基于小波Elman神經網(wǎng)絡的短期風電功率預測

基于小波Elman神經網(wǎng)絡的短期風電功率預測摘要：采用Elman神經網(wǎng)絡和小波理論相結合的方法對短期風電功率進行預測，建立了小波Elman神經網(wǎng)絡預測模型；利用小波Elman神經網(wǎng)絡對短期風電功率進行等效預測；通過統(tǒng)計綜合的方法，分析了風速對風電功率輸出特性的影響；通過實例分析，該模型結果表明，該模型具有較高的精確度和容錯能力，能夠滿足實際工程應用的要求；關鍵詞：功率預測；小波分析；Elman神經網(wǎng)絡；統(tǒng)計綜合；0引言風力發(fā)電在全球范圍內快速發(fā)展，裝機容量逐年增加，截止2013年底，中國風電新增裝機容量約16.1GW,較2012年的12.96GW大幅提高了24%,中國風電累計裝機已超過90GW。風力發(fā)電并網(wǎng)運行是實現(xiàn)大規(guī)模風能發(fā)利用的有效途徑。但是與常規(guī)能源不同,風能是一種能量密度小的隨機性能源,具有“間歇性”和“隨機性”的特點,風能這種特性導致隨風速的變化而波動的風電場的輸出功率具有不可控性和不可預期性。這對電力系統(tǒng)的安全穩(wěn)定運行帶來新的挑戰(zhàn)。為克服風電波動對電力系統(tǒng)運行的不利影響，需要對風電功率進行提前預測。風電功率預測對于電網(wǎng)安全經濟調度、電力市場及風電場運行都有重要意義。本文結合風電功率的變化特性，提出了基于小波分析和Elman神經網(wǎng)絡的短期風電功率預測方法.利用小波良好的時頻局域化分析性質，結合Elman神經網(wǎng)絡的動態(tài)遞歸記憶功能，將小波尺度函數(shù)作為神經網(wǎng)絡隱含層激勵函數(shù)，構成小波Elman神經網(wǎng)絡預測模型.Elman神經網(wǎng)絡采用的是動態(tài)梯度法來進行網(wǎng)絡訓練，該方法易出現(xiàn)收斂速度慢等缺點[4]，采用收斂化算法提高神經網(wǎng)絡的自學習能力，提高算法收斂速度和計算精度。1小波Elman神經網(wǎng)絡1.1小波Elman神經網(wǎng)絡的建立Elman神經網(wǎng)絡是一種典型的動態(tài)遞歸神經網(wǎng)絡。它具有內部反饋連接，將前一時刻的隱含層輸出和當前輸入作為新的隱含層輸入，使網(wǎng)絡具有記憶功能[6]。該網(wǎng)絡己經成功地應用于動態(tài)系統(tǒng)的識別與仿真。通過合理選擇網(wǎng)絡層次和隱含層節(jié)點數(shù)，Elman神經網(wǎng)絡能夠以任意精度逼近任意非線性函數(shù)。小波分析方法通過尺度的伸縮和平移實現(xiàn)對信號的多尺度分析，從而有效地提取信號的局部信息[7]。本文采用小波函數(shù)作為Elman神經網(wǎng)絡的隱含層激勵函數(shù)，構成小波Elman神經網(wǎng)絡模型。它同時具備小波分析和Elman神經網(wǎng)絡的優(yōu)點，有著更強的逼近、容錯能力和更好的動態(tài)預測效果。其結構模型見圖1，相比于BP神經網(wǎng)絡，Elman神經網(wǎng)絡除了輸入層、隱含層和輸出層外，還多了一個承接層。承接層主要用于層內或層間的反饋聯(lián)結，構成局部反饋。承接層的傳輸函數(shù)為線性函數(shù)，但是多了一個延遲單元，因此承接層可以記憶過去的狀態(tài)，并在下一個時刻與網(wǎng)絡的輸入一起作為隱含層的輸入，使網(wǎng)絡具有動態(tài)記憶功能。圖1Elman神經網(wǎng)絡拓撲結構由于承接層的存在，前饋連接部分可以進行連接權修正，而遞歸部分則是固定的，即不能進行學習修正。結構單元k時刻的輸出，等于隱含層在k-1時刻輸出值的a倍，即：(1)其中，和表示第個隱含層單元的輸出，為自連接反饋增益因子。當固定為零時，此時網(wǎng)絡為標準的Elman神經網(wǎng)絡，不為零時，網(wǎng)絡為修改的Elman神經網(wǎng)絡。由于風電功率數(shù)據(jù)具很強的波動性，所以用于預測的小波函數(shù)應具有以下特征:(1)良好的緊支撐性，即小波函數(shù)僅在有限時間間隔內不為零，能表現(xiàn)出信號的時域特性;(2)小波函數(shù)的消失矩M值越大越好；(3)良好的正則性；結合以上特征要求，Elman神經網(wǎng)絡的數(shù)學模型為：(2)(3)(4)其中，多取sigmoid函數(shù)，即：(5)多取線性函數(shù)，即：(6)Elman神經網(wǎng)絡預測的關鍵是輸入量與神經網(wǎng)絡結構的選擇。采用的小波Elman神經網(wǎng)絡，隱含層傳遞函數(shù)選用sigmoid函數(shù)，輸出層傳遞函數(shù)選用線性函數(shù)，預測時可以設置較少的神經元數(shù)目，進行較快速的泛化能力，更快的收斂到誤差較小的值。為解決收斂速度過慢的問題，采用歸一化處理，提高算法的收斂速度和精度；2算例分析以某風電場實測風電功率為原始值進行算法驗證，對實際功率值每1min采樣一次，這里取該風場7號風機2013年6月1日到30日的功率數(shù)據(jù)進行預測。2.1樣本的收斂化處理首先對數(shù)據(jù)進行歸一化處理，避免不同基數(shù)所帶來的學習過程不收斂的情況，使模型出現(xiàn)較大誤差或失效。對數(shù)據(jù)進行均值規(guī)范化計算(1)

對預測得到的數(shù)據(jù)進行標準化數(shù)據(jù)還原(2)

預測模型所用樣本為時間序列的風電功率樣本，采用循環(huán)預測規(guī)則，即上一步所得到預測值作為下一步的輸入值，見表1.表1循環(huán)預測規(guī)則輸入輸出t(1),t(2),…,t(m)t(m+1)t(2),t(3),…t(m+1)t(m+2)……2.2確定模型的結構實際數(shù)據(jù)是每10min采用1次，所以提前1h預測，輸入層神經元個數(shù)為4，輸出層神經元個數(shù)為1，當隱含層神經元個數(shù)為6，承接層神經元個數(shù)為6時，擬合程度較好;提前3h預測，取實際數(shù)據(jù)每30min的采樣值，用同樣方法進行預測。表2為兩種模型的特征參數(shù)模型類別網(wǎng)絡結構小波Elman（6,8,8,1）小波BP（6,13,1）2.3預測結果分析在Matlab平臺上分別建立小波Elman、小波BP兩種神經網(wǎng)絡預測模型，利用這兩種神經網(wǎng)絡模型對未來1h,3h的風電功率進行預測，將1d~24d的數(shù)據(jù)作為訓練樣本，25d~30d數(shù)據(jù)作為驗證樣本。預測結果和實際風電功率值的對比圖2,圖3.為了清晰，本文只顯示了其中50個點。圖2提前1h預測風電功率圖3提前3h預測風電功率為了定量評價預測效果，采用平均絕對誤差（MAPE）和最大誤差（ME）為依據(jù)，其定義平均絕對誤差（MAPE）為：(1)最大誤差（ME）為：(2)式中：和分別為第i天的真實值和預測值；表3根據(jù)不同時間尺度，分別列出了上述2種預測方法的平均絕對誤差和最大誤差，列出了不同模型的對照表；表3.12種預測方法的誤差比較(1h)預測方法平均絕對誤差（MAPE）最大誤差（ME）小波BP網(wǎng)絡方法7.8611.78小波Elman方法5.018.56表3.22種預測方法的誤差比較（3h）預測方法平均絕對誤差（MAPE）最大誤差（ME）小波BP網(wǎng)絡方法11.4515.76小波Elman方法9.6312.35表3.3小波Elman和小波BP模型的對照表模型訓練次數(shù)精度小波BP網(wǎng)絡方法16000.016小波Elman方法3000.01由以上3個表可以看出，在不同的時間尺度下，采用小波Elman神經網(wǎng)絡方法來預測風電功率較小波BP神經網(wǎng)絡方法更為準確，并且小波Elman神經網(wǎng)絡的結構簡單，達到預定精度所用的訓練次數(shù)少，大大節(jié)省了訓練時間;另外，在風電功率波動較大時，小波Elman能夠更好的跟蹤變化。隨著預測時間尺度的增大，預測誤差也越來越大，這是因為風電功率之間的關聯(lián)性隨著預測周期的增大而不斷減弱。3結語(1)在小波理論和Elman神經網(wǎng)絡的基礎上，將小波分析與神經網(wǎng)絡結合起來，對風電功率進行預測。為了提高網(wǎng)絡的訓練速度，本文在訓練過程中采用收斂化處理，帶入實際數(shù)據(jù)后，從預測結果可以看出，小波Elman神經網(wǎng)絡不僅在預測精度上優(yōu)于小波BP神經網(wǎng)絡，尤其在風電功率數(shù)據(jù)波動較大時，小波Elman能夠更加準確