风电功率预测问题研究

中 国 机 电 工 程 学 报 ，０ ５（１ ２０， ） １．
当 网络输 出与 输 出不 等 时 ， 出误 差 Ｅ定 义 如下 ： 输
Ｅ Ｉ ＝ ／ ｔｚ ２∑ｆ ） —
【】焦 淑华， ２ 夏冰 ， 徐海 静， Ｂ 等．Ｐ神 经 网络 预测 的 ＭＡ Ｌ Ｂ实 ＴＡ 现Ｉ ． Ｊ 哈尔滨金融高等专科学校学报，０ ９（） 】 ２０， ． １
ＤＷ ｊ ａ ｉ —
ｕ Ｖｉ Ｖ ｊ
Βιβλιοθήκη Baidu
ｏ 等 ｖ 一
式 中 ， 号表 示 梯度 下 降 ，∈（ ，） 负 ａ ０１。 将 样 本 提 供 给 网络 ，按 上 述 过 程训 练 ， 预 先 设定 误 差 Ｅ的 大小 ， 当训 练 结果 与 目标 值 之 差 小 于 预 先 设 定 的 误 差 限 时 ， 络 收 敛 ， 练 网 训
是预测 明 日２ ６ 时点 （ １ ｉ ４ｈ 个 ９ 每 ５ ｎ一个 时点 ） ａ ｒ 的风 电 功率数值 。实 时预测是滚动地预测 每个 时点未来 ４ｈ内 的１ ６个时点 （ １ ｉ 一个时点 ） 每 ５ ｎ ｍ 的风 电功率数值 。 某 风电场 由 ５ ８台风电机组构成 ， 台机组 的额定输 每 出功 率 为 ８０ｋ ２ ０ 年 ５ １ ５ Ｗ。 ０ ６ 月 ０日至 ２０ 年 ６月 ６日 ０６ 时间段 内该风电场 中指定 的四台风 电机组（ Ｂ、 Ｄ 输 Ａ、 Ｃ、 ） 出功率数据 （ 分别记为 Ｐ ，ｎＰ ，。 Ｐ， Ｐ； 另设该 四台机组总输 出功率为 Ｐ）及全场 ５ ４ ８台机组 总输 出功率数 据 （ 记为
４ 符号说 明
各 种 符合 及 含 义 说 明如 表 １ 所示 。
作者 简介 ： 俊 （９ １ ）女 ， 川 绵 阳人 ， 学本 科 ， 南 交通 大 张 １９ 一 ， 四 大 西 学机械 工程 学 院交通 设备 信 息 工程 专 业 。
图 １ 神 经 网 络 结 构 图
４ ２
企 业 技 术 开 发
Ｐ ） ５。
Ｙ
Ｗｉ ｌ
ｒ
Ａ
瓠
０ｉ
ｆ
Ｓｉ ａ
传递函数 隐含层节点 网 络学 习精 度 （＝ ． ５ ａ０ ０ ） ０
隐 含层 节 点 与输 出层 节 点 的 网络 权值
输 入 向量
问题 ： 电功 率 实 时预 测 。 风 ① 预测 量 ： ．Ｐ ， ＢＰ ，Ｄ ｂ ４ｃ ５ ａ ＡＰ ， ｃＰ ； ．Ｐ ； ．Ｐ８ 。 ② 预 测 时 间 范 围分 别 为 ： ５月 ３ １日 ０时 ０分 至 ５月 ３ １日 ２ ３时 ４ ５分 ； ５月 ３ １日 ０时 ０ 至 ６ ６ 日 ２ 分 月 ３时 ４ 分。 ５
【】 京 ： 南 大 学 ， １． Ｄ． 南 东 ２ ０ ０
再 将 上 式定 义 展 开 到输 出层 ， ： 则
Ｅ １２ ｔｆ ∑ｖ －０） ＝ ／ ｔｆ ∑ｖ ｆＥｗ，一０｛ ＝ ／ Ｅ［ （ ｉ — ｙ ］１ ２ ２∑【 （ ｊ （ ｊｉ ） － ｙ ｘ 一
０） 】
摘 要 ： 章采 用 Ｂ 文 Ｐ神 经 网络 法对 风 电场 ５ ８台风机 的 输 出功 率进 行 了预 测研 究 ， 立 三层 神 经 网络 模 型 ， 据 已有 的 建 根
风 电功 率历 史数 据 、 用数 据 整 理 ，进 行 Ｂ 应 Ｐ神 经 网络 的计 算 和 回 归分 析 ， 用 ｅｃｌ ｄｂ以及 ｅｉ 等相 关软 件进 运 ｘｅ， ａ ｍａ ｖ ｗｓ ｅ
５ 模型的建立与求解
根据 题 意 和 初 步 分 析 过 的数 据 ，将 神 经 网络 结 构 设 功 率 ， 神经 网络 结 构 设 计 为 ｉ层 Ｂ 将 Ｐ网络 ，Ｐ模 型 用 功 Ｂ 计 为 三层 Ｂ Ｐ网络 ，Ｐ模 型用 功率 预 测 功 率 ， Ｂ 采样 时 问 问 率 预 测 功 率 ， 样 时 间 间 隔为 １ ｉ， 为相 邻 时 刻 的 值 采 ５ｍｎ 因
所示 。
由于 风 的 波 动性 和 间 歇性 ，风 电 的典 型特 征 就是 不 输出层神经元 １ 个。由此可作 出神经网络结构图 ， 如图 １ 可控 ，大容量风电场 的介入会对 电网运行产生较大的冲
击甚至危 险。 为了保障电网的安全 ， 对风电场发电功率进 创 建 一 个 满 足 上 述 要 求 的 Ｂ 网 络 ；ｅ ｎｗ （ 行 预 测 十分 必 要 。 Ｐ ｎｔ ｅｆ ＝ ［ｉｍ ｘ ）【 １，‘ ｎｉ’ ’ｕ ｌ ’，ｔ ｉ ｍ’ ； ｍｎ ａ（ ， 】｛ｔ ｓ ，ｐｒ ｉ ｝’ ａ ｌ 】 当输 出 Ｐ ７ ａ ｇ ｅｎ ｒｎ ） 通过这种模型 ，不仅从数量上揭示 了风 电场风电功 节点 的 目标值为 ｔ ， 型计 算公式 为 ：＝（ ｔ 输 出节 率韵发展变化规律 ，也从动态上刻 画了现象的内部数量 时 模 ｙｆ ｅ ， ｎ） 点 的输出为 ：ｅ ｖ 一 ｎｔ ｙ ０，隐层节点 的输 出有 ：＝ ｎ ， 关 系及 其 变化 规 律 。 ＝ ｓ ｅ） ｊ
结束 。若训练 次数 已达到 预设 的最大训 练次 数 ， 练终 止 ， 训 网络无法 收敛 ， 学习过程结束 。
用 流程 图表示 如 图 ２所 示 。
６ Ｂ Ｐ神经 网 络预 测的 ＭＡＴ ＡＢ实现 Ｌ
①数据样本的预处理 ， 在论文前面 已经统
一
进行 了预 处 理 。
②确定激活 函数 ， ｔ ｓ 取 ａ ｉ ｐｒ ｉ ｎ ｇ和 ｕ ｌ ｅｎ为激 活 函数 。 ③ 设 定 网 络 的 最 大 学 习 迭 代 次 数 为
之间突变的可能性较小 ，所 以采用一个 小时内的 ４个数
隔为 １ ｉ， ５ｍｎ 因为相邻时刻的值之 间突变的可能性较小 ，
所 以采用一个小 时内德 ６个数据作 为一组 ，用前 三个数 据作为一组 ， 用前三个数据预测下一个数据 ， 因此输入变 据 预 测下 一 个 数 据 ， 此 输入 变量 就 是 一 个 三 维 的 向量 ， 因 量就是一个三维的向量 ， 四个数据就是 目标输出量 。 第 第 四个数 据 就 是 目标输 出量 。
（＝ … ｊ ；ｅ＝∑Ｗ。 （＝ ， ｊｌ２ ）ｎ ｔ ｉ ｊ ，ｊ ｌ ２…．ｊ 。 一０ ，）
以上 两式 中，转移 函数一 般都用单极性 Ｓ ｍ ｉ ｉ ｏ ｇ ｄ函 数：
ｆ ： （ — 一 ）
ｌ － ＋ｅ ｘ
参 考文 献 ： 【】杨秀媛， １ 肖洋， 陈树勇． 风电场风速 和发 电功率 预测研究 ｌ１ ． Ｊ
将 上 式误 差 定 义 展开 到 隐含 层 ， 有 ： 则
Ｅ１ ＝ ／ ｔｆ ｅ ］ １ ２∑［ （ ｔ ２ ／ ｔｆＥｖ 一０） — ｎ ｊ）＝ ２∑［ （ ｙ － — ］
【］ ３王世谦 ， 苏娟， 杜松怀 ． 基于小波变换 和神 经网络 的短期 风电 功率预测方法ｆ ． Ｊ 农业工程学报，０ ０（ ） １ ２ １ ，２． ｓ ［］黄金 花．基于神经 网络 的风 电场 短期风 电功率 预测研 究 ４
第３ １卷第 ２ ０期
Ｖｏ Ｉ １ ｌ３ Ｎｏ ２ ．０
企 业 技 术 开 发
ＴＥＣＨＮＯＬ ＯＧＩ ＣＡＬ ＤＥＶＥＬＯＰＭＥＮＴ ０Ｆ ＥＮＴＥＲＰ Ｓ ＲＩ Ｅ
２１ ０２年 ７月
Ｊ １ ０１ ｕ． ２ ２
风 电功 率 预 测 问题 研 究
张 俊 ， 赵 文
（ ． 南交 通 大 学 机 械 工 程学 院 ， １ 西 四川 成 都 ６ １５ ； １７ ６ ２四川农业大学 ， 乡建设学院 四川 成都 ６ １３ ） ． 城 １８ ０
２１年 ７ ０２ 月
由 上式 可 以看 出 ， 网络 输 入误 差 是各 层权 值 ｖ ｗ 的 函数 ， ｉ ，ｉ 因此 调 整 权 值 可 改变 误 差 Ｅ，
显然 ，调整权值的原 则是使误差不断减小 ， 采 用梯度下降法 ， 使权值 的调整量与误差的负梯 度成正 比， 即如 下 ：
３ 模 型假 设
① 由于历史数据足够多 ，故假设 由历史数据可以反 映未来 风电功率的取值 。 ② 由于采样时间为 １ ｒ ｎ ５ ｉ，所 以假设相邻 时刻的风 ａ 电功率 值 突变 可 能性 很 小 。 ③预测功率时刻上传。
根 据 Ｋ ｌｏｏ ｖ 理 ， 入 向量 ３ ， 输 人 层 神 经 ｏ ｇｒ 定 ｍ ｏ 输 个 则
２ ０ ０。 ００
④设定网络 的学习精度为 ａ 。 ⑤创建和训练 Ｂ 神经网络的 ＭＡ Ｌ Ｂ程 Ｐ ＴＡ
序。
⑥测试 Ｂ Ｐ神经网络 ，将测试 的输出数 据 还原 ， 与实际数据 比较分析误差。
图２Ｂ Ｐ算 法 流 程 图
７ 模 型 的评 价及 推 广
元３ ， 个 则隐含层神经元为 ２ ＋＝ 个 ， 出向量 １ ， ×３ １７ 输 个
Ｐ：
Ｔ ａｎ ｍ ｒ ｉｌ Ｔ ｎ ｉ ａ ｓｇ Ｐ ｒｌ ｕ ｅｉ ｎ
Ｅ
设 定 的 网络 训练 函数 采 用 的激 活 函数
误 差
２ 问题 分 析
根 据 题 意 所 要 求 是 要 实 时 预 测 和 用 ｅｅ 、 ｉ ｓ ｘｌ ｅ ｅ 初 ｅ ｖｗ 步分析过的数据 ，且预ｉ 为用单 一的风 电功率预测风 电 见 ０
１ 问题 重 述
符 号 风 电功率 预测 分 为 日前 预 测 和 实 时 预测 。 日前 预 测
Ｘｉ
表 １ 符 号 说 明
含 义 输 入层 节 点 输 出节 点 输 入层 几 点 与 隐含 层 节 点 的 网络 权 值 精 度 学 习 速率 当 前表 现 出 函数 的梯 度 神经元 ｉ 的阈值
行 预 测 分析 ， 决 了风 电功 率预 测 问题 。 解 关键 词 ： 经 网络 ； 测 ； ｖｅ ｓＭＡ Ｌ Ｂ； ｘ ｅ 神 预 Ｅ ｉ ； Ｔ Ａ Ｅ ｃｌ ｗ 中 图分 类号 ： Ｍ６ ４ Ｔ １ 文 献 标 识码 ： Ａ 文 章 编 号 ：０ ６ ８ ３ （０ ２ ２ — ０ １ ０ １０— ９７ ２ １ ）０ ０４ — ２