基于高级神经网络模型的风电功率预测.doc

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，但是风力的不可控特性使得这些能源系统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。 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： （）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。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 功率输出的预测成为必要。 （）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，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512，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,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。 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 类方法要用到最新的可用数据 ，如果假设预测每一时步的 满足： 稍微精确的方法要用到 m 过去值的平均作为预测： , (1)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)。 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： (2) 式中，是第 i 个神经元的状态，是常数，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，是第 j 个神经元输入到上一层神经元的突触权重。每一个 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状态，换言之， ，这里 是反曲非线性的。动态行为与稳定特性可用（2）来描述，这已经被很多人研究过，比如 Grossberg。 高阶网络是一阶 Hopfield 网络和 Conen-Grossberg 网络模型的拓展，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 的线性组合，还是他们的产物的组合。此外，人们能够沿着这条线继续追踪，包括用 和 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 个神经元的状态由另一不同的方程决定： (3)其中 而 是 L 的集合而非 的子集， 是非负整数，矢量被定义为： (4)式中 是到网络的外部输入向量，T 指示移项操作。是单 调递增的可微反曲函数，函数形式如下： (5) 随机斜度法可以导出用于衡量评估的学习法则： (6)其中 代表预测误差，是过程的测量值， 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”的学习速度方案函数决定的： (7)其中，是学习速度初始值，在每一个学习纪元，很小的正数就会使它减小。学习纪元的总次数用表示。因为 RHONN 模型在有效范围内是线性的，通过学习过程可以得到衡量值的全局最优解。 假设有一动态系统，它的输入输出关系通常由下面这一不同形式的方程给出： (8) 其中是分等级过程输出，是分等级过程输入，是一未知函数。如9所示，如果 （1） 如果 满足连续性的假定；（2）向量 可测量；（3）L 高阶关联足够大；（4）存在恰当的用于调节 RHONN 权重的自适应算法。考虑到风电功率预测中存在的问题，假设由(8)控制的动态过程 , 就是未来的风电功率情况。那么目标就变为找到一个可近似模拟 的神经网络 。主要有三种方法来呈现未来的模型或者，换言之，考虑多部预测： （1）假设此过程可以有 n 个输出的独特的 NN 来近似模拟，每一个输出都能对不同的时步进行预测。那么，过程向量 和 RHONN 状态向量 可分别表示为： （2）另一个方法是每个 NN 只有一个输出，它只对第一个时步起作用。这种情况下，预测结果作为同一 NN 的模型的输入来反馈产生下一时步的输出。 （3）最后，我们可以假设真正的过程被 n 个 NN 近似模拟，每个 NN 都具有一个对应于不同时步的输出。过程输入 u（t）表示为： (9) 其中 , ,s 是不同种类的输入数据的数量（如风电功率， 风速，风向） ，在此模型中，输入变量的总量 ,的一种表达方式可以是 表示风电功率， 表示风速。 C.预测模型构建的最优化 时序预测的主要困难就是找到模型的最优构建。通常，通过试错法来尝试不同的模型构建来找出具有最优归纳能力的方法。 归纳的定义就是预测模型预测数据的能力。模型中自由参数越多，训练数据越具有任意性，但是不一定得到最优化归纳。 预测模型选择通常采用两大类归纳标准。第一类标准包括一个衡量优异性的条件和一个衡量弊端的条件（比如赤池信息量标准 AIC）第二类标准基于交叉效度分析，这一标准是通过对不同于评估模型参数的样本的数据样本来构建模型的。 在这一节中介绍了一个 RHONN 预测模型构建的优化算法。优化标准是基于交叉效度分析方法的，如果在模型开始把干扰取到数据中之前练习停止，那么模型的归纳能力可以得到改善。被算法优化的参数是对模型的归纳能力有影响的，即 （1） 模型中作为输入的每一种数据的的过去值数量。从现有的对风电数据的初步统计可以看出并不存在很明显的季节性。因此第 i 类数据的指令集合被认为含有连续值，即 。能最优化 中的元素 的算法可以写作是： 。此最优化的结果就是能够自动进行数据选择。直到 ，第 i 类数据对模型 无输入。（2）学校速度表的参数由（7）给出。训练纪元次数 的最优化结果就是能够得到学习过程的最优化截止点。 （3）最后，参数 能够决定神经网络中所用反曲函数的形状，对每一种输入来说，参数 的最优化不是强制性的。很多人都知道，参数 , 会根据反曲函数的输入值 x 的取值范围而调节以适应某个常数。 候选模型构建参数向量被定义为： ， （10） 其中 跟有关的索引表明每一种数据都经过一个不同的反曲函数的。 根据交叉效度分析法，现有数据集合被随机分割到三个子集中：学习子集 ，用于权衡应用的评估； 确认子集 ，用于确定构建参数。 测试子集 ，只用于模型的最终评估。这一系列数据的结果将会与不成熟方法或者文献中其他高级方法相比较。 基于以上几点，规定结构优化问题如下： 其中： 1） 2） 3） 其中是确认子集 预测误差的平方根。它的最小值就是模型结构参数的最优化值。 第一个限制代表结构参数可接受值的范围。 第二个限制表明是利用（3）中描述的神经网络以及由 描述的结构参数和由描述的权衡最优值才得出了确认子集的预测结果。 最后，第三个限制表明候选模型的权衡最优值是利用学习规则（6）并根据由参数，定义的规划来对数据模型进行训练得到的。上述最优化问题是通过12中的非线性单一方法解决的。这种方法是基于对函数 表面的评估得到的。这种方法目前可以应对不连续的变量（历史数据的数目，纪元的数目）和连续的变量（如学习速率） 。四 实验结果与讨论 通过对利姆诺斯岛上风油混合动力系统的研究，我们发现已安装的柴油机装机容量是13.25MW，同时总装机容量1.14MW 的两座风电站正在建设中（8 台55kW，7台100kW）。 以上能源系统的短期规划由下面的一个高级控制系统完成，这就使得以10分钟为一个时步，对两小时内的风电运行情况进行预测成为必要。 风电站的功率情况被定义为平均风力涡轮机功率，即对时间段 t 内的数个风电站总功率取平均数，求得单个风电站的功率。由于不含发电机组数的任何信息，因此通过规划函数来预测风电站总功率不不容易。此外，系统总功率还会由于外部机组切换而引发不连续，因此存在不可预测的情况发生。 这里讨论的测量方法是由岛上的数据获得系统得出的，这些数据以1分钟为一个时步且涵盖了五天之内的时段。这些方法既可以测量每一个风电站（风速计所在地）风速，也可以测量每一台机组功率输出情况。1分钟时步风速数据和机 表 1：风力轮机的平均功率与风速数据组平均发电功率由时序表 1 中的 10 分钟时步进行平均计算。这些时序已经被分为一个包含有初步的 360 个数据的学习子集，包含有 100 个数据的确认子集和包含有 190 个数据的测试子集。接下来，我们仅讨论第二个风电站（7100kW）的测量结果。 这三个基本的人工神经网络结构已经经过了测试： （1）具有与时步一一对应的 12 个输出的网络被称为 ANN-a。 （2）具有一个输出，能互动应用来预测所有 12 个时步的网络被称为 ANN-b。它的结构在最优化时已经将所有时步的预测误差考虑在内。 （3）一个跟前一个类似的网络，被称为 ANN-c，在对它进行最优化时，只需考虑的第一时步的测量误差。 高阶项最高是二次总是在考虑范围之内，而神经元通过循环链接完全联通。最优化结构参数向量如下所示： 其中，是历史风电功率数，是历史风速值。 应用 ANN 模型，通过反复试验获得的均方根标准的改进情况如表 2 所示。由于ANN 发的应用使得混步预测取得了很大的进步。ANN-a 和 ANN-b 在长期预测上比 ANN-c 表现更加优异。这是因为在这些网络的结构最优化过程中将它们在整个取值范围内的表现予以了考虑。在进行超前预测时，表现最好的则是ANN-c，ANN-c 就是专门为此类预测设计的。虽然如果为每一个时步设计一个不同的模型话能够得到更好的结果，但是从在线运行的视角看来，此方法并不可取。 最后需要强调的是， 对于一个成熟模型的完全统计评估来说，我们所能够顾及的时间段当然是微不足道的。但是由于成熟模型（如下表所示）的在线应用，这种方法也足以被选为典型方法。此外，通过对在其他地点更长时间段内的测试，可知相对于通过所推荐的方法获得的结果，以上的结果完全是具有代表性的。表 2：各种方法的 RMS 误差以及使用 ANN 法之后的改进4.1 已有控制系统的实现 在欧盟工程 JOU2-CT92-0053 框架协议下，一个用于风油混合动力系统的最优化操作管理的高级控制系统（CS）正在开发之中。此系统已经建好并正在对利姆诺斯岛上的风油混合动力系统进行评估。 CS 的目标是通过推荐能源系统操作的最优化集合对象来帮助系统操作者，以使在节省最多燃料的同时不使顾客得到的服务质量下降。此集合对象是由一个经济调度模块产生的，这个模块考虑到了负载情况和风电功率预测情况（如表3所示）。能源系统的安全由安全评估模块保证，这个模块能够监督操作集合对象的产生并能够拒绝可能导致能源系统动态不安全状态的因素。 表3：导航控制系统的结构 风电功率预测是由风电功率预测（WPF）模块提供，此模块对控制系统的详细操作如表4所示。各种初级预测模型和高级预测模型已经整合在了WPF模块中。由于ANN-a RHONN模型比ANN-b和ANN-c 具有更好的全局表现，我们选择使用ANN-a 。每次CS开始工作，初级预测方法就会替换掉高级方法。之后，需要一段短暂的时间来使高级方法自动适应新的情况。当调整到得出的结果比初级方法优异的时候，高级模块就会提供预测结果。以五天时间为限，能源系统的在线操作统计情况如14所示。控系统通过利用高级预测模型，能够：（1）减少柴油单元的启停次数，甚至减少30% 。（2）降低负载损耗。（3）提高燃料节约率1-2% 。（4）提高风能利用率。 五 结论 本文展示了一个基于神经网络的风电功率时序预测模型。此模型在预测近似自适应能源系统短期规划函数方面的表现经过了测试。这个模型要比初级模型表现出色，并且所得结果也比其他已知替代模型所得相似结果优异。这些优势源自于自调节神经网络法以及这里推荐的用于最优化预测模型结构的算法。这一取代了试错法的算法的目标就是使预测模型的归纳能力最大化。由于其能够应用于任何的时序统计非线性问题，所以具有广泛价值。最后，在希腊利诺斯岛上，这一成熟模型已经在实验性风油混合动力系统中投入应用。 表4：WPF操作模块流程图 六 感谢 作者要感谢欧盟对 Joule-II项目的资助：现在的工作就是JOU2-CT92-0053部分。 七 参考文献1 L.Landberg et al,Short-term prediction of local wind predictions ,Procd. of the 4th European Wind Energy Conference,EWEC 93,Lubeck-Travemunde,Germany,1993,pp.677-680.2 E.A. Bossanyi,Short-term wind prediction using Kalman filters, Wind Engineering,vol.9,No.1,1985.3 E.A. Bossanyi,Stochastic wind prediction for wind turbine system control,Procd. of the 7th BWEA Wind Energy Conference, 27-29 March 1985,pp.219-226.4 G.C. Contaxis,J. Kabouris, Short-term scheduling in a winddiesel autonomous system ,1EEE Trans. on Power Systems, 91 WM 188-3 PORS.5 J.O.G. Tande,L. Landberg,A 10 sec.forecast of wind turbine output with neural networks, Procd. of the 4th European Wind Energy Conf ,EWEC93,Lubeck-Travemunde,Germany,1993,pp.774-777.6 H.G. Beyer et al,Short-term prediction of wind-speed and power output of a wind turbine with neural networks, Procd. Of the 5th European Wind Energy Conference,EWEC94,Thessaloniki,Greece,1994,pp.349-352.7 ELSAM, Wind power prediction tool in central dispatch centres, Progress Report 3 of the EU project JOU2-CT92-0083, October 1993.8 M.A. Cohen, S. Grossberg,Absolute stability of global pattem formation and parallel memory storage by competitive neural networks,IEEE Transactions on Systems ,Man,and Cybernetics, vol.SMC-13,pp.815-826,1983.9 E.Kosmatoos et al,Identification of nonlinear systems using new dynamic neural network struct ures,Procd. of the 31sf IEEE Con$ on Decision and Control, Arizona, USA, 1992, vol. 1, pp. 20-25.I0 S. Haykin, Neural networks - A comprehensive foundation, Macmillan College Publ. Company, 1994.ll J.L. Lin, C.W.J. Granger, Forecasting from nonlinear models in practice, Journal ofForecasting, vol. 13, 1994, pp. 1-9.I21 S.S. Rao, Optimisation theory and applications, 2nd Edition., Willey Eastem Ltd., 1984.13 E. Nogmt et al, A new expert system based control tool for power plants with large integration of PVs & Wind power plants, Procd. of