基于神經(jīng)網(wǎng)絡(luò)平均影響值的超短期風(fēng)電功率預(yù)測(cè)

徐龍博, 王 偉, 張 滔, 楊 莉, 汪少勇, 李煜東

(1. 中國(guó)能源建設(shè)集團(tuán)廣東省電力設(shè)計(jì)研究院有限公司, 廣東省廣州市 510663;2. 南瑞集團(tuán)公司(國(guó)網(wǎng)電力科學(xué)研究院), 江蘇省南京市 211106;3. 國(guó)電南瑞南京控制系統(tǒng)有限公司, 江蘇省南京市 210061)

基于神經(jīng)網(wǎng)絡(luò)平均影響值的超短期風(fēng)電功率預(yù)測(cè)

徐龍博1, 王 偉2,3, 張 滔2,3, 楊 莉1, 汪少勇1, 李煜東1

(1. 中國(guó)能源建設(shè)集團(tuán)廣東省電力設(shè)計(jì)研究院有限公司, 廣東省廣州市 510663;2. 南瑞集團(tuán)公司(國(guó)網(wǎng)電力科學(xué)研究院), 江蘇省南京市 211106;3. 國(guó)電南瑞南京控制系統(tǒng)有限公司, 江蘇省南京市 210061)

針對(duì)動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)風(fēng)電功率預(yù)測(cè)模型輸入變量較多、模型復(fù)雜的問(wèn)題,將神經(jīng)網(wǎng)絡(luò)和平均影響值方法相結(jié)合,提出了一種基于神經(jīng)網(wǎng)絡(luò)平均影響值的超短期風(fēng)電功率預(yù)測(cè)方法。此方法綜合考慮了各輸入變量對(duì)輸出變量(風(fēng)電預(yù)測(cè)功率)的外部貢獻(xiàn)率和內(nèi)部貢獻(xiàn)率,篩選出了對(duì)輸出變量貢獻(xiàn)率最大的輸入變量,建立了一個(gè)優(yōu)化的神經(jīng)網(wǎng)絡(luò)超短期風(fēng)電功率預(yù)測(cè)模型。實(shí)驗(yàn)結(jié)果表明,所提模型降低了預(yù)測(cè)模型的復(fù)雜度,減少了測(cè)量噪聲對(duì)預(yù)測(cè)精度的影響,得到了較好的風(fēng)電功率預(yù)測(cè)結(jié)果。

風(fēng)電功率; 超短期預(yù)測(cè); 動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò); 平均影響值; 變量篩選

0 引言

準(zhǔn)確的風(fēng)電功率預(yù)測(cè)是提高風(fēng)電接入容量、保證電網(wǎng)運(yùn)行穩(wěn)定性和經(jīng)濟(jì)性的有效手段[1-2]。風(fēng)電功率預(yù)測(cè)通常分為短期預(yù)測(cè)與超短期預(yù)測(cè)。其中超短期預(yù)測(cè)是對(duì)風(fēng)電場(chǎng)未來(lái)數(shù)小時(shí)內(nèi)的出力進(jìn)行預(yù)測(cè),主要用于日內(nèi)計(jì)劃滾動(dòng),動(dòng)態(tài)調(diào)節(jié)短期預(yù)測(cè)誤差引起的功率波動(dòng),有助于優(yōu)化調(diào)頻及旋轉(zhuǎn)備用容量,以及在線優(yōu)化機(jī)組組合與經(jīng)濟(jì)負(fù)荷調(diào)度[3-4]。超短期預(yù)測(cè)的預(yù)測(cè)精度對(duì)電網(wǎng)運(yùn)行安全有著重要影響[5-6]。

目前,對(duì)風(fēng)電功率的超短期預(yù)測(cè)方法主要可分為物理預(yù)測(cè)方法與統(tǒng)計(jì)預(yù)測(cè)方法[1,5]。由于風(fēng)力具有非線性、不確定等諸多特性,物理預(yù)測(cè)的計(jì)算過(guò)程非常復(fù)雜,且往往要依賴數(shù)值天氣預(yù)報(bào)的結(jié)果,無(wú)法適用于需要頻繁給出預(yù)測(cè)結(jié)果的超短期風(fēng)電功率預(yù)測(cè),因此超短期風(fēng)電功率通常采用統(tǒng)計(jì)方法進(jìn)行預(yù)測(cè)[7],常見(jiàn)的方法包括:持續(xù)法[8]、時(shí)間序列法[9-10]、支持向量機(jī)法[11-13]、神經(jīng)網(wǎng)絡(luò)(neural network,NN)法[14-16]等。持續(xù)法是將最近一點(diǎn)的功率觀測(cè)值作為下一點(diǎn)的預(yù)測(cè)值,該方法具有模型簡(jiǎn)單、容易實(shí)現(xiàn)的優(yōu)點(diǎn),但隨著時(shí)間尺度的增大,預(yù)測(cè)精度會(huì)快速下降。時(shí)間序列法則根據(jù)風(fēng)電功率或風(fēng)速隨時(shí)間變化的趨勢(shì)外推,該方法可通過(guò)不同的需求設(shè)定不同的外推算法,來(lái)適應(yīng)系統(tǒng)不同的動(dòng)態(tài)特性,因此預(yù)測(cè)精度較持續(xù)法要高。但兩種方法均有輸入數(shù)據(jù)單一、難以考察其他信息的問(wèn)題。

支持向量機(jī)預(yù)測(cè)方法和神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)方法是兩種典型的人工智能模型預(yù)測(cè)方法,它們能夠通過(guò)數(shù)據(jù)的訓(xùn)練,確定不同變量之間的映射關(guān)系,例如可建立以風(fēng)速與風(fēng)向?yàn)檩斎?以風(fēng)電場(chǎng)總功率為輸出的預(yù)測(cè)模型,還可根據(jù)輸入變量對(duì)輸出變量的貢獻(xiàn)率分析,進(jìn)行變量篩選和重新組合,使預(yù)測(cè)模型的實(shí)現(xiàn)具有較高的靈活性。

有研究表明[7,17]:在歷史數(shù)據(jù)較為充分的條件下,神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)方法在預(yù)測(cè)精度和泛化能力上比支持向量機(jī)等預(yù)測(cè)方法更有優(yōu)勢(shì),因此得到了更為廣泛的研究和應(yīng)用。

目前的神經(jīng)網(wǎng)絡(luò)風(fēng)電功率預(yù)測(cè)方法中所使用的神經(jīng)網(wǎng)絡(luò)通常是靜態(tài)神經(jīng)網(wǎng)絡(luò),無(wú)法反映系統(tǒng)的動(dòng)態(tài)特性,當(dāng)風(fēng)速、風(fēng)向發(fā)生較大變動(dòng)時(shí),預(yù)測(cè)精度會(huì)有較大下降。為解決這個(gè)問(wèn)題,本文首先給出一種基于動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)的風(fēng)電功率超短期預(yù)測(cè)模型。該預(yù)測(cè)模型采用風(fēng)速和風(fēng)向余弦的導(dǎo)數(shù)表征系統(tǒng)的動(dòng)態(tài)特性,采用神經(jīng)網(wǎng)絡(luò)表征系統(tǒng)的非線性特性,較完整地描述了系統(tǒng)的動(dòng)靜態(tài)特性,在風(fēng)速變動(dòng)較大時(shí)也具有較高的預(yù)測(cè)精度。但由于引入了輸入變量的導(dǎo)數(shù),當(dāng)風(fēng)機(jī)數(shù)量增加時(shí),預(yù)測(cè)模型的輸入變量個(gè)數(shù)會(huì)大量增多,使得模型變得極為復(fù)雜,不適用于大型風(fēng)電場(chǎng)的功率預(yù)測(cè)。

為此本文在動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型的基礎(chǔ)上提出了一種基于神經(jīng)網(wǎng)絡(luò)平均影響值(NN-MIV)的變量選擇方法,通過(guò)對(duì)輸入變量對(duì)輸出變量的貢獻(xiàn)率進(jìn)行排序,篩選出對(duì)預(yù)測(cè)功率貢獻(xiàn)率較大的變量構(gòu)建新的預(yù)測(cè)模型,使構(gòu)建的預(yù)測(cè)模型結(jié)構(gòu)簡(jiǎn)單,并具有較高的預(yù)測(cè)精度。

1 動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)原理

目前,大部分的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)系統(tǒng)采用如下的靜態(tài)預(yù)測(cè)模型:

PWP=fNN(V,Dcos)

(1)

式中:PWP為風(fēng)電場(chǎng)的預(yù)測(cè)功率;V為各風(fēng)機(jī)所在位置的風(fēng)速;Dcos為各風(fēng)機(jī)所在位置的風(fēng)向的余弦值;fNN表示輸入輸出的非線性函數(shù)關(guān)系,用靜態(tài)神經(jīng)網(wǎng)絡(luò)來(lái)實(shí)現(xiàn)。

由式(1)可知,目前常見(jiàn)的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)方法的輸入變量只采用了當(dāng)前的風(fēng)速和風(fēng)向,而沒(méi)有采用任何動(dòng)態(tài)信息,因此所建立的預(yù)測(cè)模型無(wú)法反映系統(tǒng)的動(dòng)態(tài)特性。這樣的預(yù)測(cè)模型在風(fēng)速相對(duì)穩(wěn)定的時(shí)候能夠較好地預(yù)測(cè)風(fēng)電功率,但當(dāng)風(fēng)速或者風(fēng)向發(fā)生較大變化時(shí),預(yù)測(cè)精度往往不甚理想。

為了解決這個(gè)問(wèn)題,有研究者采用了動(dòng)態(tài)的神經(jīng)網(wǎng)絡(luò)來(lái)建立預(yù)測(cè)模型[18]。但該動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)采用局部反饋時(shí)延的神經(jīng)網(wǎng)絡(luò),即采用時(shí)延和反饋表征預(yù)測(cè)系統(tǒng)的動(dòng)態(tài)特性,這種動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)可看作時(shí)間序列方法[9]跟神經(jīng)網(wǎng)絡(luò)結(jié)合的一種方法。文中作者構(gòu)造了一個(gè)以風(fēng)速、風(fēng)向等變量和它的歷史序列為輸入,以預(yù)測(cè)功率為輸出的神經(jīng)網(wǎng)絡(luò),來(lái)實(shí)現(xiàn)對(duì)風(fēng)電功率的預(yù)測(cè)。這種動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)用風(fēng)速、風(fēng)向等變量的時(shí)間序列表征它們未來(lái)的變化趨勢(shì)來(lái)預(yù)測(cè)功率,實(shí)際上是將變量的導(dǎo)數(shù)等趨勢(shì)信息隱含在時(shí)間序列中,并通過(guò)神經(jīng)網(wǎng)絡(luò)去擬合出時(shí)間序列與未來(lái)趨勢(shì)的隱含關(guān)系,因此這種動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)的物理意義不甚清晰,動(dòng)態(tài)特性難以把握,在模型訓(xùn)練時(shí)會(huì)增加神經(jīng)網(wǎng)絡(luò)收斂的難度,影響預(yù)測(cè)模型的精度。

因此,本文采用如下的動(dòng)態(tài)預(yù)測(cè)模型:

(2)

風(fēng)速和風(fēng)向的導(dǎo)數(shù)表征風(fēng)速和風(fēng)向的變化趨勢(shì),包含風(fēng)速和風(fēng)向未來(lái)的信息,將這些信息引入風(fēng)電功率預(yù)測(cè)模型中使預(yù)測(cè)模型具有了直觀的物理意義。結(jié)構(gòu)合理的靜態(tài)神經(jīng)網(wǎng)絡(luò)可以以任意精度逼近非線性函數(shù)關(guān)系。因此,理論上來(lái)說(shuō),將靜態(tài)神經(jīng)網(wǎng)絡(luò)和微分器相結(jié)合所構(gòu)成的動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)可以逼近一般非線性動(dòng)態(tài)系統(tǒng),將其用于風(fēng)電功率預(yù)測(cè)可獲得很好的預(yù)測(cè)效果。

但由于引入了輸入變量的導(dǎo)數(shù),使得動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型的輸入變量個(gè)數(shù)比靜態(tài)神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型增加了2倍。當(dāng)動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型應(yīng)用于大型風(fēng)電場(chǎng)時(shí),模型的輸入變量個(gè)數(shù)會(huì)變得非常巨大,使得模型變得極為復(fù)雜,大大增加了神經(jīng)網(wǎng)絡(luò)的訓(xùn)練時(shí)間。增加的變量也會(huì)增加噪聲引入的可能性,出現(xiàn)預(yù)測(cè)精度下降的情況。

為此本文提出了一種基于NN-MIV的變量選擇方法,通過(guò)平均影響值方法衡量各輸入變量對(duì)輸出變量的外部貢獻(xiàn)率,通過(guò)神經(jīng)網(wǎng)絡(luò)方法衡量各輸入變量對(duì)輸出變量的內(nèi)部貢獻(xiàn)率,結(jié)合兩種方法,得到較為穩(wěn)定的貢獻(xiàn)率值,可簡(jiǎn)化預(yù)測(cè)模型的結(jié)構(gòu),減少神經(jīng)網(wǎng)絡(luò)訓(xùn)練的時(shí)間,并有望獲得較高的預(yù)測(cè)精度。

2 NN-MIV變量篩選原理

2.1 平均影響值及外部貢獻(xiàn)率

假設(shè)式(2)所示預(yù)測(cè)模型的輸入變量個(gè)數(shù)是p。令這p個(gè)變量組成一個(gè)自變量向量,并對(duì)其進(jìn)行m次觀測(cè),得到X=[x1,x2,…,xm]的自變量空間。相應(yīng)地,與每一個(gè)樣本點(diǎn)所對(duì)應(yīng)的因變量可以寫為Y=[y1,y2,…,ym]。以m個(gè)樣本的自變量向量組成的X作為輸入,與之對(duì)應(yīng)的向量Y作為輸出,組成訓(xùn)練樣本集{X,Y}訓(xùn)練神經(jīng)網(wǎng)絡(luò),保存訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)。然后對(duì)原始訓(xùn)練用的自變量空間作如下變換,依次對(duì)各自變量在原值的基礎(chǔ)上分別加、減δ(百分?jǐn)?shù)),得到如下2p(i=1,2,…,p)個(gè)新的自變量空間:

(3)

(4)

把構(gòu)造好的新自變量空間依次作為神經(jīng)網(wǎng)絡(luò)模型的輸入,經(jīng)網(wǎng)絡(luò)輸出后得到變化樣本點(diǎn)中第i(i=1,2,…,p)個(gè)輸入變量指標(biāo)變化時(shí)與之對(duì)應(yīng)的2p個(gè)輸出向量:

(5)

(6)

(7)

式中:IMIV,i為變化樣本中第i個(gè)輸入變量指標(biāo)對(duì)輸出結(jié)果的平均影響值。IMIV,i的符號(hào)表示自變量與因變量相關(guān)的方向,絕對(duì)值大小代表自變量對(duì)因變量影響的相對(duì)重要性。

進(jìn)一步計(jì)算得到第i個(gè)變量xi對(duì)輸出y的貢獻(xiàn)率為:

(8)

這種方法通過(guò)預(yù)測(cè)模型外部輸入的變化計(jì)算各輸入變量對(duì)輸出變量的貢獻(xiàn)率,因此把這種貢獻(xiàn)率定義為外部貢獻(xiàn)率。

2.2 神經(jīng)網(wǎng)絡(luò)及內(nèi)部貢獻(xiàn)率

文中選用的神經(jīng)網(wǎng)絡(luò)為三層前向神經(jīng)網(wǎng)絡(luò),其網(wǎng)絡(luò)一般形式為:

(9)

式中:xi(i=1,2,…,p)為第i個(gè)輸入;βj(j=0,1,…,q)為從隱含層到輸出層的連接權(quán)值;ωji為輸入層到隱含層的連接權(quán)值。

(10)

式中:cov和var分別表示求協(xié)方差和求方差函數(shù)。

然后,計(jì)算隱含層oj對(duì)輸出y的貢獻(xiàn)值:

(11)

因此,第i個(gè)輸入xi對(duì)輸出y的貢獻(xiàn)值為:

(12)

進(jìn)一步,得到xi對(duì)輸出y的貢獻(xiàn)率為:

(13)

這種方法通過(guò)神經(jīng)網(wǎng)絡(luò)輸入對(duì)隱含層的權(quán)值的變化和隱含層對(duì)輸出權(quán)值的變化計(jì)算各輸入變量對(duì)輸出變量的貢獻(xiàn)率,因此把這種貢獻(xiàn)率定義為內(nèi)部貢獻(xiàn)率。

2.3 基于NN-MIV的變量選擇方法

MIV方法表征了預(yù)測(cè)模型對(duì)外部輸入變化的特性,計(jì)算得到的貢獻(xiàn)率為外部貢獻(xiàn)率。但僅考慮模型外部貢獻(xiàn)率無(wú)法保證篩選出來(lái)的輸入變量最優(yōu),因此需要其他方法來(lái)彌補(bǔ),基于神經(jīng)網(wǎng)絡(luò)的內(nèi)部貢獻(xiàn)率計(jì)算方法能很好地做到這一點(diǎn)。它利用輸入層對(duì)隱含層的權(quán)值的變化和隱含層對(duì)輸出層權(quán)值的變化計(jì)算各輸入變量對(duì)輸出變量的內(nèi)部貢獻(xiàn)率,以避免單一使用外部貢獻(xiàn)率造成的貢獻(xiàn)率計(jì)算不穩(wěn)定、輸入變量選擇不可靠等問(wèn)題。本文結(jié)合兩種貢獻(xiàn)率計(jì)算方法,提出了基于NN-MIV綜合貢獻(xiàn)率的變量選擇方法,其綜合貢獻(xiàn)值表達(dá)式定義為:

CNN-MIV,i=|αMIV,iαNN,i|=[C1,C2,…,Cp]T

(14)

進(jìn)一步,得到xi對(duì)輸出y的綜合貢獻(xiàn)率為:

(15)

將內(nèi)部貢獻(xiàn)率與外部貢獻(xiàn)率結(jié)合可以使預(yù)測(cè)模型的輸入變量貢獻(xiàn)率值明顯增大易于選擇,又可以保證所建模型同時(shí)具有較高的外部貢獻(xiàn)率和內(nèi)部貢獻(xiàn)率,避免外部貢獻(xiàn)率計(jì)算不穩(wěn)定等問(wèn)題。

3 實(shí)驗(yàn)結(jié)果與分析

以鹽城某風(fēng)電場(chǎng)的46臺(tái)風(fēng)機(jī)作為研究對(duì)象。圖1為所有風(fēng)機(jī)的坐標(biāo)分布圖,從圖中可以看出,46臺(tái)風(fēng)機(jī)的位置呈不規(guī)則的散布,很難直接從空間分布中分析各臺(tái)風(fēng)機(jī)的相關(guān)性,也很難直接確定哪些風(fēng)機(jī)的風(fēng)速、風(fēng)向數(shù)據(jù)對(duì)預(yù)測(cè)風(fēng)電場(chǎng)總功率的貢獻(xiàn)率較大。如果直接把所有風(fēng)機(jī)的數(shù)據(jù)及其導(dǎo)數(shù)作為風(fēng)電場(chǎng)功率預(yù)測(cè)模型的輸入,其輸入個(gè)數(shù)會(huì)非常巨大,因此基于上一節(jié)給出的NN-MIV方法,對(duì)輸入變量進(jìn)行篩選。

圖1 風(fēng)機(jī)分布圖Fig.1 Distribution of wind turbines

首先,將46臺(tái)風(fēng)機(jī)的風(fēng)速V、風(fēng)向余弦Dcos及其1階、2階導(dǎo)數(shù)作為輸入,風(fēng)電場(chǎng)1 h的預(yù)測(cè)總功率PWP作為輸出,構(gòu)造一個(gè)結(jié)構(gòu)為276-280-1的三層前向神經(jīng)網(wǎng)絡(luò)(如圖2所示)。為獲得較準(zhǔn)確的導(dǎo)數(shù)信息,避免測(cè)量噪聲對(duì)求導(dǎo)的影響,首先對(duì)測(cè)量數(shù)據(jù)進(jìn)行平滑濾波,并用精度較高的七點(diǎn)求導(dǎo)公式對(duì)數(shù)據(jù)進(jìn)行求導(dǎo)[20],以獲得較高的精度,隱含層激勵(lì)函數(shù)取為“tansig”函數(shù),輸出層激活函數(shù)選取“purelin”。用風(fēng)電場(chǎng)30個(gè)典型工作日且未出現(xiàn)棄風(fēng)情況的歷史數(shù)據(jù)(采樣間隔5 min,共8 640個(gè)樣本),采用Levenberg-Marquardt訓(xùn)練算法對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行50次訓(xùn)練,使訓(xùn)練均方誤差(MSE)小于0.001。

對(duì)訓(xùn)練好的神經(jīng)網(wǎng)絡(luò),采用神經(jīng)網(wǎng)絡(luò)方法計(jì)算輸入變量對(duì)輸出變量的內(nèi)部貢獻(xiàn)率,采用平均影響值方法計(jì)算輸入變量對(duì)輸出變量的外部貢獻(xiàn)率,最后計(jì)算出綜合貢獻(xiàn)率。

附錄A表A1給出了各輸入變量對(duì)預(yù)測(cè)功率輸出的綜合貢獻(xiàn)率。由表A1可得出如下結(jié)論。

1)貢獻(xiàn)率較大的變量主要是風(fēng)機(jī)的風(fēng)速V,但不是所有風(fēng)機(jī)的風(fēng)速對(duì)預(yù)測(cè)功率都有較大的貢獻(xiàn)值,表明風(fēng)速信息有一定的冗余,NN-MIV方法剔除了這些冗余信息。例如:12號(hào)風(fēng)機(jī)位于11號(hào)、13號(hào)風(fēng)機(jī)中間,其冗余信息已被11號(hào)、13號(hào)風(fēng)機(jī)包含,因此12號(hào)風(fēng)機(jī)的貢獻(xiàn)率計(jì)算值很小。

圖2 動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型(由三層前向神經(jīng)網(wǎng)絡(luò)和微分器S構(gòu)成)Fig.2 Dynamic neural network prediction model composed of 3-layer feedforward neural network and differentiators

2)大部分風(fēng)機(jī)的風(fēng)速導(dǎo)數(shù)對(duì)預(yù)測(cè)功率的貢獻(xiàn)率不大,但也有部分風(fēng)機(jī)的風(fēng)速導(dǎo)數(shù)或2階導(dǎo)數(shù)對(duì)輸出有較大貢獻(xiàn),這些風(fēng)機(jī)主要位于所有風(fēng)機(jī)的外圍,對(duì)風(fēng)速的改變較為敏感,代表了整個(gè)風(fēng)電場(chǎng)風(fēng)速未來(lái)的變化趨勢(shì)。

3)風(fēng)向本身對(duì)預(yù)測(cè)輸出貢獻(xiàn)率非常小,但風(fēng)向余弦的導(dǎo)數(shù)(主要是2階導(dǎo)數(shù))對(duì)預(yù)測(cè)功率有一定的貢獻(xiàn)率,表明風(fēng)向本身與功率輸出基本無(wú)關(guān),但風(fēng)向余弦導(dǎo)數(shù)表示風(fēng)向的變化,是一種能量轉(zhuǎn)換的因素,與功率存在一定的關(guān)系,而風(fēng)向余弦的二階導(dǎo)數(shù)則對(duì)應(yīng)著這種能量轉(zhuǎn)換的未來(lái)變化趨勢(shì),因此對(duì)預(yù)測(cè)功率有相對(duì)大的貢獻(xiàn)率。

4)貢獻(xiàn)率較大的風(fēng)機(jī)一般位于風(fēng)電場(chǎng)的外圍,能較快反映風(fēng)速和風(fēng)向的變化信息,與未來(lái)的風(fēng)電功率有緊密的聯(lián)系。但由于本文的貢獻(xiàn)率計(jì)算方法是一種神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)驅(qū)動(dòng)的方法,因此貢獻(xiàn)率的計(jì)算結(jié)果還與神經(jīng)網(wǎng)絡(luò)權(quán)值的隨機(jī)初始化值密切相關(guān)。如果權(quán)值的初始化值導(dǎo)致某個(gè)(風(fēng)機(jī))節(jié)點(diǎn)數(shù)據(jù)權(quán)重較大,則該節(jié)點(diǎn)的貢獻(xiàn)率會(huì)在神經(jīng)網(wǎng)絡(luò)訓(xùn)練中被強(qiáng)化,而權(quán)重較小的節(jié)點(diǎn)貢獻(xiàn)率會(huì)被弱化,這可能導(dǎo)致地位相近的兩個(gè)節(jié)點(diǎn)的貢獻(xiàn)率差異較大的結(jié)果。當(dāng)然這對(duì)最終的風(fēng)電功率預(yù)測(cè)結(jié)果影響較小,因?yàn)樨暙I(xiàn)率小的變量,或者與風(fēng)電預(yù)測(cè)功率聯(lián)系不緊密,或者其信息已經(jīng)被其他貢獻(xiàn)率大的變量所包含。

根據(jù)變量選擇原則,選擇對(duì)預(yù)測(cè)功率貢獻(xiàn)值最大的56個(gè)變量作為輸入,使α為0.953 5,重新構(gòu)造一個(gè)結(jié)構(gòu)為56-60-1的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型,并采用與訓(xùn)練276-280-1神經(jīng)網(wǎng)絡(luò)相同的數(shù)據(jù)訓(xùn)練新的神經(jīng)網(wǎng)絡(luò),然后對(duì)2個(gè)神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型分別進(jìn)行了風(fēng)電功率預(yù)測(cè)的實(shí)驗(yàn)。預(yù)測(cè)實(shí)驗(yàn)采用訓(xùn)練樣本集之后未出現(xiàn)棄風(fēng)的某個(gè)典型工作日的數(shù)據(jù)(共288個(gè)預(yù)測(cè)點(diǎn))。圖3給出了不同方法預(yù)測(cè)的對(duì)比結(jié)果。

圖3 靜態(tài)神經(jīng)網(wǎng)絡(luò)模型、動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)模型與NN-MIV模型的風(fēng)電功率預(yù)測(cè)效果Fig.3 Wind power prediction results of static neural network, dynamic neural network and NN-MIV models

同時(shí),本文還構(gòu)造了一個(gè)輸入為46臺(tái)風(fēng)機(jī)的風(fēng)速和風(fēng)向余弦,神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)為92-100-1的靜態(tài)神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型。用訓(xùn)練動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)和NN-MIV模型同樣的數(shù)據(jù)訓(xùn)練靜態(tài)神經(jīng)網(wǎng)絡(luò)模型,用檢驗(yàn)動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)和NN-MIV模型同樣的數(shù)據(jù)檢驗(yàn)靜態(tài)神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)效果,其結(jié)果也在圖3中給出。

為定量比較預(yù)測(cè)結(jié)果,表1給出了預(yù)測(cè)結(jié)果的均方根誤差:

(16)

式中:Prated為風(fēng)電場(chǎng)的額定容量;PWP,i為第i次預(yù)測(cè)風(fēng)電功率;PW,i為第i次實(shí)測(cè)風(fēng)電功率;n為預(yù)測(cè)數(shù)據(jù)個(gè)數(shù)。

為衡量在功率發(fā)生較大變化時(shí)的預(yù)測(cè)誤差,表1給出了預(yù)測(cè)結(jié)果的最大相對(duì)誤差指標(biāo)(見(jiàn)式(17)),還給出了3種預(yù)測(cè)模型訓(xùn)練所需要的時(shí)間。

(17)

表1 3種預(yù)測(cè)方法結(jié)果比較Table 1 Result comparison between 3 prediction methods

從圖3和表1可以看出:靜態(tài)神經(jīng)網(wǎng)絡(luò)方法除了在訓(xùn)練時(shí)間上少于動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)方法外,其他指標(biāo)均比動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)差;而NN-MIV方法不但具有最短的訓(xùn)練時(shí)間,最簡(jiǎn)單的結(jié)構(gòu),而且有最高的預(yù)測(cè)精度。以上結(jié)果可以說(shuō)明:①動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)方法通過(guò)引入導(dǎo)數(shù),反映系統(tǒng)的動(dòng)態(tài)特性,能夠提高預(yù)測(cè)精度;②風(fēng)電場(chǎng)風(fēng)機(jī)的風(fēng)速、風(fēng)向及其各階導(dǎo)數(shù)之中存在較多的對(duì)預(yù)測(cè)功率貢獻(xiàn)較小或冗余的變量,通過(guò)NN-MIV方法能在保留95%以上有效信息的基礎(chǔ)上大量減少這些貢獻(xiàn)較小和冗余的變量,簡(jiǎn)化預(yù)測(cè)模型,降低引入測(cè)量噪聲的概率,提高了模型的泛化能力和預(yù)測(cè)精度。

4 結(jié)語(yǔ)

基于動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)的超短期風(fēng)電功率預(yù)測(cè)方法由于采用變量的導(dǎo)數(shù)來(lái)表征系統(tǒng)的動(dòng)態(tài)特性,使預(yù)測(cè)系統(tǒng)的輸入中隱含了風(fēng)速和風(fēng)向未來(lái)的信息,能獲得較好的預(yù)測(cè)效果。但對(duì)于風(fēng)機(jī)數(shù)量多的大型風(fēng)電場(chǎng),直接使用該方法會(huì)導(dǎo)致神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)復(fù)雜、訓(xùn)練時(shí)間長(zhǎng)等問(wèn)題。本文提出了一種基于NN-MIV的超短期風(fēng)電功率預(yù)測(cè)方法,此方法將平均影響值和神經(jīng)網(wǎng)絡(luò)方法相結(jié)合,綜合考慮了各輸入變量對(duì)預(yù)測(cè)功率的外部貢獻(xiàn)率和內(nèi)部貢獻(xiàn)率,篩選出了對(duì)輸出變量貢獻(xiàn)率最大的56個(gè)輸入變量,建立了一個(gè)優(yōu)化的神經(jīng)網(wǎng)絡(luò)超短期風(fēng)電功率預(yù)測(cè)模型。實(shí)驗(yàn)結(jié)果表明,本文方法不僅能降低預(yù)測(cè)模型的復(fù)雜度,減少訓(xùn)練時(shí)間,而且能降低測(cè)量噪聲對(duì)預(yù)測(cè)精度的影響,提高風(fēng)電功率的預(yù)測(cè)精度。

附錄見(jiàn)本刊網(wǎng)絡(luò)版(http://www.aeps-info.com/aeps/ch/index.aspx)。

[1] S?DER L, HOFMANN L, ORTHS A, et al. Experience from wind integration in some high penetration areas[J]. IEEE Trans on Energy Conversion, 2007, 22(1): 4-12.

[2] 何東,劉瑞葉.基于主成分分析的神經(jīng)網(wǎng)絡(luò)動(dòng)態(tài)集成風(fēng)功率超短期預(yù)測(cè)[J].電力系統(tǒng)保護(hù)與控制,2013,41(4):50-54.

HE Dong, LIU Ruiye. Ultra-short-term wind power prediction using ANN ensemble based on the principal components analysis[J]. Power System Protection and Control, 2013, 41(4): 50-54.

[3] 薛禹勝,郁琛,趙俊華,等.關(guān)于短期及超短期風(fēng)電功率預(yù)測(cè)的評(píng)述[J].電力系統(tǒng)自動(dòng)化,2015,39(6):141-151.DOI:10.7500/AEPS20141218003.

XUE Yusheng, YU Chen, ZHAO Junhua, et al. A review on short-term and ultra-short-term wind power prediction[J]. Automation of Electric Power Systems, 2015, 39(6): 141-151. DOI:10.7500/AEPS20141218003.

[4] JIANG Yu, CHEN Xingying, YU Kun, et al. Short-term wind power forecasting using hybrid method based on enhanced boosting algorithm[J]. Journal of Modern Power Systems and Clean Energy, 2017, 5(1): 126-133.

[5] COSTA A, CRESPO A, NAVARRO J, et al. A review on the young history of the wind power short-term prediction[J]. Renewable and Sustainable Energy Reviews, 2008, 12(6): 1725-1744.

[6] MU Gang, YANG Mao, WANG Dong, et al. Spatial dispersion of wind speeds and its influence on the forecasting error of wind power in a wind farm[J]. Journal of Modern Power Systems and Clean Energy, 2016, 4(2): 265-274.

[7] 陳穎,周海,王文鵬,等.風(fēng)電場(chǎng)輸出功率超短期預(yù)測(cè)結(jié)果分析與改進(jìn)[J].電力系統(tǒng)自動(dòng)化,2011,35(15):30-33.

CHEN Ying, ZHOU Hai, WANG Wenpeng, et al. Improvement of ultra-short-term forecast for wind power[J]. Automation of Electric Power Systems, 2011, 35(15): 30-33

[8] ALEXIADIS M C, DOKOPOULOS P S, SAHSAMANOGLOU H S, et al. Short-term forecasting of wind speed and related electrical power[J]. Solar Energy, 1998, 63(1): 61-68.

[9] 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(8): 1184-1195.

[10] 郁琛,薛禹勝,文福拴,等.按時(shí)序特征優(yōu)化模型后在線選配的超短期風(fēng)電預(yù)測(cè)[J].電力系統(tǒng)自動(dòng)化,2015,39(8):5-11.DOI:10.7500/AEPS20141230007.

YU Chen, XUE Yusheng, WEN Fushuan, et al. An ultra-short-term wind power prediction method using “offline classification and optimization, online model matching” based on time series features[J]. Automation of Electric Power Systems, 2015, 39(8): 5-11. DOI: 10.7500/AEPS20141230007.

[11] 李智,韓學(xué)山,韓力,等.地區(qū)電網(wǎng)風(fēng)電場(chǎng)功率超短期預(yù)測(cè)方法[J].電力系統(tǒng)自動(dòng)化,2010,34(7):90-94.

LI Zhi, HAN Xueshan, HAN Li, et al. An ultra-short-term wind power forecasting method in regional grids[J]. Automation of Electric Power Systems, 2010, 34(7): 90-94

[12] 劉愛(ài)國(guó),薛云濤,胡江鷺.基于GA優(yōu)化SVM的風(fēng)電功率的超短期預(yù)測(cè)[J]. 電力系統(tǒng)保護(hù)與控制, 2015, 43(2): 90-95.

LIU Aiguo, XUE Yuntao, HU Jianglu, et al. Ultra-short-term wind power forecasting based on SVM optimized by GA[J]. Power System Protection and Control, 2015, 43(2): 90-95.

[13] 丁志勇,楊蘋,楊曦,等.基于連續(xù)時(shí)間段聚類的支持向量機(jī)風(fēng)電功率預(yù)測(cè)方法[J].電力系統(tǒng)自動(dòng)化,2012,36(14):131-135.

DING Zhiyong, YANG Ping, YANG Xi, et al. Wind power prediction method based on sequential time clustering support vector machine[J]. Automation of Electric Power Systems, 2012, 36(14): 131-135.

[14] PRATHEEPRAJ E, ABRAHAM A, DEEPA S N. Very short term wind power forecasting using PSO-neural network hybrid system[J]. Advances in Computing and Communications, 2011, 192(3): 503-511.

[15] LI J, MAO J. Ultra-short-term wind power prediction using BP neural network[C]// 9th IEEE Conference on Industrial Electronics and Applications, June 9-11, 2014, Hangzhou, China: 2001-2006.

[16] 崔明建,孫元章,柯德平.基于原子稀疏分解和BP神經(jīng)網(wǎng)絡(luò)的風(fēng)電功率爬坡事件預(yù)測(cè)[J].電力系統(tǒng)自動(dòng)化,2014,38(12):6-11.DOI:10.7500/AEPS20130418003.

CUI Mingjian, SUN Yuanzhang, KE Deping. Wind power ramp events forecasting based on atomic sparse decomposition and BP neural networks[J]. Automation of Electric Power Systems, 2014, 38(12): 6-11. DOI: 10.7500/AEPS20130418003.

[17] 范高鋒,王偉勝,劉純,等.基于人工神經(jīng)網(wǎng)絡(luò)的風(fēng)電功率預(yù)測(cè)[J].中國(guó)電機(jī)工程學(xué)報(bào),2008,28(34):118-123.

FAN Gaofeng, WANG Weisheng, LIU Chun, et al. Wind power prediction based on artificial neural network[J]. Proceedings of the CSEE, 2008, 28(34): 118-123.

[18] 劉瑞葉,黃磊.基于動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)的風(fēng)電場(chǎng)輸出功率預(yù)測(cè)[J].電力系統(tǒng)自動(dòng)化,2012,36(11):19-22.

LIU Ruiye, HUANG Lei. Wind power forecasting based on dynamic neural networks[J]. Automation of Electric Power Systems, 2012, 36(11): 19-22.

[19] OZESMI S L, OZESMI U. An artificial neural network approach to spatial habitat modeling with interspecific interaction[J]. Ecological Modelling, 1999, 116(1): 15-31.

[20] 張騰.神經(jīng)網(wǎng)絡(luò)逆系統(tǒng)方法及其在電力系統(tǒng)控制中的應(yīng)用[D].南京:東南大學(xué),2002.

Ultra-short-termWindPowerPredictionBasedonNeuralNetworkandMeanImpactValue

XULongbo1,WANGWei2,3,ZHANGTao2,3,YANGLi1,WANGShaoyong1,LIYudong1

(1. Guangdong Electric Power Design Institute Co. Ltd., China Energy Engineering Group, Guangzhou 510663, China;2. NARI Group Corporation (State Grid Electric Power Research Institute), Nanjing 211106, China;3. NARI Nanjing Control System Co. Ltd., Nanjing 210061, China)

To solve the problems of variable redundancy and model complexity in the prediction model based on the dynamic neural network, an ultra-short-term wind power prediction method is proposed by combining the neural network (NN) and the mean impact value (MIV). In this method, the external and internal contribution rates of the input variables to the output variables (wind power prediction value) are taken into account, and the input variable with the largest contribution to the output variables is selected. Then an optimized NN prediction model for ultra-short-term wind power prediction is developed. The experimental results show that the proposed model reduces the complexity of the prediction model, mitigates the influence of the measuring noise on the prediction accuracy, and obtains good wind power prediction results.

This work is supported by National High Technology Research and Development Program of China (863 Program) (No. 2013AA050601).

wind power; ultra-short-term prediction; dynamic neural network (DNN); mean impact value (MIV); variable selection

2017-03-21;

2017-07-20。

上網(wǎng)日期: 2017-09-19。

國(guó)家高技術(shù)研究發(fā)展計(jì)劃(863計(jì)劃)資助項(xiàng)目(2013AA050601)。

徐龍博(1984—),男,碩士,高級(jí)工程師,主要研究方向:新能源發(fā)電。E-mail： xlbsjtu@163.com

王 偉(1967—),男,通信作者,碩士,高級(jí)工程師,主要研究方向:新能源發(fā)電監(jiān)視與控制。E-mail: wangwei2@sgepri.sgcc.com.cn

張 滔(1982—),男,碩士,工程師,主要研究方向:新能源發(fā)電監(jiān)視與控制。E-mail: zhangtao6@sgepri.sgcc.com.cn

(編輯蔡靜雯)