基于动态神经网络时间序列的风电功率短期预测

来庭煜 饶佳黎 周旭

摘 要：近年来，随着我国的风电发展的突飞猛进，对风电场功率进行实时预测具有重要意义，但大气和电场的地形地貌等自然因素导致风电功率的不可控性。本文利用动态神经网络的反馈记忆特性，采用基于NAR动态神经网络对风电功率进行时间序列短期预测，准确率高达93.7%，证明该模型能有效提高风电功率实时预测的准确性，可改善风电联网运行性能，为电力生产和调度提供良好的条件。

关键词：动态神经网络 时间序列 风电实时预测

中图分类号：TM73 文献标识码：A 文章编号：1672-3791（2018）10（b）-0058-02

在化石能源日益枯竭的近现代，各国将更多的目光投向风电、太阳能等相对清洁的新型能源。而我国也确立了可再生能源开发利用在能源发展中的优先地位。

风电作为一种大自然所提供的二次能源，其实时功率存在不可控性，因此需要对风力所产生的电功率进行实时预测。一般的线性拟合模型、灰色预测模型等方法难以及时并准确地预测未来时刻的风电功率[3]。本文从提高风电的实时预测的准确精度角度出发，利用基于NAR动态神经网络的时间序列法对风电功率进行短期预测。

1 动态神经网络时间序列预测原理

1.1 基本结构

神经网络分为两大类：静态神经网络和动态神经网络。动态神经网络又可分为有反馈和无反馈两种[1]。静态神经网络无记忆功能，输出只和当前的输入有关，而动态神经网络的输出不仅依赖当前的输入，也和之前的输入存在关系，因此动态神经网络要比静态神经网络功能强，预测的准确率高。

时间序列预测分为三种：

有y，无x，即y（t）=f（y（t-1），y（t-2），…）（NAR）

有y，有x，即y（t）=f（x（t-2），…，y（t-1），y（t-2），…）（NARX）

无y，有x，即y（t）=f（x（t-1），x（t-2），…）（较少见）

1.2 算法流程

Matlab中存在时间序列工具箱，通过设置影响当前输出的过去因素的个数，隐含层节点的个数，采用动态神经网络反馈模型，通过训练得出预测结果。

1.2.1 数据标准化

对原始数据进行标准化，使其在0～1之间，标准化方式如下：

其中，xmax、xmin分别为训练样本中输入数据的最大值和最小值，yi、xi分别为输入样本归一化前后的值[4]。

1.2.2 Matlab时间序列工具箱的调用

在Matlab中输入nnstart，启动Neural Network Start，进入动态神经网络时间序列工具箱，采用NAR—非线性自回归模型，并选则训练该网络的数据，对其进行分割，采用系统的默认值，原始数据的70%作为训练数据，15%作为验证数据，剩余的15%作为测试数据[2]。

1.2.3 参数设置

反复调节隐含层神经元个数和时间滞后的yi个数，并进行训练，直到满足误差要求。

1.2.4 仿真训练

参数设置好之后，点击Train训练，训练完成后，通过Plot Error Autocorrelation和Plot Input-Error Correlation检查误差是否满足要求，若满足要求，则训练完成；若误差不满足要求，则进行重新训练。

2 基于NAR动态神经网络时间序列的风电功率短期预测模型

2.1 数据预处理及考核指标

本文选用NAR时间序列对风电功率进行预测，收集的风电场功率数据，每15min采样一次，单位为kW。并对原始数据进行归一化处理。

风电场发电预测预报考核指标为风电场发电预测预报准确率：

（1）

其中，e为预测曲线准确率；PMk为k时段的实际平均功率；PPk为k时段的预测平均功率；N为日考核总时段数；Cap为风电场开机容量。

2.2 预测指标的结构

本文采取NAR时间序列预测，只有输出，没有输入，满足非线性自回归模型，当前的预测值与前面六个的输出变量有关，即：

y（t）=f（y（t-1），y（t-2），y（t-3），y（t-4），y（t-5），y（t-6），）

使用某个时刻之前的六个数据对此时刻的风电功率进行预测，将统计的风电场各时刻数据当做一个时间序列，以原始数据作为基础，反复进行训练，输出预测值。

3 案例分析

利用MATLAB软件进行编程，采用数据为某地区某风电场2016年5月10日至2016年6月6日内全场58台风电机组总输出功率数据。预测6月7日的96个时刻的风电功率，选取之前27天的数据作为输入数据，利用NAR动态神经网络，反复调节隐含神经元个数和时间滞后个数，经训练后得隐含神经元个数为15，当达到0.01的精度要求时输出风电功率的预测值。误差曲线如图2，图3所示。

由图2，图3可知，经过NAR动态神经网络训练后，所得的预测结果和真实值之间的误差较小，较为接近真实数据，最大误差为22.9%，平均误差为5.84%，大部分的点都能准确的预测，部分数据的预测值误差较大，可认为是异常点，即在该点处风电机组功率异常，因为风电功率本身受风力，气温气压等自然因素影响，存在无法消除的系统误差。总体上，NAR神经网络预测结果准确率e为93.7%，误差较小，对开发风电功率预测系统有参考价值，还可促进对风电系统的稳定运行和维护。

4 结语

在风电日益发展的现代，风力发电的随机性是人们无法解决的难题，提高风电的实时预测的准确精度将有利于电网的实时调度，本文通过动态神经网络模型对某风电场2016年6月7日全天的风电功率进行时间预测，采用之前27天该风电场的数据进行训练，满足精度要求后输出预测结果，准确率为93.7%，误差较小，实用性较强，证明动态神经网络时间序列预测具有精度较高，收敛能力强等优点，且无滞后效果，更加适用于风电实时预测，有利于及时对风电系统进行调度和维护，从而提高电力系统的经济效益。

参考文献

[1] 陈舒阳，徐林荣，曹禄来.基于动态神经网络法考慮区域沉降的高速铁路沉降预测[J].铁道学报，2015，37（5）：83-87.

[2] 张皓.基于MATLAB动态神经网络进行时间序列预测房地产价格的研究[J].经济师，2015（9）：284，286.

[3] 范高锋，王伟胜，刘纯.基于人工神经网络的风电功率短期预测系统[J].电网技术，2008（22）：72-76.