基于ANFIS的超短期風電出力預測模型及仿真*

高 騫，程 霄，沙宇恒，于海波

(1.國網(wǎng)江蘇省電力有限公司 發(fā)展策劃部，南京 210024；2.北京國電通網(wǎng)絡(luò)技術(shù)有限公司 規(guī)劃與計劃業(yè)務(wù)管理事業(yè)部，北京 100192；3.國家電網(wǎng)公司 發(fā)展策劃部，北京 100031)

風電作為可再生清潔能源，能夠替代化石能源并網(wǎng)消納，有利于減少能源消耗，促進電力可持續(xù)發(fā)展.然而，由于風電出力的隨機性和波動性會為大規(guī)模并網(wǎng)安全穩(wěn)定運行帶來很大風險，因此，需要提高風電的預測精度，以保障電網(wǎng)安全運行.目前，采用單一的風電出力預測方法很難滿足風電預測的精度要求，即使在風電預測短周期(5～10 min)內(nèi)，仍會有10%～20%的風電預測誤差[1].同時考慮到風電場的差異化特點，若僅采用單一的預測方法很難滿足風電實際運行要求.文獻[2]通過建立人工神經(jīng)網(wǎng)絡(luò)模型對風電場24 h內(nèi)的輸出功率進行預測，該方法訓練的結(jié)果基本吻合風電場實際功率曲線，但仍然存在很大的誤差.文獻[3]建立了風速預測模型，并結(jié)合基波神經(jīng)網(wǎng)絡(luò)擬合實際功率曲線，根據(jù)擬合曲線計算功率預測值.雖然該方法能提高運算效率，但在擬合實際功率過程中出現(xiàn)的誤差會累積到預測功率的模擬當中，使得優(yōu)化出的預測功率依然存在較大誤差.文獻[4]利用差分算法處理原始風速數(shù)據(jù)，并建立ARMA預測模型，取得了較好預測效果，但該模型的參數(shù)未能選取最優(yōu)值，使得模型仍然不夠準確.文獻[5]利用小波變換的改進持續(xù)法對短期風電功率預測進行研究.該方法首先通過小波變換將信號高低分頻，然后采用平滑法進行數(shù)據(jù)采樣，最后利用持續(xù)法預測風電功率，該方法一定程度上過濾掉信號變異的部分，使得預測結(jié)果更加平滑，然而算例預測結(jié)果未能證明比其他的預測方法更為有效.雖然目前大部分學者開始利用組合預測方法開展風電短期預測工作，但絕大多數(shù)使用了各預測方法結(jié)果線性加權(quán)求和的方法，該方法求解各加權(quán)系數(shù)面臨著很大困難，特別是當各方法的誤差系數(shù)呈正相關(guān)性時，所得到的風電預測精度很難滿足實際運行要求.

綜上所述，本文提出了基于自適應(yīng)神經(jīng)模糊推理系統(tǒng)[6-7](ANFIS)的風電短期出力組合優(yōu)化預測模型，并將各單一預測方法得到的預測結(jié)果作為ANFIS優(yōu)化系統(tǒng)的輸入信號，利用ANFIS優(yōu)化功能模擬出風電輸出功率.通過仿真算例結(jié)果可以看出，該模型方法優(yōu)化出的風電預測精度要高于單一方法的預測精度.

1 風電預測模型

本文提出的風電預測模型并行運算組合優(yōu)化的流程如圖1所示.圖1中風速-功率預測模型的編號用i來表示，其功率用Pi表示，各預測結(jié)果組合優(yōu)化后的功率Pt表示為

Pt=F[P1，…，Pi，…，PI|θ]

(1)

式中：F為組合優(yōu)化方案；θ為組合優(yōu)化方案中所用參數(shù).

圖1 風電模型組合模型圖

2 ANFIS原理

自適應(yīng)神經(jīng)模糊推理系統(tǒng)憑借快速處理大規(guī)模數(shù)據(jù)和學習進化的功能，可以自動優(yōu)化調(diào)整控制規(guī)則，建立適應(yīng)各種規(guī)則的輸出函數(shù)和隸屬度函數(shù).其中，比較典型的ANFIS原理框架圖可分為五層，如圖2所示.

圖2 ANFIS原理框架圖

第一層：將隸屬度函數(shù)對應(yīng)的輸入量模糊化處理.X、Y對應(yīng)節(jié)點的模糊集所采用的隸屬函數(shù)為

(2)

式中，ai、ci分別為ANFIS系統(tǒng)中的條件參數(shù).

第二層：規(guī)則層.不同節(jié)點分別代表對應(yīng)的學習規(guī)則，并由各節(jié)點相互配合，共同完成系統(tǒng)的算子計算.其中，各節(jié)點的輸出信號使用該節(jié)點各輸入信號的積作為對應(yīng)的信號強度.

第三層：標準層.將第二層對應(yīng)節(jié)點的輸出信號作為輸入信號，該層節(jié)點的規(guī)則是該節(jié)點單個輸入信號的強度與所有輸入信號強度和的比值，依次可對相應(yīng)節(jié)點完成模糊推理系統(tǒng)的可信度歸一化工作，歸一化表達式為

(3)

第四層：該層節(jié)點數(shù)與第三層相同，目的是保證第三層各對應(yīng)節(jié)點的信號輸出與第四層各對應(yīng)節(jié)點的輸入信號(即ANFIS信號錄入)匹配鏈接，從而確保每個樣本數(shù)據(jù)均能有效參與模糊推理的自適應(yīng)進化學習.第四層對應(yīng)各節(jié)點的輸出信號代表了各規(guī)則對ANFIS結(jié)果的貢獻度，即

(4)

式中，pi、qi、ri為ANFIS系統(tǒng)的效應(yīng)參數(shù).

第五層：輸出層.將第四層對應(yīng)的節(jié)點輸出信號采用權(quán)重平均法求和，最終計算出ANFIS的結(jié)果，本文最終預測的風電場輸出功率為

(5)

3 ANFIS的模糊C均值算法

3.1 模糊C均值算法

由于ANFIS中涉及的參數(shù)較多，因此采用一種高效尋優(yōu)的方法是很有必要的.本文所采用的模糊C均值算法[8-10]作為一種高效的尋優(yōu)算法，將各樣本到聚類中心點的內(nèi)距離最小加權(quán)平方和作為尋優(yōu)ANFIS參數(shù)的優(yōu)化目標，利用隸屬度矩陣函數(shù)模糊劃分各樣本屬于各聚類中心的程度，歸一化后隸屬度函數(shù)矩陣U的元素表示為

(6)

式中：E為聚類個數(shù)；uik為樣本k隸屬第i個聚類中心的函數(shù).

算法選取的優(yōu)化目標函數(shù)為

(7)

式中：V為聚類中心矩陣；m為加權(quán)指數(shù)；δik為樣本k到第i類中心的距離.

結(jié)合拉格朗日法則[11-12]計算樣本k隸屬第i個聚類中心點的隸屬度函數(shù)為

(8)

(9)

式中：dik為第i個聚類中心與第k個數(shù)據(jù)點間的歐幾里得距離；xk為ANFIS第k個輸入信號.

3.2 評價指標

采用國家能源局對風電功率預測管理規(guī)定的辦法，建立以15 min為預測周期的評價指標.各指標含義如下：

日平均預測功率準確率表示為

(10)

(11)

日平均預測功率合格率表示為

(12)

(13)

全天風電功率預測均方根誤差為

(14)

本文所提方法的算法流程圖如圖3所示.

4 算例分析

本文采用某風電場的實測數(shù)據(jù)進行實驗，該風電場的總裝機容量為300 MW，總風機臺數(shù)為150臺，每臺風機的額定容量為2 MW，采樣時間為2017年6月1日至6月15日，數(shù)據(jù)采樣間隔為15 min.1號風電機組和整座風電場的功率時序采樣分別如圖4、5所示.

以6月5日為例，通過優(yōu)化仿真得到1號機組和整座風電場在不同預測方法下的評價指標，分別如表1、2所示.為了方便表述，將時間序列法(ARMA)、BP神經(jīng)網(wǎng)絡(luò)法、持續(xù)法和ANFIS法分別記為a法、b法、c法和d法.采用ANFIS法進行預測時，選取的訓練次數(shù)為2 000次.

由表1、2可知，運用ANFIS方法進行風電功率預測時，無論單臺機組或整座風電場，其準確率、合格率均高于其他三種方法的結(jié)果，且均方根誤差低于其他三種方法.綜上所述，利用ANFIS組合優(yōu)化方法進行風電功率預測是有效的.

算法將風電機組匯聚成風電場群時，單臺風電機組之間的輸出功率可能出現(xiàn)互補和消性的情況，使得整座風電場的功率特性曲線要比單機組的功率曲線平緩，抑制了風電機組的突變功率.使用該算法后，風電場功率曲線的規(guī)律性提高，且預測精度也相應(yīng)提高，這與表1、2的優(yōu)化結(jié)果是一致的.

圖3 ANFIS的模糊C均值算法流程圖

圖4 1號風電機組功率時序采樣

圖5 整座風電場總功率時序采樣

取1號單機組在6月5日上午8點到12點時間段內(nèi)的單次測量結(jié)果，將4種預測方法下的預測值和真實值進行對比，結(jié)果如圖6所示，各方法的預測誤差對比如圖7所示.

表1 1號風電機組4種預測方法的評價指標

表2 整個風電場4種預測方法的評價指標

根據(jù)圖6可知，文中ANFIS組合優(yōu)化預測方法所得的預測結(jié)果更加趨近真實值，且從圖7也可看出ANFIS方法的誤差比其他三種預測方法預測誤差更小.原因在于ANFIS組合優(yōu)化預測風電功率的方法是將各預測方法的結(jié)果作為ANFIS系統(tǒng)信號輸入，使得各輸入信號平滑調(diào)和，并且通過ANFIS系統(tǒng)各層的優(yōu)化模擬后，系統(tǒng)輸出信號與真實值的誤差減小，彌補了輸出信號的失真，提高了預測精度.

圖6 4種方法預測結(jié)果對比

圖7 4種方法預測結(jié)果誤差趨勢

5 結(jié) 論

單一預測方法在風電機組功率預測精度上存在較大誤差，本文提出了一種ANFIS組合優(yōu)化方法.將各預測方法所得的預測結(jié)果作為輸入信號，經(jīng)ANFIS組合優(yōu)化系統(tǒng)再次模擬出最終風電輸出功率.結(jié)合算例結(jié)果可以看出，ANFIS組合優(yōu)化預測模型在進行風電短期機組出力預測時，能取得很好的預測精度.同時，對于整座風電場的預測精度要比單機組的預測結(jié)果要好，這與匯聚效應(yīng)原理相符.