风电场风速预测的RBF神经网络模型.pdfVIP

风电场风速预测的 RBF 神经网络模型 谭志忠，刘德有，王丰 （河海大学水利水电工程学院） 摘 要：本文介绍国内外关于风电场风速预测的主要方法，建立了基于RBF 神经网络的风电场风速预测模型及 其求解方法，将其用于实例风速的提前1h 预测，结果精度满足工程实际要求，并明显优于BP 神经网络预测方 法。同时，提出了风速时间序列重构方法，并以此进行了实例风速的提前 24h 预测，结果精度达到与提前 1h 预测精度相近，即该重构方法是风电场风速中长期预测的有效方法。 关键词：风电场 风速 预测 时间序列 RBF 神经网络 1 风速预测问题的描述 为了制订电力系统的运行调度计划，首先必须预测计划期内电力系统各电源点的出力变化情 况。随着风电场建设规模的不断扩大、风电场数量的不断增加以及风电装机容量在电力系统中的比 重不断上升，风电场的风速预测不但是风电场及其所在电力系统制订发电调度计划的重要依据，而 且直接关系到电力系统的安全、稳定和经济运行。虽然，在精确的数值上，风速是个难以预先确定 的随机量[1]，是不可控的，但在变化趋势上，风速的随机值是一个具有一定周期性的连续时间序列， 因此，在数学上，可以通过差分方法，将其转化为平稳的时间序列，由此风速在一定程度上是可以 预测的。因风电场的发电出力取决于风速的大小，故通过对风速的预测，即可预测风电场的输出功 率，从而满足电网优化运行调度的需要。 目前，国外关于风电场风速预测研究已得到高度的重视，国内也已有学者开始相关的探索。已 建立的风速短期预测方法主要有：移动平均法[2] [3,4] [5] ，空间相关模型法 ，模糊评价法 ，线性预测法 [6]，离散化的哈勃特变换法（Discrete Hilbert Transform, DHT[7] ）等。由于风速具有随机时序性和高 度非线性，对于抽取和逼近的非线性函数，上述方法均难以很好地满足其中长期预测要求，而人工 神经网络(ANN)可以从训练过程中通过学习来抽取和逼近隐含的输入输出非线性关系，因此，基于 人工神经网络的风速预测方法成为近几年研究的热点。目前，主要采用BP神经网络[8-10]、局部反馈 [11] 性神经网络（IIR-MLP、LAF-MLN 、RNN ） 等，但其大多还主要用于风速的短期预测。文献[11] 对风速进行了中长期预测，其结果与实测值在总体趋势上较吻合，但数值误差仍比较大。由于BP 神经网络用于函数逼近时，权值的调节采用的是负梯度下降法，这种调节权值的方法存在一定的局 限性，即收敛速度慢和局部极小等缺点，因此不能满足风电场风速预测的快速准确的需求。研究表 明[12-14] ：径向基函数（RBF ，即：Radial Basis Function ）神经网络的逼近精度明显高于BP神经网络， 且不存在局部最小问题，不需要事先确定隐含层的单元个数，并在逼近能力、分析能力和学习速度 等方面均明显优于BP神经网络。因此，本文采用RBF神经网络对风速时间序列进行预测，并通过重 构风速时间序列进行了较长时间的风速预测。 风速预测是在充分考虑到各种随机影响因素的情况下，分析处理过去风速数据并预测未来风速 趋势的一套系统的数学方法。风速预测的主要目的是在满足一定精度要求下，确定未来某特定时刻 或某特定时段的平均风速值。利用平均风速值即可较为合理地估算特定时刻或时段的风能。风速预 测按其周期分为短期、中期、长期预测，短期风速预测是指对未来1h、0.5h甚至10min周期的平均 风速的预测，中期和长期风速预测则是指对较长周期的平均风速的预测。 神经网络用于时间序列预测是指利用神经网络方法去预测逼近一个时间序列，即用时间序列的 前N个值v(t-1), v(t-2), …, v(t-N)去预测后面M个值v(t), v(t+1), …, v(t+M-1) 。 2 RBF 神经网络模型及其求解 2.1 RBF神经网络的结构 人工神经网络是一个大规模分布式并行的非线性信息处理系统。研究表明，一个三层的前馈型 人工神经网络，在隐层节点足够多的情况下，经充分学习，可以任意精度逼近任何非线性函数。 RBF神经网络结构如图1所示，由三层组成，其