人工智能神经网络在新能源微电网中的应用∗

苏尤丽，汤建国

(新疆财经大学计算机科学与工程学院，新疆乌鲁木齐830012)

0 引言

世界范围内可再生能源的迅猛发展和自由化电力市场的出现对电力行业产生重大深远影响；给电力行业的运行管理带来巨大挑战，由此产生的新问题已经成为世界范围的研究热点．新疆可再生能源资源十分丰富，特别是风能等新能源的开发条件非常优越，但也明显存在着能源结构不合理、产业结构不合理和高耗能等问题，造成的环境污染日趋严重．利用风能等新能源发电，将有利于优化能源结构，对促进节能减排和保护生态环境具有重要意义．同时，新能源的开发应用对维护国家能源安全和实现经济的可持续发展具有重要的现实意义．随着智能电网的发展，越来越多包含分布式电源风能的微电网并入大电网系统．不论是微电网的独立运行还是并网运行，及时准确地把握分布式电源风能发电量及负荷需求预测尤为重要．这不仅关系到新能源微电网的能量管理与可再生能源的最大有效利用，而且对整个系统的安全、稳定和经济运行起到重要作用．本文应用人工智能神经网络技术，分别建立基于RBF神经网络的短期负荷预测模型和风力发电量预测模型，并对未来24 h的短期负荷和风力发电量进行预测和MATLAB仿真.

1 新能源微电网

新能源微电网为新能源接入大电网提供了便利，而且实现了需求侧管理和可再生能源的最大有效利用．微电网可以与中小型热电联产相结合，满足偏远地区农牧民的供电、供热、制冷和生活用水等多种需求，是提高能源利用效率和节能减排的最有效方法之一．国家能源局在2015年《关于推进新能源微电网示范项目建设的指导意见》中提到新能源微电网代表了未来能源发展趋势，对推进节能减排和实现能源可持续发展具有重要意义[1]．

由于构成微电网的风能、太阳能等分布式新能源发电出力的不稳定性，导致预测分布式新能源发电出力难、预测精度低以及电网运行管理难等问题．使得微电网的分布式新能源发电量预测难度增大；另外，电力负荷与影响它的外来因素之间的关系既是复杂的又是非线性的，使负荷预测很难用线性时间序列等常规技术来建模；微电网的负荷小导致其惯性小、波动性强等问题使得微电网的短期负荷预测更为复杂．实践经验表明，在处理像短期负荷预测这样涉及大型数据集的非线性多变量的问题时，人工神经网络(Artif i cial Neural Network，ANN)的预测性能相当优越，它不仅具有灵活的函数形式，而且几乎没有对输入输出变量关系的先验假定，并且对于发电出力不稳定的风力发电量预测也是较为理想的方法之一[2]．本文利用人工智能方法，建立基于RBF神经网络的微电网风力发电量预测模型和短期负荷预测模型，通过对未来24 h的风力发电量和短期负荷进行预测及MATLAB仿真，提出适用于新能源微电网的风力发电量和短期负荷预测方法．

2 神经网络应用于微电网的短期负荷预测

2.1 RBF神经网络预测模型

RBF神经网络预测模型如图1所示，由三层构成：第一层为输入层，由信号源节点构成，输入层的节点个数由输入变量的个数确定；第二层为隐含层，隐含层的节点个数由所描述的问题而定；第三层为输出层，它对输入模式的作用做出响应．从输入空间到隐含层空间的变换是非线性的，而从隐含层空间到输出层空间的变换是线性的．RBF神经网络的基本思想是：用径向基函数（RBF）作为隐含层节点的“基”，构成隐含层空间，对输入变量进行变换，将低维的模式输入数据变换到高维空间内，使得在低维空间内的线性不可分的问题在高维空间内线性可分[3]．RBF神经网络训练简洁且学习收敛速度快，能够逼近任意非线性函数．目前已被成功的应用于非线性函数逼近、信息处理、系统建模、控制和预测等诸多领域．

图1用于预测的输入样本为Xi(i=1,2,···N)，即，Xi为n维输入向量X=(x1,···,xi,···xn)∈Rn，则隐含层第k个节点的输出，由公式（1）算出

其中，||·||为欧式范数；Tk为隐含层第k个节点的中心；R(·)（k=1,2,···,l）为径向基函数，通常选择高斯函数为基函数．则RBF神经网络第j个节点的输出为隐含层节点输出的线性组合，由公式(2)算出

其中，wkj为隐含层与输出层之间的权值；θj为输出层第j个节点的阈值．

图1 RBF神经网络预测模型

2.2 基于RBF神经网络的短期负荷预测

短期负荷预测对微电网的能量管理与运行优化、稳定和经济运行起到重要作用．也是系统进行计算、仿真分析的重要依据．建立高精度且实用性强的基于RBF神经网络的短期负荷预测模型，对未来电力的市场化及智能电网的发展具有重要的意义．本文用于短期负荷预测的历史数据是采用某地社区微电网2007年4月1日到12月14日，每1 h的用电量实测数据和与负荷预测密切相关的由周边气象数据采集系统观测到的同一地区、同一时间段的每1 h的气温和风速数据．因为对短期负荷进行预测之前，需要划分负荷类型．若将一周的7天每天都看成一种类型，则共有7种类型．本文将所有负荷及其相关数据按日期类型进行划分，并将划分的7种类型数据再进行整理和预处理．

样本输入数据的选择直接决定预测效果的精度．首先，选择与负荷相关性较高的，月、日期、时间、气温、风速、一周前的负荷和一周前最大和最小值负荷作为样本输入数据，并以当前负荷作为与之对应的样本输出数据；实测数据为目标负荷数据，短期负荷预测结果为输出数据．输入输出数据采用“数据块”模式．输入、输出样本数据确定后，对其进行归一化处理，将数据处理为区间[0,1]之间的数据．本文采用的归一化处理方法，如公式（3）所示

其次，分别对上述按日期类型划分的7种类型数据进行网络训练，建立基于RBF神经网络的短期负荷预测模型．其中，用于网络训练的各星期的预测对象日与网络训练次数，见表1．

表1 各星期的预测对象日与网络训练次数

如表1所示，各星期预测对象日的选定是考虑到不同季节对负荷预测的影响，分别从6月、9月和12月里逐次选定的3个不同日期．网络训练次数为除去3个预测对象日，从4月1日至12月14日的累计时间．

2.3 短期负荷预测结果与MALAB仿真

为探讨基于RBF神经网络的预测模型是否适用于新能源微电网的短期负荷预测，将上述输入数据代入基于RBF神经网络的短期负荷预测模型，通过MATLAB仿真计算，得出指定预测对象日的未来24 h的短期负荷预测值．预测结果见图2、图3和图4．为验证预测方法的准确率及预测效果，需将获得的短期负荷预测值与实测值进行误差分析．本文采用平均绝对百分比误差（MAPE），如公式（4）所示．由平均绝对百分比误差率的计算结果显示，各星期预测对象日的短期负荷预测平均绝对百分比误差率的平均值都在小于10%的预测精度范围内．其中，误差率的平均最小值为6.90%．从而验证了该预测方法的有效可行性．由此，提出适用于新能源微电网的短期负荷预测方法．

图2 预测对象日6月9日的短期负荷预测结果

图3 预测对象日9月1日的短期负荷预测结果

图4 预测对象日12月1日的短期负荷预测结果

通过比较上述3个预测对象日的短期负荷预测结果，可以看出12月1日的负荷预测结果更贴近实际负荷，显示出较高的预测精度．9月1日的负荷预测结果与实际负荷的误差，原因为该时期某地社区活动带来的不规律的负荷变动所致．

3 神经网络应用于微电网的风力发电量预测

3.1 基于RBF神经网络的风速与风力发电量预测

准确的预测风力发电量，对新能源微电网的能量管理与运行优化具有重要意义．由于风力发电的随机性和波动性，对微电网系统的稳定带来不利影响，从而影响系统的安全、稳定运行．本文设想的微电网系统，是以最大限度利用可再生能源的风力发电为主，以自产自销方式供电的独立微电网系统．为减少由于风电的随机波动性给系统的稳定运行带来的不利影响，需要对随机的、不可控的风力发电进行预测分析，时刻掌握风力发电量的预测结果，以便促进可再生能源风力发电优先调度，实现社区微电网的自产自销供电模式．

首先，利用RBF神经网络对风速进行预测．预测风速需选定与风速密切相关的要素，方可提高预测精度．本文选定风速（t）和气压（t）-气压（t−1）两要素作为预测风速的输入数据．其中，t表示时间（h），取值范围为[0,23]．t=0时表示当前时间风速．考虑风速因季节变化而变动的特征，预测对象日选定为包括上述短期负荷预测对象日12月1日在内的一周日（连续168 h）．网络训练时间为除去上述预测对象日的累计时间．其次，以风速的预测结果和某社区微电网风力发电量的相关历史数据作为样本输入数据，代入基于RBF神经网络的风力发电量预测模型，对未来24 h的风力发电量进行预测分析．得出预测对象日连续一周的风力发电量预测值．微电网的风力发电量预测与短期负荷预测研究，对开发新能源风力发电的最大有效利用，实现节能减排起到重要作用；可为新能源微电网的能量管理与运行优化提供可靠依据．对微电网的安全、稳定运行具有重要意义．

3.2 风速与风力发电量预测结果与MALAB仿真

通过连续对未来24 h的风速与风力发电量的预测分析，得到基于RBF神经网络的未来一周的风速与风力发电量预测结果．分别如图5和图6所示．

图5 风速预测结果及MATLAB仿真

图6 风力发电量预测结果及MATLAB仿真

为验证上述风力发电量预测方法的有效可行性，将获得的风力发电量预测值与实测值进行误差分析．由MAPE的计算结果，得出预测风力发电量的平均绝对百分比误差率都在20%的预测范围内．从而验证了预测方法的有效可行性．

4 结论

本文应用人工智能神经网络技术建立了基于RBF神经网络的新能源微电网短期负荷预测模型和风力发电量预测模型．通过对未来24 h的短期负荷与风力发电量的预测分析与仿真，验证了预测模型的有效可行性，提出了适用于新能源微电网的短期负荷预测和风力发电量预测方法．预测误差率为6.8%与20%，验证了RBF神经网络在微电网以及智能电网的负荷与风力发电量预测中是可行的．

参考文献：

[1]国家能源局.关于推进新能源微电网示范项目建设的指导意见[EB/OL].[2015-07-22].http://hvdc.chinapower.com.cn/new s/1038/10388992.asp.

[2].电力系统高级预测技术和发电优化调度[M].刘长浥,张菲,王晓蓉,等译.北京:机械工业出版社,2013.

[3]张良均,曹晶,蒋世忠.神经网络实用教程[M].北京:机械工业出版社,2009.