基于BP神經(jīng)網(wǎng)絡(luò)的風(fēng)功率預(yù)測(cè)

摘? 要：隨著世界能源危機(jī)的凸顯，風(fēng)力發(fā)電逐漸成為研究熱點(diǎn)。但其非持續(xù)性和隨機(jī)性，使得風(fēng)力發(fā)電在安全性、穩(wěn)定性以及供電質(zhì)量上有待提高。目前采用神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)電網(wǎng)各節(jié)點(diǎn)短期功率并予以解決，但預(yù)測(cè)模型網(wǎng)絡(luò)結(jié)構(gòu)單一，使得預(yù)測(cè)結(jié)果受樣本數(shù)據(jù)影響較大。經(jīng)過預(yù)測(cè)模型的改進(jìn)，使用模糊聚類選取相似日后再進(jìn)行預(yù)測(cè)，可提高預(yù)測(cè)精度。通過仿真實(shí)驗(yàn)證明，該種改進(jìn)使得預(yù)測(cè)結(jié)果相對(duì)誤差在5%以內(nèi)，具有較好的預(yù)測(cè)精度。

關(guān)鍵詞：風(fēng)力發(fā)電;模糊聚類技術(shù);BP神經(jīng)網(wǎng)絡(luò);風(fēng)功率預(yù)測(cè)

中圖分類號(hào)：TP181? ? ? ? ? ? ? ? ?文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：2096-4706（2021）15-0119-04

Abstract： With the prominence of the world energy crisis， wind power generation has gradually become a research hotspot. However， due to it’s non-sustainability and randomness， the safety， stability and power supply quality of wind power generation need to be improved. At present， neural network is used to predict and solve the short-term power of each node of the power grid， but the network structure of the prediction model is single， so the prediction results are greatly affected by the sample data. After the improvement of the prediction model， the prediction accuracy can be improved by using fuzzy clustering to select the similar days. The simulation results show that the relative error of the prediction results is less than 5% and has good prediction accuracy.

Keywords： wind power generation; fuzzy clustering technology; BP neural network; wind power prediction

0? 引? 言

自21世紀(jì)開始，世界隨著能源危機(jī)加劇和環(huán)境惡化加重，各國均開始探索如何利用新能源提供電力供應(yīng)[1]。微電網(wǎng)整合了多種分布式能源，成為世界電力發(fā)展的新方向。在各種分布式電源中，由于風(fēng)能的普遍性，使得風(fēng)力發(fā)電成為發(fā)展和研究的重點(diǎn)。但新能源的非持續(xù)性以及隨機(jī)性，使得新能源微網(wǎng)的安全、穩(wěn)定以及供電質(zhì)量具有較大的不可靠性[2]。目前通常的解決辦法是預(yù)測(cè)微網(wǎng)各節(jié)點(diǎn)的短期功率，這樣既有助于微網(wǎng)系統(tǒng)的運(yùn)行管理，也能保障分布式電源高滲透率下的大電網(wǎng)安全、穩(wěn)定、經(jīng)濟(jì)運(yùn)行。因此，風(fēng)電功率預(yù)測(cè)具有十分重要的意義。

1? 相關(guān)技術(shù)

聚類分析是對(duì)一個(gè)給定的事物集合，分析其相似性和相關(guān)性，將其劃分成不同子集的過程。傳統(tǒng)的聚類分析是一種硬劃分，即辨識(shí)對(duì)象非此即彼，類別界限分明[3]。而實(shí)際工作中，多數(shù)事物集合中的元素的各個(gè)屬性具有一定的中性，難以劃分，此時(shí)硬劃分具有較大的不確定性。1969年Ruspini提出了模糊劃分的概念，針對(duì)這一概念人們提出了多種聚類方法，典型的有：基于相似性關(guān)系和模糊關(guān)系的方法、基于模糊等價(jià)關(guān)系的傳遞閉包方法、基于模糊圖論最大樹方法以及基于數(shù)據(jù)集的凸分解、動(dòng)態(tài)規(guī)劃和難以辨識(shí)關(guān)系等方法[4]。

BP神經(jīng)網(wǎng)絡(luò)算法是一種非線的數(shù)據(jù)挖掘方法，通過對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，對(duì)于事物集合的各類輸入可以給出較為合適的輸出。由于BP神經(jīng)網(wǎng)絡(luò)的強(qiáng)非線性擬合能力，尤其是對(duì)天氣預(yù)測(cè)中風(fēng)速、溫度等因素的處理，而且學(xué)習(xí)規(guī)則簡單，便于計(jì)算機(jī)實(shí)現(xiàn)，所以目前多利用BP學(xué)習(xí)算法來進(jìn)行神經(jīng)網(wǎng)絡(luò)的訓(xùn)練[5]。BP神經(jīng)網(wǎng)絡(luò)的常用網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。

從圖中可知，BP神經(jīng)網(wǎng)絡(luò)本質(zhì)上是前饋網(wǎng)絡(luò)，具有輸入層、隱含層和輸出層組成，其中隱含層可以是多層的。該前饋網(wǎng)絡(luò)可以通過不停地學(xué)習(xí)，進(jìn)行各權(quán)值的優(yōu)化，從而找到誤差最小值的權(quán)值。其學(xué)習(xí)算法可以概括為根據(jù)給定樣本，通過信息正向傳播誤差反向傳播對(duì)權(quán)值和閾值進(jìn)行反復(fù)修正，直到最終得到正確輸出[6]。

2? 基于模糊聚類技術(shù)與BP神經(jīng)網(wǎng)絡(luò)相結(jié)合的短期風(fēng)電功率預(yù)測(cè)

在本文的工程條件下，風(fēng)功率預(yù)測(cè)的思路如以下所示：利用模糊聚類技術(shù)對(duì)歷史數(shù)據(jù)進(jìn)行分類操作，形成若干樣本數(shù)據(jù)，對(duì)應(yīng)各類訓(xùn)練不同的網(wǎng)絡(luò)。在選定預(yù)測(cè)日后，通過預(yù)測(cè)日的氣象信息（如溫度、相對(duì)濕度、天氣情況）應(yīng)用模式識(shí)別，確定預(yù)測(cè)日所屬類別，選擇相對(duì)應(yīng)的網(wǎng)絡(luò)完成預(yù)測(cè)。本文的原始數(shù)據(jù)為某地區(qū)8月份的風(fēng)速數(shù)據(jù)，每天按小時(shí)分24個(gè)風(fēng)速值，一共31天。

2.1? 利用模糊聚類技術(shù)進(jìn)行樣本分類

為了合理地進(jìn)行模糊聚類，從而有效的分析各因素的作用，本文引入“相近度”的概念，即兩個(gè)日期之間各因素指標(biāo)的接近程度[7]?！跋嘟鼧颖炯笔侵感枰A(yù)測(cè)日期的風(fēng)速指標(biāo)相類似的樣本日期。下文將介紹具體工作中，模糊聚類分析的步驟。

2.1.1? 數(shù)據(jù)標(biāo)準(zhǔn)化

歷史風(fēng)速數(shù)據(jù)：本文用下式將風(fēng)速數(shù)據(jù)歸一化到[0，1]中：

式中xmax和xmin分別為訓(xùn)練樣本集中輸入變量的最大值和最小值，xi和xi’分別為輸入樣本歸一化前后的值。例如相對(duì)濕度即為百分值，溫度（最高溫度、最低溫度、平均溫度）和天氣情況（如晴、陰、雨等）則按一定的規(guī)則歸一化。

2.1.2? 標(biāo)定

標(biāo)定的方法有很多種，本文采用歐氏距離法：

2.1.3? 聚類

選取適當(dāng)?shù)拈撝郸恕蔥0，1]，隨著λ從1到0逐漸變小，聚類結(jié)果由粗到細(xì)不斷變化。一般λ的取值可以根據(jù)經(jīng)驗(yàn)確定。

2.1.4? 模式識(shí)別

對(duì)于預(yù)測(cè)日相近的樣本集的選擇，本文采用歐氏距離法作為度量[8]。在聚類后，樣本集中的風(fēng)力速度分為不同類型。然后通過建立BP神經(jīng)網(wǎng)絡(luò)，計(jì)算需預(yù)測(cè)日期的指標(biāo)與樣本集分類中樣本指標(biāo)的歐氏距離，歐氏距離越小則預(yù)測(cè)日期越與該類相近。

本文選取模糊聚類的閾值為0.05，根據(jù)歐式距離法將風(fēng)速數(shù)據(jù)分成若干類，本文僅選取其中一類作預(yù)測(cè)分析。該地區(qū)8月份按天模糊聚類后，8月的第3、5、9、12、13、15、21、25為一類。其余的樣本作為訓(xùn)練樣本建立BP神經(jīng)網(wǎng)絡(luò)模型，27日的樣本數(shù)據(jù)作為測(cè)試樣本進(jìn)行預(yù)測(cè)分析。

2.2? 基于BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型的建立

在具體模型的建立上，功率預(yù)測(cè)模型的輸入變量依據(jù)小時(shí)數(shù)劃分為24個(gè)，即有24個(gè)輸入層的節(jié)點(diǎn)，同樣的輸出層也依據(jù)小時(shí)數(shù)劃分為24個(gè)節(jié)點(diǎn)。在隱含層節(jié)點(diǎn)的設(shè)置上，利用文獻(xiàn)9中的經(jīng)驗(yàn)公式設(shè)置為，其中n為隱含層的節(jié)點(diǎn)數(shù)，ni為輸入的節(jié)點(diǎn)數(shù)，n0為輸出的節(jié)點(diǎn)數(shù)，a為1～10之間的常數(shù)[9]。

2.3? 風(fēng)速的預(yù)測(cè)

根據(jù)文獻(xiàn)9的經(jīng)驗(yàn)值，選擇隱含層神經(jīng)元傳遞函數(shù)為S型正切函數(shù)tansig，輸出層為trainlm函數(shù)[9]。通過對(duì)網(wǎng)絡(luò)進(jìn)行多次訓(xùn)練，得出風(fēng)速預(yù)測(cè)結(jié)果如圖2和表1所示。

分析可知：預(yù)測(cè)結(jié)果的平均相對(duì)誤差為8.49%，均方誤差為0.014，預(yù)測(cè)結(jié)果中的24個(gè)點(diǎn)中有21個(gè)點(diǎn)相對(duì)誤差均在10%以內(nèi)，占預(yù)測(cè)點(diǎn)總數(shù)的79.2%，故所搭建的BP神經(jīng)網(wǎng)絡(luò)模型滿足預(yù)測(cè)效果的精度要求。

2.4? 風(fēng)電功率的預(yù)測(cè)

本文通過對(duì)風(fēng)速建模，可以得出風(fēng)速的預(yù)測(cè)，并得到了最優(yōu)的預(yù)測(cè)風(fēng)速值，在此基礎(chǔ)上本文使用標(biāo)準(zhǔn)的功率曲線對(duì)機(jī)組進(jìn)行功率預(yù)測(cè)[10]。以德國Dewind公司制造的某單機(jī)容量為1 MW的變漿距風(fēng)力發(fā)電機(jī)組為例，該機(jī)組的切入風(fēng)速2.5 m/s，額定風(fēng)速11.5 m/s、切出風(fēng)速23 m/s，風(fēng)力發(fā)電機(jī)的出力可用分段函數(shù)表達(dá)式近似為[10]：

公式（3）中，P為風(fēng)力機(jī)的輸出功率;V為該時(shí)刻的風(fēng)速值;Pr為風(fēng)力機(jī)的額定功率;Vci、Vr、Vco分別是風(fēng)力發(fā)電機(jī)的切入、額定以及切出風(fēng)速;A、B、C是相應(yīng)參數(shù)。

風(fēng)能資源的不同，A、B、C的計(jì)算值也會(huì)稍有不同，其計(jì)算表達(dá)式如下：

根據(jù)風(fēng)速預(yù)測(cè)結(jié)果，由公式（3）和（4）計(jì)算得風(fēng)電功率預(yù)測(cè)曲線如表2和圖3所示。

分析可知：由于本文所選日期的風(fēng)速屬于（2，12）的開區(qū)間，預(yù)測(cè)功率的相對(duì)誤差是4.1%，均方誤差是171.1，此兩種誤差達(dá)到了功率預(yù)測(cè)的要求。

3? 結(jié)? 論

通過研究發(fā)現(xiàn)，BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)精度在很大程度上取決于訓(xùn)練樣本集的選取，而本文結(jié)合了模糊聚類技術(shù)與BP神經(jīng)網(wǎng)絡(luò)，以相似日風(fēng)速對(duì)待預(yù)測(cè)日風(fēng)速和風(fēng)電功率進(jìn)行預(yù)測(cè)，大大提高了預(yù)測(cè)精度。實(shí)驗(yàn)結(jié)果說明所建立的BP神經(jīng)網(wǎng)絡(luò)模型正確，預(yù)測(cè)誤差較滿意，理論研究合理。

雖然本文取得了較好的研究成果，但仍有不足，如模糊聚類分析受天氣預(yù)報(bào)精度的影響較大;網(wǎng)絡(luò)輸入層數(shù)據(jù)單一，未能全面反映影響風(fēng)速的所有因素;預(yù)測(cè)結(jié)果中存在奇異點(diǎn)等。因此提高預(yù)測(cè)精度和使用價(jià)值的空間仍然存在。今后可以從全面有效的利用天氣預(yù)報(bào)數(shù)據(jù)，改善BP神經(jīng)網(wǎng)絡(luò)模型，深入分析研究風(fēng)速特性等方面著手研究。

參考文獻(xiàn)：

[1] 葉峰.新能源發(fā)電-實(shí)現(xiàn)人類的持續(xù)發(fā)展 [J].能源與環(huán)境，2008（3）：55-57+62.

[2] 尹明，葛旭波，王成山，等.我國風(fēng)電大規(guī)模開發(fā)相關(guān)問題探討 [J].中國電力，2010，43（3）：59-62.

[3] 王駿，王士同，鄧趙紅.聚類分析研究中的若干問題 [J].控制與決策，2012，27（3）：321-328.

[4] 榮輝，張濟(jì)世，馬信山.前饋神經(jīng)網(wǎng)絡(luò)的模糊PID算法及其在電力系統(tǒng)負(fù)荷預(yù)測(cè)中的應(yīng)用 [J].電工技術(shù)學(xué)報(bào)，1998（4）：43-46.

[5] 袁曾任.人工神經(jīng)元網(wǎng)絡(luò)及其應(yīng)用 [M].北京：清華大學(xué)出版社，1999.

[6] 師洪濤，楊靜玲，丁茂生，等.基于小波—BP神經(jīng)網(wǎng)絡(luò)的短期風(fēng)電功率預(yù)測(cè)方法 [J].電力系統(tǒng)自動(dòng)化，2011，35（16）：44-48.

[7] 黎祚，周步祥，林楠.基于模糊聚類與改進(jìn)BP算法的日負(fù)荷特性曲線分類與短期負(fù)荷預(yù)測(cè)[J].電力系統(tǒng)保護(hù)與控制，2012，40（3）：56-60.

[8] 趙彥峰，李輝，高海燕.基于加權(quán)歐氏距離法的設(shè)計(jì)模式分類研究 [J].科技風(fēng)，2009（12）：19.

[9] 肖永山，王維慶，霍曉萍.基于神經(jīng)網(wǎng)絡(luò)的風(fēng)電場(chǎng)風(fēng)速時(shí)間序列預(yù)測(cè)研究 [J].節(jié)能技術(shù)，2007（2）：106-108+175.

[10] 方江曉.短期風(fēng)速和風(fēng)電功率預(yù)測(cè)模型的研究 [D].北京：北京交通大學(xué)，2011.

作者簡介：李海玲（1972—），女，漢族，山東日照人，副教授，數(shù)學(xué)教育碩士，研究方向?yàn)椋簲?shù)學(xué)教育，數(shù)學(xué)建模。

3400500338259