒng)計(jì)方式及組合預(yù)測方式等[2-3]，在預(yù)測效果上各有優(yōu)缺點(diǎn).統(tǒng)計(jì)方式在風(fēng)電場歷史數(shù)據(jù)的基礎(chǔ)上建立相應(yīng)模型進(jìn)行預(yù)測；物理方式采用數(shù)值天氣預(yù)報(Numerical weather prediction，NWP)[4]；組合預(yù)測[5-7]結(jié)合不同預(yù)測方法優(yōu)點(diǎn)，預(yù)測精度高.常用組合模型的權(quán)重不能及時隨模型誤差進(jìn)行調(diào)整，影響模型預(yù)測結(jié)果，如文獻(xiàn)[8]中的組合方法是對整個單一模型權(quán)重的直接確定且不變，當(dāng)數(shù)據(jù)變化時不能及時調(diào)整權(quán)重.

本文對風(fēng)電場風(fēng)速進(jìn)行短期預(yù)測，提出了一種基于動態(tài)熵權(quán)的組合預(yù)測模型，簡稱DGP.風(fēng)電場風(fēng)速數(shù)據(jù)具有按時間排序、離散和非線性的特點(diǎn)，根據(jù)風(fēng)速歷史數(shù)據(jù)建立差分自回歸滑動平均模型(ARIMA)和神經(jīng)網(wǎng)絡(luò)(BP)兩種數(shù)學(xué)模型對風(fēng)速進(jìn)行24 h預(yù)測(15 min采樣間隔，96個時間點(diǎn))，根據(jù)NWP預(yù)測模型獲得24 h風(fēng)速預(yù)測數(shù)據(jù)，與實(shí)際值對比，得到三種預(yù)測方式在每個時刻預(yù)測誤差，滾動預(yù)測十天，獲得三種方式在每個時刻的預(yù)測誤差序列.根據(jù)預(yù)測誤差序列，采用熵權(quán)法求得三種預(yù)測方式在每個時刻的權(quán)重序列，組合預(yù)測24 h風(fēng)速值，并與實(shí)際值對比獲得預(yù)測誤差累加到預(yù)測誤差序列中，更新權(quán)重序列，對下一個24 h風(fēng)速進(jìn)行預(yù)測，進(jìn)而建立動態(tài)組合預(yù)測模型.

1　預(yù)測模型

1.1時間序列模型

時間序列ARIMA是基于自回歸滑動平均模型提出來的[9]，建模過程如下：風(fēng)電場中缺測、丟失及不合理的數(shù)據(jù)采用插值或鄰近數(shù)據(jù)進(jìn)行替補(bǔ)或交換，然后對數(shù)據(jù)進(jìn)行一階差分，平穩(wěn)性由單位根檢驗(yàn)判斷，最后采用AIC原則進(jìn)行定階[10]，最小二乘法對參數(shù)進(jìn)行估計(jì)，標(biāo)準(zhǔn)為誤差的平方值最小，同時檢驗(yàn)殘差是否為白噪聲.

1.2BP神經(jīng)網(wǎng)絡(luò)模型

使用單隱層BP神經(jīng)網(wǎng)絡(luò)模型對未來風(fēng)速進(jìn)行預(yù)測，輸入輸出均為歷史風(fēng)速數(shù)據(jù)時間序列，通過訓(xùn)練數(shù)據(jù)訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)對風(fēng)速擬合并預(yù)測.最終選擇隱層神經(jīng)元數(shù)量為150，因?yàn)楫?dāng)100個隱層神經(jīng)元時，擬合預(yù)測效果較差，150和200個時擬合預(yù)測效果精確，但選用200個神經(jīng)元時訓(xùn)練時間過長，達(dá)到10 min左右，為減少預(yù)測時間，選用150個神經(jīng)元.在網(wǎng)絡(luò)訓(xùn)練中，tansig作為隱含層神經(jīng)元傳遞函數(shù)[11]，logsig作為輸出層神經(jīng)元傳遞函數(shù)，其他參數(shù)分別為：學(xué)習(xí)率0.05，訓(xùn)練要求精度0.000 01，訓(xùn)練最大次數(shù)1 000.

模型訓(xùn)練分別采用一個、三個和四個月的數(shù)據(jù)建立神經(jīng)網(wǎng)絡(luò)模型預(yù)測一天的風(fēng)速，結(jié)果采用三個月數(shù)據(jù)建立的模型預(yù)測精度高，訓(xùn)練時間短，過多的數(shù)據(jù)不容易采集且模型訓(xùn)練時間較長，最終采用三個月的數(shù)據(jù)建立模型.

1.3NWP風(fēng)速預(yù)測模型

NWP是指在一定實(shí)際大氣情況下，通過表示天氣演變原委的熱力學(xué)以及流體力學(xué)方程組進(jìn)行求解來預(yù)報天氣的情況[12].經(jīng)氣象部門計(jì)算，得到的結(jié)果是一個大尺度的高空風(fēng)速數(shù)據(jù)，通過風(fēng)速切變特性公式計(jì)算折合到單臺風(fēng)機(jī)輪轂高度處的NWP風(fēng)速預(yù)測值.

2　動態(tài)熵權(quán)組合預(yù)測模型

2.1預(yù)測誤差分析

對風(fēng)電場風(fēng)速分別建立ARIMA、BP和NWP預(yù)測模型，并進(jìn)行24小時周期的動態(tài)循環(huán)預(yù)測，統(tǒng)計(jì)三種預(yù)測模型為期十天的誤差序列.風(fēng)速預(yù)測常用誤差指標(biāo)有均方根誤差(RMSE)和平均相對誤差(MRE)，用公式表示為

(1)

(2)

表1　預(yù)測誤差統(tǒng)計(jì)

ARIMA對1～6點(diǎn)的超短期風(fēng)速預(yù)測精度較高，隨著預(yù)測時間增加，預(yù)測誤差越來越大；BP整體的預(yù)測精度優(yōu)于ARIMA和NWP，但并非一直如此，預(yù)測時間短的情況下，ARIMA誤差小于BP，隨著時間增長，神經(jīng)網(wǎng)絡(luò)的優(yōu)越性越加顯示出來；NWP的預(yù)測精度也是隨著時間的增加而降低.

2.2動態(tài)組合預(yù)測模型

在不同時間段，不同預(yù)測方法有著不同的表現(xiàn)，為此提出動態(tài)組合預(yù)測模型進(jìn)行風(fēng)速預(yù)測.建立DGP模型的關(guān)鍵是計(jì)算各模型的權(quán)重，本文提出了一種動態(tài)確定各預(yù)測方式在每個時刻權(quán)重系數(shù)的方法，得到每種預(yù)測方式的權(quán)重系數(shù)矩陣，各預(yù)測方式在每個時刻的權(quán)重由其在此時的預(yù)測誤差所決定.

對信息理論中的信息熵進(jìn)行改進(jìn)，建立風(fēng)電場風(fēng)速動態(tài)組合預(yù)測模型，熵的概念來源于熱力學(xué)，目前用于確定權(quán)重的文獻(xiàn)有很多[13-14].傳統(tǒng)組合預(yù)測方法由熵權(quán)法確定單一模型權(quán)值，首先獲得各單一模型的誤差絕對值，記為B=[bij]m×n，m=96，n=3，對其標(biāo)準(zhǔn)化處理得到R=[rij]m×n，其中

(3)

由R求得單一模型在各時刻誤差占比為

(4)

單一模型熵值和權(quán)值分別表示為

(5)

(6)

組合預(yù)測結(jié)果為P=ω1P1+ω2P2+ω3P3，式中，P1，P2，P3為各單一模型的預(yù)測值.

動態(tài)組合預(yù)測的基本原理：對于t預(yù)測時刻的目標(biāo)序列{xdt，d=1，2，…，10；t=1，2，…，96}(連續(xù)十天在此時刻的實(shí)際值)，單項(xiàng)預(yù)測方法存在3種，設(shè)第i種單項(xiàng)預(yù)測方法在第d天t時刻的預(yù)測值為{xidt，t=1，2，…，96；i=1，2，3；d=1，2，…，10}，并定義相對誤差為

(7)

據(jù)此求得24小時96個時刻三種預(yù)測方式的相對誤差序列.根據(jù)統(tǒng)計(jì)學(xué)理論，各預(yù)測方式的差異由偏差大的指標(biāo)反映，在計(jì)算權(quán)重時保證熵值越大的屬性最終的權(quán)重越小.

動態(tài)組合預(yù)測步驟如下：

1) 將各種單項(xiàng)預(yù)測方法的24小時96個時刻為期十天的動態(tài)預(yù)測誤差取絕對值；

2) 在第1時刻，對三種預(yù)測方式十天的誤差序列{ei1d}(d=1，2，…，10)進(jìn)行歸一化處理，即

(8)

3) 計(jì)算第i種單項(xiàng)預(yù)測方法在第1時刻的相對誤差熵值，即

(9)

4) 計(jì)算第i種單項(xiàng)預(yù)測方法在第1時刻變異程度系數(shù)，即

di1=1-hi1(i=1，2，3)

(10)

5) 計(jì)算各種預(yù)測方法在第1時刻的加權(quán)系數(shù)，即

(11)

6) 返回步驟2)，計(jì)算各種預(yù)測方法在每個時刻的權(quán)重系數(shù)，最終獲得的是一個3行96列的權(quán)重系數(shù)矩陣W，即

(12)

7) 權(quán)重系數(shù)矩陣中的3行系數(shù)代表三種預(yù)測方法在每個時刻的權(quán)重系數(shù)，分別乘以各個預(yù)測方法在每個時刻的預(yù)測值并進(jìn)行相加，最終獲得預(yù)測結(jié)果，即yj=l1，jy1，j+l2，jy2，j+l3，jy3，j(j=1，2，…，96)

(13)

Y=[y1，…，yj，…，y96]

(14)

式中：yj為第j時刻組合預(yù)測值；Y為最終的24小時組合預(yù)測結(jié)果.

在風(fēng)電場每隔24 h即可獲得一組風(fēng)速實(shí)際值，進(jìn)而可獲得三種預(yù)測方式的24 h預(yù)測誤差，把最新預(yù)測誤差統(tǒng)計(jì)到確定熵權(quán)的誤差序列中，重新計(jì)算權(quán)重系數(shù)，這樣每隔24 h就可根據(jù)實(shí)際預(yù)測誤差更新權(quán)重，實(shí)現(xiàn)動態(tài)組合預(yù)測.

3　風(fēng)電場短期風(fēng)速預(yù)測

在我國東北某風(fēng)電場建立測風(fēng)塔，測風(fēng)塔的高度為70 m，分別在70 m及以下每隔20 m的高度裝設(shè)風(fēng)速儀，風(fēng)速測量起止時間：2013年12月3日—2014年12月4日，以風(fēng)電場三個月50 m高度的風(fēng)速數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)，2014年3月5日的實(shí)際值作為檢測數(shù)據(jù).

運(yùn)用ARIMA、NWP、固定權(quán)重的組合預(yù)測模型(簡稱GP)、BP以及隨預(yù)測誤差更新權(quán)重的DGP模型對上述風(fēng)電場的風(fēng)速進(jìn)行預(yù)測，結(jié)果分別見圖1與圖2.

上述5種模型預(yù)測結(jié)果分別為RMSENWP=0.486 7 m/s>RMSEARIMA=0.361 7 m/s>RMSEBP=0.238 3 m/s>RMSEGP=0.194 1 m/s>RMSEDGP=0.187 9 m/s，MRENWP=0.063 1>MREARIMA=0.041 1>

圖1　單一模型預(yù)測結(jié)果

圖2　組合模型預(yù)測結(jié)果

MREBP=0.029 8>MREGP=0.028 1>MREDGP=0.026 9.結(jié)果表明GP模型預(yù)測效果優(yōu)于單一預(yù)測模型，DGP預(yù)測精度比固定權(quán)重的GP預(yù)測精度更高一些.從圖1和圖2中可以看出，在風(fēng)速變化比較平穩(wěn)時，各個預(yù)測模型的預(yù)測精度都很好，但在風(fēng)速變化比較劇烈時，所有模型精確度都有所下降，這也是風(fēng)速預(yù)測難點(diǎn)之一.

為更好地分析模型預(yù)測效果，從圖中選取一段風(fēng)速變化劇烈的時間段41～60，采用RMSE和MRE對各預(yù)測模型效果進(jìn)行評價，結(jié)果如表2所示.

表2　預(yù)測誤差

從表2中可看出，當(dāng)風(fēng)速變化劇烈時所有預(yù)測模型均方根誤差都在增加，同時平均相對誤差也會大幅增加，然而對比各模型的結(jié)果，GP精度仍然比單一模型的要好，而DGP比GP的預(yù)測精度好.

4　結(jié)　論

本文分析了我國風(fēng)電場風(fēng)速預(yù)測的現(xiàn)狀，在不同預(yù)測模型誤差的基礎(chǔ)上，提出了動態(tài)熵權(quán)組合預(yù)測模型，并對各預(yù)測模型結(jié)果進(jìn)行對比.對比結(jié)果表明，GP和DGP的預(yù)測精度要比單一模型高，而DGP與GP相比，DGP的預(yù)測精度有所提高，這也說明采用動態(tài)權(quán)值預(yù)測模型可進(jìn)一步提高預(yù)測精度.在風(fēng)速波動較大時，DGP預(yù)測精度要比GP預(yù)測精度高.動態(tài)熵權(quán)組合預(yù)測模型在實(shí)例中得到了驗(yàn)證，具有一定的實(shí)用價值.

[1]張國強(qiáng)，張伯明.基于組合預(yù)測的風(fēng)電場風(fēng)速及風(fēng)電機(jī)功率預(yù)測 [J].電力系統(tǒng)自動化，2009，33(18)：92-95.

(ZHANG Guo-qiang，ZHANG Bo-ming.Wind speed and wind turbine output forecast based on combination method [J].Automation of Electric Power Systems，2009，33(18)：92-95.)

[2]丁華杰，宋永華，胡澤春，等.基于風(fēng)電場功率特性的日前風(fēng)電預(yù)測誤差概率分布研究 [J].中國電機(jī)工程學(xué)報，2013，33(34)：136-144.

(DING Hua-jie，SONG Yong-hua，HU Ze-chun，et al.Probability density function of day-ahead wind power forecast errors based on power curves of wind farms [J].Proceedings of the CSEE，2013，33(34)：136-144.)

[3]Catalao J P S，Pousinho H M I，Mendes V M F.Short-term wind power forecasting in Portugal by neural network and wavelet transform [J].Renewable Energy，2011，36(4)：1245-1251.

[4]馮雙磊，王偉勝，劉純，等.基于物理原理的風(fēng)電場短期風(fēng)速預(yù)測研究 [J].太陽能學(xué)報，2011，32(5)：611-616.

(FENG Shuang-lei，WANG Wei-sheng，LIU Chun，et al.Short-term wind speed prediction based on physi-cal principle [J].Acta Energiae Solaris Sinica，2011，32(5)：611-616.)

[5]蔣小亮，蔣傳文，彭明鴻，等.基于時間連續(xù)性及季節(jié)周期性的風(fēng)速短期組合預(yù)測方法 [J].電力系統(tǒng)自動化，2010，34(15)：75-79.

(JIANG Xiao-liang，JIANG Chuan-wen，PENG Ming-hong，et al.A short-term combination wind speed forecasting method considering seasonal periodicity and time-continuity [J].Automation of Electric Power Systems，2010，34(15)：75-79.)

[6]蔡凱，譚倫農(nóng)，李春林，等.時間序列與神經(jīng)網(wǎng)絡(luò)法相結(jié)合的短期風(fēng)速預(yù)測 [J].電網(wǎng)技術(shù)，2008，32(8)：82-85.

(CAI Kai，TAN Lun-nong，LI Chun-lin，et al.Short-term wind speed forecasting combing time series and neural network method [J].Power System Technology，2008，32(8)：82-85.)

[7]夏琳琳，臺金娟，劉惠敏，等.權(quán)重提取與Dempster多重融合的凝汽器真空預(yù)測 [J].沈陽工業(yè)大學(xué)學(xué)報，2015，37(3)：329-334.

(XIA Lin-lin，TAI Jin-juan，LIU Hui-min，et al.Condenser vacuum prediction based on weight extraction and Dempster multiple fusion [J].Journal of Shen-yang University of Technology，2015，37(3)：329-334.)

[8]楊錫運(yùn)，劉歡，張彬，等.基于熵權(quán)法的光伏輸出功率組合預(yù)測模型 [J].太陽能學(xué)報，2014，35(5)：744-749.

(YANG Xi-yun，LIU Huan，ZHANG Bin，et al.A combination method for photovoltaic power forecasting based on entropy weight method [J].Acta Energiae Solaris Sinica，2014，35(5)：744-749.)

[9]劉興杰，米增強(qiáng)，楊奇遜，等.基于經(jīng)驗(yàn)?zāi)Ｊ椒纸夂蜁r間序列分析的風(fēng)電場風(fēng)速預(yù)測 [J].太陽能學(xué)報，2010，31(8)：1037-1041.

(LIU Xing-jie，MI Zeng-qiang，YANG Qi-xun，et al.Wind speed forecasting based on EMD and time-series analysis [J].Acta Energiae Solaris Sinica，2010，31(8)：1037-1041.)

[10]蔣金良，林廣明.基于ARIMA的自動站風(fēng)速預(yù)測 [J].控制理論與應(yīng)用，2008，25(2)：374-376.

(JIANG Jin-liang，LIN Guang-ming.Automatic station wind speed forecasting based on ARIMA model [J].Control Theory & Applications，2008，25(2)：374-376.)

[11]王德明，王莉，張廣明.基于遺傳BP神經(jīng)網(wǎng)絡(luò)的短期風(fēng)速預(yù)測模型 [J].浙江大學(xué)學(xué)報(工學(xué)報)，2012，46(5)：837-840.

(WANG De-ming，WANG Li，ZHANG Guang-ming.Short-term wind speed forecast model for wind farms based on genetic BP neural network [J].Journal of Zhejiang University (Engineering Science)，2012，46(5)：837-840.)

[12]郭琪.基于NWP的風(fēng)電負(fù)荷預(yù)測方法在內(nèi)蒙古電網(wǎng)中的應(yīng)用 [D].天津：天津大學(xué)，2010.

(GUO Qi.The application of NWP-BASED wind power load prediction method in inner Mongolia po-wer grid [D].Tianjin：Tianjin University，2010.)

[13]孫培學(xué)，趙坤鵬.基于熵權(quán)法的組合模型在大壩滲流預(yù)測中的應(yīng)用 [J].水電能源科學(xué)，2013，31(12)：70-73.

(SUN Pei-xue，ZHAO Kun-peng.Application of combination model based on entropy method in dam see-page forecasting [J].Water Resources and Power，2013，31(12)：70-73.)

[14]歐陽森，石怡理.改進(jìn)熵權(quán)法及其在電能質(zhì)量評估中的應(yīng)用 [J].電力系統(tǒng)自動化，2013，37(21)：156-164.

(OUYANG Sen，SHI Yi-li.A new improved entropy method and its application in power quality evaluation [J].Automation of Electric Power Systems，2013，37(21)：156-164.)

(責(zé)任編輯：景勇英文審校：尹淑英)

Short-term wind speed combination forecast based on dynamic entropy weight

LI Yong, SHI Yan-chun

(School of Electrical Engineering, Shenyang University of Technology, Shenyang 110870, China)

In order to improve the accuracy of wind speed forecast in wind farm, the weights of different forecast methods were extended to weight series so as to generate the weight matrix. Meanwhile, the new forecast error was used to update the weight matrix, and the required model was obtained. Three single forecast models were established, and the forecast errors of the models in 10 days were counted, and the error series was obtained. On this basis, the dynamic entropy method was proposed. In addition, the weights of each single forecast model at 96 forecast moments were determined with the entropy weight method, and the error series and weight matrix were updated according to new 24 h forecast error so as to obtain the dynamic combination forecast model. The results show that compared with the sigle forecast model, the dynamic combination forecast model has smaller overall error index, and the forecast accuracy gets effectively improved, which proves the validity and practicability of the proposed model.

wind speed forecast; neural network; time series; numerical weather forecast; entropy weight; combination forecast; dynamic combination forecast

2015-11-11.

國家自然科學(xué)基金資助項(xiàng)目(61102124)； 遼寧省教育廳科學(xué)技術(shù)研究項(xiàng)目(L2015387).

李勇(1980-)，男，遼寧沈陽人，講師，博士，主要從事特種電機(jī)控制與優(yōu)化、風(fēng)電功率預(yù)測等方面的研究.

10.7688/j.issn.1000-1646.2016.03.02

TK 81

A

1000-1646(2016)03-0247-05

*本文已于2016-03-02 16∶42在中國知網(wǎng)優(yōu)先數(shù)字出版. 網(wǎng)絡(luò)出版地址： http：∥www.cnki.net/kcms/detail/21.1189.T.20160302.1642.008.html