基于RBF神經(jīng)網(wǎng)絡(luò)算法的短期風(fēng)電功率預(yù)測研究

邱欽宇

（中國鐵路南昌局集團(tuán)有限公司南昌車輛段，江西 南昌 330100）

我國的疆土廣闊無垠，擁有屈指可數(shù)的超長海岸線，是風(fēng)力資源較豐富的國家之一。我國頒布的《風(fēng)電發(fā)展“十二五”規(guī)劃》，精確指出國家電網(wǎng)公司要根據(jù)風(fēng)電的發(fā)展計(jì)劃進(jìn)行電力系統(tǒng)電網(wǎng)對于風(fēng)力發(fā)電的進(jìn)駐的配套工作，改善電力系統(tǒng)運(yùn)行安排，使風(fēng)電在整個(gè)電力發(fā)電網(wǎng)絡(luò)中的占比不斷增加，來完成規(guī)定風(fēng)電計(jì)劃的并網(wǎng)。

然而，與常規(guī)發(fā)電方式有所不同的是，風(fēng)是隨機(jī)的，隨高度增加而變化，隨季節(jié)，日夜的更替而變化，風(fēng)力發(fā)電有著波動(dòng)性、間歇性等許多不確定因素。

機(jī)組并網(wǎng)時(shí)，會(huì)有風(fēng)電穿透功率極限問題的存在。風(fēng)電場穿透功率的上升到一定值時(shí)，會(huì)造成電力系統(tǒng)運(yùn)行出現(xiàn)問題，電能質(zhì)量受到嚴(yán)重影響，違反電力系統(tǒng)運(yùn)行時(shí)安全、優(yōu)質(zhì)、可靠、經(jīng)濟(jì)、環(huán)保的基本要求。更需要我們注意的是，由于風(fēng)速超過機(jī)組可運(yùn)行值時(shí)會(huì)使機(jī)組直接退出電網(wǎng)運(yùn)行，引起電力系統(tǒng)非常大的擾動(dòng)，造成電力系統(tǒng)運(yùn)行方式產(chǎn)生急劇變化，甚至使電力系統(tǒng)崩潰。因此，風(fēng)電場的風(fēng)電功率預(yù)測成為發(fā)展風(fēng)力發(fā)電的漫漫長路上非常關(guān)鍵的一環(huán)，是維持電力系統(tǒng)高效穩(wěn)定運(yùn)行的重要步驟。因此保持電力系統(tǒng)經(jīng)濟(jì)可靠的運(yùn)行，使電網(wǎng)發(fā)電計(jì)劃調(diào)度合理。根據(jù)風(fēng)電場的風(fēng)電功率預(yù)測可以十分有效率地進(jìn)行機(jī)組設(shè)備維護(hù)與檢修，提高風(fēng)電在電力市場的經(jīng)濟(jì)價(jià)值與競爭力。

風(fēng)電功率預(yù)測有很多方法，如按預(yù)測時(shí)間的長短分類?？煞譃樘囟唐陬A(yù)測（Very short Term Prediction）、短期預(yù)測（Short Term Prediction）、中期預(yù)測（Medium Term Prediction）和長期預(yù)測（Long Term Prediction）。根據(jù)預(yù)測方法分類，風(fēng)電功率預(yù)測大致可分為物理方法，統(tǒng)計(jì)方法和人工智能法。本論文重點(diǎn)在研究基于RBF 神經(jīng)網(wǎng)絡(luò)算法的短期風(fēng)電功率預(yù)測的探索，通過現(xiàn)有的資料技術(shù)，實(shí)現(xiàn)電網(wǎng)的最優(yōu)運(yùn)行。

1 RBF 神經(jīng)網(wǎng)絡(luò)

本文采用了RBF 神經(jīng)網(wǎng)絡(luò)來對風(fēng)電場進(jìn)行短期的風(fēng)電功率預(yù)測，風(fēng)速、風(fēng)向、溫度、大氣壓強(qiáng)，風(fēng)電場運(yùn)行機(jī)組數(shù)量等數(shù)據(jù)是進(jìn)行短期風(fēng)電功率預(yù)測的基礎(chǔ)，再參照風(fēng)電場的歷史數(shù)據(jù)，得出最終的預(yù)測結(jié)果。本研究仿真使用的計(jì)算機(jī)軟件為MATLAB，它作為高性能的數(shù)據(jù)處理和圖像軟件，充分提高了我們分析運(yùn)算的效率。

RBF 神經(jīng)網(wǎng)絡(luò)是一種前饋式神經(jīng)網(wǎng)絡(luò)，是一種三層網(wǎng)絡(luò)結(jié)構(gòu)。第一層，輸入層，由信號(hào)源結(jié)點(diǎn)組成，包含與外部環(huán)境連接的感知單元；第二層，隱含層，是網(wǎng)絡(luò)結(jié)構(gòu)中最關(guān)鍵的一層，問題所需決定了隱含層包含的節(jié)點(diǎn)數(shù)，其神經(jīng)元激勵(lì)函數(shù)為對中心點(diǎn)徑向?qū)ΨQ的非負(fù)非線性徑向基函數(shù)；第三層，輸出層，它用于對輸入層輸出線性響應(yīng)。

徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)如圖1 所示，傳輸層的作用僅為傳輸信號(hào)，輸入層和隱含層之間的權(quán)值可近似的看作1。而徑向基函數(shù)網(wǎng)絡(luò)的激勵(lì)函數(shù)定義為空間中某一點(diǎn)到某一中心之間的歐式距離的單調(diào)函數(shù)，所以隱含層采用非線性優(yōu)化，用于調(diào)整激勵(lì)函數(shù)的參數(shù)，學(xué)習(xí)速度較慢。輸出層是針對非線性優(yōu)化的隱含層進(jìn)行線性調(diào)整和優(yōu)化，學(xué)習(xí)速度較快。

圖1 RBF 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

綜上所述，RBF 神經(jīng)網(wǎng)絡(luò)是非線性的，但輸出層輸出的數(shù)據(jù)參數(shù)是線性的，大大節(jié)約了學(xué)習(xí)訓(xùn)練的時(shí)間，又可避免一定的局部極小問題。

2 基于RBF 神經(jīng)網(wǎng)絡(luò)的短期風(fēng)電功率預(yù)測算法

建立RBF 神經(jīng)網(wǎng)絡(luò)的預(yù)測模型，首先需要確定輸入層，隱含層和輸出層的參數(shù)。本文RBF 神經(jīng)網(wǎng)絡(luò)輸入節(jié)點(diǎn)為5 個(gè)，輸出層節(jié)點(diǎn)為1 個(gè)，合適的隱含層神經(jīng)元數(shù)目可提高網(wǎng)絡(luò)的性能。神經(jīng)網(wǎng)絡(luò)受到少隱含層神經(jīng)元數(shù)的影響，可能導(dǎo)致使訓(xùn)練次數(shù)增多，精度降低，不能順利學(xué)習(xí)。通常増加神經(jīng)元個(gè)數(shù)可以提高訓(xùn)練精度，降低訓(xùn)練次數(shù)，但需要以隱含層神經(jīng)元數(shù)目保持一定合理范圍作為條件。當(dāng)超過這個(gè)范圍后，繼續(xù)増加神經(jīng)元數(shù)目會(huì)使訓(xùn)練時(shí)間增加，同時(shí)造成其他問題。根據(jù)柯爾莫哥洛夫定理：隨意給定連續(xù)函數(shù)，存在一個(gè)對應(yīng)的三層網(wǎng)絡(luò)實(shí)現(xiàn)它，假設(shè)網(wǎng)絡(luò)具有m 個(gè)節(jié)點(diǎn)的輸入層，則可以確定2m+1 個(gè)節(jié)點(diǎn)的隱含層。確定出隱含層神經(jīng)元的理論值后，再經(jīng)過反復(fù)訓(xùn)練對比，找出精度最高的。RBF 神經(jīng)網(wǎng)絡(luò)徑向基函數(shù)的擴(kuò)展速度SPREAD 設(shè)為0.2。

本研究采用上海某風(fēng)電場的機(jī)組歷史運(yùn)行數(shù)據(jù)作為數(shù)據(jù)樣本并進(jìn)行預(yù)處理對RBF 神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，結(jié)合包括風(fēng)速、風(fēng)向、氣溫、濕度和氣壓五項(xiàng)內(nèi)容的氣象預(yù)報(bào)數(shù)據(jù)對風(fēng)電場臺(tái)裝機(jī)容量機(jī)組進(jìn)行短期功率預(yù)測。

圖2 為春季風(fēng)電功率預(yù)測與實(shí)際曲線和誤差分布圖，經(jīng)由MATLAB 計(jì)算機(jī)軟件仿真得，此RBF 神經(jīng)網(wǎng)絡(luò)預(yù)測誤差：MAE=67.0896，RMSE=85.5081。由圖2 可得，在春季，時(shí)間點(diǎn)為260min，345min，225min 時(shí)誤差較大，誤差率分別為20.7%，16.2%，15.8%。除去預(yù)測點(diǎn)百分比誤差超過15%，百分比誤差小于15%的時(shí)間點(diǎn)有93 個(gè)。8 小時(shí)96 個(gè)預(yù)測點(diǎn)的平均絕對誤差為3%。根據(jù)誤差點(diǎn)分布，誤差小于10%的數(shù)據(jù)點(diǎn)為63 個(gè)，占預(yù)測數(shù)據(jù)的65.6%。殘差區(qū)間在（-2,2）的正常值內(nèi)。殘差平方和越小，此模型的預(yù)測相關(guān)性就越好。圖3 為夏季實(shí)際值與預(yù)測值得回歸擬合曲線，確定系數(shù)為0.9754，處于確定系數(shù)[0，1]的正常取值范圍內(nèi)，且接近于1，表明方程的變量對y 軸的解釋能力越強(qiáng)，這個(gè)模型的擬合優(yōu)化程度越好。

圖2 上海某風(fēng)場風(fēng)電功率預(yù)測曲線與誤差分布圖

圖3 上海某風(fēng)場風(fēng)電功率預(yù)測值與實(shí)際值得擬合曲線圖

3 結(jié)語

隨著風(fēng)力發(fā)電的迅猛發(fā)展，風(fēng)力發(fā)電對電網(wǎng)的負(fù)面影響日益増加，因此，對風(fēng)電場短期功率預(yù)測稱為一個(gè)十分緊迫的問題。本文采用上海某風(fēng)電場的現(xiàn)場測量和運(yùn)行數(shù)據(jù)，對于基于RBF 人工神經(jīng)網(wǎng)絡(luò)的風(fēng)電功率短期預(yù)測方法進(jìn)行了研究，考慮氣象因素的影響，進(jìn)行風(fēng)電場風(fēng)功率短期預(yù)測。利用風(fēng)速、風(fēng)向、氣壓、溫度等氣象因素和風(fēng)機(jī)運(yùn)行數(shù)量作為神經(jīng)網(wǎng)絡(luò)模型的預(yù)測輸入，短期風(fēng)功率進(jìn)行預(yù)測。仿真結(jié)果表明，采用RBF 神經(jīng)網(wǎng)絡(luò)預(yù)測，有效地提高了預(yù)測精度，減小了誤差，具有適應(yīng)時(shí)變特性的能力，泛化能力較好。