基于先进神经网络模型的风电功率预测

摘要：在本文中，一种基于循环高阶神经网络的高级模型被开发用来对风电站的

功率输出情况进行预测。这种模型要优于简单进行不间断试验，也比其他一些相关文献里的传统方法要好。这种模型的构建能够通过运用一种新型算法进行自动最优化处理，这就代替了通常所采用的反复试验的方法。最后，文中提到了将这种开发中的模型在线应用于高级控制系统的最优化操作以及真正的独立风油混合动力系统的管理。

关键词：短期风电功率预测，循环神经网络，风柴混合动力系统。

一 引言

风能转化系统（WECS） 是以一种对发电尤其是对像岛屿或农村地区这样从

整体到孤立的电力系统深具吸引力的替代品。虽然WESC 的一体化对环境与经济大有裨益?2,4,14?，但是风力的不可控特性使得这些能源系统?7,13?的最优化管理变得异常困难。

在能源系统控制管理中对高效率的风能预测进行整合可以降低操作费用，改善服务质量?1,3,4,7,14?。

在这篇文章中，为风电的短期预测开发出了一种循环高阶神经网络模型。这种神经网络系统相较于保守方法的一个主要优点就是能够为衡量评估推导出快速学习算法，从而使它对在线应用来说是最合适的。

这一成熟的模型能够用来在数秒到数小时的时间范围内对风速或风电功率进行预测。不过，本文主要是关于对短期范围内独立能源系统的预测以及对WECS在接下来的两三个小时内功率输出情况以10分钟为一个时间步长进行的预测。

这篇文章框架结构如下：首先，现代科技已经具备对风电功率进行短期预测的能力。再者，通过希腊利姆诺斯岛上的风油混合动力系统数据，风电功率预测模型得以发展和鉴定。之后一种用来最优化构建预测模型的算法得以提出。这一算法将所有对模型发电能力具有决定性作用的参数进行了最优化。最后，文章介绍了该成熟模型在为利姆诺斯岛上的风油混合动力系统最优操作管理而设计的高级控制系统中的安装应用。

二 风电预测问题

在本文中，不同风电功率预测模型建的主要不同点在于：

（Ⅰ）时标。当用于风电涡轮机控制时，可以采用以秒为序列来进行风速预测?2,3,5?。再或者当目的是经济的急件和功率系统计划时，时标可以是分钟甚至小时为序列。这样的功能使 WECS 功率输出的预测?1,4,7,13,14?成为必要。

（Ⅱ）方法。在更小的时标内，根据观测值来推知预测值的时间序列方法?2?7?要被用到。在以小时或其他为序列的更高时标内，会应用基于气象信息的模型。这些模型一天数次产生预测，相对于时间序列模型?1?，需要更多参数和电脑时间。

因为本文主要讨论短期风电预测，时间序列法将会在后面有所提及。从十分有限的现存文献所得的这种方法的结果列在下面，以此表明风电的可预测性。对这种方法的评估是建立在与第三节中的传统试验方法对比的基础上的。 [2]中，在几种时标中采用卡尔曼滤波法来预测风速，这种对传统方法带有致敬色彩的以 1 min 为基准单位的改进方法以 4-10为序列，这个序列与标准均方根误差有关。当以 10 min 为基准单位时，结果就变得很小甚至可以忽略不计了。

[3]中，ARMA 模型可以使2-s 数据（范围可以达到20-s）的静态性改善5—12，可以使1-min（范围可达到10-min）数据的静态性改善9-14。可以发现，预测风能的多层反馈神经网络系统的运行结果的静态性与运用10-s 数据时的结果非常接近

?5?,与此同时，一步预测法能使1-min 数据的预测结果改善11，使10-min 数据的

预测结果改善8。应用径向基函数能够得到相近的预测结果?6?。

[7]中，应用了 ARMA 和双线性之类的多种方法来进行风电功率预测。对2小时范围内，30min 为时间单位进行风电功率预测时，以静态性能改善 7-12。

最后需要说明的是，本文不涉及时序多步提前预测以及以10分钟为序列的解决方案。

三 风电功率预测方法

以下主要介绍两种预测风电功率的方法：

（i）要开发一种能够把风速、风向等因素作为解释变量的明晰的风电功率预测模型。

（ii）开发一种风速预测模型，再开发一种对风能转化为电能进行预测的模型。

转化模型能够将风力涡轮机功率的产品特性曲线视作风速的一个函数。但是如果风速的测量点跟风力涡轮机轮毂高度不同，那么转化模型要能够说明风的三维参数。

在第Ⅳ节的案例研究中， 预测了风电站功率输出情况并通过一种独特的风速计测量了风速。就如通常的情况一样，第一种方法能够得出更良好的结果。第二种方法测出的结果较差，即使是更高级的转化模型依然如此。在[7]中也得到了相同的结果。

A. 天真预测器

当不能借助于更高级的预测模型的时候，预测或许可以通过最少的尝试和数据

操作获得，并且可以仅仅依据于可用的最新数据。这称为“天真预测法”，这一 类

??t?k/t? 满足： 方法要用到最新的可用数据 P?t?，如果假设预测每一时步的 P P?t?k/t??n. , ?P?t? k?1,.....稍微精确的方法要用到 m 过去值的平均作为预测：

??1m?1 PP?t?i? , k?1,.....,n. (1) ?m?t?k/t??mi?0在一些列数据预测上的误差被用作衡量不同性能的标准，如天真预测法和高级预测法中的均方根误差。因为使用高级预测方法而所获得收益通常可以用性能改善的百分比来测算(例如RMS)?2?7?。

B.高级神经网络模型

最近，人们对应用循环神经网络和模化鉴别动态系统的兴趣变得日益浓厚。

这些网络通过反馈链接的形式处理动态元素。这是它与前向反馈网络的不同之处，前向反馈只能够使神经元的输出传递给下一层的神经元。举个简单的例子，每一个神经元的历史状态由以下形式的方程式决定： xi?t?1??aixi?t??bi?w?t?y?t? (2)

ijjj 式中，xi是第 i 个神经元的状态，ai,bi是常数，wij是将第 j 个神经元的输入连接到 i 个神经元上的突触权重，yj是第 j 个神经元输入到上一层神经元的突触权重。每一个yj 既可以是一外部输入，也可以是经过反曲函数的一个神经元的

.是反曲非线性的。动态行为与稳定特性可状态，换言之， yj?Sxj，这里 S??用（2）来描述，这已经被很多人研究过，比如 Grossberg?8?。

高阶网络是一阶 Hopfield 网络和 Conen-Grossberg 网络模型?8?的拓展，这些一阶网络模型允许高阶网络在神经元间相互作用和配合。在循环二阶神经网络中，所有的神经元不仅仅是输入组分 yj 的线性组合，还是他们的产物yjyk的组合。此外，人们能够沿着这条线继续追踪，包括用 yjykyl和 yjykylyn等来描述高阶神经网络间的相互作用。这类神经网络形成了循环高阶神经网络（RHONN） 。 假设现在有一时间离散的 RHONN 包括 n 个神经元和 m 个输入，第 i 个神经元的状态xi由另一不同的方程决定?9?： xi?t?1??aixi?t??bi

其中 zk?????w?t?z?t? (3)

ikkk?1L?yj?Ikdj?k?j

而 {I1,I2,...,IL} 是 L 的集合而非 {1,2,...,m?n}的子集， dj?k?是非负整数，矢量y被定义为：

TT????????y?[y,...y,y,...y,]?[Sx,...S,x,Su,...S,u]?1nn?1m?n1n1m (4)

.是单 式中u?[u1,u2,...,um]T 是到网络的外部输入向量，T 指示移项操作。S??调递增的可微反曲函数，函数形式如下：

S?x???

随机斜度法可以导出用于衡量评估的学习法则：

1?? (5)

1????xwik?t?1??wik?t???izk?t??i?t? (6)

其中 ?i?t???xi?t???i?t?代表预测误差，xi?t?是过程的测量值， ?i是一个表征学习速度的很小的正 x参数。在学习过程中，为了防止残余波动或者不稳定的发生，学习速度的值会减小。该值的减小是根据如下的“搜索收敛”?10?的学习速度方案函数决定的：