計及故障時間的神經(jīng)網(wǎng)絡(luò)風(fēng)力發(fā)電量預(yù)測

曹渝昆, 胡清清

(上海電力學(xué)院 計算機與科學(xué)技術(shù)學(xué)院, 上海 200090)

0 引 言

自2008年遭受金融危機以來，國際經(jīng)濟持續(xù)低迷，為了應(yīng)對經(jīng)濟危機帶來的潛在風(fēng)險，各個國家的專家學(xué)者紛紛提出了新概念，關(guān)于電力行業(yè)，2008年以來最熟悉的一個概念就是“智能電網(wǎng)”(Smart Grid)。根據(jù)智能電網(wǎng)的定義，要求高效利用可再生能源(Renewable Energy Resources)，替代傳統(tǒng)的不可再生能源(煤炭、石油和天然氣)。中國風(fēng)能資源豐富，開發(fā)潛力巨大，必將成為未來能源結(jié)構(gòu)中一個重要組成部分。隨著風(fēng)電規(guī)模的擴大，風(fēng)電的接入可能影響電能質(zhì)量和電力系統(tǒng)的安全運行，如何提高發(fā)電量預(yù)測的精度是合理利用風(fēng)資源的關(guān)鍵問題。

文獻[1]提出了BP神經(jīng)網(wǎng)絡(luò)的改進算法以及支持向量機SVM方法對發(fā)電量的預(yù)測，該論文是針對超短期的負(fù)荷預(yù)測；文獻[2]使用了用PSO算法改進的BP神經(jīng)網(wǎng)絡(luò)進行超短期預(yù)測；文獻[3]提出了基于人工神經(jīng)網(wǎng)絡(luò)的短期風(fēng)力發(fā)電量預(yù)測方法；文獻[4]提出了基于時間指數(shù)平滑法的短期的功率預(yù)測。目前，現(xiàn)有的預(yù)測方法以多個時間點或一天為一個周期，預(yù)測的周期較短，并且大多預(yù)測精度都在10%左右，為了解決現(xiàn)有方法的缺陷，本文提出了一種基于神經(jīng)網(wǎng)絡(luò)的兩段式風(fēng)力發(fā)電量的預(yù)測方法，將預(yù)測的時間延長到3天，并且在預(yù)測精度上有較大的提高。

1 方法框架

本文主要研究對象是結(jié)合氣象因素與風(fēng)力發(fā)電機故障時間的發(fā)電量預(yù)測，預(yù)測分為兩個階段：采用神經(jīng)網(wǎng)絡(luò)結(jié)合時間序列的故障時間預(yù)測，以及在預(yù)測故障時間的基礎(chǔ)上使用GRNN神經(jīng)網(wǎng)絡(luò)進行風(fēng)力發(fā)電量的預(yù)測，兩個階段的預(yù)測使用了不同的神經(jīng)網(wǎng)絡(luò)算法，其具體流程圖如圖1所示。

圖1 系統(tǒng)流程圖

(1)獲得原始數(shù)據(jù)；

(2)整理數(shù)據(jù)集，對不同量綱的數(shù)據(jù)進行歸一化預(yù)處理；

(3)選取故障時間作為第一階段預(yù)測的訓(xùn)練集；

(4)進行第一階段預(yù)測：基于時間序列的神經(jīng)網(wǎng)絡(luò)進行故障時間預(yù)測；

(5)考慮影響風(fēng)力發(fā)電的因素，確定發(fā)電量預(yù)測的特征；

(6)根據(jù)預(yù)測好的故障時間和選取的特征，確定發(fā)電量預(yù)測的訓(xùn)練集；

(7)使用GRNN神經(jīng)網(wǎng)絡(luò)進行最終發(fā)電量預(yù)測。

2 兩階段發(fā)電量預(yù)測方法

由于風(fēng)能預(yù)測的隨機性以及電力系統(tǒng)的非線性，在進行風(fēng)能預(yù)測的時候需要考慮很多不確定的因素，現(xiàn)有的風(fēng)能預(yù)測的方法有很多，包括物理方法、統(tǒng)計方法、人工神經(jīng)網(wǎng)絡(luò)預(yù)測、組合預(yù)測等方法[5]。人工神經(jīng)網(wǎng)絡(luò)具有良好的自適應(yīng)性，并行處理，非線性變化的能力，容錯性強，應(yīng)用廣泛，所以本文使用人工神經(jīng)網(wǎng)絡(luò)建立預(yù)測模型。

2.1 基于神經(jīng)網(wǎng)絡(luò)的時間序列方法

時間序列預(yù)測法是一種根據(jù)動態(tài)數(shù)據(jù)揭示系統(tǒng)動態(tài)結(jié)構(gòu)和規(guī)律的統(tǒng)計方法，從統(tǒng)計意義上講，所謂時間序列就是將某一個指在不同時間上的不同數(shù)值，按照時間的先后順序排列而成的數(shù)列[6]，而基于神經(jīng)網(wǎng)絡(luò)的時間序列方法避免了時間序列方法中僅僅依賴時間變化的趨勢去預(yù)測未來某個時刻的值。將歷史數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)的輸入，利用了神經(jīng)網(wǎng)絡(luò)的自主學(xué)習(xí)的能力，自學(xué)習(xí)大量歷史數(shù)據(jù)中的關(guān)系，能更好的預(yù)測實際問題。BP神經(jīng)網(wǎng)絡(luò)是目前應(yīng)用最廣的神經(jīng)網(wǎng)絡(luò)模型之一,其結(jié)構(gòu)簡單,仿真能力強,易于實現(xiàn)，所以在第一階段的預(yù)測中使用BP神經(jīng)網(wǎng)絡(luò)結(jié)合時間序列進行故障時間預(yù)測。

因為故障時間數(shù)據(jù)是依據(jù)時間的先后排列，而神經(jīng)網(wǎng)絡(luò)的訓(xùn)練需要輸入矩陣以及對應(yīng)的輸出矩陣，所以在使用BP結(jié)合時間序列的方法時，首先確定訓(xùn)練樣本集。

對于一共具有n個數(shù)值的時間序列，用前三天的值預(yù)測第四天的值。假設(shè)將前三天的值作為輸入X=[x1,x2,x3],預(yù)測第四天的值作為輸出Y=y4，同理，預(yù)測第5天的故障時間，則使用第二天到第四天的實際值進行預(yù)測，輸入為X=[x2,x3,x4],以此類推，最終確定一個3*n的輸入矩陣input，以及1*n的輸出矩陣output，由input和output組合成BP網(wǎng)絡(luò)的訓(xùn)練集。

BP神經(jīng)網(wǎng)絡(luò)預(yù)測前，首先要訓(xùn)練網(wǎng)絡(luò)，通過訓(xùn)練網(wǎng)絡(luò)使網(wǎng)絡(luò)具有聯(lián)想記憶和預(yù)測能力。將訓(xùn)練集輸入BP神經(jīng)網(wǎng)絡(luò)，通過網(wǎng)絡(luò)的預(yù)測結(jié)果和實際結(jié)果(output)計算誤差，將誤差反向傳播。 根據(jù)計算出的隱層輸出和輸出層輸出，不斷更新輸入層和隱層，以及隱層和輸出層之間的連接權(quán)值和閾值，直至最終的誤差達到要求 。

2.2 GRNN神經(jīng)網(wǎng)絡(luò)方法

廣義回歸神經(jīng)網(wǎng)絡(luò)(GRNN，Generalized Regression Neural Network)是一種高度并行徑向基網(wǎng)絡(luò)，具有很強的非線性映射能力和柔性網(wǎng)絡(luò)網(wǎng)絡(luò)結(jié)構(gòu)以及高度的容錯性和魯棒性，適用于解決非線性問題。

在使用GRNN神經(jīng)網(wǎng)絡(luò)預(yù)測發(fā)電量時，選取特征向量確定網(wǎng)絡(luò)每個樣本的輸入X=[x1，x2，…xn]T，以及對應(yīng)的發(fā)電量作為網(wǎng)絡(luò)的輸出Y=[y1，y2，…ym]T，其中n表示特征的維數(shù)，m表示樣本的個數(shù)，則輸入為一個m*n的矩陣，輸出為m*1的矩陣，輸入輸出矩陣確定了GRNN神經(jīng)網(wǎng)絡(luò)的訓(xùn)練集。

在GRNN的模式層神經(jīng)元數(shù)目等于學(xué)習(xí)樣本數(shù)目n，各神經(jīng)元對應(yīng)不同樣本，模式層神經(jīng)元傳遞函數(shù)為:

(1)

式中X為網(wǎng)絡(luò)輸入變量；Xi為第i個神經(jīng)元對應(yīng)的學(xué)習(xí)樣本；σ為光滑因子。

GRNN的求和層計算公式為：

(2)

對于GRNN的輸出層。輸出層中的神經(jīng)元數(shù)目等于學(xué)習(xí)樣本中輸出向量的維數(shù)k，并將模式層神經(jīng)元加權(quán)求和SNj與模式層神經(jīng)元輸出的算術(shù)求和SD相除， 即為網(wǎng)絡(luò)輸出yi[7]。

(3)

3 風(fēng)力發(fā)電量預(yù)測前期準(zhǔn)備

3.1 預(yù)測數(shù)據(jù)的預(yù)處理

從風(fēng)電場獲取的原始數(shù)據(jù)的種類較多，包括每天的氣象數(shù)據(jù)、故障數(shù)據(jù)、發(fā)電量等，具體為每日的最高、最低溫度，風(fēng)速的大小，風(fēng)機結(jié)冰情況，故障發(fā)生的時間、消缺時間、故障類型等等。

由于采集到的數(shù)據(jù)有不同的量綱，為了加快訓(xùn)練網(wǎng)絡(luò)的收斂速度，得到更高的精度，將選擇的數(shù)據(jù)歸一化處理。本論文采用的歸一化方法是MATLAB中的函數(shù)mapminmax，將所有數(shù)據(jù)統(tǒng)一歸一化到(-1，1)之間，相應(yīng)的，測試集的期望輸出樣本和訓(xùn)練集的期望輸出樣本使用相同的歸一化標(biāo)準(zhǔn)。最后將預(yù)測輸出進行反歸一化，得到最終的預(yù)測值。

3.2 預(yù)測特征的確定

影響風(fēng)力發(fā)電的因素有很多，文獻[8]提到影響風(fēng)力發(fā)電量的氣象因素有風(fēng)速、溫度和大氣壓等氣象因素。根據(jù)風(fēng)電廠的實際運行情況，風(fēng)機故障會影響風(fēng)機轉(zhuǎn)速，進而影響發(fā)電量，而在風(fēng)機消缺之后，風(fēng)機要達到一定轉(zhuǎn)速才能并網(wǎng)發(fā)電，所以故障時間對風(fēng)機發(fā)電量有一定的影響，為了確定具體是哪些因素對發(fā)電量產(chǎn)生影響，將風(fēng)速、溫度、大氣壓值、故障時間這4個因素分別組合為10種模型：①風(fēng)速 ②風(fēng)速、溫度 ③風(fēng)速、溫度、大氣壓 ④風(fēng)速、溫度、大氣壓值、故障時間 ⑤溫度 ⑥溫度、大氣壓值 ⑦溫度、大氣壓值、故障時間 ⑧大氣壓值 ⑨大氣壓值、故障時間 ⑩故障時間，分別用RBF和GRNN神經(jīng)網(wǎng)絡(luò)測試這10種模型，選擇預(yù)測誤差最小的一種模型。測試結(jié)果的均方差如表1所示。

表1 RBF和GRNN神經(jīng)網(wǎng)絡(luò)均方差比較

上述兩種方法測試結(jié)果可以看出模型4的均方差最低，預(yù)測的誤差最小，即風(fēng)速、溫度、大氣壓值和故障時間4種因素共同影響風(fēng)力發(fā)電量。

4 試驗

4.1 故障時間預(yù)測

故障時間預(yù)測是第一階段預(yù)測，也是第二階段預(yù)測的基礎(chǔ)。風(fēng)機故障的原因很多，由于風(fēng)機服役時間較長，器件老化導(dǎo)致風(fēng)機故障；天氣溫度較低，導(dǎo)致風(fēng)機葉片結(jié)冰，影響發(fā)電量；文獻[9]提到風(fēng)機所處的位置不同，而風(fēng)力隨時間和位置不同變化非常大，所以風(fēng)機的故障不排除風(fēng)機受到過大風(fēng)力導(dǎo)致瞬間超載，由于風(fēng)機故障的原因很多不能量化，所以使用歷史故障數(shù)據(jù)利用時間序列的方法進行故障時間預(yù)測。本文的故障時間選用停機的時間，在故障停機時不并網(wǎng)發(fā)電，不考慮風(fēng)機轉(zhuǎn)速沒達到要求的時間段對發(fā)電量的影響。

由于時間序列的預(yù)測受近期數(shù)據(jù)的值影響比較大，所以該階段預(yù)測采用2016年2月到5月的數(shù)據(jù)，不再過多考慮更早的歷史數(shù)據(jù)對預(yù)測結(jié)果的影響。運用基于BP神經(jīng)網(wǎng)絡(luò)的時間序列方法，預(yù)測同年6月前三天的故障時間，連續(xù)預(yù)測連續(xù)1天、2天、3天的誤差分別為：0.074 9、0.160 4、0.221 9，隨著連續(xù)預(yù)測天數(shù)的增加，預(yù)測的誤差也逐漸增加。

使用三次指數(shù)平滑和基于神經(jīng)網(wǎng)絡(luò)時間序列兩種方法預(yù)測故障時間結(jié)果對比如表2所示。

表2 三次指數(shù)平滑VS神經(jīng)網(wǎng)絡(luò)時間序列

三次指數(shù)平滑的預(yù)測平均誤差為：5.120 h，神經(jīng)網(wǎng)絡(luò)時間序列預(yù)測平均誤差為：2.302 h?；谏窠?jīng)網(wǎng)絡(luò)時間序列的預(yù)測精度明顯高于三次指數(shù)時間序列。

4.2 發(fā)電量預(yù)測

運用已確定的特征：風(fēng)速、溫度、大氣壓值以及預(yù)測出來的故障時間作為輸入特征，將2014年10月到2016年5月的歷史數(shù)據(jù)作為訓(xùn)練集并測試神經(jīng)網(wǎng)絡(luò)模型。

使用GRNN廣義回歸神經(jīng)網(wǎng)絡(luò)、RBF徑向基函數(shù)以及BP神經(jīng)網(wǎng)絡(luò)預(yù)測未來5天的發(fā)電量，平均誤差百分?jǐn)?shù)如表3所示。

表3 預(yù)測誤差百分?jǐn)?shù)

根據(jù)《國家能源局關(guān)于印發(fā)風(fēng)電場功率預(yù)測預(yù)報管理暫行辦法的通知》第9條規(guī)定：風(fēng)電場功率預(yù)測系統(tǒng)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%。對比上面的預(yù)測結(jié)果，RBF的預(yù)測結(jié)果優(yōu)于BP算法，GRNN神經(jīng)網(wǎng)絡(luò)的預(yù)測誤差比RBF預(yù)測誤差小，而且GRNN神經(jīng)網(wǎng)絡(luò)預(yù)測前三天的精度均滿足要求。

最終確定GRNN神經(jīng)網(wǎng)絡(luò)為最終預(yù)測模型，使用該模型未來連續(xù)1天到未來連續(xù)5天的預(yù)測結(jié)果和預(yù)測誤差分別如圖2、圖3所示。

圖2 GRNN風(fēng)能預(yù)測結(jié)果

圖3 GRNN風(fēng)能預(yù)測誤差

GRNN神經(jīng)網(wǎng)絡(luò)模型預(yù)測連續(xù)5天的發(fā)電量誤差會突增，而預(yù)測連續(xù)3天的誤差最小，所以計及故障時間對發(fā)電量的影響，可以將發(fā)電量的預(yù)測延長至3天，并根據(jù)表3的結(jié)果，RBF的方法也是預(yù)測連續(xù)3天的發(fā)電量時，誤差最小，但是GRNN神經(jīng)網(wǎng)絡(luò)的精度更高，前三天的預(yù)測誤差在滿足國家對發(fā)電量預(yù)測誤差的要求的前提下，提高了預(yù)測的精度。

5 結(jié)束語

采用湖南省某風(fēng)電場實際運行產(chǎn)生的數(shù)據(jù)，考慮故障時間對發(fā)電量的影響，提出兩段式風(fēng)力發(fā)電量預(yù)測的方法，結(jié)論及試驗結(jié)果總結(jié)如下：

(1)在確定影響發(fā)電量因素時，除了考慮氣象因素外，還根據(jù)風(fēng)電場的實際運行情況考慮故障時間對發(fā)電量的影響，建立包括氣象因素和故障時間的10種模型，并最終確定故障時間一定程度上影響發(fā)電量。

(2)針對故障時間并不能像氣象數(shù)據(jù)那樣通過可以通過氣象臺獲得，為此提出了兩段式風(fēng)力發(fā)電量預(yù)測的方法，首先使用歷史數(shù)據(jù)預(yù)測故障時間，再根據(jù)預(yù)測的故障時間進行最后的發(fā)電量預(yù)測。為了避免時間序列預(yù)測的單一性，使用基于神經(jīng)網(wǎng)絡(luò)時間序列的方法預(yù)測故障時間，使得預(yù)測結(jié)果更加準(zhǔn)確。

(3)最終對比了BP、RBF和GRNN三種方法的預(yù)測結(jié)果，發(fā)現(xiàn)RBF和GRNN神經(jīng)網(wǎng)絡(luò)在預(yù)測連續(xù)3天時，誤差最低。而其中GRNN預(yù)測連續(xù)3天的誤差降到6%左右，延長了預(yù)測時間，提高了預(yù)測誤差，驗證了該預(yù)測方法的有效性和可行性。

[1] 穆躍宏，韓曉霞.短期風(fēng)力發(fā)電功率預(yù)測的研究[D].山西：太原理工大學(xué)，2014.

[2] 孫喜波,劉瓊蓀.改進混沌PSO算法的BP網(wǎng)絡(luò)優(yōu)化[J].微計算機信息,2011,26(5):157-159.

[3] AHMED OUAMMI, HANANE DAGDOUGUI, ROBERTO SACILE. Short term forecast of wind power by an artificial neural network approach [J]. United States :IEEE Computer Society,2012,544(4):1-5.

[4] 盧永芳,程志磊,王曉衛(wèi),等.基于時序指數(shù)平滑法的風(fēng)電場功率預(yù)測研究[J].工礦自動化,2012,40(8):75-78.

[5] 馮雙磊,王偉勝,劉純,等.風(fēng)電場功率預(yù)測物理方法研究[J]．中國電機工程學(xué)報,2010,30(2):1-6．

[6] 趙仁義,朱玉輝.關(guān)于時間序列預(yù)測法的探討[J].科技信息,2011,26(15):198-199.

[7] 陳守平,董瑞,羅曉莉.MATLAB神經(jīng)網(wǎng)絡(luò)30個案例分析 [M].北京：北京航空航天大學(xué)出版社,2010.

[8] 韓爽,劉永前,楊勇平,等.風(fēng)電場超短期功率預(yù)測及不確定性分析[J].太陽能學(xué)報,2011,32(8):1251-1256

[9] 康明虎.某風(fēng)電場風(fēng)機基礎(chǔ)故障分析及處理[J].可再生能源,2014,31(6):809-813.