计及故障时间的神经网络风力发电量预测

曹渝昆, 胡清清

(上海电力学院 计算机与科学技术学院, 上海 200090)

0 引 言

自2008年遭受金融危机以来，国际经济持续低迷，为了应对经济危机带来的潜在风险，各个国家的专家学者纷纷提出了新概念，关于电力行业，2008年以来最熟悉的一个概念就是“智能电网”(Smart Grid)。根据智能电网的定义，要求高效利用可再生能源(Renewable Energy Resources)，替代传统的不可再生能源(煤炭、石油和天然气)。中国风能资源丰富，开发潜力巨大，必将成为未来能源结构中一个重要组成部分。随着风电规模的扩大，风电的接入可能影响电能质量和电力系统的安全运行，如何提高发电量预测的精度是合理利用风资源的关键问题。

文献[1]提出了BP神经网络的改进算法以及支持向量机SVM方法对发电量的预测，该论文是针对超短期的负荷预测；文献[2]使用了用PSO算法改进的BP神经网络进行超短期预测；文献[3]提出了基于人工神经网络的短期风力发电量预测方法；文献[4]提出了基于时间指数平滑法的短期的功率预测。目前，现有的预测方法以多个时间点或一天为一个周期，预测的周期较短，并且大多预测精度都在10%左右，为了解决现有方法的缺陷，本文提出了一种基于神经网络的两段式风力发电量的预测方法，将预测的时间延长到3天，并且在预测精度上有较大的提高。

1 方法框架

本文主要研究对象是结合气象因素与风力发电机故障时间的发电量预测，预测分为两个阶段：采用神经网络结合时间序列的故障时间预测，以及在预测故障时间的基础上使用GRNN神经网络进行风力发电量的预测，两个阶段的预测使用了不同的神经网络算法，其具体流程图如图1所示。

图1 系统流程图

(1)获得原始数据；

(2)整理数据集，对不同量纲的数据进行归一化预处理；

(3)选取故障时间作为第一阶段预测的训练集；

(4)进行第一阶段预测：基于时间序列的神经网络进行故障时间预测；

(5)考虑影响风力发电的因素，确定发电量预测的特征；

(6)根据预测好的故障时间和选取的特征，确定发电量预测的训练集；

(7)使用GRNN神经网络进行最终发电量预测。

2 两阶段发电量预测方法

由于风能预测的随机性以及电力系统的非线性，在进行风能预测的时候需要考虑很多不确定的因素，现有的风能预测的方法有很多，包括物理方法、统计方法、人工神经网络预测、组合预测等方法[5]。人工神经网络具有良好的自适应性，并行处理，非线性变化的能力，容错性强，应用广泛，所以本文使用人工神经网络建立预测模型。

2.1 基于神经网络的时间序列方法

时间序列预测法是一种根据动态数据揭示系统动态结构和规律的统计方法，从统计意义上讲，所谓时间序列就是将某一个指在不同时间上的不同数值，按照时间的先后顺序排列而成的数列[6]，而基于神经网络的时间序列方法避免了时间序列方法中仅仅依赖时间变化的趋势去预测未来某个时刻的值。将历史数据作为神经网络的输入，利用了神经网络的自主学习的能力，自学习大量历史数据中的关系，能更好的预测实际问题。BP神经网络是目前应用最广的神经网络模型之一,其结构简单,仿真能力强,易于实现，所以在第一阶段的预测中使用BP神经网络结合时间序列进行故障时间预测。

因为故障时间数据是依据时间的先后排列，而神经网络的训练需要输入矩阵以及对应的输出矩阵，所以在使用BP结合时间序列的方法时，首先确定训练样本集。

对于一共具有n个数值的时间序列，用前三天的值预测第四天的值。假设将前三天的值作为输入X=[x1,x2,x3],预测第四天的值作为输出Y=y4，同理，预测第5天的故障时间，则使用第二天到第四天的实际值进行预测，输入为X=[x2,x3,x4],以此类推，最终确定一个3*n的输入矩阵input，以及1*n的输出矩阵output，由input和output组合成BP网络的训练集。

BP神经网络预测前，首先要训练网络，通过训练网络使网络具有联想记忆和预测能力。将训练集输入BP神经网络，通过网络的预测结果和实际结果(output)计算误差，将误差反向传播。 根据计算出的隐层输出和输出层输出，不断更新输入层和隐层，以及隐层和输出层之间的连接权值和阈值，直至最终的误差达到要求 。

2.2 GRNN神经网络方法

广义回归神经网络(GRNN，Generalized Regression Neural Network)是一种高度并行径向基网络，具有很强的非线性映射能力和柔性网络网络结构以及高度的容错性和鲁棒性，适用于解决非线性问题。

在使用GRNN神经网络预测发电量时，选取特征向量确定网络每个样本的输入X=[x1，x2，…xn]T，以及对应的发电量作为网络的输出Y=[y1，y2，…ym]T，其中n表示特征的维数，m表示样本的个数，则输入为一个m*n的矩阵，输出为m*1的矩阵，输入输出矩阵确定了GRNN神经网络的训练集。

在GRNN的模式层神经元数目等于学习样本数目n，各神经元对应不同样本，模式层神经元传递函数为:

(1)

式中X为网络输入变量；Xi为第i个神经元对应的学习样本；σ为光滑因子。

GRNN的求和层计算公式为：

(2)

对于GRNN的输出层。输出层中的神经元数目等于学习样本中输出向量的维数k，并将模式层神经元加权求和SNj与模式层神经元输出的算术求和SD相除， 即为网络输出yi[7]。

(3)

3 风力发电量预测前期准备

3.1 预测数据的预处理

从风电场获取的原始数据的种类较多，包括每天的气象数据、故障数据、发电量等，具体为每日的最高、最低温度，风速的大小，风机结冰情况，故障发生的时间、消缺时间、故障类型等等。

由于采集到的数据有不同的量纲，为了加快训练网络的收敛速度，得到更高的精度，将选择的数据归一化处理。本论文采用的归一化方法是MATLAB中的函数mapminmax，将所有数据统一归一化到(-1，1)之间，相应的，测试集的期望输出样本和训练集的期望输出样本使用相同的归一化标准。最后将预测输出进行反归一化，得到最终的预测值。

3.2 预测特征的确定

影响风力发电的因素有很多，文献[8]提到影响风力发电量的气象因素有风速、温度和大气压等气象因素。根据风电厂的实际运行情况，风机故障会影响风机转速，进而影响发电量，而在风机消缺之后，风机要达到一定转速才能并网发电，所以故障时间对风机发电量有一定的影响，为了确定具体是哪些因素对发电量产生影响，将风速、温度、大气压值、故障时间这4个因素分别组合为10种模型：①风速 ②风速、温度 ③风速、温度、大气压 ④风速、温度、大气压值、故障时间 ⑤温度 ⑥温度、大气压值 ⑦温度、大气压值、故障时间 ⑧大气压值 ⑨大气压值、故障时间 ⑩故障时间，分别用RBF和GRNN神经网络测试这10种模型，选择预测误差最小的一种模型。测试结果的均方差如表1所示。

表1 RBF和GRNN神经网络均方差比较

上述两种方法测试结果可以看出模型4的均方差最低，预测的误差最小，即风速、温度、大气压值和故障时间4种因素共同影响风力发电量。

4 试验

4.1 故障时间预测

故障时间预测是第一阶段预测，也是第二阶段预测的基础。风机故障的原因很多，由于风机服役时间较长，器件老化导致风机故障；天气温度较低，导致风机叶片结冰，影响发电量；文献[9]提到风机所处的位置不同，而风力随时间和位置不同变化非常大，所以风机的故障不排除风机受到过大风力导致瞬间超载，由于风机故障的原因很多不能量化，所以使用历史故障数据利用时间序列的方法进行故障时间预测。本文的故障时间选用停机的时间，在故障停机时不并网发电，不考虑风机转速没达到要求的时间段对发电量的影响。

由于时间序列的预测受近期数据的值影响比较大，所以该阶段预测采用2016年2月到5月的数据，不再过多考虑更早的历史数据对预测结果的影响。运用基于BP神经网络的时间序列方法，预测同年6月前三天的故障时间，连续预测连续1天、2天、3天的误差分别为：0.074 9、0.160 4、0.221 9，随着连续预测天数的增加，预测的误差也逐渐增加。

使用三次指数平滑和基于神经网络时间序列两种方法预测故障时间结果对比如表2所示。

表2 三次指数平滑VS神经网络时间序列

三次指数平滑的预测平均误差为：5.120 h，神经网络时间序列预测平均误差为：2.302 h。基于神经网络时间序列的预测精度明显高于三次指数时间序列。

4.2 发电量预测

运用已确定的特征：风速、温度、大气压值以及预测出来的故障时间作为输入特征，将2014年10月到2016年5月的历史数据作为训练集并测试神经网络模型。

使用GRNN广义回归神经网络、RBF径向基函数以及BP神经网络预测未来5天的发电量，平均误差百分数如表3所示。

表3 预测误差百分数

根据《国家能源局关于印发风电场功率预测预报管理暂行办法的通知》第9条规定：风电场功率预测系统日预测曲线最大误差不超过25%；实时预测误差不超过15%。全天预测结果的均方根误差应小于20%。对比上面的预测结果，RBF的预测结果优于BP算法，GRNN神经网络的预测误差比RBF预测误差小，而且GRNN神经网络预测前三天的精度均满足要求。

最终确定GRNN神经网络为最终预测模型，使用该模型未来连续1天到未来连续5天的预测结果和预测误差分别如图2、图3所示。

图2 GRNN风能预测结果

图3 GRNN风能预测误差

GRNN神经网络模型预测连续5天的发电量误差会突增，而预测连续3天的误差最小，所以计及故障时间对发电量的影响，可以将发电量的预测延长至3天，并根据表3的结果，RBF的方法也是预测连续3天的发电量时，误差最小，但是GRNN神经网络的精度更高，前三天的预测误差在满足国家对发电量预测误差的要求的前提下，提高了预测的精度。

5 结束语

采用湖南省某风电场实际运行产生的数据，考虑故障时间对发电量的影响，提出两段式风力发电量预测的方法，结论及试验结果总结如下：

(1)在确定影响发电量因素时，除了考虑气象因素外，还根据风电场的实际运行情况考虑故障时间对发电量的影响，建立包括气象因素和故障时间的10种模型，并最终确定故障时间一定程度上影响发电量。

(2)针对故障时间并不能像气象数据那样通过可以通过气象台获得，为此提出了两段式风力发电量预测的方法，首先使用历史数据预测故障时间，再根据预测的故障时间进行最后的发电量预测。为了避免时间序列预测的单一性，使用基于神经网络时间序列的方法预测故障时间，使得预测结果更加准确。

(3)最终对比了BP、RBF和GRNN三种方法的预测结果，发现RBF和GRNN神经网络在预测连续3天时，误差最低。而其中GRNN预测连续3天的误差降到6%左右，延长了预测时间，提高了预测误差，验证了该预测方法的有效性和可行性。

[1] 穆跃宏，韩晓霞.短期风力发电功率预测的研究[D].山西：太原理工大学，2014.

[2] 孙喜波,刘琼荪.改进混沌PSO算法的BP网络优化[J].微计算机信息,2011,26(5):157-159.

[3] AHMED OUAMMI, HANANE DAGDOUGUI, ROBERTO SACILE. Short term forecast of wind power by an artificial neural network approach [J]. United States :IEEE Computer Society,2012,544(4):1-5.

[4] 卢永芳,程志磊,王晓卫,等.基于时序指数平滑法的风电场功率预测研究[J].工矿自动化,2012,40(8):75-78.

[5] 冯双磊,王伟胜,刘纯,等.风电场功率预测物理方法研究[J]．中国电机工程学报,2010,30(2):1-6．

[6] 赵仁义,朱玉辉.关于时间序列预测法的探讨[J].科技信息,2011,26(15):198-199.

[7] 陈守平,董瑞,罗晓莉.MATLAB神经网络30个案例分析 [M].北京：北京航空航天大学出版社,2010.

[8] 韩爽,刘永前,杨勇平,等.风电场超短期功率预测及不确定性分析[J].太阳能学报,2011,32(8):1251-1256

[9] 康明虎.某风电场风机基础故障分析及处理[J].可再生能源,2014,31(6):809-813.