基于小生境遺傳算法與徑向基代理模型的短期風(fēng)電功率預(yù)測(cè)

摘 要：為提高短期功率預(yù)測(cè)精度，以賦予風(fēng)電被電網(wǎng)資產(chǎn)更大規(guī)模消納的優(yōu)勢(shì)，建立一種基于主導(dǎo)特征影響因素和小生境遺傳算法改進(jìn)的徑向基代理模型的滾動(dòng)式短期（0～72 h）風(fēng)電功率預(yù)測(cè)模型。首先，基于罰函數(shù)和排擠機(jī)制的小生境技術(shù)對(duì)傳統(tǒng)基本遺傳算法進(jìn)行改進(jìn)，以徑向基代理模型（RBF）作為建?；A(chǔ)，利用改進(jìn)后的遺傳算法以反傳誤差極小為目標(biāo)函數(shù)對(duì)RBF模型的連接權(quán)值進(jìn)行優(yōu)化，借助其尋優(yōu)能力來(lái)獲取最佳權(quán)值，以達(dá)成對(duì)RBF網(wǎng)絡(luò)的改進(jìn)和二次訓(xùn)練；然后，基于主導(dǎo)特征氣象因素，結(jié)合改進(jìn)的RBF模型最終建立N-SGA-RBF風(fēng)電出力預(yù)測(cè)模型，對(duì)風(fēng)電場(chǎng)連續(xù)3日0～72 h輸出功率進(jìn)行預(yù)測(cè)；最后，對(duì)N-SGA-RBF模型、RBF模型以及BP模型做預(yù)測(cè)結(jié)果趨勢(shì)變化、各采樣點(diǎn)絕對(duì)/相對(duì)誤差分布、發(fā)電預(yù)測(cè)預(yù)報(bào)準(zhǔn)確率和合格率的對(duì)比。以新疆東部某風(fēng)電場(chǎng)實(shí)測(cè)數(shù)據(jù)進(jìn)行算例驗(yàn)證分析，仿真結(jié)果表明，所建預(yù)測(cè)模型具有較高的精度。

關(guān)鍵詞：風(fēng)電功率；預(yù)測(cè)；徑向基代理模型；小生境遺傳算法；智能優(yōu)化

中圖分類號(hào)：TM614 " " " " 文獻(xiàn)標(biāo)志碼：A

DOI：10.19912/j.0254-0096.tynxb.2023-0615

文章編號(hào)：0254-0096（2024）08-0554-11

1. 新疆工程學(xué)院能源工程學(xué)院，烏魯木齊 830023；

2. 國(guó)網(wǎng)新疆電力有限公司超高壓分公司，烏魯木齊 830002；

3. 中國(guó)電力科學(xué)研究院有限公司可再生能源并網(wǎng)全國(guó)重點(diǎn)實(shí)驗(yàn)室，南京 210009

0 引 言

風(fēng)電出力自身固有的隨機(jī)、間歇、波動(dòng)特性與電網(wǎng)安全穩(wěn)定運(yùn)行對(duì)電源輸出功率的穩(wěn)定性要求是矛盾的，對(duì)電網(wǎng)運(yùn)行亦是有害的。這種矛盾帶來(lái)的棄風(fēng)率急劇升高等問(wèn)題也愈發(fā)突出。僅以新疆為例，2021年，全疆棄風(fēng)電量高達(dá)43.2億kWh，棄風(fēng)率為10.3%。系統(tǒng)中日益增加的大型風(fēng)力發(fā)電系統(tǒng)，對(duì)其并網(wǎng)電力系統(tǒng)的可靠性及穩(wěn)定性依然帶來(lái)很大的沖擊［1］，嚴(yán)重制約了風(fēng)電的大規(guī)模并網(wǎng)消納。隨著風(fēng)電裝機(jī)規(guī)模的逐漸增大，風(fēng)力發(fā)電凸顯出的“并網(wǎng)難”和“棄風(fēng)率高”等消納問(wèn)題愈演愈烈［2］。

輸出功率是衡量風(fēng)電場(chǎng)性能的重要參數(shù)之一［1，3］，是風(fēng)力發(fā)電及其并網(wǎng)過(guò)程的重要一環(huán)。影響輸出功率的因素諸多，影響機(jī)理交錯(cuò)復(fù)雜，致使其輸出具有不確定性，這給風(fēng)力發(fā)電預(yù)測(cè)帶來(lái)困難。高精度功率預(yù)測(cè)可賦予風(fēng)電在更大程度上被電網(wǎng)資產(chǎn)消納的優(yōu)勢(shì)，其影響在電力系統(tǒng)調(diào)度和運(yùn)行中愈發(fā)凸顯。當(dāng)前，風(fēng)電功率預(yù)測(cè)在平衡系統(tǒng)電力供應(yīng)和負(fù)荷需求之間發(fā)揮了至關(guān)重要的作用［3］；未來(lái)，風(fēng)電短期和超短期功率預(yù)測(cè)在現(xiàn)貨市場(chǎng)、輔助服務(wù)市場(chǎng)及備用市場(chǎng)中將發(fā)揮更大的作用，是風(fēng)電參與市場(chǎng)交易的重要支撐手段［3］。

所以，在風(fēng)電消納的研究中，如何綜合給定的電力系統(tǒng)運(yùn)行工況和系統(tǒng)資源狀況，研究得出行之有效的風(fēng)電消納預(yù)測(cè)方法，進(jìn)而卓有成效地提高電網(wǎng)對(duì)風(fēng)電的消納能力，解決因系統(tǒng)調(diào)峰困難和安全穩(wěn)定運(yùn)行而導(dǎo)致的風(fēng)電場(chǎng)大量棄風(fēng)，成為一個(gè)亟待研究的問(wèn)題。因此，亟需建立高精度的風(fēng)力發(fā)電輸出功率預(yù)測(cè)模型。

目前，風(fēng)電功率預(yù)測(cè)正處于由統(tǒng)計(jì)模型向深度學(xué)習(xí)模型過(guò)渡的階段，國(guó)內(nèi)外在風(fēng)電功率預(yù)測(cè)領(lǐng)域進(jìn)行了大量研究并取得了一定研究成果，這些成果多以按物理量分類、按數(shù)學(xué)模型分類、按輸入數(shù)據(jù)分類和按時(shí)間尺度分類中的某單一方法或糅合方法［4］為主來(lái)展開。文獻(xiàn)［5］針對(duì)前饋神經(jīng)網(wǎng)絡(luò)易陷入局部最優(yōu)而導(dǎo)致預(yù)測(cè)精度降低的問(wèn)題，提出一種自適應(yīng)樽海鞘算法（adaptive sea squirt algorithm，ASSA）優(yōu)化前饋（back propagation，BP）神經(jīng)網(wǎng)絡(luò)的風(fēng)光互補(bǔ)并網(wǎng)發(fā)電功率預(yù)測(cè)模型；文獻(xiàn)［6］在詳細(xì)分析影響制約風(fēng)功率預(yù)測(cè)因素的基礎(chǔ)上，建立人工神經(jīng)網(wǎng)絡(luò)結(jié)合風(fēng)力機(jī)分布物理模型的風(fēng)電功率預(yù)測(cè)方法；文獻(xiàn)［7］提出基于數(shù)值天氣預(yù)報(bào)（numerical weather prediction，NWP）和支持向量機(jī)（support vector machine，SVM）的風(fēng)電功率預(yù)測(cè)方法，通過(guò)優(yōu)化選取NWP的網(wǎng)格點(diǎn)、物理層面及其之上的物理量對(duì)預(yù)測(cè)模型進(jìn)行了簡(jiǎn)化，并分別采用NWP中包含的兩種模式通過(guò)試驗(yàn)比較研究NWP的空間分辨率對(duì)風(fēng)電功率預(yù)測(cè)精度的影響，有其新意；文獻(xiàn)［8］先利用BP網(wǎng)絡(luò)預(yù)測(cè)風(fēng)速，進(jìn)一步通過(guò)風(fēng)力機(jī)功率曲線擬合得到輸出功率；文獻(xiàn)［9］根據(jù)風(fēng)速-風(fēng)電轉(zhuǎn)換特性，基于多項(xiàng)式-線性回歸模型擬合風(fēng)電場(chǎng)風(fēng)速-功率曲線，構(gòu)建一種融合雙向門控循環(huán)單元的殘差網(wǎng)絡(luò)結(jié)構(gòu)，并據(jù)此提出一種數(shù)據(jù)-物理混合驅(qū)動(dòng)的超短期風(fēng)電功率預(yù)測(cè)方法；文獻(xiàn)［10］利用粒子群算法優(yōu)化神經(jīng)網(wǎng)絡(luò)內(nèi)部連接權(quán)值和閾值，對(duì)神經(jīng)網(wǎng)絡(luò)做了改進(jìn)，所建模型兼具粒子群和BP神經(jīng)模型的優(yōu)點(diǎn)；文獻(xiàn)［11］采用Bayes理論優(yōu)化傳統(tǒng)SVM損失函數(shù)，建立V-SVM 模型，提高了短期風(fēng)速預(yù)測(cè)的精度，但SVM參數(shù)的選取依賴經(jīng)驗(yàn)判斷，因此存在一定的隨意性；文獻(xiàn)［12-16］以LSTM神經(jīng)網(wǎng)絡(luò)為建模內(nèi)核，采用組合（糅合）策略，分別基于RCC-GRU［12］、IPSO-BiLSTM-AM［13］、QR-NFGLSTM［14］、EN-SKPCA降維與FPA優(yōu)化LSTMNN［15］、EMD-WOA-LSSVM［16］模型，對(duì)風(fēng)電功率進(jìn)行超短期時(shí)間尺度的預(yù)測(cè)，取得了較為理想的效果，但存在計(jì)算量大的問(wèn)題。

上述方法各具特色，各有可取之處，但這些研究卻部分存在以下3個(gè)方面不足：1）預(yù)測(cè)時(shí)間尺度有限。因預(yù)測(cè)模型一般不采用數(shù)值天氣預(yù)報(bào)數(shù)據(jù)［1-2］，對(duì)風(fēng)電功率預(yù)測(cè)的部分研究多限于使用觀測(cè)數(shù)據(jù)進(jìn)行數(shù)小時(shí)內(nèi)的超短期功率預(yù)測(cè)，因此預(yù)測(cè)時(shí)間尺度被限制在10 min～4 h范圍，更長(zhǎng)時(shí)效范圍功率的預(yù)測(cè)精度嚴(yán)重下降，有其局限性。2）以最近某時(shí)刻風(fēng)速值作為相鄰下一時(shí)刻風(fēng)速預(yù)測(cè)值的持續(xù)預(yù)測(cè)法和根據(jù)歷史風(fēng)速數(shù)據(jù)預(yù)測(cè)未來(lái)時(shí)段風(fēng)速的時(shí)間序列法這兩種方法，預(yù)測(cè)方式雖樸素直接，但較為粗糙，預(yù)測(cè)精度置信度不高［17］。氣象萬(wàn)千，瞬息即變，風(fēng)速做為一種氣象因素，其變化與大氣運(yùn)動(dòng)緊密相關(guān)，由大氣熱力學(xué)能量守恒定律、氣體實(shí)驗(yàn)定律和水汽守恒定律等客觀物理定律共同作用［18］，因此采用歷史數(shù)據(jù)預(yù)測(cè)將來(lái)趨勢(shì)的方法存在明顯的瑕疵和不足，模型的外推泛化能力較差［19］。3）考慮因素單一，未兼顧其他影響因素，真正意義上的風(fēng)電功率預(yù)測(cè)無(wú)法實(shí)現(xiàn)。風(fēng)速是影響風(fēng)電輸出功率的重要參數(shù)之一，除此之外，風(fēng)向、氣壓、風(fēng)力等級(jí)、溫度、濕度、經(jīng)緯度、地表粗糙度、風(fēng)力機(jī)尾流效應(yīng)等都對(duì)風(fēng)電場(chǎng)輸出功率有一定影響［20］，因此直接依據(jù)風(fēng)速與風(fēng)力機(jī)功率曲線的對(duì)應(yīng)數(shù)學(xué)關(guān)系來(lái)預(yù)測(cè)風(fēng)電功率輸出存在缺陷。

本文在上述研究的基礎(chǔ)上，基于“輸入優(yōu)化+模型優(yōu)化+誤差修正”理念，建立基于小生境遺傳算法與徑向基代理模型的短期（0～72 h）風(fēng)電功率預(yù)測(cè)模型。首先，基于罰函數(shù)和排擠機(jī)制的小生境技術(shù)對(duì)傳統(tǒng)基本遺傳算法進(jìn)行了改進(jìn)，以徑向基代理模型（radial basis function，RBF）作為建?；A(chǔ)，利用改進(jìn)后的遺傳算法以反傳誤差極小為目標(biāo)函數(shù)對(duì)RBF模型的連接權(quán)值進(jìn)行優(yōu)化，借助其尋優(yōu)能力來(lái)獲取最佳權(quán)值，以達(dá)成對(duì)RBF網(wǎng)絡(luò)的改進(jìn)和二次訓(xùn)練；然后，基于主導(dǎo)特征氣象因素，結(jié)合改進(jìn)的RBF模型最終建立N-SGA-RBF風(fēng)電出力預(yù)測(cè)模型，對(duì)風(fēng)電場(chǎng)連續(xù)3日0～72 h輸出功率進(jìn)行預(yù)測(cè)；最后，對(duì)基本BP模型、RBF模型及N-SGA-RBF模型進(jìn)行預(yù)測(cè)結(jié)果趨勢(shì)變化、各采樣點(diǎn)絕對(duì)/相對(duì)誤差分布的對(duì)比分析。以新疆某風(fēng)電場(chǎng)的實(shí)際數(shù)據(jù)進(jìn)行算例分析，驗(yàn)證所建模型的合理性與有效性。

1 小生境遺傳算法（N-SGA）

本文選用的小生境遺傳算法在完成選擇操作的過(guò)程中采用了排擠機(jī)制，并在約束條件的處理上采用罰函數(shù)法，由此構(gòu)成基于懲罰函數(shù)-排擠機(jī)制的小生境遺傳算法（niche-simple genetic algorithm，N-SGA），克服了傳統(tǒng)（基本）遺傳算法（SGA）與生俱來(lái)的易早熟收斂而陷入局部最優(yōu)［21-22］的固有缺陷，對(duì)其做了進(jìn)一步改進(jìn)，故而適用于高維較廣空間尋優(yōu)［23］。

1.1 懲罰函數(shù)

優(yōu)化問(wèn)題一般都受相關(guān)約束條件的限制，在構(gòu)造遺傳算法時(shí)，罰函數(shù)法是處理約束條件的最常用方法之一，設(shè)法對(duì)違背約束條件的個(gè)體施以懲罰，并將此懲罰效果體現(xiàn)在適應(yīng)度函數(shù)設(shè)計(jì)中［24］，這種處理方法的基本思想是：對(duì)在整個(gè)解空間中無(wú)對(duì)應(yīng)可行解的個(gè)體，在計(jì)算其適應(yīng)度時(shí)，施加一個(gè)罰函數(shù)來(lái)降低該個(gè)體的適應(yīng)度值，使該個(gè)體被遺傳到下一代群體中的機(jī)會(huì)減少，即用式（1）來(lái)對(duì)個(gè)體的適應(yīng)度進(jìn)行調(diào)整。

[f（x）=F（X）， X滿足約束條件F（X）-G（X）， X不滿足約束條件 ] （1）

式中：[f（x）]——考慮了罰函數(shù)后的新適應(yīng)度；[F（X）]——原適應(yīng)度；[G（X） ]——罰函數(shù)。

1.2 排擠機(jī)制

遺傳算法在種群個(gè)體選擇配對(duì)的過(guò)程中常用的排擠機(jī)制選擇策略的基本思想是：在資源、空間有限的生存環(huán)境中，各類不同的生物為了能繁衍生息壯大群體，他們之間就必須通過(guò)競(jìng)爭(zhēng)來(lái)爭(zhēng)奪數(shù)量有限的各種生存資源。故而，在算法中設(shè)置一個(gè)排擠因子CF（crowing factor），隨機(jī)選取種群中數(shù)目為1/CF的（一般取CF=2或3）個(gè)體組成一個(gè)新的小群體，然后依據(jù)每代新產(chǎn)生的個(gè)體與排擠成員的相似性來(lái)排擠一些與預(yù)排擠成員相類似的個(gè)體。個(gè)體之間的相似性常采用個(gè)體編碼之間的海明（Hamming）或歐式距離來(lái)度量。隨著排擠過(guò)程的持續(xù)進(jìn)行，群體中的個(gè)體逐漸被分類，從而形成一個(gè)個(gè)小的生存環(huán)境，并維持群體的多樣性。

上述罰函數(shù)-排擠機(jī)制小生境遺傳算法的具體實(shí)現(xiàn)過(guò)程如下：

l）設(shè)定種群規(guī)模G、交叉概率[Pc]和變異概率[Pm]、最大迭代次數(shù)[T]等初始參數(shù)，并確定編碼方式。隨機(jī)生成[M]個(gè)初始個(gè)體組成初始群體[P（t）]，并求出各個(gè)個(gè)體的適應(yīng)度[Fi（i=1，2，…， M）]。

2）對(duì)種群個(gè)體適應(yīng)度按降序排列，并記憶前[N]個(gè)個(gè)體[（Nlt;M）]。

3）進(jìn)行比例選擇、單點(diǎn)交叉、基本位（均勻）變異遺傳操作。

4）小生境淘汰運(yùn)算：將第3）步所得的[M]個(gè)個(gè)體和第2）步所記憶的[N]個(gè)個(gè)體合為一體，組成一個(gè)個(gè)體數(shù)量為[M+N]的新群體，并求出其中每?jī)蓚€(gè)個(gè)體[Xi]和[Xj]之間的海明（Hamming）或歐氏距離[dij]：

[dij=Xi-Xj=k=1M（Xik-Xjk）2i=1，2，…，M+N-1;j=i+1，…，M+N] （2）

當(dāng)[Xi-Xjlt;l]時(shí)，比較[Xi]和[Xj]的適應(yīng)度大小，并對(duì)其中適應(yīng)度較低的個(gè)體處以罰函數(shù)：

[Fmin（Xi，Xj）=G（X）] （3）

5）與第2）步相同，對(duì)[M+N]個(gè)個(gè)體的新適應(yīng)度按降序排列，再記憶前[N]個(gè)個(gè)體。

6）終止條件判斷：若不滿足終止條件，則將第5）步降序序列中的前[M]個(gè)個(gè)體作為新的下一代群體，然后轉(zhuǎn)到第3）步；反之，則輸出計(jì)算結(jié)果，算法結(jié)束。

2 徑向基代理模型（RBF）

結(jié)構(gòu)簡(jiǎn)單、擬合精度較佳、魯棒性和穩(wěn)定性較強(qiáng)［24］的RBF代理模型，適用于解決復(fù)雜的高維非線性問(wèn)題［3，7］，可用于改善風(fēng)電功率預(yù)測(cè)過(guò)程中影響參數(shù)過(guò)多、計(jì)算量過(guò)大和不確定度較大等情況［6，25］。

RBF代理模型的數(shù)學(xué)表達(dá)式為：

[y（x）=i=1nωiφx-xi=i=1nωiφi] （4）

式中：[n]——樣本點(diǎn)數(shù)量；[ωi]——權(quán)重系數(shù)；[φ]——核函數(shù)；[x-xi]——待測(cè)點(diǎn)[x]與樣本點(diǎn)[xi]之間的歐式距離［1，14］。

RBF代理模型構(gòu)建的關(guān)鍵在于核函數(shù)的選取，常用RBF核函數(shù)有線性函數(shù)、高斯函數(shù)、多項(xiàng)式函數(shù)、樣條函數(shù)、多二次函數(shù)和逆多二次函數(shù)［1］等，本文選用經(jīng)典的高斯函數(shù)作為核函數(shù)構(gòu)建RBF代理模型。

[φ（x，xi）=exp-x-xi2/2σ2i] （5）

式中：[σi]——第[i]個(gè)樣本的散布常數(shù)。

[σ]是影響RBF擬合效果的關(guān)鍵，為得到最優(yōu)散布常數(shù)值，本文引用均方根誤差（root mean square error，RMSE）[ηRMSE]作為判斷代理模型擬合精度的依據(jù)，采用標(biāo)準(zhǔn)K折交叉驗(yàn)證法［26］計(jì)算[ηRMSE]值，以篩選最優(yōu)散布常數(shù)。

[ηRMSE=1Yj=1Y（yj-yj）] （6）

式中：[yj]——校驗(yàn)點(diǎn)的實(shí)際值；[yj]——校驗(yàn)點(diǎn)的RBF代理模型預(yù)測(cè)值；[Y]——校驗(yàn)點(diǎn)數(shù)量。

2.1 RBF代理模型構(gòu)建

RBF代理模型實(shí)際構(gòu)建流程如圖1所示，主要包括權(quán)重系數(shù)的計(jì)算［3］和核函數(shù)的構(gòu)建。其中核函數(shù)的構(gòu)建主要包含核函數(shù)的選取與最優(yōu)散布常數(shù)的計(jì)算［7，11］。為盡量降低RBF代理模型的擬合誤差、提高模型的預(yù)測(cè)精度，在模型構(gòu)建前分別對(duì)核函數(shù)與散布常數(shù)進(jìn)行最優(yōu)選取與計(jì)算。

3 N-SGA-RBF風(fēng)電功率預(yù)測(cè)模型的建立

本文利用N-SGA改進(jìn)優(yōu)化RBF代理模型的基本思想，如圖2所示；其算法流程，如圖3所示。其具體步驟如下：

1）初始化RBF結(jié)構(gòu)及參數(shù)。須初始化的基本參數(shù)有：訓(xùn)練輸入為[X=[x1， x2，…， xp]T]，實(shí)際輸出為[Y=[y1，y2，…，yq]T]，期望輸出為[Z=[z1， z2，…， zq]T]；學(xué)習(xí)訓(xùn)練中要更新的權(quán)值向量的初值為[W=[w1， w2，…， wq]T]，隱含層節(jié)點(diǎn)的基函數(shù)中心參數(shù)的初值為[C=[c1， c2，…， cN]T]；標(biāo)準(zhǔn)差[σk]表達(dá)式為：

[σk=ck2r] （7）

式中：[ck]——隱含層第[k]個(gè)神經(jīng)元中心；[r]——隱層節(jié)點(diǎn)數(shù)目。

2）計(jì)算隱層第[k]個(gè)節(jié)點(diǎn)的輸出值：

[φk=（xi，ck）=φk（xi-ck）=exp-12σ2kxi-ck2i=1，2，…，q] （8）

式中：[φk=（xi， ck）]——RBF模型核函數(shù)；[Ck=[ck1， ck2，…， ckm]]——中間層第[k]個(gè)節(jié)點(diǎn)對(duì)應(yīng)于輸入層所有節(jié)點(diǎn)的中心分量構(gòu)成的向量；[σk]——中間層第[k]個(gè)節(jié)點(diǎn)的標(biāo)準(zhǔn)差。

3）計(jì)算RBF輸出[Y=[y1，y2，…，yq]T]：

[yij=k=1N（xi，ck）=k=1Nωijexp-12σ2kxi-ck2j=1，2，…，q] （9）

4） 最后進(jìn)行權(quán)重參數(shù)的迭代計(jì)算，獲得最優(yōu)學(xué)習(xí)策略。

本文根據(jù)上述N-SGA改進(jìn)優(yōu)化RBF代理模型的步驟所建的預(yù)測(cè)結(jié)構(gòu)，如圖4所示。更進(jìn)一步地，基于NWP（數(shù)值天氣預(yù)報(bào)）的N-SGA-RBF模型的風(fēng)電功率預(yù)測(cè)流程，如圖5所示。

4 算例介紹、仿真與分析

4.1 算例介紹

本文以新疆東部某風(fēng)電場(chǎng)作為研究對(duì)象，其容量為150 MW，單臺(tái)機(jī)組的額定功率為1.5 MW，機(jī)型為雙饋?zhàn)兯亠L(fēng)力發(fā)電機(jī)，且切入風(fēng)速[vi]、額定風(fēng)速[vr]和切出風(fēng)速[vo]分別為4、15和22 m/s。

采用2022年11月1日—12月21日共計(jì)51組（d）樣本數(shù)據(jù)，前40組作為訓(xùn)練樣本集，后11組作為檢驗(yàn)集，以驗(yàn)證網(wǎng)絡(luò)的訓(xùn)練效果。為保證遺傳算法全局收斂并搜索得到最優(yōu)解，本算例中遺傳控制參數(shù)種群規(guī)模[G]為50，選擇概率[Ps]為0.75，交叉概率[Pc]為0.5，變異概率[Pm]為0.001，網(wǎng)絡(luò)終止條件為反傳誤差[ε≤0.001]。本文所采用改進(jìn)RBF預(yù)測(cè)模型（圖4）的輸入變量見表1，輸出變量為00：00—24：00每隔10 min功率輸出值，共145個(gè)?，F(xiàn)根據(jù)該風(fēng)電場(chǎng)測(cè)風(fēng)塔和SCADA采集的氣象數(shù)據(jù)，擬對(duì)該年12月22—24日未來(lái)3天風(fēng)電場(chǎng)出力進(jìn)行預(yù)測(cè)。

4.2 算例仿真與分析

4.2.1 3種預(yù)測(cè)模型0～72 h預(yù)測(cè)結(jié)果對(duì)比與分析

依照表1所列預(yù)測(cè)模型變量輸入類別，將該風(fēng)電場(chǎng)某年12月22—24日NWP預(yù)測(cè)所得平均風(fēng)速、風(fēng)向、溫度、氣壓和濕度等信息分別輸入訓(xùn)練好的BP、RBF和N-SGA-RBF這3種預(yù)測(cè)模型，對(duì)未來(lái)3日0～72 h輸出功率進(jìn)行預(yù)測(cè)，并與實(shí)測(cè)數(shù)值比較，考證其預(yù)測(cè)誤差。通過(guò)Matlab仿真訓(xùn)練，3種模型的平均迭代運(yùn)算次數(shù)結(jié)果對(duì)比表明：N-SGA-RBF顯著提高了預(yù)測(cè)模型的收斂速度。

為驗(yàn)證本文所提基于罰函數(shù)-排擠機(jī)制小生境遺傳算法改進(jìn)RBF的N-SGA-RBF風(fēng)電功率預(yù)測(cè)模型的可靠性和有效性，將該模型的預(yù)測(cè)結(jié)果和預(yù)測(cè)精度同時(shí)與RBF模型、BP神經(jīng)網(wǎng)絡(luò)模型以及實(shí)際風(fēng)電出力進(jìn)行對(duì)比。為響應(yīng)國(guó)網(wǎng)《風(fēng)電功率預(yù)報(bào)與電網(wǎng)協(xié)調(diào)運(yùn)行實(shí)施細(xì)則（試行）》規(guī)定的風(fēng)電場(chǎng)要具備“次日0時(shí)至未來(lái)72小時(shí)的功率預(yù)測(cè)”的要求，本文的算例驗(yàn)證分析中，利用上述方法分別進(jìn)行了0～24 h、0～48 h和0～72 h的風(fēng)電功率預(yù)測(cè)，并與《風(fēng)電場(chǎng)功率預(yù)測(cè)預(yù)報(bào)管理暫行辦法》規(guī)定的并網(wǎng)風(fēng)電場(chǎng)風(fēng)電功率預(yù)測(cè)誤差所要滿足的要求做了對(duì)照。

本文中，12月22—24日連續(xù)0～24 h、0～48 h和0～72 h的BP模型、RBF模型和N-SGA-RBF模型的預(yù)測(cè)值以及對(duì)應(yīng)的風(fēng)電實(shí)際出力值4條數(shù)值曲線分別如圖6a～圖6c所示。

通過(guò)對(duì)比圖6a～圖6c，觀察其4條曲線在每日、連續(xù)兩日和連續(xù)3日的波動(dòng)變化趨勢(shì)，并加以分析總結(jié)，本文可得出一個(gè)一般性結(jié)論：不斷加以改進(jìn)完善的預(yù)測(cè)模型，雖有其理論復(fù)雜性，但其處理問(wèn)題的細(xì)致縝密程度更高，得到的結(jié)果也更為科學(xué)精準(zhǔn)。N-SGA-RBF預(yù)測(cè)模型就強(qiáng)有力地支撐了這一結(jié)論。

上述結(jié)論的得出，跟各模型的預(yù)測(cè)性能緊密相關(guān)，是有其內(nèi)在科學(xué)依據(jù)的。BP神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)結(jié)果，其走勢(shì)大體上能跟蹤實(shí)際功率的變化趨勢(shì)，但其算法本質(zhì)——梯度下降法必然會(huì)出現(xiàn)“鋸齒形現(xiàn)象”的固有缺陷導(dǎo)致大部分區(qū)間段（約60%）出現(xiàn)較大幅度偏離，僅有少數(shù)區(qū)段能逼近實(shí)測(cè)曲線，其整體預(yù)測(cè)偏差較大，可信度低，可靠性差，本文將BP神經(jīng)網(wǎng)絡(luò)模型的這種預(yù)測(cè)效果評(píng)價(jià)為“輪廓效應(yīng)”。

除BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型外，另外兩種預(yù)測(cè)模型——RBF和N-SGA-RBF模型在預(yù)測(cè)的準(zhǔn)確程度上有明顯地大幅度提高，均能在絕大多數(shù)區(qū)域較為準(zhǔn)確地追蹤和逼近實(shí)測(cè)曲線，甚至在某些區(qū)域基本與實(shí)測(cè)曲線吻合，尤其是N-SGA-RBF預(yù)測(cè)模型，較為精準(zhǔn)地模擬了實(shí)際運(yùn)行場(chǎng)景，最大程度再現(xiàn)和還原了真實(shí)工況。當(dāng)然，這跟短期數(shù)值氣象預(yù)報(bào)（NWP）的高精度預(yù)測(cè)效果是密不可分的。但也在少數(shù)區(qū)域出現(xiàn)了反常偏離，造成這種偏離的原因眾多，根本原因有二：1）與遺傳算法與生俱來(lái)的先天缺陷有關(guān)，因無(wú)法克服基因漂移而引起；2）為數(shù)值氣象預(yù)報(bào)（NWP）與風(fēng)電場(chǎng)實(shí)際風(fēng)況出現(xiàn)偏差而引起。關(guān)于反常偏離這一部分的原因分析，后文結(jié)合具體實(shí)例有詳細(xì)論述，此處不多贅述。

現(xiàn)將圖6c中BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)曲線刪除，將剩余3條曲線分解為第1日（22日）0～24 h、第2日（23日）25～48 h和第3日（24日）49～72 h共3日預(yù)測(cè)子圖，分別如圖7～圖9所示，來(lái)分析論述基于NWP數(shù)值氣象預(yù)報(bào)和N-SGA-RBF的短期風(fēng)電功率預(yù)測(cè)模型在次日、未來(lái)2天和未來(lái)3天中的預(yù)測(cè)效果。此舉目的在于：一，可更為清晰細(xì)微地分辨兩種模型在每一日對(duì)風(fēng)電場(chǎng)實(shí)測(cè)出力的吻合逼近程度，可對(duì)其預(yù)測(cè)效果做出明確判定；二，對(duì)某些關(guān)鍵時(shí)段和關(guān)鍵點(diǎn)可準(zhǔn)確定位，以便于對(duì)其進(jìn)行定量定性分析，得出實(shí)質(zhì)結(jié)論。

1）在第1日（22日，0～24 h）風(fēng)電功率的預(yù)測(cè)中（圖7），RBF和N-SGA-RBF預(yù)測(cè)模型在整體上都能緊密跟蹤實(shí)測(cè)風(fēng)電出力曲線的波動(dòng)變化趨勢(shì)，兩者對(duì)未來(lái)24 h的預(yù)測(cè)效果整體令人滿意。但通過(guò)進(jìn)一步細(xì)致觀察，不難發(fā)現(xiàn)，較之RBF預(yù)測(cè)模型，N-SGA-RBF預(yù)測(cè)模型則更能在峰谷等風(fēng)電出力變化劇烈的“陡峭”時(shí)段較為精準(zhǔn)地緊密跟蹤實(shí)際變化趨勢(shì)，平均相對(duì)誤差僅為5.47%，其預(yù)測(cè)效果可與超短期預(yù)測(cè)效果相媲美。

然而，RBF模型卻在某些時(shí)段出現(xiàn)了如圖7所標(biāo)識(shí)的“背離區(qū)”和“斷層區(qū)”。具體地，在“背離區(qū)”，RBF預(yù)測(cè)值與實(shí)測(cè)值出現(xiàn)了反向背離現(xiàn)象，一者走勢(shì)呈現(xiàn)為“高原”，而另一者走勢(shì)則呈現(xiàn)為“盆地”，在某些時(shí)刻，這種偏差可高達(dá)30 MW，誤差為57.32%。RBF模型之所以造成這種變化的原因，可藉其算法所蘊(yùn)含的數(shù)學(xué)原理本質(zhì)——梯度下降法［1］所導(dǎo)致的必然會(huì)出現(xiàn)的“鋸齒形現(xiàn)象”以合理解釋。而在“斷層區(qū)”，其變化又呈現(xiàn)為RBF曲線始終與實(shí)測(cè)曲線以近乎等間距保持并行變化態(tài)勢(shì)，間距較大，且持續(xù)時(shí)段較長(zhǎng)（約為400 min）。

2）在第2日（23日，25～48 h）風(fēng)電功率的預(yù)測(cè)中（圖8），整體上，N-SGA-RBF預(yù)測(cè)模型依舊能較為緊密地跟蹤實(shí)測(cè)風(fēng)電出力曲線的波動(dòng)變化趨勢(shì)，而RBF預(yù)測(cè)模型大體趨同，但在后期某些時(shí)段出現(xiàn)不同程度的偏離分散，跟實(shí)際變化趨勢(shì)的吻合程度大大降低。通過(guò)觀察3條曲線走勢(shì)變化和關(guān)鍵時(shí)段波動(dòng)情況，本文將該日切分為前后兩個(gè)時(shí)段，即Ⅰ段和Ⅱ段，此兩段分別約為11 h和13 h。

在Ⅰ段（即前半段），N-SGA-RBF預(yù)測(cè)模型保持了第1日0～24 h的預(yù)測(cè)效果，依然能緊密跟蹤實(shí)際變化趨勢(shì)，RBF預(yù)測(cè)模型則大體上能與實(shí)測(cè)曲線變化保持“趨同”；在Ⅱ段（即后半段），如圖8中標(biāo)識(shí)所示，N-SGA-RBF預(yù)測(cè)模型在局部較短時(shí)段出現(xiàn)了類似第1日（0～24 h）出現(xiàn)的“背離區(qū)”現(xiàn)象；在個(gè)別時(shí)刻出現(xiàn)了突變點(diǎn)，這些點(diǎn)偏離幅值較大，異常于其鄰近范圍內(nèi)的其他點(diǎn)；并且在局部時(shí)間段（約為1 h）出現(xiàn)了跟突變點(diǎn)性質(zhì)相同的突變區(qū)（域），其表現(xiàn)為實(shí)測(cè)值急劇下降，直逼零值。經(jīng)分析，本文認(rèn)為造成這一突變的原因很可能是：SCADA系統(tǒng)采集到的該段數(shù)據(jù)出現(xiàn)了失真問(wèn)題而造成的。同樣地，在Ⅱ段，RBF預(yù)測(cè)模型預(yù)測(cè)數(shù)值則與實(shí)測(cè)曲線變化趨勢(shì)嚴(yán)重脫離，出現(xiàn)了“裂分漂散”現(xiàn)象，這種現(xiàn)象在Ⅱ段后期表現(xiàn)得尤為明顯。經(jīng)多次反復(fù)試驗(yàn)，此類問(wèn)題依然頑固性地存在。

3）在第3日（24日，49～72 h）風(fēng)電功率的預(yù)測(cè)中（圖9），從預(yù)測(cè)曲線波動(dòng)變化來(lái)看，N-SGA-RBF預(yù)測(cè)模型能緊密跟蹤實(shí)測(cè)曲線的變化趨勢(shì)，RBF預(yù)測(cè)模型則能基本跟蹤，但某些局部時(shí)段與實(shí)際趨勢(shì)大相徑庭，其變化無(wú)規(guī)律性可尋，亦無(wú)關(guān)聯(lián)性可言。

特別地，在圖9中，風(fēng)電場(chǎng)出現(xiàn)了一段長(zhǎng)達(dá)2.5 h的零功率輸出狀態(tài)，而兩種預(yù)測(cè)模型N-SGA-RBF和RBF在該段區(qū)域卻預(yù)測(cè)有一定輸出，通過(guò)觀察發(fā)現(xiàn)：3條曲線在數(shù)值上雖兩兩偏離，但其并行向前，走勢(shì)平緩，相鄰時(shí)刻出力都平穩(wěn)相近，無(wú)明顯劇烈波動(dòng)；加之實(shí)測(cè)出力在連續(xù)較長(zhǎng)時(shí)間內(nèi)出力為零，表明風(fēng)力機(jī)葉片未動(dòng)。所以，不難推測(cè)，出現(xiàn)這種局面的原因毫無(wú)疑問(wèn)應(yīng)該是：實(shí)際風(fēng)速失速低于預(yù)測(cè)風(fēng)速且低于風(fēng)機(jī)切入風(fēng)速（4 m/s）而造成的“有風(fēng)無(wú)電”困局。

通過(guò)比照數(shù)值氣象預(yù)報(bào)預(yù)測(cè)風(fēng)速和測(cè)風(fēng)塔實(shí)測(cè)風(fēng)速，發(fā)現(xiàn)前者風(fēng)速變化范圍為5～7 m/s，后者風(fēng)速變化范圍為3～4 m/s，有力論證了前述推測(cè)。所以，本文將預(yù)測(cè)風(fēng)速和實(shí)際風(fēng)速兩者在切入風(fēng)速基準(zhǔn)線附近較窄范圍內(nèi)互相過(guò)渡漸變而導(dǎo)致風(fēng)電出力或有或無(wú)的區(qū)域，稱之為“風(fēng)速失速區(qū)”或“風(fēng)速過(guò)渡帶”。進(jìn)一步仔細(xì)觀察該段區(qū)域內(nèi)N-SGA-RBF和RBF預(yù)測(cè)值波動(dòng)變化，可發(fā)現(xiàn)：兩者雖在該段區(qū)域內(nèi)出力平緩，但較之N-SGA-RBF預(yù)測(cè)值的頻繁小幅波動(dòng)，RBF預(yù)測(cè)值則近乎持續(xù)保持平穩(wěn)平滑態(tài)勢(shì)，甚至在緊鄰該段的后續(xù)一段時(shí)間域內(nèi)，這種態(tài)勢(shì)依然得以延續(xù)。出現(xiàn)這種情況的原因可能是因?yàn)镽BF自身存在的“麻痹現(xiàn)象”。

在第3日后半段中，RBF模型的預(yù)測(cè)效果“重蹈”了前文所述BP模型的“覆轍”，完全不能準(zhǔn)確地跟蹤實(shí)際變化，同樣產(chǎn)生了前文所述的“輪廓效應(yīng)”。而對(duì)于N-SGA-RBF預(yù)測(cè)模型在該段時(shí)域的某些時(shí)刻也產(chǎn)生了功率突變點(diǎn)或突變域，如圖9中橢圓形標(biāo)識(shí)所示；同樣地，在該段時(shí)段中某局部區(qū)域（圖9中第390時(shí)刻點(diǎn)周邊約1 h范圍狹窄區(qū)），N-SGA-RBF預(yù)測(cè)曲線變化趨勢(shì)與實(shí)測(cè)曲線保持了一致，但實(shí)測(cè)值在該局部區(qū)域驟然急劇抬升，出現(xiàn)了極為少見的陡峭“尖峰”，致使兩者在這一范圍內(nèi)各時(shí)刻的風(fēng)電出力值相差甚遠(yuǎn)，偏差高達(dá)40 MW，誤差為62.16%。引起這一突變的根本原因很可能是：風(fēng)電場(chǎng)外部環(huán)境中非可預(yù)見因素導(dǎo)致的急劇變化增強(qiáng)了風(fēng)電場(chǎng)的非線性特性所致。

4.2.2 預(yù)測(cè)結(jié)果誤差對(duì)比與分析

為做量化和定性分析，現(xiàn)結(jié)合各采樣時(shí)刻具體數(shù)值對(duì)3種模型的預(yù)測(cè)誤差進(jìn)行計(jì)算并對(duì)比各模型的預(yù)測(cè)精度和預(yù)測(cè)效果。鑒于篇幅所限，本文僅給出了如表2所列的N-SGA-RBF、RBF、BP這3種模型預(yù)測(cè)結(jié)果和實(shí)測(cè)結(jié)果在12月22—24日每天等時(shí)間間隔（6 h）4個(gè)采樣時(shí)刻的12個(gè)對(duì)比結(jié)果。從表2中可看出，不論是整體預(yù)測(cè)效果，還是各個(gè)時(shí)刻點(diǎn)預(yù)測(cè)效果，BP、RBF和N-SGA-RBF這3種預(yù)測(cè)模型對(duì)實(shí)際值結(jié)果的逼近依次提高，預(yù)測(cè)精度梯度上升。

本文選用的預(yù)測(cè)日22—24日3天在以10 min為采樣時(shí)間分辨率的各時(shí)刻下N-SGA-RBF和RBF兩種模型預(yù)測(cè)值與實(shí)際值之間的絕對(duì)誤差分布，如圖10a所示。此處對(duì)比略去了BP模型預(yù)測(cè)值與實(shí)際值的絕對(duì)誤差分布，其原因在于，BP預(yù)測(cè)模型預(yù)測(cè)結(jié)果分散，跟實(shí)測(cè)值偏差太大，預(yù)測(cè)精度差，結(jié)果的可信度很低，跟前面兩種模型無(wú)比較性可言，不在比較之列，故省略。

從圖10a中可看出，兩種模型的絕對(duì)誤差分布無(wú)規(guī)律可循，隨機(jī)而離散。就絕對(duì)誤差值的波動(dòng)幅度來(lái)講，除個(gè)別時(shí)刻和局部時(shí)段外，RBF的絕對(duì)誤差幅值整體上普遍高于N-SGA-RBF。就每一單個(gè)日絕對(duì)誤差分布而言，22日N-SGA-RBF預(yù)測(cè)模型有8.27%的點(diǎn)絕對(duì)誤差處在10～17 MW之間，13.1%的點(diǎn)絕對(duì)誤差處在5～10 MW之間，剩余78.63%的點(diǎn)絕對(duì)誤差lt;5 MW；在22日同一天，RBF預(yù)測(cè)模型點(diǎn)絕對(duì)誤差處在10～17 MW之間的就有29.6%，超出N-SGA-RBF模型21.39%；24.8%的點(diǎn)絕對(duì)誤差處在5～10 MW之間，超過(guò)N-SGA-RBF模型11.7%；還有13.7%的點(diǎn)絕對(duì)誤差處在17～25 MW之間；剩余不足31.9%的點(diǎn)絕對(duì)誤差lt;5 MW。到了23日和24日，由于特殊時(shí)刻和局部時(shí)段出現(xiàn)突變點(diǎn)緣故，上述各絕對(duì)誤差區(qū)間上下限值范圍都有不同程度的擴(kuò)大。

與圖10a緊密相關(guān)，圖10b給出了0～72 h N-SGA-RBF和RBF兩種預(yù)測(cè)模型下各時(shí)刻點(diǎn)相對(duì)誤差的分布。從圖10b中可看出，兩種改進(jìn)的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型中預(yù)測(cè)性能最優(yōu)的N-SGA-RBF模型，其在第1、第2日（22日、23日）的預(yù)測(cè)誤差基本分布在如圖10b中所標(biāo)識(shí)的[-0.2～0.2]的條形誤差帶內(nèi)；而在這兩日內(nèi)，RBF模型約有65%的點(diǎn)分布在[-0.2～0.2]的條形誤差帶內(nèi)，約35%的點(diǎn)分布在0.2～0.5的誤差帶內(nèi)；極個(gè)別點(diǎn)分布在0.5外。第1日（22日）0～24h的145個(gè)預(yù)測(cè)點(diǎn)中僅有9點(diǎn)“逃逸”出了[-0.2～0.2]的條形誤差帶，處在誤差帶的點(diǎn)占比為93.79%。以N-SGA-RBF預(yù)測(cè)模型為研究重點(diǎn)，通過(guò)進(jìn)一步統(tǒng)計(jì)分析其平均相對(duì)誤差序列的概率分布，該誤差基本上服從高斯（Gauss）分布，亦即正態(tài)分布。

綜上，造成上述絕對(duì)誤差以及相對(duì)誤差分布狀況的原因主要是由于遺傳算法在優(yōu)化網(wǎng)絡(luò)權(quán)值優(yōu)化神經(jīng)網(wǎng)絡(luò)的過(guò)程中，個(gè)體染色體出現(xiàn)了早熟［27］而造成的預(yù)測(cè)趨勢(shì)偏離和某些局部時(shí)段外界條件的急劇變化導(dǎo)致的風(fēng)電場(chǎng)非線性特性所致。

為驗(yàn)證具有較高功率預(yù)測(cè)精度的N-SGA-RBF模型和RBF模型的可靠性和預(yù)測(cè)精度，本文分別采用兩種方法進(jìn)行試驗(yàn)，利用0～24 h每10分鐘一個(gè)采樣點(diǎn)得到的145點(diǎn)，采用每日平均相對(duì)誤差百分比［28-29］（daily mean relative percentage error，DMRPE）[ηDMRPE]和均方根誤差［28-29］（root mean square error，RMSE）[ηRMSE]對(duì)發(fā)電功率預(yù)測(cè)結(jié)果評(píng)估。DMRPE用來(lái)評(píng)估風(fēng)力發(fā)電系統(tǒng)的整體預(yù)測(cè)能力，RMSE用來(lái)評(píng)估風(fēng)電場(chǎng)功率預(yù)測(cè)值的離散程度。

[ηDMRPE=1145i=1145Pfi-PactiPacti×100%] （10）

[ηRMSE=1Pi=1145（Pfi-Pacti）2145×100%] （11）

式中：[Pfi]、[Pacti]——預(yù)測(cè)修正及實(shí)際的發(fā)電功率；[P]——風(fēng)電場(chǎng)額定裝機(jī)容量。

通過(guò)計(jì)算，表3給出了兩者在DMREP和RMSE上的誤差對(duì)比。由表3對(duì)比分析可知，N-SGA-RBF模型的預(yù)測(cè)精度明顯優(yōu)于RBF模型，預(yù)測(cè)效果顯著。

進(jìn)一步地，在N-SGA-RBF模型下，如果將預(yù)測(cè)誤差落在[Δηj]內(nèi)的概率記為[Pj]，則[Pj]可用式（12）來(lái)計(jì)算。

[Pj=PpiPpi+Δηj12πσ·exp-η22σ2·dη] （12）

由式（12）計(jì)算可得誤差在[ηDMRPE≤12.26%]內(nèi)的概率為0.9477，大于12.26%的概率僅為0.0523。由此可見，兩種性能較為優(yōu)越的風(fēng)電功率預(yù)測(cè)模型中，N-SGA-RBF混合模型的預(yù)測(cè)結(jié)果置信度更高，預(yù)測(cè)方法更為可靠有效，可作為首選預(yù)測(cè)模型。

除上述兩個(gè)衡量指標(biāo)外，本文還提出檢驗(yàn)所建兩種預(yù)測(cè)模型預(yù)測(cè)效果的另外兩個(gè)考核指標(biāo)，即風(fēng)電場(chǎng)發(fā)電預(yù)測(cè)預(yù)報(bào)準(zhǔn)確率和合格率，其計(jì)算式分別如式（13）和式（14）所示。

1）預(yù)報(bào)準(zhǔn)確率

[r1=1-1Tk=1TPmk-PpkC2×100%] （13）

式中：[r1]——預(yù)測(cè)計(jì)劃曲線準(zhǔn)確率；[Pmk]——[k]時(shí)段的實(shí)際平均功率；[Ppk]——k時(shí)段的預(yù)測(cè)平均功率；[T]——日考核總時(shí)段數(shù)（本文取145點(diǎn)減去免考核點(diǎn)數(shù)）；[C]——風(fēng)電場(chǎng)開機(jī)容量。

本文將0～24 h中各采樣時(shí)刻預(yù)測(cè)值與實(shí)際值絕對(duì)誤差較大，平均絕對(duì)誤差分布在誤差帶-0.5～0.5之外的那些點(diǎn)歸為免考核點(diǎn)。

2）預(yù)報(bào)合格率

[r2=1Zk=1ZBk×100%] （14）

式（14）中，當(dāng)[1-Pmk-PpkC×100%≥75%]時(shí)，[Bk=1]；當(dāng)[1-Pmk-PpkC×100%lt;75%]時(shí)，[Bk=0]。

通過(guò)計(jì)算，N-SGA-RBF的預(yù)測(cè)預(yù)報(bào)準(zhǔn)確率為94.17%，預(yù)報(bào)合格率為88.25%；而RBF模型的預(yù)測(cè)預(yù)報(bào)準(zhǔn)確率僅為85.62%，預(yù)報(bào)合格率為76.13%。

5 結(jié) 論

本文基于“輸入優(yōu)化+模型優(yōu)化+誤差修正”優(yōu)化思想，基于主導(dǎo)特征氣象因素、RBF代理模型和N-SGA尋優(yōu)方法，構(gòu)建了短期（0～72 h）風(fēng)電預(yù)測(cè)模型，拓寬了以超短期預(yù)測(cè)為研究主流的時(shí)間尺度，得出的主要研究結(jié)論如下：

1）較之BP、RBF模型，N-SAG-BRF模型擬合精度較佳、魯棒性和穩(wěn)定性較強(qiáng)，達(dá)到了改善風(fēng)電功率預(yù)測(cè)過(guò)程中影響參數(shù)過(guò)多、計(jì)算量過(guò)大和不確定度較大的初步效果。

2）基于主導(dǎo)特征氣象因素、RBF代理模型和N-SGA尋優(yōu)的多環(huán)節(jié)組合預(yù)測(cè)模型，更好地模擬了現(xiàn)場(chǎng)風(fēng)電場(chǎng)的實(shí)際情況，在非突變天氣的功率預(yù)測(cè)中該方法可靠有效，可有效提升預(yù)測(cè)精度。

在后續(xù)研究中，擬根據(jù)各主導(dǎo)特征氣象因素對(duì)風(fēng)電功率預(yù)測(cè)結(jié)果貢獻(xiàn)程度或影響程度的大小，加以賦權(quán)，對(duì)預(yù)測(cè)模型輸入量做進(jìn)一步優(yōu)化，以期降低算法時(shí)間復(fù)雜度和計(jì)算量。同時(shí)，關(guān)注信號(hào)處理方法的最新研究進(jìn)展，尋找能分解出給定時(shí)限區(qū)間內(nèi)具有穩(wěn)定性信號(hào)頻譜的方法，挖掘數(shù)據(jù)的規(guī)律性和準(zhǔn)確性，才能進(jìn)階提高預(yù)測(cè)精度。

［參考文獻(xiàn)］

［1］ 冉靖， 張智剛， 梁志峰， 等. 風(fēng)電場(chǎng)風(fēng)速和發(fā)電功率預(yù)測(cè)方法綜述［J］. 數(shù)理統(tǒng)計(jì)與管理， 2020， 39（6）： 1045-1059.

RAN J， ZHANG Z G， LIANG Z F， et al. Review of wind speed and wind power prediction methods［J］. Journal of applied statistics and management， 2020， 39（6）： 1045-1059.

［2］ 武煜昊， 王永生， 徐昊， 等. 風(fēng)電輸出功率預(yù)測(cè)技術(shù)研究綜述［J］. 計(jì)算機(jī)科學(xué)與探索， 2022， 16（12）： 2653-2677.

WU Y H， WANG Y S， XU H， et al. Survey of wind power output power forecasting technology［J］. Journal of frontiers of computer science and technology， 2022， 16（12）： 2653-2677.

［3］ 葉林， 路朋， 趙永寧， 等. 含風(fēng)電電力系統(tǒng)有功功率模型預(yù)測(cè)控制方法綜述［J］. 中國(guó)電機(jī)工程學(xué)報(bào)， 2021， 41（18）： 6181-6198.

YE L， LU P， ZHAO Y N， et al. Review of model predictive control for power system with large-scale wind power grid-connected［J］. Proceedings of the CSEE， 2021， 41（18）： 6181-6198.

［4］ 苗長(zhǎng)新， 李昊， 王霞， 等. 基于數(shù)據(jù)驅(qū)動(dòng)和深度學(xué)習(xí)的超短期風(fēng)電功率預(yù)測(cè)［J］. 電力系統(tǒng)自動(dòng)化， 2021， 45（14）： 22-29.

MIAO C X， LI H， WANG X， et al. Data-driven and deep-learning-based ultra-short-term wind power prediction［J］. Automation of electric power systems， 2021， 45（14）： 22-29.

［5］ 梁恩豪， 孫軍偉， 王延峰. 基于自適應(yīng)樽海鞘算法優(yōu)化BP的風(fēng)光互補(bǔ)并網(wǎng)發(fā)電功率預(yù)測(cè)［J］. 電力系統(tǒng)保護(hù)與控制， 2021， 49（24）： 114-120.

LIANG E H， SUN J W， WANG Y F. Wind and solar complementary grid-connected power generation prediction based on BP optimized by a swarm intelligence algorithm［J］. Power system protection and control， 2021， 49（24）： 114-120.

［6］ 李福東， 曾旭華， 魏梅芳， 等. 基于聚類分析和混合自適應(yīng)進(jìn)化算法的短期風(fēng)電功率預(yù)測(cè)［J］. 電力系統(tǒng)保護(hù)與控制， 2020， 48（22）： 151-158.

LI F D， ZENG X H， WEI M F， et al. Short-term wind power forecasting based on cluster analysis and a hybrid evolutionary-adaptive methodology［J］. Power system protection and control， 2020， 48（22）： 151-158.

［7］ 王浩， 王艷， 紀(jì)志成. 基于SAIGM-KELM的短期風(fēng)電功率預(yù)測(cè)［J］. 電力系統(tǒng)保護(hù)與控制， 2020， 48（18）： 78-87.

WANG H， WANG Y， JI Z C. Short-term wind power forecasting based on SAIGM-KELM［J］. Power system protection and control， 2020， 48（18）： 78-87.

［8］ 田壁源， 劉琪， 張新燕， 等. 基于APSO-GSA和相關(guān)向量機(jī)的短期風(fēng)電功率預(yù)測(cè)［J］. 電力系統(tǒng)保護(hù)與控制， 2020， 48（2）： 107-114.

TIAN B Y， LIU Q， ZHANG X Y， et al. Short-term wind power prediction based on APSO-GSA and correlation vector machine［J］. Power system protection and control， 2020， 48（2）： 107-114.

［9］ 楊茂， 王達(dá)， 王小海， 等. 基于數(shù)據(jù)物理混合驅(qū)動(dòng)的超短期風(fēng)電功率預(yù)測(cè)模型［J/OL］. 高電壓技術(shù)： 1-11［2023-07-10］.

YANG M， WANG D， WAGN X H， et al. A ultra short term wind power prediction model based on data physics hybrid drive［J/OL］. High voltage engineering： 1-11［2023-07-10］.

［10］ 趙凌云， 劉友波， 沈曉東， 等. 基于CEEMDAN和改進(jìn)時(shí)間卷積網(wǎng)絡(luò)的短期風(fēng)電功率預(yù)測(cè)模型［J］. 電力系統(tǒng)保護(hù)與控制， 2022， 50（1）： 42-50.

ZHAO L Y， LIU Y B， SHEN X D， et al. Short-term wind power prediction model based on CEEMDAN and an improved time convolutional network［J］. Power system protection and control， 2022， 50（1）： 42-50.

［11］ 張?jiān)剑?臧海祥， 程禮臨， 等. 基于自適應(yīng)時(shí)序表征和多級(jí)注意力的超短期風(fēng)電功率預(yù)測(cè)［J］. 電力自動(dòng)化設(shè)備， 2024， 44（2）： 117-125.

ZHANG Y， ZANG H X， CHENG L L， et al. Ultra short term wind power prediction based on adaptive temporal representation and multi-level attention［J］. Electric power putomation equipment， 2024， 44（2）： 117-125.

［12］ 程江洲， 潘飛， 鮑剛. 基于RCC-GRU模型的超短期風(fēng)電功率預(yù)測(cè)方法［J］. 計(jì)算機(jī)仿真， 2023， 40（2）： 79-83.

CHENG J Z， PAN F， BAO G. Ultra-short-term wind power prediction method based on RCC-GRU model［J］. Computer simulation， 2023， 40（2）： 79-83.

［13］ LIU L， LIU J C， YE Y， et al. Ultra-short-term wind power forecasting based on deep Bayesian model with uncertainty［J］. Renewable energy， 2023， 205： 598-607.

［14］ 崔楊， 王議堅(jiān)， 黃彥浩， 等. 基于多元注意力框架與引導(dǎo)式監(jiān)督學(xué)習(xí)的閉環(huán)風(fēng)電功率超短期預(yù)測(cè)策略［J］. 中國(guó)電機(jī)工程學(xué)報(bào)， 2023， 43（4）： 1334-1347.

CUI Y， WANG Y J， HUANG Y H， et al. Closed-loop wind power ultra-short-term forecasting strategy based on multi-attention framework and guided supervised learning［J］. Proceedings of the CSEE， 2023， 43（4）： 1334-1347.

［15］ 李大中， 李穎宇. 基于深度學(xué)習(xí)與誤差修正的超短期風(fēng)電功率預(yù)測(cè)［J］. 太陽(yáng)能學(xué)報(bào)， 2021， 42（12）： 200-205.

LI D Z， LI Y Y. Ultra-short term wind power prediction based on deep learning and error correction［J］. Acta energiae solaris sinica， 2021， 42（12）： 200-205.

［16］ 王曉東， 栗杉杉， 劉穎明， 等. 基于特征變權(quán)的超短期風(fēng)電功率預(yù)測(cè)［J］. 太陽(yáng)能學(xué)報(bào)， 2023， 44（2）： 52-58.

WANG X D， LI S S， LIU Y M， et al. Ultra-short-term wind power prediction based on variable feature weight［J］. Acta energiae solaris sinica， 2023， 44（2）： 52-58.

［17］ 王愈軒， 梁沁雯， 章思遠(yuǎn)， 等. 基于LSTM-XGboost組合的超短期風(fēng)電功率預(yù)測(cè)方法［J］. 科學(xué)技術(shù)與工程， 2022， 22（14）： 5629-5635.

WANG Y X， LIANG Q W， ZHANG S Y， et al. An ultra-short-term wind power prediction method based on LSTM-XGboost" " combination［J］." "Science" " technology" " and engineering， 2022， 22（14）： 5629-5635.

［18］ 王麗婕， 劉田夢(mèng)， 王勃， 等. 基于奇異值分解與卡爾曼濾波修正多位置NWP的短期風(fēng)電功率預(yù)測(cè)［J］. 太陽(yáng)能學(xué)報(bào)， 2022， 43（12）： 392-398.

WANG L J， LIU T M， WANG B， et al. Short-term wind power prediction based on SVD and Kalman filter correction of multi-position NWP［J］. Acta energiae solaris sinica， 2022， 43（12）： 392-398.

［19］ 楊茂， 孫志博， 蘇欣. 基于混沌理論的風(fēng)電功率超短期預(yù)測(cè)模式改進(jìn)研究［J］. 中國(guó)電機(jī)工程學(xué)報(bào)， 2022， 42（22）： 8117-8129.

YANG M， SUN Z B， SU X. Research on improvement of ultra-short-term wind power forecasting model based on chaos theory［J］. Proceedings of the CSEE， 2022， 42（22）： 8117-8129.

［20］ 楊茂， 彭天， 蘇欣. 基于預(yù)測(cè)信息二維坐標(biāo)動(dòng)態(tài)劃分的風(fēng)電集群功率超短期預(yù)測(cè)［J］. 中國(guó)電機(jī)工程學(xué)報(bào)， 2022， 42（24）： 8854-8864.

YANG M， PENG T， SU X. Ultra-short term wind power prediction based on two-dimensional coordinate dynamic division of prediction information［J］. Proceedings of the CSEE， 2022， 42（24）： 8854-8864.

［21］ 張淑清， 楊振寧， 姜安琦， 等. 基于EN-SKPCA降維和FPA優(yōu)化LSTMNN的短期風(fēng)電功率預(yù)測(cè)［J］. 太陽(yáng)能學(xué)報(bào)， 2022， 43（6）： 204-211.

ZHANG S Q， YANG Z N， JIANG A Q， et al. Short term wind power prediction based on EN-SKPCA dimensionality reduction and FPA optimizing LSTMNN［J］. Acta energiae solaris sinica， 2022， 43（6）： 204-211.

［22］ 師洪濤， 高天霽， 丁茂生， 等. 基于趨勢(shì)聚類與決策樹的風(fēng)電功率多區(qū)間復(fù)合短期預(yù)測(cè)方法［J］. 太陽(yáng)能學(xué)報(bào)， 2022， 43（4）： 333-340.

SHI H T， GAO T J， DING M S， et al. Wind power multi-interval composite short-term prediction method based on trend clustering and decision tree［J］. Acta energiae solaris sinica， 2022， 43（4）： 333-340.

［23］ 王曉東， 鞠邦國(guó)， 劉穎明， 等. 基于QR-NFGLSTM與核密度估計(jì)的風(fēng)電功率概率預(yù)測(cè)［J］. 太陽(yáng)能學(xué)報(bào)， 2022， 43（2）： 479-485.

WANG X D， JU B G， LIU Y M， et al. Probability prediction of wind power based on QR-NFGLSTM and kernel density estimation［J］. Acta energiae solaris sinica， 2022， 43（2）： 479-485.

［24］ 謝麗蓉， 王斌， 包洪印， 等. 基于EEMD-WOA-LSSVM的超短期風(fēng)電功率預(yù)測(cè)［J］. 太陽(yáng)能學(xué)報(bào)， 2021， 42（7）： 290-296.

XIE L R， WANG B， BAO H Y， et al. Super-short-term wind power forecasting based on EEMD-WOA-LSSVM［J］. Acta energiae solaris sinica， 2021， 42（7）： 290-296.

［25］ 趙雅婷， 景超， 張興忠. 基于多重注意力的雙通道超短期風(fēng)電功率預(yù)測(cè)［J］. 電網(wǎng)技術(shù)， 2023， 47（7）： 2887-2897.

ZHAO Y T， JING C， ZHANG X Z. Dual-channel ultra-short-term wind power prediction based on multi-attention［J］. Power system technology， 2023， 47（7）： 2887-2897.

［26］ 李偉， 王冰， 曹智杰， 等. 基于混沌理論的雞群改進(jìn)算法及其在風(fēng)電功率區(qū)間預(yù)測(cè)中的應(yīng)用［J］. 太陽(yáng)能學(xué)報(bào)， 2021， 42（7）： 350-358.

LI W， WANG B， CAO Z J， et al. Application of ccso in wind power interval prediction［J］. Acta energiae solaris sinica， 2021， 42（7）： 350-358.

［27］ 王曉東， 苗宜之， 劉穎明， 等. 基于多分解策略和誤差校正的超短期風(fēng)電功率混合智能預(yù)測(cè)算法［J］. 太陽(yáng)能學(xué)報(bào)， 2021， 42（6）： 312-320.

WANG X D， MIAO Y Z， LIU Y M， et al. Hybrid intelligent prediction algorithm of ultra-short-term wind power based on multi-decomposition strategy and error correction［J］. Acta energiae solaris sinica， 2021， 42（6）： 312-320.

［28］ 宋峰， 王琳， 張小奇， 等. 含多主體微電網(wǎng)的循環(huán)神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)及納什博弈行為優(yōu)化［J］. 電力系統(tǒng)及其自動(dòng)化學(xué)報(bào)， 2023， 35（8）： 136-142， 151.

SONG F， WANG L， ZHANG X Q， et al. RNN-LSTM prediction and Nash game behavior optimization for multi-agent microgrids［J］. Proceedings of the CSU-EPSA， 2023， 35（8）： 136-142， 151.

［29］ 張帥帥， 尹燕芳， 肖林京， 等. 基于門控循環(huán)神經(jīng)網(wǎng)絡(luò)的四足機(jī)器人靜步態(tài)規(guī)劃方法［J］. 吉林大學(xué)學(xué)報(bào)（工學(xué)版）， 2023， 53（3）： 902-912.

ZHANG S S， YIN Y F， XIAO L J， et al. Static gait planning method for quadruped robot based on gate recurrent neural network［J］. Journal of Jilin University（engineering and technology edition）， 2023， 53（3）： 902-912.

SHORT-TERM WIND POWER PRIDICTION BASED ON

NICHE GENETIC ALGORITHM AND RADIAL BASIS

SURROGATE MODEL

Liu Peihan1，Yin Cui1，Jia Na2，F(xiàn)an Xiaochao1，Yang Qingbin3

（1. School of Energy Engineering， Xinjiang Institute of Technology， Urumqi 830023， China；

2. State Grid Xinjiang Electric Power Co.， Ltd. Ultra High Voltage Branch，Urumqi 830002， China；

3. National Key Laboratory of Renewable Energy Grid-Integration， China Electric Power Research Institute， Nanjing 210009， China）

Abstract：In order to improve the forecast accuracy of short-term power and promote more wind power being consumed by power grid，this paper establishes a rolling short-term （0-72 h） wind power prediction model based on dominant feature influencing factors and niche genetic algorithm improved neural network. Firstly， the niche technology based on penalty function and crowding mechanism is used to improve the traditional basic genetic algorithm. With the radial basis surrogate model （RBF） as the modeling basis， the improved genetic algorithm is used to optimize the connection weights of the RBF model with the minimum back-propagation error as the objective function. With its optimization ability， the optimal weights are obtained to achieve the improvement and secondary training of the RBF network； Then， based on dominant meteorological factors and an improved RBF model， an N-SGA-RBF wind power output prediction model is established to predict the output power of the wind farm for 0-72 hours for three consecutive days； Finally， the N-SGA-RBF model， RBF model， and BP model are compared for trend changes in prediction results， absolute and relative error distribution at each sampling point， accuracy and qualification rate of power generation prediction. An example verification analysis is conducted using measured data from a wind farm in eastern Xinjiang. The simulation results show that the established prediction model has high accuracy.

Keywords：wind power； forecasting； radial basis surrogate model； niche genetic algorithm； intelligent optimization