基于神经网络模型短期风功率预测方法研究

摘 要：随着风电并网规模的不断增加，风力发电对电力系统的影响也越来越显著。由于风能的随机性、间歇性特点，风力发电机组输出功率的波动性和不确定性会对电网的安全稳定运行带来影响；因此，对风力发电的输出功率进行预测是缓解电网调峰、调频压力、降低电力系统备用容量以提高电网接纳能力的有效手段。文章采用人工神经网络模型对风机未来短期功率进行预测。

关键词：风电机组；matlab；人工神经网络；风功率预测

1 风电功率预测模型

1.1 径向基神经网络

神经网络算法是近年来发展起来的一种新型人工智能算法。不同于以往的数学算法，它是一种模仿动物神经网络行为特征，进行分布式并行信息处理的算法数学模型，具有自学习、自适应和自组织能力的特点。

径向基神经网络（即RBF神经网络）是一种三层前向网络，由输入层、隐含层和输出层组成，网络结构如图1所示。由输入到输出的映射是非线性的，而隐含层到输出层是线性的，从而大大加快了学习速度并避免局部极小问题。

根据径向基函数中心选取方法的不同，RBF神经网络有很多学习方法，如随机选取中心法、梯度训练法、有监督选取中心法和正交最小二乘法等。这里，选用梯度训练法作为RBF神经网络的学习方法。

1.2 梯度训练方法

RBF网的梯度训练方法是通过最小化目标函数实现对各隐节点数据中心、扩展常数和输出权值的调节。使用一种带遗忘因子的单输出RBF网学习方法，此时神经网络学习的目标函数为：

（1）

其中，？茁j为遗忘因子，误差信号ej的定义为：

（2）

由于神经网络函数F（X）对数据中心ci、扩展常数ri和输出权值wi的梯度分别为：

（3）

（4）

（5）

考虑所有训练样本和遗忘因子的影响，ci、ri和wi的调节量为

（6）

（7）

（8）

其中，？椎i（Xj）为第i个隐节点对Xj的输出，？浊为学习速率。

1.3 数据归一化

数据归一化是神经网络预测前对数据常用的一种处理方法。数据归一化处理将所有数据都转化为[0，1]之间的数，其目的是取消各维数据间数量级别差，避免因为输入输出数据数量级差别较大而造成神经网络预测误差较大。

风速归一化：应用多年统计的极限风速对风速数据进行归一化处理

（9）

其中，Vg为归一化处理后的风速标量值；vt为应用于预测的历史风速值；vmax为风场气象观测到的历史最大风速，如不超过风场风机最大切除风速，则取为风机的切除风度。

风功率归一化：根据风电机组额定功率，采用与风速归一化相同的方式，对风电机组历史出力情况进行归一化，并对网络预测的输出功率进行反归一化，得到预测结果。

1.4 神经网络的构建

首先挑选几组数据风功率作为样本，将每个样本的前n个风速和风功率值进行归一化处理，将处理后的数值作为RBF神经网络的输入；可将每个样本的后n个风速和风功率值进行归一化处理，将处理后的数值作为RBF神经网络的目标输出，通过对RBF神经网络的训练学习，实现从输入空间到输出空间的映射。

2 短期风功率预测结果

将前10天的风功率数据作为训练样本，对风机功率提前1小时进行预测。图2预测风功率与实测风功率比较可知，可以看到神经网络预测风功率变化趋势与实际风功率变化基本趋势一致，并且预测功率比实际功率变化平缓。

神经网络在风功率预测时，每点的预报误差不尽相同，这主要与早晚温差造成的风速突然变化以及当天天气变化情况等有关，从预测曲线的总体趋势以及与实际曲线误差值大小来看，该神经网络模型预测结果基本令人满意。

3 结束语

采用人工神经网络进行预测精度较高、训练速度快，适用于在线预测的场合。但是由于所用训练数据为风速相对平稳时期的数据，所以该模型对于突变风速的处理能力仍然有限，为提高预测结果的精度，还需对模型进行进一步改进。总体而言，通过建立神经网络模型，对短期风功率进行预测，虽有一定局限性，但其预测精度满足工程要求。

参考文献

[1]Tony Burton，等.风能技术[M].北京：科学出版社，2007.

[2]周品.MATLAB神经网络设计与应用[M].北京：清华大学出版社，2013.

[3]张泽旭.神经网络控制与MATLAB仿真[M].哈尔滨：哈尔滨工业大学出版社，2011.