基于RBF神经网络算法的短期风电功率预测研究

邱钦宇

（中国铁路南昌局集团有限公司南昌车辆段，江西 南昌 330100）

我国的疆土广阔无垠，拥有屈指可数的超长海岸线，是风力资源较丰富的国家之一。我国颁布的《风电发展“十二五”规划》，精确指出国家电网公司要根据风电的发展计划进行电力系统电网对于风力发电的进驻的配套工作，改善电力系统运行安排，使风电在整个电力发电网络中的占比不断增加，来完成规定风电计划的并网。

然而，与常规发电方式有所不同的是，风是随机的，随高度增加而变化，随季节，日夜的更替而变化，风力发电有着波动性、间歇性等许多不确定因素。

机组并网时，会有风电穿透功率极限问题的存在。风电场穿透功率的上升到一定值时，会造成电力系统运行出现问题，电能质量受到严重影响，违反电力系统运行时安全、优质、可靠、经济、环保的基本要求。更需要我们注意的是，由于风速超过机组可运行值时会使机组直接退出电网运行，引起电力系统非常大的扰动，造成电力系统运行方式产生急剧变化，甚至使电力系统崩溃。因此，风电场的风电功率预测成为发展风力发电的漫漫长路上非常关键的一环，是维持电力系统高效稳定运行的重要步骤。因此保持电力系统经济可靠的运行，使电网发电计划调度合理。根据风电场的风电功率预测可以十分有效率地进行机组设备维护与检修，提高风电在电力市场的经济价值与竞争力。

风电功率预测有很多方法，如按预测时间的长短分类。可分为特短期预测（Very short Term Prediction）、短期预测（Short Term Prediction）、中期预测（Medium Term Prediction）和长期预测（Long Term Prediction）。根据预测方法分类，风电功率预测大致可分为物理方法，统计方法和人工智能法。本论文重点在研究基于RBF 神经网络算法的短期风电功率预测的探索，通过现有的资料技术，实现电网的最优运行。

1 RBF 神经网络

本文采用了RBF 神经网络来对风电场进行短期的风电功率预测，风速、风向、温度、大气压强，风电场运行机组数量等数据是进行短期风电功率预测的基础，再参照风电场的历史数据，得出最终的预测结果。本研究仿真使用的计算机软件为MATLAB，它作为高性能的数据处理和图像软件，充分提高了我们分析运算的效率。

RBF 神经网络是一种前馈式神经网络，是一种三层网络结构。第一层，输入层，由信号源结点组成，包含与外部环境连接的感知单元；第二层，隐含层，是网络结构中最关键的一层，问题所需决定了隐含层包含的节点数，其神经元激励函数为对中心点径向对称的非负非线性径向基函数；第三层，输出层，它用于对输入层输出线性响应。

径向基函数神经网络的结构如图1 所示，传输层的作用仅为传输信号，输入层和隐含层之间的权值可近似的看作1。而径向基函数网络的激励函数定义为空间中某一点到某一中心之间的欧式距离的单调函数，所以隐含层采用非线性优化，用于调整激励函数的参数，学习速度较慢。输出层是针对非线性优化的隐含层进行线性调整和优化，学习速度较快。

图1 RBF 神经网络结构图

综上所述，RBF 神经网络是非线性的，但输出层输出的数据参数是线性的，大大节约了学习训练的时间，又可避免一定的局部极小问题。

2 基于RBF 神经网络的短期风电功率预测算法

建立RBF 神经网络的预测模型，首先需要确定输入层，隐含层和输出层的参数。本文RBF 神经网络输入节点为5 个，输出层节点为1 个，合适的隐含层神经元数目可提高网络的性能。神经网络受到少隐含层神经元数的影响，可能导致使训练次数增多，精度降低，不能顺利学习。通常増加神经元个数可以提高训练精度，降低训练次数，但需要以隐含层神经元数目保持一定合理范围作为条件。当超过这个范围后，继续増加神经元数目会使训练时间增加，同时造成其他问题。根据柯尔莫哥洛夫定理：随意给定连续函数，存在一个对应的三层网络实现它，假设网络具有m 个节点的输入层，则可以确定2m+1 个节点的隐含层。确定出隐含层神经元的理论值后，再经过反复训练对比，找出精度最高的。RBF 神经网络径向基函数的扩展速度SPREAD 设为0.2。

本研究采用上海某风电场的机组历史运行数据作为数据样本并进行预处理对RBF 神经网络进行训练，结合包括风速、风向、气温、湿度和气压五项内容的气象预报数据对风电场台装机容量机组进行短期功率预测。

图2 为春季风电功率预测与实际曲线和误差分布图，经由MATLAB 计算机软件仿真得，此RBF 神经网络预测误差：MAE=67.0896，RMSE=85.5081。由图2 可得，在春季，时间点为260min，345min，225min 时误差较大，误差率分别为20.7%，16.2%，15.8%。除去预测点百分比误差超过15%，百分比误差小于15%的时间点有93 个。8 小时96 个预测点的平均绝对误差为3%。根据误差点分布，误差小于10%的数据点为63 个，占预测数据的65.6%。残差区间在（-2,2）的正常值内。残差平方和越小，此模型的预测相关性就越好。图3 为夏季实际值与预测值得回归拟合曲线，确定系数为0.9754，处于确定系数[0，1]的正常取值范围内，且接近于1，表明方程的变量对y 轴的解释能力越强，这个模型的拟合优化程度越好。

图2 上海某风场风电功率预测曲线与误差分布图

图3 上海某风场风电功率预测值与实际值得拟合曲线图

3 结语

随着风力发电的迅猛发展，风力发电对电网的负面影响日益増加，因此，对风电场短期功率预测称为一个十分紧迫的问题。本文采用上海某风电场的现场测量和运行数据，对于基于RBF 人工神经网络的风电功率短期预测方法进行了研究，考虑气象因素的影响，进行风电场风功率短期预测。利用风速、风向、气压、温度等气象因素和风机运行数量作为神经网络模型的预测输入，短期风功率进行预测。仿真结果表明，采用RBF 神经网络预测，有效地提高了预测精度，减小了误差，具有适应时变特性的能力，泛化能力较好。