高 陽，吳偉晴，許傲然，李東陽，于杰承

(沈陽工程學(xué)院 電力學(xué)院，遼寧 沈陽 110136)

?

測風塔神經(jīng)網(wǎng)絡(luò)法對棄風電量的評估

高 陽，吳偉晴，許傲然，李東陽，于杰承

(沈陽工程學(xué)院 電力學(xué)院，遼寧 沈陽 110136)

由于電網(wǎng)容量的快速可調(diào)的容量限制，造成風電并網(wǎng)的消納能力較弱，導(dǎo)致越來越多的棄風電量。研究了神經(jīng)網(wǎng)絡(luò)方法，根據(jù)歷史風塔的測量的不同高度、風速和風向的數(shù)據(jù)，結(jié)合風電場風機的歷史觀測數(shù)據(jù)，建立了神經(jīng)網(wǎng)絡(luò)模型，然后將樣本數(shù)據(jù)輸入到已建好的神經(jīng)網(wǎng)絡(luò)模型以得到風機的理論發(fā)電功率，進而得到棄風電量。通過對比測風塔法，神經(jīng)網(wǎng)絡(luò)法，樣板機法和面積積分法統(tǒng)計風電棄風電量大小，基于測風塔神經(jīng)網(wǎng)絡(luò)法的棄風電量評估模型在低風速時的評估效果具有良好的參考價值，比較接近實測風速。

電力系統(tǒng)；測風塔；神經(jīng)網(wǎng)絡(luò)模型；棄風電量

隨著國家對可再生能源發(fā)展的重視，越來越多的新能源被人們廣泛利用，風力發(fā)電受到了廣泛的關(guān)注。國內(nèi)風電并網(wǎng)技術(shù)日漸成熟，在2015年底我國風電并網(wǎng)裝機量可高達100 GW。根據(jù)國家能源局規(guī)劃，我國到2017年將會達到155 GW的風電并網(wǎng)量，2020年至少會達到210 GW。繼火力發(fā)電和水力發(fā)電之后，風力發(fā)電成為中國第三大電源。然而，大型風力發(fā)電廠的快速、無序運行，電網(wǎng)結(jié)構(gòu)建設(shè)不完善，快速可調(diào)電源和電網(wǎng)不匹配，都是導(dǎo)致風力發(fā)電廠的消納能力較弱的因素，進而使風力發(fā)電的利用率降低，棄風電量增大。由于風力發(fā)電的不穩(wěn)定性和隨機性，降低了風力發(fā)電的統(tǒng)計精度，且存在棄風功率偏差。風力發(fā)電的統(tǒng)計結(jié)果將對風力發(fā)電的后續(xù)發(fā)展產(chǎn)生影響，如果統(tǒng)計結(jié)果小，可能會加快風力發(fā)電廠的建設(shè)；如果統(tǒng)計結(jié)果偏大，可能會延緩風電廠的建設(shè)，這些都不利于風力資源的最大利用率。因此，風力發(fā)電中棄風電量統(tǒng)計的準確性將是需要重視的問題。

1 RBF神經(jīng)網(wǎng)絡(luò)和GRNN神經(jīng)網(wǎng)絡(luò)介紹

神經(jīng)網(wǎng)絡(luò)算法是基于人類認知過程而產(chǎn)生的。神經(jīng)網(wǎng)絡(luò)具有高速尋找優(yōu)化解的能力。它以其良好的容錯性、非線性學(xué)習(xí)能力、非線性組織能力、非線性映射能力等特性被人們所熟知。它能夠快速執(zhí)行大量算法的操作，并能夠處理定量和定性知識。神經(jīng)網(wǎng)絡(luò)法主要有2種，一種是RBF神經(jīng)網(wǎng)絡(luò)，另一種是GRNN神經(jīng)網(wǎng)絡(luò)，GRNN神經(jīng)網(wǎng)絡(luò)是RBF神經(jīng)網(wǎng)絡(luò)的典型代表。

RBF神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)有3層：第1層是接觸外部環(huán)境的輸入層；第2層是網(wǎng)絡(luò)中唯一的隱含層，該層主要是輸入空間到隱層空間的非線性映射；第3層是輸出層，它是一個線性層，它的作用是對隱層進行線性的分類 。

RBF神經(jīng)網(wǎng)絡(luò)的原理：RBF隱單元基函數(shù)構(gòu)成的隱蔽空間，不需要直接連接到完整的輸入向量映射到隱空間的向量，而是由徑向基函數(shù)中心點決定的。隱層空間是線性映射到輸出空間的?？傮w看來，網(wǎng)絡(luò)輸出相對于輸入是非線性的，而相對于權(quán)值又是線性的。因此，網(wǎng)絡(luò)的權(quán)值可以通過線性方程直接求解，從而大大提高了學(xué)習(xí)速度，避免了局部極小問題。從下面2個方面來理解RBF神經(jīng)網(wǎng)絡(luò)的工作原理 ：

1)從函數(shù)逼近的角度來理解：RBF神經(jīng)網(wǎng)絡(luò)屬于局部逼近網(wǎng)絡(luò)。而BP神經(jīng)網(wǎng)絡(luò)屬于全局逼近網(wǎng)絡(luò)，造成兩種網(wǎng)絡(luò)差別的原因在于網(wǎng)絡(luò)中隱層神經(jīng)元對輸入量的處理方式不同，BP神經(jīng)網(wǎng)絡(luò)使用內(nèi)積，而RBF神經(jīng)網(wǎng)絡(luò)選用距離。

2)從空間映射的角度來理解：RBF神經(jīng)網(wǎng)絡(luò)總可以實現(xiàn)低維到高維空間的映射，從而進行復(fù)雜的非線性可分到較為簡單的線性可分問題的轉(zhuǎn)化。只需充足的隱層神經(jīng)元，在隱層的高維輸出空間就可以將輸入模式進行線性分類。

GRNN是RBF神經(jīng)網(wǎng)絡(luò)的一個典型代表。神經(jīng)網(wǎng)絡(luò)由輸入層、隱層和輸出層組成，如圖1所示。

圖1 GRNN結(jié)構(gòu)

GRNN的實質(zhì)就是訓(xùn)練1個新的向量，1個新的向量必然會存在1個RBF神經(jīng)元與之對應(yīng)，隱含層RBF神經(jīng)元用于存儲學(xué)習(xí)過程中的訓(xùn)練數(shù)據(jù)。當訓(xùn)練1個新的向量時，新的向量與隱含層單位權(quán)向量間的距離可由式(1)決定：

dist=|X-W1|

(1)

式中，X為輸入矢量，R為X的維數(shù)，S1為隱含層單元數(shù)，W1為隱含層單元權(quán)向量。

隱含層的高斯函數(shù)表達式由式(2)決定：

a1=exp[-(‖dist‖×b1)2]

(2)

調(diào)整距離由式(3)決定：

b1=0.8326/s

(3)式中，s為網(wǎng)絡(luò)的窗口寬度，網(wǎng)絡(luò)中唯一的一個可調(diào)參數(shù)。若dist=s，則調(diào)整后的距離n1=‖dist‖×b1=0.832 6，則高斯函數(shù)的輸出值為0.5；如果距離值遠大于s，高斯函數(shù)的輸出值趨于0。n1值增大，隱含層的輸出值將減小。

GRNN輸出層函數(shù)為線性函數(shù)，有S2個神經(jīng)元，由式(4)決定：

a2=n2=W2a1+b2

(4)

式(4)中，W2為輸出層權(quán)向量。

由GRNN結(jié)構(gòu)可以看出，GRNN網(wǎng)絡(luò)僅有1個可調(diào)參數(shù)s，預(yù)測的準確與否完全由數(shù)據(jù)來源決定，這在很大程度上擺脫了人為的主觀主義的假想對預(yù)測結(jié)果的影響。如果s值越小，逼近精度就越高，但逼近過程往往不平滑；如果s值選取的越大，逼近過程相對來說較為平滑，但是逼近精度較差，誤差較大。

2 棄風電量評估模型研究

采用GRNN神經(jīng)網(wǎng)絡(luò)，與BP神經(jīng)網(wǎng)絡(luò)相比，GRNN網(wǎng)絡(luò)僅有1個可調(diào)參數(shù)s，預(yù)測的準確與否完全由數(shù)據(jù)來源決定，這在很大程度上擺脫了人為的主觀主義的假想對預(yù)測結(jié)果的影響；BP神經(jīng)網(wǎng)絡(luò)具有計算速度低、運算時間較長的缺點，而GRNN神經(jīng)網(wǎng)絡(luò)則提高了計算速度，降低了運算時間；并且GRNN神經(jīng)網(wǎng)絡(luò)的穩(wěn)定性往往優(yōu)于BP神經(jīng)網(wǎng)絡(luò)。

樣本訓(xùn)練GRNN網(wǎng)絡(luò)，逐漸增大s值，計算實際值與預(yù)測值之間的誤差，對每個訓(xùn)練樣本重復(fù)這一過程，可得到一組誤差序列，計算誤差序列的2-范數(shù)：

(5)

選取使得誤差序列2-范數(shù)最小的s值。

GRNN網(wǎng)絡(luò)的輸入節(jié)點數(shù)為12，輸出節(jié)點數(shù)為1。得到的2015年8月功率曲線與風機實測功率曲線對比如圖2所示，以2#和33#風機為例(s值選為0.1)，為顯示清楚僅截取其中一部分圖形。

由測風塔神經(jīng)網(wǎng)絡(luò)模型得出的風電場輸出總功率曲線和風電場實際總功率曲線進行比照，兩者求差并對時間進行積分得到2015年8月的棄風電量為3 962.24 MWh。

圖2 測風塔神經(jīng)網(wǎng)絡(luò)模型輸出的功率曲線與風機實測功率曲線對比

圖3 4種棄風電量評估方法與理論功率曲線對比

3 結(jié) 語

通過測風塔法、測風塔神經(jīng)網(wǎng)絡(luò)法、樣本機法、面積積分法的模型仿真，從仿真圖和數(shù)據(jù)中得出結(jié)論，測風塔法和樣板機法的棄風電量評估模型的輸出功率曲線較為接近理論功率曲線，并且測風塔法在圖形和數(shù)據(jù)上均要優(yōu)于基于樣板機法的棄風電量評估模型。所提出的基于測風塔神經(jīng)網(wǎng)絡(luò)法的棄風電量評估模型在低風速時的評估效果具有一定的參考價值，比較接近實測風速。

[1]鐘宏宇,高 陽,陳思慧,等.棄風電量評估方法的研究現(xiàn)狀及技術(shù)展望[J].電器與能效管理技術(shù)，2016(4):33-37.

[2]Zhang Jia-feng,Zhang Fei-fei,Masanori Ito.Motion estimation based on optical flow and an artificial neural network (ANN)[J].Artificial Life and Robotics,2009,14(14):502-505.

[3]杭晨輝,侯佑華,景志濱,等.內(nèi)蒙古電網(wǎng)棄風電量統(tǒng)計體系的建立及應(yīng)用[J].內(nèi)蒙古電力技術(shù)，2014(5):16-20+25.

[4]Tomislav Rolich,Anica Hursa Sajatovic,Daniela Zavec Pavlinic.Application of artificial neural network (ANN) for prediction of fabrics’ extensibility[J].Fibers and Polymers,2010,11(6): 917-923.

[5]姜文玲，馮雙磊，孫 勇，等.基于機艙風速數(shù)據(jù)的風電場棄風電量計算方法研究[J].電網(wǎng)技術(shù),2014(3)：647-652.

[6]蘇辛一，徐東杰，韓小琪，等.風電年最大棄風電量計算方法及分析[J].中國電力,2014(7):96-100.

[7]Divya Srivastava,RajMohan Singh.Breakthrough Curves Characterization and Identification of an Unknown Pollution Source in Groundwater System Using an Artificial Neural Network (ANN)[J].Environmental Forensics,2014,15(2):175-189.

[8]任 華,姚秀萍,張新燕,等.風電場棄風電量統(tǒng)計方法研究[J].華東電力,2013(10):2148-2152.

[9]謝國輝,李瓊慧,高長征.風電棄風電量的計算方法與模型[J].電網(wǎng)與清潔能源,2013(2):95-100.

(責任編輯佟金鍇校對張凱)

WindPowerLossEstimationBasedonWindTowerNeuralNetworkModel

GAO Yang,WU Wei-qing,XU Ao-ran,LI Dong-yang,YU Jie-cheng

(School of Electrical Engineering,Shenyang Institute of Engineering,Shenyang 110136,Liaoning Province)

There are increasing abandoned wind due to the relatively weak wind power accommodation ability led by the fast adjustable power supply capacity limitation of the power grid.This paper studied the tower neural network method and built the neural network model according to different height wind speed and wind direction data of historical wind tower measuring combining with the fan power of historical observation data of wind farm.Then,the sample data was input to the model which had built to get theoretical power fan and abandoned wind power.The abandoned wind power data counted by the wind tower method,neural network method,model machine method and area integral method respectively showed that the value based on abandoned wind power tower evaluation model of neural network method in low wind speed had a good reference,which relatively closer to the measured wind speed.

Power system;Wind tower;Neural network model;Abandoned wind power

2017-01-09

高 陽(1974-)，男，遼寧沈陽人，副教授，博士，主要從事電網(wǎng)運行與控制及新能源系統(tǒng)方面的研究。

10.13888/j.cnki.jsie(ns).2017.03.009

TP273

： A

： 1673-1603(2017)03-0240-04