基于風(fēng)速融合和NARX神經(jīng)網(wǎng)絡(luò)的短期風(fēng)電功率預(yù)測(cè)

徐遵義 王俊雪

摘? 要： 高精度的短期風(fēng)電功率預(yù)測(cè)是保證電網(wǎng)日常調(diào)度及運(yùn)行安全的關(guān)鍵因素。目前，國(guó)內(nèi)短期風(fēng)電功率預(yù)測(cè)精度普遍低于國(guó)外水平。為了提高風(fēng)機(jī)短期功率預(yù)測(cè)精度，提出一種基于風(fēng)速融合和NARX神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)模型。該方法對(duì)同一地點(diǎn)不同數(shù)據(jù)源提供的預(yù)報(bào)風(fēng)速進(jìn)行融合，采用NARX神經(jīng)網(wǎng)絡(luò)進(jìn)行短期風(fēng)電功率預(yù)測(cè)。仿真實(shí)驗(yàn)結(jié)果表明，所提出的短期風(fēng)電功率預(yù)測(cè)方法是可行的，預(yù)測(cè)精度可提高至87.8%，與其他風(fēng)電功率預(yù)測(cè)模型相比，具有更高的預(yù)測(cè)精度和更好的適應(yīng)性。

關(guān)鍵詞：? 短期風(fēng)電功率預(yù)測(cè); 預(yù)測(cè)模型; NARX神經(jīng)網(wǎng)絡(luò); 風(fēng)速融合; 數(shù)據(jù)融合; 數(shù)據(jù)處理

中圖分類(lèi)號(hào)： TN99?34; TP391? ? ? ? ? ? ? ? ? ? ? 文獻(xiàn)標(biāo)識(shí)碼： A? ? ? ? ? ? ? ? ? ? 文章編號(hào)： 1004?373X（2020）09?0166?04

Short?term wind power prediction based on wind speed fusion

and NARX neural network

XU Zunyi， WANG Junxue

（Shandong Architecture University， Jinan 250101， China）

Abstract： High accuracy short?term wind power prediction is the key factor to ensure the daily dispatch and operation safety of power grid. At present， the accuracy of short?term wind power prediction in China is generally lower than that in foreign countries. In order to improve the short?term power prediction accuracy of fan， a prediction model based on wind speed fusion and NARX neural network is proposed in this paper. In the method， fusion of the forecasted wind speed is provided for different data sources at the same location， and NARX neural network is used for short?term wind power prediction. The simulation experiment results show that the short?term wind power prediction method proposed in this paper is feasible， and its prediction accuracy can be increased to 87.8%. In comparison with other wind power forecasting models， it has higher prediction accuracy and better adaptability.

Keywords： short?term wind power prediction; prediction model; NARX neural network; wind speed fusion; data fusion; data processing

0? 引? 言

隨著環(huán)境污染、能源緊缺以及電能需求量大等問(wèn)題的日益突出，風(fēng)能作為一種具有清潔、儲(chǔ)量豐富以及可再生等特點(diǎn)的新能源具有重要的發(fā)展前景[1]。由于風(fēng)的不可控性、間歇性以及隨機(jī)性等特點(diǎn)，以及國(guó)內(nèi)短期風(fēng)電功率預(yù)測(cè)精度普遍較低的現(xiàn)狀[2]，研究更高精確度的短期風(fēng)電功率預(yù)測(cè)算法對(duì)保證風(fēng)電場(chǎng)的日常調(diào)度、電網(wǎng)的平穩(wěn)運(yùn)行和提高國(guó)內(nèi)風(fēng)電利用率具有重要現(xiàn)實(shí)意義。短期風(fēng)電功率預(yù)測(cè)方法主要有統(tǒng)計(jì)方法和物理方法，其中，統(tǒng)計(jì)方法中以建立數(shù)理統(tǒng)計(jì)模型的方法更為普遍。主要的統(tǒng)計(jì)方法有：時(shí)間序列、支持向量機(jī)、灰色關(guān)聯(lián)分析、小波分析和人工神經(jīng)網(wǎng)絡(luò)等模型[3?7]，預(yù)測(cè)精度一般在82%～84%，國(guó)外研究機(jī)構(gòu)預(yù)測(cè)精度已達(dá)到85%以上[8]。

風(fēng)電功率預(yù)測(cè)的主要依據(jù)為氣象預(yù)報(bào)風(fēng)速，同時(shí)，風(fēng)速與風(fēng)電功率存在高度非線(xiàn)性關(guān)系[9]。因此，本文提出一種基于氣象融合的動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)模型對(duì)風(fēng)電功率進(jìn)行預(yù)測(cè)，該方法采用基于可信度的加權(quán)方法對(duì)不同來(lái)源的天氣預(yù)報(bào)數(shù)據(jù)進(jìn)行融合，采用帶外部輸入變量的非線(xiàn)性自回歸（Nonlinear Auto Regressive with Exogenous inputs，NARX）神經(jīng)網(wǎng)絡(luò)對(duì)風(fēng)電功率進(jìn)行預(yù)測(cè)。

1? 數(shù)據(jù)融合算法

數(shù)據(jù)融合算法是對(duì)多個(gè)信息源所提供的關(guān)于同一個(gè)地點(diǎn)特征信息的多個(gè)不準(zhǔn)確信息綜合后形成的一組相對(duì)準(zhǔn)確的數(shù)據(jù)[10]。常用的數(shù)據(jù)融合模型主要有平均算法數(shù)據(jù)融合、基于可信度數(shù)據(jù)融合、D?S數(shù)據(jù)融合和Kalman濾波數(shù)據(jù)融合等。由于基于可信度的數(shù)據(jù)融合算法充分容納分析了歷史預(yù)報(bào)數(shù)據(jù)，能夠以各個(gè)預(yù)報(bào)數(shù)據(jù)源的歷史氣象預(yù)報(bào)準(zhǔn)確性為依據(jù)。所以本文中數(shù)據(jù)融合算法采用基于可信度的數(shù)據(jù)融合[11?12]。其中，基于可信度的數(shù)據(jù)融合模型如圖1所示。

圖1中，[x1，x2，x3]代表不同數(shù)據(jù)源的測(cè)量值;[ω1，ω2，ω3]分別為每個(gè)數(shù)據(jù)源的權(quán)值。通過(guò)加權(quán)數(shù)據(jù)融合之后的數(shù)據(jù)值記為[x]：

[x=i=13xiωi] （1）

式中[ωi]為第[i]個(gè)數(shù)據(jù)源的可信度權(quán)重因子，且滿(mǎn)足[i=13ωi=1]。

本文中可信度權(quán)重因子根據(jù)各數(shù)據(jù)源測(cè)量值與真實(shí)值的相似程度來(lái)確定[13]。相關(guān)系數(shù)[r]為：

[ri=Exi-μxix-μxDxiDx]? （2）

式中：[xi]為第[i]個(gè)數(shù)據(jù)源數(shù)值;[μxi]為第[i]個(gè)數(shù)據(jù)源數(shù)值均值;[Dxi]為第[i]個(gè)數(shù)據(jù)源測(cè)量值方差。

令[ti=r2i]，則第[i]個(gè)信息源的可信度權(quán)重可表示為：

[ωi=ti?i=13ti-1] （3）

2? NARX神經(jīng)網(wǎng)絡(luò)模型

NARX神經(jīng)網(wǎng)絡(luò)是一種具有外部輸入的非線(xiàn)性自回歸動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)，網(wǎng)絡(luò)的輸出不僅僅取決于當(dāng)前的輸入，而且還與過(guò)去時(shí)刻的輸出有關(guān)，能夠容納充足的歷史數(shù)據(jù)和數(shù)據(jù)之間的變化特性，因此，NARX網(wǎng)絡(luò)模型能夠更好地逼近非線(xiàn)性動(dòng)力學(xué)模型[14?15]。

NARX神經(jīng)網(wǎng)絡(luò)算法實(shí)質(zhì)是一種時(shí)間序列的自回歸算法。由于時(shí)間序列是線(xiàn)性算法，只能適用于整個(gè)序列是平穩(wěn)序列的條件下[16]。對(duì)于非平穩(wěn)的序列，針對(duì)某一段平穩(wěn)序列可以采用時(shí)間序列的自回歸算法，對(duì)于波動(dòng)大的時(shí)間段時(shí)采用logistics函數(shù)將其無(wú)限接近平穩(wěn)序列。最終此模型是多個(gè)離散的自回歸算法加上調(diào)節(jié)函數(shù)的組合，該模型的核心函數(shù)如下：

[yt=?0+β1Gx1γT1+εt]? ? （4）

式中：[?0]為待估計(jì)截距項(xiàng);[β1]為待估計(jì)系數(shù);[Gz=11+e-z]，為logistics方程;[x1=1，yt-1，yt-2，…，yt-p];[γT1=γ0，1，γ1，1，γ2，1，…，γp，1T]，為回歸模型參數(shù)。

整個(gè)模型曲線(xiàn)函數(shù)為：

[yt=?0+j=1nβjGxtγTj+εt]? （5）

NARX神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)圖如圖2所示。

圖2中：[m]為NARX神經(jīng)網(wǎng)絡(luò)模型輸入時(shí)延階數(shù);[n]為反饋輸入時(shí)延階數(shù);[w]為權(quán)值向量;[b]為偏置;[d]為隱含層神經(jīng)元個(gè)數(shù);神經(jīng)網(wǎng)絡(luò)隱含層激活函數(shù)[f1]為雙曲正切[S]型傳遞函數(shù)，即tansig函數(shù)，其表達(dá)式為[fx=21+exp-2x-1] ;神經(jīng)網(wǎng)絡(luò)的輸出層激活函數(shù)為純線(xiàn)性傳遞函數(shù)，即purelin函數(shù)，其表達(dá)式為[fx=x]。

NARX神經(jīng)網(wǎng)絡(luò)的模型可以定義為：

[yt=fxt-1，xt-2，…，xt-nx，yt-1，yt-2，…，yt-ny] （6）

式中：[f（）]為非線(xiàn)性函數(shù);[yt]為網(wǎng)絡(luò)模型輸出變量;[xt]為網(wǎng)絡(luò)模型外部輸入變量;[xt-1，][xt-2，…，xt-nx，yt-1，yt-2，…yt-ny]為網(wǎng)絡(luò)模型時(shí)延后的輸入變量和反饋時(shí)延變量。

3? 仿真實(shí)驗(yàn)

在風(fēng)電場(chǎng)風(fēng)電功率預(yù)測(cè)中，根據(jù)風(fēng)電機(jī)組的發(fā)電手冊(cè)，任意時(shí)刻的輸出功率與對(duì)應(yīng)時(shí)刻風(fēng)速的計(jì)算關(guān)系如下：

[PVt=0，? ? vt≤v切入Cvt，? ? v切入≤vt≤vnormPnorm，? ? vnorm≤vt≤v切出0，? ? vt≥v切出] （7）

式中：[vt]表示[t]時(shí)刻的風(fēng)速;[Pvt]表示在[t]時(shí)刻的功率;[v切入]表示產(chǎn)生風(fēng)電功率的最小風(fēng)速;[Cvt]為[t]時(shí)刻風(fēng)速和功率的函數(shù)關(guān)系;[vnorm]表示額定風(fēng)速即滿(mǎn)足函數(shù)的最大風(fēng)速;[Pnorm]表示額定功率，即當(dāng)風(fēng)速超過(guò)額定風(fēng)速時(shí)的功率是定值;[v切出]表示可以發(fā)電的最大風(fēng)速。

3.1? 數(shù)據(jù)集及數(shù)據(jù)處理

實(shí)驗(yàn)數(shù)據(jù)采用中國(guó)華能集團(tuán)山東某風(fēng)電場(chǎng)（38.136 127 78 N，117.841 930 56 E）2017年6月實(shí)測(cè)數(shù)據(jù)。數(shù)據(jù)包括風(fēng)電場(chǎng)風(fēng)機(jī)實(shí)測(cè)風(fēng)速及功率數(shù)據(jù)，風(fēng)電場(chǎng)服務(wù)商從西班牙、美國(guó)和歐洲專(zhuān)業(yè)氣象服務(wù)購(gòu)買(mǎi)的該風(fēng)電場(chǎng)氣象預(yù)報(bào)數(shù)據(jù)（國(guó)內(nèi)暫無(wú)專(zhuān)業(yè)氣象服務(wù)商提供該項(xiàng)服務(wù)）。西班牙氣象服務(wù)公司每6 h發(fā)布一次氣象預(yù)報(bào)數(shù)據(jù)，美國(guó)和歐洲氣象服務(wù)公司每8 h發(fā)布一次氣象預(yù)報(bào)數(shù)據(jù)，采用克里金法插值獲得時(shí)間分辨率為15 min的氣象預(yù)報(bào)數(shù)據(jù)[17]。實(shí)驗(yàn)數(shù)據(jù)選取數(shù)據(jù)中風(fēng)機(jī)實(shí)測(cè)風(fēng)速、實(shí)測(cè)發(fā)電功率以及西班牙、美國(guó)、歐洲的預(yù)報(bào)數(shù)據(jù)作為原始樣本數(shù)據(jù)，根據(jù)式（7）對(duì)數(shù)據(jù)異常值和缺失值進(jìn)行處理。經(jīng)過(guò)數(shù)據(jù)預(yù)處理后選取6月1日—15日的1 440條數(shù)據(jù)作為訓(xùn)練集，6月16日—30日數(shù)據(jù)作為測(cè)試數(shù)據(jù)，預(yù)測(cè)未來(lái)24 h風(fēng)機(jī)功率。訓(xùn)練數(shù)據(jù)集中各氣象服務(wù)公司提供的風(fēng)速預(yù)報(bào)值與風(fēng)電場(chǎng)實(shí)測(cè)風(fēng)速如圖3所示，其中，西班牙氣象服務(wù)公司提供的風(fēng)速預(yù)報(bào)精度較高。

3.2? 數(shù)據(jù)融合

為定量分析各氣象服務(wù)公司預(yù)報(bào)風(fēng)速與實(shí)測(cè)風(fēng)速之間的關(guān)系，本文選取1天、3天、4天、5天以及7天預(yù)報(bào)風(fēng)速與實(shí)測(cè)風(fēng)速值，計(jì)算其相關(guān)系數(shù)如表1所示。由表1可知：西班牙氣象服務(wù)公司提供的預(yù)報(bào)風(fēng)速與風(fēng)機(jī)實(shí)測(cè)風(fēng)速相關(guān)系數(shù)最大，4天及更長(zhǎng)時(shí)間的相關(guān)系數(shù)急劇減少，相關(guān)性降低，因此，本文選用最近3天數(shù)據(jù)計(jì)算其相關(guān)系數(shù)。

基于可信度加權(quán)融合算法對(duì)不同數(shù)據(jù)源預(yù)報(bào)風(fēng)速進(jìn)行融合，融合前后的對(duì)比如圖4，圖5所示，融合后的預(yù)報(bào)風(fēng)速與實(shí)測(cè)風(fēng)速相關(guān)系數(shù)為0.901 5。

3.3? NARX神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)

3.3.1? 預(yù)測(cè)模型評(píng)價(jià)標(biāo)準(zhǔn)

NARX預(yù)測(cè)模型采用平均絕對(duì)誤差MAE、均方根誤差RMSE和相關(guān)系數(shù)[r]進(jìn)行評(píng)價(jià)[18]。平均絕對(duì)誤差和均方根誤差用來(lái)衡量預(yù)測(cè)功率與實(shí)際功率之間的差值，其值越小，則表示模型的預(yù)測(cè)精度越高;相關(guān)系數(shù)用來(lái)衡量預(yù)測(cè)功率與實(shí)際功率的擬合程度，相關(guān)系數(shù)越大，則擬合程度越好。

平均絕對(duì)誤差[MAE]公式如下：

[MAE=i=1nypi-ycap?n] （8）

均方根誤差[RMSE]公式如下：

[RMSE=i=1nypi-y2cap·n] （9）

相關(guān)系數(shù)[r]的計(jì)算公式如下：

[r=i=1nypi-y·y-yi=1ny-y2·i=1nypi-y2] （10）

式中：[yp]為預(yù)測(cè)功率;[y]為實(shí)際功率;[cap]為當(dāng)前風(fēng)電場(chǎng)開(kāi)機(jī)容量;[n]為預(yù)測(cè)時(shí)間點(diǎn)個(gè)數(shù)。

3.3.2? 仿真實(shí)驗(yàn)結(jié)果

采用數(shù)據(jù)融合后的預(yù)報(bào)風(fēng)速作為NARX神經(jīng)網(wǎng)絡(luò)的輸入向量，風(fēng)電場(chǎng)發(fā)電功率作為NARX神經(jīng)網(wǎng)絡(luò)的輸出向量。采用單一預(yù)報(bào)風(fēng)速與融合風(fēng)速風(fēng)電功率預(yù)測(cè)比較圖如圖6所示。

為了對(duì)本文提出算法與已有算法對(duì)風(fēng)電功率預(yù)測(cè)精度進(jìn)行對(duì)比，本文對(duì)BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型、NARX神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型、基于數(shù)據(jù)融合的BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型與基于數(shù)據(jù)融合的NARX神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型進(jìn)行仿真，結(jié)果如表2和圖7所示。各個(gè)預(yù)測(cè)模型的預(yù)測(cè)值曲線(xiàn)和風(fēng)機(jī)的實(shí)測(cè)功率值曲線(xiàn)的擬合度驗(yàn)證了基于氣象融合和NARX神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型結(jié)果相比于其他三種預(yù)測(cè)模型，精度可以達(dá)到87.9%，預(yù)測(cè)結(jié)果與真實(shí)值具有更高的擬合度，更加接近真實(shí)值。

4? 結(jié)? 論

針對(duì)短期風(fēng)電功率預(yù)測(cè)，本文提出一種基于風(fēng)速融合和NARX神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)模型。此預(yù)測(cè)模型可利用多個(gè)預(yù)報(bào)數(shù)據(jù)源的不同精度，基于可信度為各個(gè)預(yù)報(bào)數(shù)據(jù)源分配不同的權(quán)重進(jìn)行數(shù)據(jù)融合;將融合后的風(fēng)速值作為NARX神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型的輸入，構(gòu)建NARX神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)風(fēng)電功率。仿真實(shí)驗(yàn)結(jié)果表明：NARX神經(jīng)網(wǎng)絡(luò)以其良好的非線(xiàn)性映射能力，用于短期風(fēng)電功率預(yù)測(cè)是行之有效的，通過(guò)與多種現(xiàn)有預(yù)測(cè)模型進(jìn)行對(duì)比，基于數(shù)據(jù)融合和NARX神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)風(fēng)電功率具有更高的精度和更好的適應(yīng)能力。

參考文獻(xiàn)

[1] 錢(qián)政，裴巖，曹利宵，等.風(fēng)電功率預(yù)測(cè)方法綜述[J].高電壓技術(shù)，2016，42（4）：1047?1060.

[2] 薛禹勝.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.

[3] 李軍，李大超.基于優(yōu)化核極限學(xué)習(xí)機(jī)的風(fēng)電功率時(shí)間序列預(yù)測(cè)[J].物理學(xué)報(bào)，2016，65（13）：33?42.

[4] ZENG Jianwu， QIAO Wei. Short?term wind power prediction using a wavelet support vector machine [C]// 2013 IEEE Power & Energy Society General Meeting. Vancouver， Canada： IEEE， 2013： 1.

[5] 李俊芳，張步涵，謝光龍，等.基于灰色模型的風(fēng)速：風(fēng)電功率預(yù)測(cè)研究[J].電力系統(tǒng)保護(hù)與控制，2010，38（19）：151?159.

[6] CATAL?O J P S， POUSINHO H M I， MENDES V M F. Hybrid wavelet?PSO?ANFIS approach for short?term wind power forecasting in Portugal [J]. IEEE transactions on sustainable energy， 2011， 2（1）： 50?59.

[7] LIN Yujie， KRUGER U， ZHANG Junping， et al. Seasonal analysis and prediction of wind energy using random forests and ARX model structures [J]. IEEE transactions on control systems technology， 2015， 23（5）： 1994?2002.

[8] 中國(guó)電力科學(xué)院.國(guó)外風(fēng)電功率預(yù)測(cè)發(fā)展現(xiàn)狀[EB/OL]. [2014?1?1]. http：//www.doc88.com/p?5939751153777.html.

[9] 王勃，馮雙磊，劉純.考慮預(yù)報(bào)風(fēng)速與功率曲線(xiàn)因素的風(fēng)電功率預(yù)測(cè)不確定性估計(jì)[J].電網(wǎng)技術(shù)，2014，38（2）：463?468.

[10] YU Zheng. Methodologies for cross?domain data fusion： an overview [J]. IEEE transactions on big data， 2015， 1（1）： 16?34.

[11] ANAND A， RAMADURAI G， VANAJAKSHI L. Data fusion?based traffic density estimation and prediction [J]. Journal of intelligent transportation systems， 2014， 18（4）： 367?378.

[12] 楊紅果，申德榮，寇月，等.基于可信度的投票列表合并算法[J].東北大學(xué)學(xué)報(bào)（自然科學(xué)版），2016，37（2）：165?168.

[13] 閆鵬飛，孫權(quán).基于可信度加權(quán)融合方法在維修性評(píng)價(jià)的應(yīng)用[J].計(jì)算機(jī)仿真，2010，27（6）：31?35.

[14] JAWAD M， ALI S M， BILAL Khan， et al. Genetic algorithm?based non?linear auto?regressive with exogenous inputs neural network short?term and medium?term uncertainty modelling and prediction for electrical load and wind speed [J]. Journal of engineering， 2018， 2018（8）： 721?729.

[15] 付青，單英浩，朱昌亞.基于NARX神經(jīng)網(wǎng)絡(luò)的光伏發(fā)電功率預(yù)測(cè)研究[J].電氣傳動(dòng)，2016，46（4）：42?45.

[16] JANACEK G. Non?linear time series models in empirical finance [J]. Journal of the royal statistical society， 2010， 52（4）： 696?696.

[17] 中華人民共和國(guó)國(guó)家能源局.DL/T1711?2017中華人民共和國(guó)電力行業(yè)標(biāo)準(zhǔn)[S].北京：中國(guó)標(biāo)準(zhǔn)出版社，2017.

[18] 徐曼，喬穎，魯宗相.短期風(fēng)電功率預(yù)測(cè)誤差綜合評(píng)價(jià)方法[J].電力系統(tǒng)自動(dòng)化，2011，35（12）：20?26.