基于小波神經(jīng)網(wǎng)絡(luò)結(jié)合物聯(lián)網(wǎng)架構(gòu)的大規(guī)模集中接入風(fēng)電站功率自動(dòng)預(yù)測(cè)

摘 要：風(fēng)力發(fā)電的功率受風(fēng)速、風(fēng)向等多個(gè)氣象因素影響，因此風(fēng)力發(fā)電的功率具有不穩(wěn)定性和時(shí)變性，因而很難通過(guò)傳統(tǒng)的算法和數(shù)學(xué)模型來(lái)預(yù)測(cè)。為此，結(jié)合小波神經(jīng)網(wǎng)絡(luò)和物聯(lián)網(wǎng)架構(gòu)設(shè)計(jì)一種大規(guī)模集中接入風(fēng)電站功率自動(dòng)預(yù)測(cè)方法。設(shè)計(jì)基于物聯(lián)網(wǎng)架構(gòu)的風(fēng)電站數(shù)據(jù)采集架構(gòu)，利用無(wú)線傳感器與射頻標(biāo)簽等設(shè)備采集風(fēng)力發(fā)電機(jī)組設(shè)備運(yùn)行狀態(tài)信息與風(fēng)電站周邊環(huán)境信息，所采集信息利用無(wú)線傳感模塊傳輸至網(wǎng)絡(luò)服務(wù)層內(nèi)實(shí)施處理與存儲(chǔ)；客戶端層構(gòu)建基于小波神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)模型，將網(wǎng)絡(luò)服務(wù)層內(nèi)所存儲(chǔ)的數(shù)據(jù)作為輸入，通過(guò)網(wǎng)絡(luò)初始化與訓(xùn)練輸出功率預(yù)測(cè)結(jié)果。實(shí)驗(yàn)結(jié)果顯示，該方法能夠獲取準(zhǔn)確的功率預(yù)測(cè)結(jié)果。

關(guān)鍵詞：小波神經(jīng)網(wǎng)絡(luò)；物聯(lián)網(wǎng)架構(gòu)；風(fēng)電站；功率自動(dòng)預(yù)測(cè)；數(shù)據(jù)采集；小波基函數(shù)

中圖分類號(hào)：TP393；TM71 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：2095-1302（2024）03-0-03

0 引 言

作為新能源發(fā)電技術(shù)之一，風(fēng)力發(fā)電能夠有效緩解環(huán)境污染問(wèn)題[1]，對(duì)推動(dòng)電力工業(yè)優(yōu)化具有重要意義。新能源場(chǎng)站的功率預(yù)測(cè)、資金投入必不可少，大規(guī)模集中接入風(fēng)電站功率自動(dòng)預(yù)測(cè)主要完成從集控系統(tǒng)采集新能源場(chǎng)站風(fēng)機(jī)、測(cè)風(fēng)塔、環(huán)境監(jiān)測(cè)儀、光伏逆變器、升壓站和計(jì)算機(jī)監(jiān)控系統(tǒng)的數(shù)據(jù)，以及獲取的外部天氣預(yù)報(bào)數(shù)值，對(duì)所轄的新能源場(chǎng)站進(jìn)行獨(dú)立的功率預(yù)測(cè)[2]。但當(dāng)前大規(guī)模的風(fēng)力發(fā)電過(guò)程中還存在一定的問(wèn)題，研究風(fēng)電站功率預(yù)測(cè)勢(shì)在必行。

本文研究基于小波神經(jīng)網(wǎng)絡(luò)結(jié)合物聯(lián)網(wǎng)架構(gòu)的大規(guī)模集中接入風(fēng)電站功率自動(dòng)預(yù)測(cè)方法。在發(fā)電管理、后期電力交易等方面發(fā)揮最大的綜合利用效益，更好地實(shí)現(xiàn)各電站的遠(yuǎn)程優(yōu)化管理和經(jīng)濟(jì)運(yùn)行。

1 方 法

1.1 數(shù)據(jù)采集架構(gòu)設(shè)計(jì)

數(shù)據(jù)采集質(zhì)量直接影響小波神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)性能。如果采集到的數(shù)據(jù)有誤差、缺失或不完整等問(wèn)題，將導(dǎo)致預(yù)測(cè)模型出現(xiàn)偏差或錯(cuò)誤，從而降低預(yù)測(cè)準(zhǔn)確性。

物聯(lián)網(wǎng)技術(shù)架構(gòu)的主要特征有全面感知、可靠傳遞和智能處理，能夠有效監(jiān)測(cè)風(fēng)電站數(shù)據(jù)?；诖耍诓杉笠?guī)模集中接入風(fēng)電站相關(guān)數(shù)據(jù)的過(guò)程中，可基于物聯(lián)網(wǎng)架構(gòu)設(shè)計(jì)一種大規(guī)模集中接入風(fēng)電站設(shè)備運(yùn)行狀態(tài)與周邊環(huán)境監(jiān)測(cè)系統(tǒng)[3]，即構(gòu)建一個(gè)能夠遠(yuǎn)程監(jiān)測(cè)大規(guī)模集中接入風(fēng)電站設(shè)備運(yùn)行狀態(tài)與風(fēng)電場(chǎng)周邊環(huán)境的物聯(lián)網(wǎng)平臺(tái)。基于物聯(lián)網(wǎng)架構(gòu)，提供大規(guī)模集中接入風(fēng)電站數(shù)據(jù)服務(wù)。

基于物聯(lián)網(wǎng)架構(gòu)的風(fēng)電站數(shù)據(jù)采集架構(gòu)，能夠有效監(jiān)測(cè)大規(guī)模集中接入風(fēng)電站設(shè)備的運(yùn)行狀態(tài)與風(fēng)電站周邊環(huán)境的變化，采集設(shè)備運(yùn)行數(shù)據(jù)與環(huán)境數(shù)據(jù)，并基于數(shù)據(jù)分析提供數(shù)據(jù)查詢與預(yù)測(cè)等功能。圖1所示為基于物聯(lián)網(wǎng)架構(gòu)的大規(guī)模集中接入風(fēng)電站數(shù)據(jù)采集架構(gòu)。

基于物聯(lián)網(wǎng)架構(gòu)的大規(guī)模集中接入風(fēng)電站數(shù)據(jù)采集架構(gòu)主要包含三個(gè)主要部分，分別是信息采集層、網(wǎng)絡(luò)服務(wù)層和客戶端層。

（1）信息采集層主要利用無(wú)線傳感器與射頻標(biāo)簽等設(shè)備，采集風(fēng)力發(fā)電機(jī)組設(shè)備運(yùn)行狀態(tài)信息與風(fēng)電站周邊環(huán)境信息，再將所采集信息利用無(wú)線傳感模塊傳輸至網(wǎng)絡(luò)服務(wù)層[4]。

（2）網(wǎng)絡(luò)服務(wù)層包含數(shù)據(jù)庫(kù)服務(wù)器等，主要功能為存儲(chǔ)信息采集層采集的數(shù)據(jù)，對(duì)數(shù)據(jù)進(jìn)行過(guò)濾、零漂處理、限值檢查、更新死區(qū)檢查等，并對(duì)處理后的數(shù)據(jù)進(jìn)行備份。

（3）客戶端層基于網(wǎng)絡(luò)服務(wù)層內(nèi)所存儲(chǔ)的數(shù)據(jù)，實(shí)現(xiàn)風(fēng)力發(fā)電設(shè)備或風(fēng)電場(chǎng)周邊環(huán)境數(shù)據(jù)的查詢、分析與預(yù)測(cè)[5-6]。

1.2 功率預(yù)測(cè)

小波神經(jīng)網(wǎng)絡(luò)是一種在線預(yù)測(cè)模型，對(duì)數(shù)據(jù)的處理效率要求高。物聯(lián)網(wǎng)架構(gòu)的數(shù)據(jù)采集和處理速度決定了預(yù)測(cè)模型的反應(yīng)速度?；谖锫?lián)網(wǎng)架構(gòu)的風(fēng)電站數(shù)據(jù)采集，實(shí)現(xiàn)風(fēng)電站功率自動(dòng)預(yù)測(cè)。

利用小波神經(jīng)網(wǎng)絡(luò)構(gòu)建預(yù)測(cè)模型。小波神經(jīng)網(wǎng)絡(luò)以BP神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)為基礎(chǔ)[7-8]，將小波基函數(shù)作為隱藏層節(jié)點(diǎn)的傳遞函數(shù)。實(shí)際運(yùn)行過(guò)程中信號(hào)正向傳輸，而誤差反向傳輸。

將基于物聯(lián)網(wǎng)架構(gòu)的風(fēng)電站數(shù)據(jù)采集架構(gòu)所采集的數(shù)據(jù)X1， X2， ...， XK作為輸入數(shù)據(jù)，以Y1， Y2， ...， Ym表示小波神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型的輸出結(jié)果。

以xi（1， 2， ...， k）表示小波神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型輸入信息序列，利用式（1）描述隱含層輸出：

（1）

式中：hj和wij分別表示小波基函數(shù)與輸入層和隱含層間的連接權(quán)值；bj和aj分別表示hj的平移因子和伸縮因子。

利用式（2）描述網(wǎng)絡(luò)輸出層輸出結(jié)果：

（2）

式中：l和wlk分別表示隱含層節(jié)點(diǎn)數(shù)量和隱含層至輸出層的權(quán)值；m表示輸出層節(jié)點(diǎn)數(shù)量。

基于小波神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型[9]的大規(guī)模集中接入風(fēng)電站功率自動(dòng)預(yù)測(cè)流程為：

（1）初始化網(wǎng)絡(luò)：隨機(jī)初始化模型內(nèi)各參數(shù)；

（2）樣本劃分：將基于物聯(lián)網(wǎng)架構(gòu)的風(fēng)電站數(shù)據(jù)采集架構(gòu)所采集的數(shù)據(jù)樣本劃分為訓(xùn)練集與測(cè)試集兩部分；

（3）預(yù)測(cè)輸出：在預(yù)測(cè)模型輸入訓(xùn)練樣本，獲取預(yù)測(cè)結(jié)果的同時(shí)，確定模型輸出同期望輸出間的誤差；

（4）優(yōu)化權(quán)值：依照輸出誤差，通過(guò)梯度優(yōu)化方法優(yōu)化權(quán)值參數(shù)與小波基函數(shù)參數(shù)[10]，由此確保預(yù)測(cè)模型輸出結(jié)果最大限度逼近期望輸出；

（5）確定預(yù)測(cè)過(guò)程是否結(jié)束，若未結(jié)束，則返回（3）。

2 實(shí)驗(yàn)結(jié)果

本文研究基于小波神經(jīng)網(wǎng)絡(luò)結(jié)合物聯(lián)網(wǎng)架構(gòu)的大規(guī)模集中接入風(fēng)電站功率自動(dòng)預(yù)測(cè)方法，為驗(yàn)證本文方法的功率預(yù)測(cè)性能，以某大規(guī)模集中接入風(fēng)電站為研究對(duì)象，采用本文方法對(duì)功率進(jìn)行預(yù)測(cè)，所得結(jié)果如下。

2.1 數(shù)據(jù)采集性能分析

基于本文方法采集研究對(duì)象相關(guān)數(shù)據(jù)，并分析數(shù)據(jù)采集過(guò)程中模擬量綜合誤差與網(wǎng)絡(luò)通信延時(shí)等指標(biāo)，所得結(jié)果見(jiàn)表1所列。

分析表1得到，采用本文方法采集研究對(duì)象相關(guān)數(shù)據(jù)過(guò)程中，綜合誤差與誤碼率均較低，且合格率較高。由此可知，本文方法具有較高的數(shù)據(jù)采集精度。

數(shù)據(jù)處理過(guò)程包括：數(shù)據(jù)過(guò)濾、零漂數(shù)據(jù)處理、限值檢查、更新死區(qū)檢查。通過(guò)數(shù)據(jù)處理能夠?qū)Σ杉瘮?shù)據(jù)的數(shù)據(jù)完整率、有效率進(jìn)行修正。對(duì)數(shù)據(jù)源提供的數(shù)據(jù)進(jìn)行校驗(yàn)，包括數(shù)據(jù)邊界范圍，數(shù)據(jù)異常（過(guò)大、過(guò)?。?、補(bǔ)數(shù)以及錯(cuò)輸校驗(yàn)等。圖2所示為采用本文方法處理后的數(shù)據(jù)完整率。

分析圖2得到，采用本文方法對(duì)所采集數(shù)據(jù)進(jìn)行處理后，能夠有效提升數(shù)據(jù)的完整性，剔除缺數(shù)、錯(cuò)數(shù)、死數(shù)等數(shù)據(jù)。結(jié)合表1的結(jié)果可知，采用本文方法采集研究對(duì)象的相關(guān)數(shù)據(jù)，有利于提升后續(xù)功率預(yù)測(cè)結(jié)果的精度。

2.2 功率預(yù)測(cè)性能分析

利用小波基函數(shù)，對(duì)功率預(yù)測(cè)性能進(jìn)行分析。分析過(guò)程中，選取歸一化平均絕對(duì)誤差、歸一化均方根誤差與相關(guān)系數(shù)作為分析指標(biāo)。在未使用小波基函數(shù)和使用小波基函數(shù)兩種情況下對(duì)本文方法的功率預(yù)測(cè)性能影響做對(duì)比分析，如圖3所示。

分析圖3得到，本文方法所構(gòu)建的預(yù)測(cè)模型內(nèi)采用小波基函數(shù)作為隱藏層節(jié)點(diǎn)的傳遞函數(shù)，可有效降低研究對(duì)象功率預(yù)測(cè)的誤差。

2.3 功率預(yù)測(cè)結(jié)果

采用本文方法對(duì)研究對(duì)象2022年6月18日不同時(shí)刻的功率進(jìn)行預(yù)測(cè)，并將預(yù)測(cè)結(jié)果與實(shí)際功率值進(jìn)行對(duì)比，所得結(jié)果見(jiàn)表2所列。

分析表2可得，采用本文方法預(yù)測(cè)研究對(duì)象在不同時(shí)刻的發(fā)電功率，所得預(yù)測(cè)結(jié)果與實(shí)際發(fā)電功率值基本一致，誤差控制在0.02 kW以內(nèi)，全天預(yù)測(cè)誤差控制在0.1 kW左右。由此說(shuō)明本文方法具有較高的預(yù)測(cè)精度，完全滿足實(shí)際預(yù)測(cè)需求。

3 結(jié) 語(yǔ)

本文研究基于小波神經(jīng)網(wǎng)絡(luò)結(jié)合物聯(lián)網(wǎng)架構(gòu)的大規(guī)模集中接入風(fēng)電站功率自動(dòng)預(yù)測(cè)方法。通過(guò)該方法可對(duì)不同區(qū)域新能源電場(chǎng)站數(shù)據(jù)進(jìn)行統(tǒng)一管理和維護(hù)，并為集團(tuán)新能源功率預(yù)測(cè)、并網(wǎng)提供科學(xué)有效的技術(shù)手段，為調(diào)度集團(tuán)統(tǒng)一計(jì)劃的制定提供有力支持。

參考文獻(xiàn)

[1]馬聞達(dá)，王西田，解大.大規(guī)模風(fēng)電場(chǎng)并網(wǎng)系統(tǒng)次同步振蕩功率傳播特性研究[J].中國(guó)電機(jī)工程學(xué)報(bào)，2020，40（16）：5217-5229.

[2]張健.基于卷積神經(jīng)網(wǎng)絡(luò)的新能源光伏電站發(fā)電功率預(yù)測(cè)方法[J].機(jī)械設(shè)計(jì)與制造工程，2022，51（10）：69-73.

[3]王一妹，劉輝，宋鵬，等.基于高斯混合模型聚類的風(fēng)電場(chǎng)短期功率預(yù)測(cè)方法[J].電力系統(tǒng)自動(dòng)化，2021，45（7）：37-43.

[4]雷蕾瀟，張新燕，孫珂.基于關(guān)聯(lián)規(guī)則及BP神經(jīng)網(wǎng)絡(luò)的風(fēng)電場(chǎng)輸出功率預(yù)測(cè)[J].安徽大學(xué)學(xué)報(bào)（自然科學(xué)版），2021，45（5）：72-76.

[5]王佶宣，鄧斌，王江.基于經(jīng)驗(yàn)?zāi)B(tài)分解與RBF神經(jīng)網(wǎng)絡(luò)的短期風(fēng)功率預(yù)測(cè)[J].電力系統(tǒng)及其自動(dòng)化學(xué)報(bào)，2020，32（11）：109-115.

[6]史如新，王德順，余濤，等.基于NARX神經(jīng)網(wǎng)絡(luò)-小波分解光伏發(fā)電功率預(yù)測(cè)[J].鄭州大學(xué)學(xué)報(bào)（工學(xué)版），2020，41（6）：79-84.

[7]鄒文進(jìn)，郝少飛，馬剛，等.基于CEEMD-GA-BP神經(jīng)網(wǎng)絡(luò)的風(fēng)光發(fā)電功率預(yù)測(cè)[J].電網(wǎng)與清潔能源，2022，38（3）：111-118.

[8]張潔，郝倩男.基于煙花算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的光伏功率預(yù)測(cè)[J].計(jì)算機(jī)技術(shù)與發(fā)展，2021，31（10）：146-153.

[9]張成，白建波，蘭康，等.基于數(shù)據(jù)挖掘和遺傳小波神經(jīng)網(wǎng)絡(luò)的光伏電站發(fā)電量預(yù)測(cè)[J].太陽(yáng)能學(xué)報(bào)，2021，42（3）：375-382.

[10]龐傳軍，尚學(xué)偉，張波，等.基于改進(jìn)梯度提升算法的短期風(fēng)電功率概率預(yù)測(cè)[J].電力系統(tǒng)自動(dòng)化，2022，46（16）：198-206.