基于神經(jīng)網(wǎng)絡(luò)的風(fēng)速預(yù)測(cè)技術(shù)研究

孫愛(ài)國(guó)，黃黎，劉安國(guó)，潘健

（1.湖北工業(yè)大學(xué)電氣與電子工程學(xué)院，湖北 武漢 430068；2.鹽城市政府公共工程審計(jì)中心，江蘇 鹽城 224005；3.華中數(shù)控股份有限公司，湖北 武漢 430223；4.鹽城市路燈管理處，江蘇 鹽城 224005）

基于神經(jīng)網(wǎng)絡(luò)的風(fēng)速預(yù)測(cè)技術(shù)研究

孫愛(ài)國(guó)1,2，黃黎3，劉安國(guó)4，潘健1

（1.湖北工業(yè)大學(xué)電氣與電子工程學(xué)院，湖北 武漢 430068；2.鹽城市政府公共工程審計(jì)中心，江蘇 鹽城 224005；3.華中數(shù)控股份有限公司，湖北 武漢 430223；4.鹽城市路燈管理處，江蘇 鹽城 224005）

本文對(duì)基于神經(jīng)網(wǎng)絡(luò)的風(fēng)速預(yù)測(cè)技術(shù)進(jìn)行了研究?；陲L(fēng)電場(chǎng)的實(shí)際情況與實(shí)際歷史風(fēng)速數(shù)據(jù)，建立基于實(shí)際歷史風(fēng)速數(shù)據(jù)與人工神經(jīng)網(wǎng)絡(luò)的風(fēng)速預(yù)測(cè)模型，對(duì)不同時(shí)間尺度下的風(fēng)速進(jìn)行預(yù)測(cè)，給出了不同時(shí)間尺度下的風(fēng)況預(yù)測(cè)結(jié)果，并對(duì)計(jì)算結(jié)果進(jìn)行了詳細(xì)分析。對(duì)時(shí)間尺度基于神經(jīng)網(wǎng)絡(luò)的風(fēng)速預(yù)測(cè)技術(shù)的影響進(jìn)行了研究，設(shè)置多種場(chǎng)景，給出了不同場(chǎng)景下的風(fēng)速預(yù)測(cè)結(jié)果，進(jìn)而說(shuō)明風(fēng)速預(yù)測(cè)的輸入樣本選擇方法的合理性與正確性。

風(fēng)速風(fēng)向；預(yù)測(cè)；神經(jīng)網(wǎng)絡(luò)；風(fēng)電

全球風(fēng)能理事全球風(fēng)電發(fā)展報(bào)告預(yù)計(jì)到2021年底，全球風(fēng)電裝機(jī)容量將超過(guò)800GW。與常規(guī)發(fā)電方式不同，風(fēng)電出力受天氣影響較大，具有很強(qiáng)的間歇性、隨機(jī)性與不可控性，另外大部分風(fēng)力發(fā)電具有反調(diào)峰特性，因此，不利于系統(tǒng)的調(diào)峰與調(diào)頻。另外，我國(guó)大部分風(fēng)電遠(yuǎn)離負(fù)荷中心、位于電力系統(tǒng)末端，電網(wǎng)較薄弱。因此，當(dāng)風(fēng)電裝機(jī)并網(wǎng)容量較大時(shí)，風(fēng)電的上述特性會(huì)嚴(yán)重影響系統(tǒng)的不可靠性與穩(wěn)定性。準(zhǔn)確的風(fēng)功率預(yù)測(cè)能夠極大方便電網(wǎng)的調(diào)度計(jì)劃安排，提高系統(tǒng)的安全性。因此，研究風(fēng)速或者風(fēng)功率預(yù)測(cè)技術(shù)具有重要的理論研究意義與工程應(yīng)用價(jià)值。目前，已有很多與風(fēng)電預(yù)測(cè)的相關(guān)研究。文獻(xiàn)[1]、[2]基于神經(jīng)網(wǎng)絡(luò)模型研究了實(shí)測(cè)功率數(shù)據(jù)、不同高度氣象數(shù)據(jù)對(duì)風(fēng)功率預(yù)測(cè)精度的影響。應(yīng)用粒子群優(yōu)化技術(shù)改進(jìn)神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，并對(duì)優(yōu)化前后的預(yù)測(cè)結(jié)果進(jìn)行對(duì)比分析，結(jié)果表明，改進(jìn)預(yù)測(cè)模型性能較好、預(yù)測(cè)精度較高。文獻(xiàn)[3]基于相似數(shù)據(jù)、合小波分析理論，應(yīng)用支持向量機(jī)對(duì)短期風(fēng)速預(yù)測(cè)進(jìn)行了研究。計(jì)算結(jié)果表明，數(shù)據(jù)相關(guān)度能夠有效提高預(yù)測(cè)精度，且小波分解能夠有效提高風(fēng)速信號(hào)的低頻和高頻特性的擬合效果，提高了預(yù)測(cè)精度。文獻(xiàn)[4]基于多變量局域預(yù)測(cè)法對(duì)短期風(fēng)速預(yù)測(cè)技術(shù)進(jìn)行了研究，在構(gòu)建的相空間中進(jìn)行預(yù)測(cè)狀態(tài)點(diǎn)鄰域點(diǎn)搜尋。計(jì)算結(jié)果表明，空間構(gòu)造有效改善了短期風(fēng)速預(yù)測(cè)精度。文獻(xiàn)[5]基于徑向基函數(shù)神經(jīng)元網(wǎng)絡(luò)技術(shù)研究了風(fēng)電的預(yù)測(cè)技術(shù)，建立了風(fēng)速預(yù)測(cè)的數(shù)學(xué)模型。對(duì)1h后風(fēng)電輸出功率預(yù)測(cè)結(jié)果表明，預(yù)測(cè)誤差在12%左右。與實(shí)際數(shù)據(jù)與預(yù)測(cè)功率進(jìn)行對(duì)比分析，驗(yàn)證了所提方法的精確性與穩(wěn)定性。本文對(duì)射陽(yáng)風(fēng)電場(chǎng)的風(fēng)速預(yù)測(cè)技術(shù)進(jìn)行研究。應(yīng)用了基于神經(jīng)網(wǎng)絡(luò)的風(fēng)功率預(yù)測(cè)技術(shù)，對(duì)不同時(shí)間尺度下的預(yù)測(cè)結(jié)果進(jìn)行分析，得到風(fēng)功率預(yù)測(cè)的使用場(chǎng)景。應(yīng)用射陽(yáng)風(fēng)電場(chǎng)的風(fēng)速數(shù)據(jù)進(jìn)行計(jì)算，并對(duì)計(jì)算結(jié)果進(jìn)行詳細(xì)分析。分析結(jié)果表明，本文所提方法可以對(duì)風(fēng)電場(chǎng)風(fēng)速進(jìn)行精確預(yù)測(cè)。

1 神經(jīng)網(wǎng)絡(luò)技術(shù)

神經(jīng)網(wǎng)絡(luò)技術(shù)作為新型人工智能技術(shù)，在各個(gè)行業(yè)領(lǐng)域得到了廣泛應(yīng)用，近年來(lái)也越來(lái)越多的應(yīng)用于風(fēng)速/風(fēng)功率預(yù)測(cè)技術(shù)。人工神經(jīng)網(wǎng)絡(luò)首先進(jìn)行學(xué)習(xí)，即根據(jù)外部環(huán)境刺激來(lái)調(diào)整其自由參數(shù)，來(lái)對(duì)外部環(huán)境產(chǎn)生新方式的過(guò)程。該過(guò)程并不會(huì)改變神經(jīng)網(wǎng)絡(luò)單元本身，而是通過(guò)改變連接權(quán)值進(jìn)行學(xué)習(xí)。學(xué)習(xí)規(guī)則如下：如果網(wǎng)絡(luò)學(xué)習(xí)提示錯(cuò)誤，則通過(guò)反復(fù)的學(xué)習(xí)，減少下次出現(xiàn)相同錯(cuò)誤的可能性。因此，神經(jīng)網(wǎng)絡(luò)能夠通過(guò)反復(fù)學(xué)習(xí)，根據(jù)外部環(huán)境來(lái)提高自身的性能。學(xué)習(xí)是改變處理單元性能的元素，即連接權(quán)值。由于學(xué)習(xí)的規(guī)則存在較大差異，因此，學(xué)習(xí)過(guò)程沒(méi)有統(tǒng)一的表達(dá)式，但學(xué)習(xí)類(lèi)型與參數(shù)形式有關(guān)。神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)和訓(xùn)練不同在于，學(xué)習(xí)是結(jié)果，而訓(xùn)練是神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過(guò)程，本質(zhì)上講，學(xué)習(xí)是神經(jīng)網(wǎng)絡(luò)的內(nèi)部過(guò)程，而訓(xùn)練是神經(jīng)網(wǎng)絡(luò)的外部過(guò)程。學(xué)習(xí)方式可以劃分為監(jiān)督學(xué)習(xí)和自組織學(xué)習(xí)方法。前者在學(xué)習(xí)過(guò)程中給出目標(biāo)值，神經(jīng)網(wǎng)絡(luò)并不知道外部環(huán)境條件，而是不斷調(diào)整網(wǎng)絡(luò)權(quán)值與閾值來(lái)優(yōu)化目標(biāo)函數(shù)；后者是通過(guò)與外界環(huán)境的聯(lián)系適應(yīng)最小化性能的標(biāo)量索引，來(lái)完成輸入輸出映射的學(xué)習(xí)。自組織學(xué)習(xí)過(guò)程中只有輔助網(wǎng)絡(luò)學(xué)習(xí)的質(zhì)量尺度，達(dá)到優(yōu)化參數(shù)的目的。神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)規(guī)則主要包括：Hebb學(xué)習(xí)、Delta規(guī)則、Widrow-Hoff學(xué)習(xí)規(guī)則、Correlation（相關(guān)）學(xué)習(xí)規(guī)則、Winner-Take-all學(xué)習(xí)規(guī)則等。下面詳細(xì)介紹Hebb學(xué)習(xí)規(guī)則。Hebb學(xué)習(xí)規(guī)則是無(wú)監(jiān)督的學(xué)習(xí)，學(xué)習(xí)的結(jié)果是使網(wǎng)絡(luò)能夠總結(jié)輸入信息的統(tǒng)計(jì)特性，從而把輸入信息按照相似性程度來(lái)分類(lèi)。這一點(diǎn)與人類(lèi)觀察和認(rèn)識(shí)世界的過(guò)程非常吻合，人類(lèi)觀察和認(rèn)識(shí)世界在相當(dāng)程度上就是在根據(jù)事物的統(tǒng)計(jì)特征進(jìn)行分類(lèi)。Hebb規(guī)則由神經(jīng)元連接間的激活水平改變權(quán)值，所以Hebb又可稱(chēng)為相關(guān)學(xué)習(xí)。神經(jīng)網(wǎng)絡(luò)中的Hebb算法可以簡(jiǎn)單描述為：若兩神經(jīng)元之間傳遞激勵(lì)信號(hào)，而且如果兩者都處于高激勵(lì)，則量神經(jīng)元間的權(quán)值增加。即可表示為兩節(jié)點(diǎn)的連接權(quán)值是兩節(jié)點(diǎn)激勵(lì)的乘積，隨乘積進(jìn)行改變：

對(duì)于Hebb學(xué)習(xí)，學(xué)習(xí)信號(hào)就是神經(jīng)元輸出，即：

權(quán)值增量變成： Δw = αf(wTx)x ，即如果輸出ii和輸入的乘積是正的，則連接權(quán)值增加，否則減小。

2 算例分析

本節(jié)對(duì)基于神經(jīng)網(wǎng)絡(luò)的風(fēng)電場(chǎng)風(fēng)況預(yù)測(cè)技術(shù)進(jìn)行研究。

（1）基于神經(jīng)網(wǎng)絡(luò)的風(fēng)況預(yù)測(cè)。本節(jié)基于神經(jīng)網(wǎng)絡(luò)技術(shù)對(duì)風(fēng)電場(chǎng)的風(fēng)況進(jìn)行預(yù)測(cè)，預(yù)測(cè)某一天的風(fēng)速與風(fēng)向數(shù)據(jù)。風(fēng)況數(shù)據(jù)每5分鐘采取一個(gè)數(shù)據(jù)點(diǎn)，共288個(gè)數(shù)據(jù)，總預(yù)測(cè)時(shí)間一天共1440分鐘，預(yù)測(cè)提前時(shí)間為2個(gè)小時(shí)。預(yù)測(cè)結(jié)果如圖1。

圖1 風(fēng)況預(yù)測(cè)結(jié)果

由圖1可知，提前兩個(gè)小時(shí)對(duì)風(fēng)電場(chǎng)風(fēng)況進(jìn)行預(yù)測(cè)時(shí)，風(fēng)速與風(fēng)向的預(yù)測(cè)曲線大致趨勢(shì)基本保持一致，雖然二者并非完全相等，但從電網(wǎng)調(diào)度角度來(lái)看，仍然具有很好的參考價(jià)值。另外，需要說(shuō)明的是，風(fēng)電預(yù)測(cè)是為了能夠?qū)︼L(fēng)電進(jìn)行更好的調(diào)度、消納，但并非是要做到全部消納。而是希望能夠在保持風(fēng)量在一定程度的基礎(chǔ)上，盡可能多的消納風(fēng)電，并使得風(fēng)電預(yù)測(cè)能夠?qū)︼L(fēng)電的調(diào)度更加可控?？芍?，提前兩個(gè)小時(shí)對(duì)風(fēng)電場(chǎng)風(fēng)況進(jìn)行預(yù)測(cè)時(shí)，風(fēng)速與風(fēng)向的預(yù)測(cè)曲線大致趨勢(shì)基本保持一致，雖然二者并非完全相等，但從電網(wǎng)調(diào)度角度來(lái)看，仍然具有很好的參考價(jià)值。另外，需要說(shuō)明的是，風(fēng)電預(yù)測(cè)是為了能夠?qū)︼L(fēng)電進(jìn)行更好的調(diào)度、消納，但并非是要做到全部消納。而是希望能夠在保持風(fēng)量在一定程度的基礎(chǔ)上，盡可能多的消納風(fēng)電，并使得風(fēng)電預(yù)測(cè)能夠?qū)︼L(fēng)電的調(diào)度更加可控。

（2）不同時(shí)間尺度的風(fēng)況預(yù)測(cè)。定義如下三種場(chǎng)景：場(chǎng)景1：提前4小時(shí)的預(yù)測(cè)結(jié)果；場(chǎng)景2：提前3小時(shí)的預(yù)測(cè)結(jié)果；場(chǎng)景3：提前2小時(shí)的預(yù)測(cè)結(jié)果。場(chǎng)景2的預(yù)測(cè)結(jié)果在3.3.1小節(jié)中已經(jīng)給出，下面給出場(chǎng)景1與場(chǎng)景3的預(yù)測(cè)結(jié)果。不同場(chǎng)景下的預(yù)測(cè)誤差如表1。

表1 不同場(chǎng)景下的預(yù)測(cè)誤差結(jié)果

由上述計(jì)算結(jié)果可知，場(chǎng)景1的預(yù)測(cè)誤差最小，場(chǎng)景3的預(yù)測(cè)誤差最大。因此，隨著預(yù)測(cè)提前時(shí)間的增長(zhǎng)，風(fēng)速的預(yù)測(cè)精度呈現(xiàn)下降的趨勢(shì)。但對(duì)于風(fēng)速風(fēng)向的整體趨勢(shì)的預(yù)測(cè)結(jié)果與實(shí)際情況大致相符。產(chǎn)生上述誤差的主要原因在于風(fēng)速的隨機(jī)性、波動(dòng)性與不可控性太大，受氣象等因素的影響顯著。因此，無(wú)法對(duì)其進(jìn)行精確預(yù)測(cè)。在目前的實(shí)際應(yīng)用中并非要對(duì)風(fēng)速進(jìn)行高精度的預(yù)測(cè)，而是在允許誤差范圍內(nèi)，能夠?qū)ζ溥M(jìn)行預(yù)測(cè)，來(lái)為電網(wǎng)調(diào)度、發(fā)電計(jì)劃安排等提供一定的指導(dǎo)作用。

3 結(jié)語(yǔ)

本文對(duì)基于神經(jīng)網(wǎng)絡(luò)的鹽城地區(qū)射陽(yáng)風(fēng)電場(chǎng)風(fēng)功率預(yù)測(cè)技術(shù)進(jìn)行了研究。應(yīng)用基于神經(jīng)網(wǎng)絡(luò)的風(fēng)功率預(yù)測(cè)的時(shí)間尺度分析，對(duì)不同時(shí)間尺度下的風(fēng)功率預(yù)測(cè)技術(shù)進(jìn)行了分析。

[1]武小梅，白銀明，文福栓. 基于RBF神經(jīng)元網(wǎng)絡(luò)的風(fēng)電功率短期預(yù)測(cè)[J].電力系統(tǒng)保護(hù)與控制，2011,39(15):80-83.

[2]高陽(yáng),鐘宏宇,陳鑫宇,等.基于神經(jīng)網(wǎng)絡(luò)和小波分析的超短期風(fēng)速預(yù)測(cè)[J].可再生能源,2016,(05):705-711.

[3]楊錫運(yùn)，孫寶君，張新房，等.基于相似數(shù)據(jù)的支持向量機(jī)的短期風(fēng)速預(yù)測(cè)仿真研究[J].中國(guó)電機(jī)工程學(xué)報(bào)，2012,32(4):35-41.

[4]郭創(chuàng)新，王揚(yáng)，沈勇等.風(fēng)電場(chǎng)短期風(fēng)速的多變量局域預(yù)測(cè)法[J].中國(guó)電機(jī)工程學(xué)報(bào)，2012,32(1):24-31.

[5]楊志凌，劉永前.應(yīng)用粒子群優(yōu)化算法的全齊風(fēng)電功率預(yù)測(cè)[J].電網(wǎng)技術(shù)，2011,35(5):159-164.

TM614

：A

：1671-0711（2017）12（下）-0133-02