基于人工神經(jīng)網(wǎng)絡(luò)的組合預(yù)測模型在微電網(wǎng)中的應(yīng)用

華北電力大學(xué) 李曉飛 國網(wǎng)白山供電公司 徐瑋澤 孫云鵬

微電網(wǎng)在制定優(yōu)化運行策略及參與電力市場購、售電的競爭策略時，需依據(jù)微電網(wǎng)中發(fā)電元件出力、系統(tǒng)內(nèi)負荷及市場電價的預(yù)測數(shù)據(jù)。由于微電網(wǎng)中不同的預(yù)測變量差異較大，如若采用單一預(yù)測模型很難起到精準預(yù)測的作用。因此需分析各自變量特點，針對預(yù)測需求制定相應(yīng)的預(yù)測模型。由于微電網(wǎng)的預(yù)測范圍一般不超過未來24h，在預(yù)測技術(shù)中屬于短期預(yù)測。針對短期預(yù)測，目前人工神經(jīng)網(wǎng)絡(luò)因具有很好的自學(xué)習(xí)、強魯棒性和推理能力被廣泛應(yīng)用。

1 微電網(wǎng)中的預(yù)測變量

不可控電源出力。微電網(wǎng)中存在高比例的風(fēng)力發(fā)電和光伏發(fā)電，因其出力不可控，在實際運行中很難對其進行調(diào)度，對風(fēng)力發(fā)電和光伏發(fā)電的出力預(yù)測成為微電網(wǎng)運行調(diào)控的關(guān)鍵內(nèi)容之一。目前有關(guān)風(fēng)、光發(fā)電功率預(yù)測可大致分為統(tǒng)計方法、學(xué)習(xí)方法和物理方法三種，由于風(fēng)力發(fā)電和光伏發(fā)電受天氣以及地理環(huán)境影響較大，因此常采用通過預(yù)測影響風(fēng)力發(fā)電和光伏發(fā)電的輸入變量（如風(fēng)速、光照強度以及溫度等）對輸出變量進行預(yù)測。

蓄電池荷電狀態(tài)。微電網(wǎng)為保持系統(tǒng)內(nèi)部負荷平衡，需配置一定容量的儲能裝置，并常采用蓄電池。而蓄電池的充、放電情況是微電網(wǎng)制定市場策略和運行方式的重要依據(jù)，其中表征蓄電池充放電狀態(tài)的變量是荷電狀態(tài)。通過對荷電狀態(tài)進行準確估計可合理制定蓄電池的運行策略，降低使用成本，延長蓄電池的使用壽命[1]。針對蓄電池荷電狀態(tài)的狀態(tài)估計，不僅要考慮蓄電池受到電池容量、自放電率、老化程度等自身參量以及溫度、系統(tǒng)情況等外界環(huán)境的多因素影響，還要兼顧狀態(tài)估計的準確性與實時性。

微電網(wǎng)系統(tǒng)內(nèi)的負荷。微電網(wǎng)系統(tǒng)中有許多類型不同的負荷，既包含用電設(shè)備又包含充電狀態(tài)的儲能裝置。通過預(yù)測系統(tǒng)負荷可很好地制定微電網(wǎng)的購、售電策略和系統(tǒng)優(yōu)化運行。但由于負荷受到氣象、應(yīng)用場景以及市場經(jīng)濟等多因素影響，且對于微電網(wǎng)這類容量小、波動大、運行情況復(fù)雜的系統(tǒng)對負荷的精確預(yù)測難度很大[2]，既要考慮到負荷在一定程度下受單因素影響呈現(xiàn)一定的規(guī)律性變化，又要考慮到眾多外源因素與負荷之間的關(guān)系是復(fù)雜的、非線性的，甚至可能產(chǎn)生突變。

電力市場電價。當微電網(wǎng)參與市場競價時，市場電價是微電網(wǎng)進行經(jīng)營決策的重要依據(jù)，通過電價預(yù)測可合理安排系統(tǒng)內(nèi)的出力與負荷變化，為系統(tǒng)優(yōu)化運行提供幫助。一般影響電價的因素包括電力市場的結(jié)構(gòu)及成熟度、市場規(guī)則、氣候條件和社會因素等[3]，因而電價序列是個復(fù)雜的不平穩(wěn)序列，有別于負荷預(yù)測。

2 人工神經(jīng)網(wǎng)絡(luò)在短期預(yù)測中的應(yīng)用

2.1 人工神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

人工神經(jīng)網(wǎng)絡(luò)簡稱神經(jīng)網(wǎng)絡(luò)，是一種模仿生物神經(jīng)網(wǎng)絡(luò)的行為特征，由大量神經(jīng)元互相連接形成的非線性網(wǎng)絡(luò)系統(tǒng)?？赏ㄟ^調(diào)整內(nèi)部神經(jīng)元相互連接關(guān)系和參數(shù)，以達到分布式并行處理信息的目的[4]。利用此性質(zhì)可進行微電網(wǎng)中相關(guān)變量的預(yù)測。人工神經(jīng)網(wǎng)絡(luò)中最典型的是三層BP神經(jīng)網(wǎng)絡(luò)，圖中的圓圈表示神經(jīng)元，是一個多輸入單輸出的非線性器件（圖1）。

圖1 三層BP神經(jīng)網(wǎng)絡(luò)基本結(jié)構(gòu)圖

圖2 單個神經(jīng)元的結(jié)構(gòu)圖

2.2 人工神經(jīng)網(wǎng)絡(luò)的預(yù)測功能實現(xiàn)

為使神經(jīng)網(wǎng)絡(luò)實現(xiàn)預(yù)測功能，首先需根據(jù)預(yù)測需求收集相應(yīng)的數(shù)據(jù)，選擇數(shù)據(jù)樣本規(guī)模，并對數(shù)據(jù)進行一定預(yù)處理；其次在數(shù)據(jù)輸入前要確定網(wǎng)絡(luò)結(jié)構(gòu)并對其進行初始化。在構(gòu)建BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型過程中，網(wǎng)絡(luò)中的信息流包含數(shù)據(jù)輸入到輸出的正向傳播過程和誤差輸出到輸入的反向修正過程。通過大量數(shù)據(jù)的訓(xùn)練，神經(jīng)元對網(wǎng)絡(luò)權(quán)值和閾值的改變沿著表現(xiàn)函數(shù)下降最快的方向?qū)W(wǎng)絡(luò)不斷進行修正[5]，具有學(xué)習(xí)記憶能力，使網(wǎng)絡(luò)模型輸出誤差不斷減小，最終實現(xiàn)預(yù)測功能。BP網(wǎng)絡(luò)實現(xiàn)預(yù)測功能的流程如圖3。

圖3 BP神經(jīng)網(wǎng)絡(luò)實現(xiàn)預(yù)測功能的流程圖

2.3 有關(guān)微電網(wǎng)變量預(yù)測的關(guān)鍵技術(shù)

數(shù)值天氣預(yù)報。是根據(jù)大氣實際情況，在一定初值和邊界條件下，通過數(shù)值計算求解描述天氣演變過程的流體力學(xué)和熱力學(xué)方程組來預(yù)報未來天氣的一種定量的客觀方法?？赏ㄟ^數(shù)值天氣預(yù)報得到風(fēng)速、風(fēng)向、光照強度、溫度、濕度、氣壓、云量等氣象數(shù)據(jù)；卡爾曼濾波法。是一種能從觀測量中估計所需量的算法。通過當前時刻的觀測值和驗前信息，對系統(tǒng)狀態(tài)做出最小方差上的預(yù)測值修正，通過不斷地“預(yù)測—修正”的遞推計算，求出接近狀態(tài)量真實值的最優(yōu)估計值[6]。

時間序列法。指通過分析一組有序的、具有一定平穩(wěn)性的隨機數(shù)據(jù)，利用線性方法構(gòu)建的預(yù)測模型。首先對數(shù)據(jù)進行平穩(wěn)化處理，然后通過自回歸分析和相關(guān)性分析，確定目標序列階次，再進行參數(shù)估計和模型修正，最終確定相應(yīng)的預(yù)測模型；小波變換法。是一種信號的時間-頻率分析方法，具有多分辨率分析的特點，可對不平穩(wěn)信號的時域和頻域信息進行綜合分析。在實際應(yīng)用中，通過多分辯率分析算法，可將原始信號分解為一個包含總體趨勢的低頻逼近分量和許多個高頻細節(jié)分量，進而對單一子信號進行分析，經(jīng)分解的各分量也可重構(gòu)恢復(fù)成原始信號[7]。

3 微電網(wǎng)相關(guān)變量的組合預(yù)測方案

不可控電源出力的組合預(yù)測方案。針對微電網(wǎng)中不可控電源出力受到天氣等因素強影響的性質(zhì)，可采用基于數(shù)值天氣預(yù)報的BP神經(jīng)網(wǎng)絡(luò)組合預(yù)測模型來實現(xiàn)對風(fēng)、光發(fā)電功率的預(yù)測：根據(jù)歷史數(shù)值天氣預(yù)報數(shù)據(jù)和歷史實測數(shù)據(jù)作為BP神經(jīng)網(wǎng)絡(luò)的輸入數(shù)據(jù)，對BP神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練和測試，得到合適的BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型；采集預(yù)測日各個時段的數(shù)值天氣預(yù)報數(shù)據(jù)；將采集得到的數(shù)據(jù)進行修正以滿足輸入要求，將相應(yīng)數(shù)據(jù)作為BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型的輸入，得到風(fēng)、光發(fā)電功率的預(yù)測值。

蓄電池荷電狀態(tài)的組合預(yù)測方案。針對微電網(wǎng)中蓄電池荷電狀態(tài)估計的準確性與實時性要求較高，可采用基于卡爾曼濾波法的BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型：根據(jù)蓄電池歷史荷電狀態(tài)數(shù)據(jù)和實測數(shù)據(jù)（包括蓄電池電流、電壓、溫度、容量和內(nèi)阻等）作為BP神經(jīng)網(wǎng)絡(luò)的輸入數(shù)據(jù)，對BP神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練和測試，得到合適的預(yù)測模型；輸入蓄電池相應(yīng)的狀態(tài)變量到上述BP神經(jīng)網(wǎng)絡(luò)中，得到的下一時刻荷電狀態(tài)的初級估計；用卡爾曼濾波法對初級估計結(jié)果進行校正，得到二次估計結(jié)果，即最終預(yù)測值。

表1 針對微電網(wǎng)預(yù)測變量的組合預(yù)測模型分析表

微電網(wǎng)系統(tǒng)負荷的組合預(yù)測方案。微電網(wǎng)中的負荷數(shù)據(jù)在一定尺度下屬于一種時間序列，可看做是線性部分與非線性部分的疊加狀態(tài)。利用時間序列法與BP神經(jīng)網(wǎng)絡(luò)的組合模型，可避免單一預(yù)測模型不能很好地捕捉負荷的動態(tài)特性，進而可以提高預(yù)測的準確度：用時間序列模型對負荷進行預(yù)測，得到負荷的線性預(yù)測結(jié)果，并將原負荷序列與時間序列模型預(yù)測結(jié)果對比得到殘差，在殘差中隱含了原序列中的非線性關(guān)系；通過BP神經(jīng)網(wǎng)絡(luò)模型來逼近殘差的非線性函數(shù)，得到非線性預(yù)測結(jié)果；將兩種模型的預(yù)測結(jié)果進行疊加，得到最終預(yù)測結(jié)果。

電力市場電價的組合預(yù)測方案。電價序列就是一個被時間間隔離散化的一維信號，通過離散小波變換可得到電價信號的各個分量，進一步利用BP網(wǎng)絡(luò)模型分析可對復(fù)雜的電價信號進行預(yù)測：選擇適當?shù)男〔ê妥儞Q尺度對歷史電價序列進行離散小波分解，得到不同空間尺度下的子序列；針對不同的子序列選擇合適的BP神經(jīng)網(wǎng)絡(luò)，將各尺度空間的數(shù)據(jù)輸入到BP神經(jīng)網(wǎng)絡(luò)的預(yù)測模型中，得到各子序列的預(yù)測值分量；最后將各尺度空間的預(yù)測值分量重構(gòu)，得到原電價序列的預(yù)測值。

綜上，微電網(wǎng)作為影響電力發(fā)展的技術(shù)手段之一，發(fā)展至今已形成了內(nèi)部結(jié)構(gòu)復(fù)雜與外界環(huán)境要求等因素共同交織影響的局面。對微電網(wǎng)能源流、信息流與金融流的控制與優(yōu)化的要求越來越高。通過適當?shù)念A(yù)測技術(shù)可更好地實現(xiàn)以上訴求。