时间:2022-08-28 09:20:07
摘 要:文章采用BP神经网络法对风电场58台风机的输出功率进行了预测研究,建立三层神经网络模型,根据已有的风电功率历史数据、应用数据整理, 进行BP神经网络的计算和回归分析,运用excel,matlab以及eviews等相关软件进行预测分析,解决了风电功率预测问题。
关键词:神经网络;预测;Eviews;MATLAB;Excel
中图分类号:TM614 文献标识码:A 文章编号:1006-8937(2012)20-0041-02
1 问题重述
风电功率预测分为日前预测和实时预测。日前预测是预测明日24 h 96个时点(每15 min一个时点)的风电功率数值。实时预测是滚动地预测每个时点未来4 h内的16个时点(每15 min一个时点)的风电功率数值。
某风电场由58台风电机组构成,每台机组的额定输出功率为850 kW。2006年5月10日至2006年6月6日时间段内该风电场中指定的四台风电机组(A、B、C、D)输出功率数据(分别记为PA,PB,PC,PD;另设该四台机组总输出功率为P4)及全场58台机组总输出功率数据(记为P58)。
问题:风电功率实时预测。
①预测量:a.PA,PB,PC,PD;b.P4;c.P58。
②预测时间范围分别为:5月31日0时0分至5月31日23时45分;5月31日0时0分至6月6日23时45分。
2 问题分析
根据题意所要求是要实时预测和用excle、eviews初步分析过的数据,且预测为用单一的风电功率预测风电功率,将神经网络结构设计为三层BP网络,BP模型用功率预测功率,采样时间间隔为15 min,因为相邻时刻的值之间突变的可能性较小,所以采用一个小时内的4个数据作为一组,用前三个数据预测下一个数据,因此输入变量就是一个三维的向量,第四个数据就是目标输出量。
3 模型假设
①由于历史数据足够多,故假设由历史数据可以反映未来风电功率的取值。
②由于采样时间为15 min,所以假设相邻时刻的风电功率值突变可能性很小。
③预测功率时刻上传。
4 符号说明
各种符合及含义说明如表1所示。
5 模型的建立与求解
根据题意和初步分析过的数据,将神经网络结构设计为三层BP网络,BP模型用功率预测功率,采样时间间隔为15 min,因为相邻时刻的值之间突变的可能性较小,所以采用一个小时内德6个数据作为一组,用前三个数据预测下一个数据,因此输入变量就是一个三维的向量,第四个数据就是目标输出量。
根据Kolmogorov定理,输入向量3个,则输入层神经元3个,则隐含层神经元为2×3+1=7个,输出向量1个,输出层神经元1个。由此可作出神经网络结构图,如图1所示。
创建一个满足上述要求的BP网络;net=newff([minmax(P),[7 1],{‘tansig’,’purelin’},’trainlm’]);当输出节点的目标值为t时,模型计算公式为:y=f(net),输出节点的输出为:net=∑vjy-θ,隐层节点的输出有:sj=f(netj),(j=1,2,...,j);netj=∑wji-θj,(j=1,2,...,j)。
以上两式中,转移函数一般都用单极性Sigmoid函数:
当网络输出与 输出不等时,输出误差E定义如下:
E=1/2∑(t-z)2
将上式误差定义展开到隐含层,则有:
E=1/2∑[t-f(netj )]2=1/2∑[t-f(∑vjy-θ)]2
再将上式定义展开到输出层,则:
E=1/2∑[t-f(∑vjy-θ)]2=1/2∑[t-f(∑vjyf(∑wjixi-θj)- θ)]2
由上式可以看出,网络输入误差是各层权值vj,wji 的函数,因此调整权值可改变误差E,显然,调整权值的原则是使误差不断减小,采用梯度下降法,使权值的调整量与误差的负梯度成正比,即如下:
式中,负号表示梯度下降,a∈(0,1)。
将样本提供给网络,按上述过程训练,预先设定误差E的大小,当训练结果与目标值之差小于预先设定的误差限时,网络收敛,训练结束。若训练次数已达到预设的最大训练次数,训练终止,网络无法收敛,学习过程结束。用流程图表示如图2所示。
6 BP神经网络预测的MATLAB实现
①数据样本的预处理,在论文前面已经统一进行了预处理。
②确定激活函数,取tansig和purelin为激活函数。
③设定网络的最大学习迭代次数为20000。
④设定网络的学习精度为a。
⑤创建和训练BP神经网络的MATLAB程序。
⑥测试BP神经网络,将测试的输出数据还原,与实际数据比较分析误差。
7 模型的评价及推广
由于风的波动性和间歇性,风电的典型特征就是不可控,大容量风电场的介入会对电网运行产生较大的冲击甚至危险。为了保障电网的安全,对风电场发电功率进行预测十分必要。
通过这种模型,不仅从数量上揭示了风电场风电功率的发展变化规律,也从动态上刻画了现象的内部数量关系及其变化规律。
参考文献:
[1] 杨秀媛,肖洋,陈树勇.风电场风速和发电功率预测研究[J].中国机电工程学报,2005,(11).
[2] 焦淑华,夏冰,徐海静,等.BP神经网络预测的MATLAB实现[J].哈尔滨金融高等专科学校学报,2009,(1).
[3]王世谦,苏娟,杜松怀.基于小波变换和神经网络的短期风电功率预测方法[J].农业工程学报,2010,(s2).
[4] 黄金花.基于神经网络的风电场短期风电功率预测研究[D].南京:东南大学,2010.