邱欽宇

（中國鐵路南昌局集團有限公司南昌車輛段，江西 南昌 330100）

我國的疆土廣闊無垠，擁有屈指可數(shù)的超長海岸線，是風力資源較豐富的國家之一。我國頒布的《風電發(fā)展“十二五”規(guī)劃》，精確指出國家電網(wǎng)公司要根據(jù)風電的發(fā)展計劃進行電力系統(tǒng)電網(wǎng)對于風力發(fā)電的進駐的配套工作，改善電力系統(tǒng)運行安排，使風電在整個電力發(fā)電網(wǎng)絡中的占比不斷增加，來完成規(guī)定風電計劃的并網(wǎng)。

然而，與常規(guī)發(fā)電方式有所不同的是，風是隨機的，隨高度增加而變化，隨季節(jié)，日夜的更替而變化，風力發(fā)電有著波動性、間歇性等許多不確定因素。

機組并網(wǎng)時，會有風電穿透功率極限問題的存在。風電場穿透功率的上升到一定值時，會造成電力系統(tǒng)運行出現(xiàn)問題，電能質(zhì)量受到嚴重影響，違反電力系統(tǒng)運行時安全、優(yōu)質(zhì)、可靠、經(jīng)濟、環(huán)保的基本要求。更需要我們注意的是，由于風速超過機組可運行值時會使機組直接退出電網(wǎng)運行，引起電力系統(tǒng)非常大的擾動，造成電力系統(tǒng)運行方式產(chǎn)生急劇變化，甚至使電力系統(tǒng)崩潰。因此，風電場的風電功率預測成為發(fā)展風力發(fā)電的漫漫長路上非常關(guān)鍵的一環(huán)，是維持電力系統(tǒng)高效穩(wěn)定運行的重要步驟。因此保持電力系統(tǒng)經(jīng)濟可靠的運行，使電網(wǎng)發(fā)電計劃調(diào)度合理。根據(jù)風電場的風電功率預測可以十分有效率地進行機組設備維護與檢修，提高風電在電力市場的經(jīng)濟價值與競爭力。

風電功率預測有很多方法，如按預測時間的長短分類?？煞譃樘囟唐陬A測（Very short Term Prediction）、短期預測（Short Term Prediction）、中期預測（Medium Term Prediction）和長期預測（Long Term Prediction）。根據(jù)預測方法分類，風電功率預測大致可分為物理方法，統(tǒng)計方法和人工智能法。本論文重點在研究基于RBF 神經(jīng)網(wǎng)絡算法的短期風電功率預測的探索，通過現(xiàn)有的資料技術(shù)，實現(xiàn)電網(wǎng)的最優(yōu)運行。

1 RBF 神經(jīng)網(wǎng)絡

本文采用了RBF 神經(jīng)網(wǎng)絡來對風電場進行短期的風電功率預測，風速、風向、溫度、大氣壓強，風電場運行機組數(shù)量等數(shù)據(jù)是進行短期風電功率預測的基礎，再參照風電場的歷史數(shù)據(jù)，得出最終的預測結(jié)果。本研究仿真使用的計算機軟件為MATLAB，它作為高性能的數(shù)據(jù)處理和圖像軟件，充分提高了我們分析運算的效率。

RBF 神經(jīng)網(wǎng)絡是一種前饋式神經(jīng)網(wǎng)絡，是一種三層網(wǎng)絡結(jié)構(gòu)。第一層，輸入層，由信號源結(jié)點組成，包含與外部環(huán)境連接的感知單元；第二層，隱含層，是網(wǎng)絡結(jié)構(gòu)中最關(guān)鍵的一層，問題所需決定了隱含層包含的節(jié)點數(shù)，其神經(jīng)元激勵函數(shù)為對中心點徑向?qū)ΨQ的非負非線性徑向基函數(shù)；第三層，輸出層，它用于對輸入層輸出線性響應。

徑向基函數(shù)神經(jīng)網(wǎng)絡的結(jié)構(gòu)如圖1 所示，傳輸層的作用僅為傳輸信號，輸入層和隱含層之間的權(quán)值可近似的看作1。而徑向基函數(shù)網(wǎng)絡的激勵函數(shù)定義為空間中某一點到某一中心之間的歐式距離的單調(diào)函數(shù)，所以隱含層采用非線性優(yōu)化，用于調(diào)整激勵函數(shù)的參數(shù)，學習速度較慢。輸出層是針對非線性優(yōu)化的隱含層進行線性調(diào)整和優(yōu)化，學習速度較快。

圖1 RBF 神經(jīng)網(wǎng)絡結(jié)構(gòu)圖

綜上所述，RBF 神經(jīng)網(wǎng)絡是非線性的，但輸出層輸出的數(shù)據(jù)參數(shù)是線性的，大大節(jié)約了學習訓練的時間，又可避免一定的局部極小問題。

2 基于RBF 神經(jīng)網(wǎng)絡的短期風電功率預測算法

建立RBF 神經(jīng)網(wǎng)絡的預測模型，首先需要確定輸入層，隱含層和輸出層的參數(shù)。本文RBF 神經(jīng)網(wǎng)絡輸入節(jié)點為5 個，輸出層節(jié)點為1 個，合適的隱含層神經(jīng)元數(shù)目可提高網(wǎng)絡的性能。神經(jīng)網(wǎng)絡受到少隱含層神經(jīng)元數(shù)的影響，可能導致使訓練次數(shù)增多，精度降低，不能順利學習。通常増加神經(jīng)元個數(shù)可以提高訓練精度，降低訓練次數(shù)，但需要以隱含層神經(jīng)元數(shù)目保持一定合理范圍作為條件。當超過這個范圍后，繼續(xù)増加神經(jīng)元數(shù)目會使訓練時間增加，同時造成其他問題。根據(jù)柯爾莫哥洛夫定理：隨意給定連續(xù)函數(shù)，存在一個對應的三層網(wǎng)絡實現(xiàn)它，假設網(wǎng)絡具有m 個節(jié)點的輸入層，則可以確定2m+1 個節(jié)點的隱含層。確定出隱含層神經(jīng)元的理論值后，再經(jīng)過反復訓練對比，找出精度最高的。RBF 神經(jīng)網(wǎng)絡徑向基函數(shù)的擴展速度SPREAD 設為0.2。

本研究采用上海某風電場的機組歷史運行數(shù)據(jù)作為數(shù)據(jù)樣本并進行預處理對RBF 神經(jīng)網(wǎng)絡進行訓練，結(jié)合包括風速、風向、氣溫、濕度和氣壓五項內(nèi)容的氣象預報數(shù)據(jù)對風電場臺裝機容量機組進行短期功率預測。

圖2 為春季風電功率預測與實際曲線和誤差分布圖，經(jīng)由MATLAB 計算機軟件仿真得，此RBF 神經(jīng)網(wǎng)絡預測誤差：MAE=67.0896，RMSE=85.5081。由圖2 可得，在春季，時間點為260min，345min，225min 時誤差較大，誤差率分別為20.7%，16.2%，15.8%。除去預測點百分比誤差超過15%，百分比誤差小于15%的時間點有93 個。8 小時96 個預測點的平均絕對誤差為3%。根據(jù)誤差點分布，誤差小于10%的數(shù)據(jù)點為63 個，占預測數(shù)據(jù)的65.6%。殘差區(qū)間在（-2,2）的正常值內(nèi)。殘差平方和越小，此模型的預測相關(guān)性就越好。圖3 為夏季實際值與預測值得回歸擬合曲線，確定系數(shù)為0.9754，處于確定系數(shù)[0，1]的正常取值范圍內(nèi)，且接近于1，表明方程的變量對y 軸的解釋能力越強，這個模型的擬合優(yōu)化程度越好。

圖2 上海某風場風電功率預測曲線與誤差分布圖

圖3 上海某風場風電功率預測值與實際值得擬合曲線圖

3 結(jié)語

隨著風力發(fā)電的迅猛發(fā)展，風力發(fā)電對電網(wǎng)的負面影響日益増加，因此，對風電場短期功率預測稱為一個十分緊迫的問題。本文采用上海某風電場的現(xiàn)場測量和運行數(shù)據(jù)，對于基于RBF 人工神經(jīng)網(wǎng)絡的風電功率短期預測方法進行了研究，考慮氣象因素的影響，進行風電場風功率短期預測。利用風速、風向、氣壓、溫度等氣象因素和風機運行數(shù)量作為神經(jīng)網(wǎng)絡模型的預測輸入，短期風功率進行預測。仿真結(jié)果表明，采用RBF 神經(jīng)網(wǎng)絡預測，有效地提高了預測精度，減小了誤差，具有適應時變特性的能力，泛化能力較好。