張東明，姚秀萍，2，王維慶，王海云，周 專(zhuān)，張尚春

（1.新疆大學(xué)電氣工程學(xué)院，新疆 烏魯木齊 830047；2.新疆電力調(diào)度通信中心，新疆烏魯木齊 830002；3.金龍精密銅管集團(tuán)股份有限公司，河南 新鄉(xiāng) 453000）

0 引 言

風(fēng)力發(fā)電具有間歇性、隨機(jī)性和波動(dòng)性的特點(diǎn)，對(duì)電網(wǎng)的安全、穩(wěn)定運(yùn)行帶來(lái)嚴(yán)峻挑戰(zhàn)[1-3]。風(fēng)電場(chǎng)的輸出功率進(jìn)行準(zhǔn)確的短期預(yù)測(cè)，對(duì)電力系統(tǒng)安全、經(jīng)濟(jì)運(yùn)行以及電能質(zhì)量都有重要的意義。

目前，國(guó)內(nèi)外學(xué)者對(duì)風(fēng)電場(chǎng)的短期預(yù)測(cè)進(jìn)行了大量研究，提出了物理、統(tǒng)計(jì)、人工智能、綜合預(yù)測(cè)方法等。其中統(tǒng)計(jì)方法是目前應(yīng)用較多且比較成熟的預(yù)測(cè)方法，其實(shí)質(zhì)是在系統(tǒng)的輸入和風(fēng)電功率之間建立一個(gè)線(xiàn)性或者非線(xiàn)性映射，通過(guò)捕捉數(shù)據(jù)中與時(shí)間和空間相關(guān)的信息來(lái)預(yù)測(cè)功率。但是其預(yù)測(cè)精度無(wú)法滿(mǎn)足大規(guī)模風(fēng)電場(chǎng)接入系統(tǒng)的要求。其中卡爾曼濾波法和隨機(jī)時(shí)間序列法是目前的研究熱點(diǎn)，預(yù)測(cè)精度相對(duì)其他算法較高。但卡爾曼濾波算法是在假定噪聲的統(tǒng)計(jì)特性已知的情況下得出的結(jié)論，實(shí)際中估計(jì)噪聲的統(tǒng)計(jì)特性不易實(shí)現(xiàn)。然而隨機(jī)時(shí)間序列分析法利用大量的歷史數(shù)據(jù)來(lái)建模，經(jīng)過(guò)模型識(shí)別、參數(shù)估計(jì)、模型檢驗(yàn)來(lái)確定能夠描述所研究時(shí)間序列的數(shù)學(xué)模型，推導(dǎo)出預(yù)測(cè)風(fēng)電功率的模型，其特點(diǎn)是模型簡(jiǎn)單，理論成熟，適用于提前量較短的預(yù)測(cè)，當(dāng)增大提前量時(shí)，預(yù)測(cè)效果較差。

針對(duì)現(xiàn)有的算法預(yù)測(cè)精度不高的現(xiàn)狀，本文提出一種新的方法——帝國(guó)主義競(jìng)爭(zhēng)算法的神經(jīng)網(wǎng)絡(luò)方法 （ICA-NN）來(lái)提高短期風(fēng)功率預(yù)測(cè)的精度。本文利用帝國(guó)主義競(jìng)爭(zhēng)算法優(yōu)化神經(jīng)網(wǎng)絡(luò)中的權(quán)值，從而提高算法的泛化能力以及預(yù)測(cè)精度。在對(duì)算例的驗(yàn)證分析的基礎(chǔ)上，得出基于帝國(guó)主義競(jìng)爭(zhēng)算法的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)方法在短期風(fēng)功率預(yù)測(cè)中的精度較高的結(jié)論。

1 帝國(guó)主義競(jìng)爭(zhēng)算法概述

帝國(guó)主義競(jìng)爭(zhēng)算法最初是由Atashpaz-Gargari and Lucas于2007年在對(duì)基于人口數(shù)量最優(yōu)化算法的著作中提出，是基于帝國(guó)主義殖民競(jìng)爭(zhēng)機(jī)制的新優(yōu)化算法，由Esmaei受帝國(guó)主義殖民競(jìng)爭(zhēng)歷史現(xiàn)實(shí)的啟發(fā)而提出的一種新的優(yōu)化算法，屬于社會(huì)啟發(fā)的智能計(jì)算方法之列。在算法中，每一個(gè)個(gè)體都被定義為一個(gè)國(guó)家，同時(shí)，所有的國(guó)家被分類(lèi)為兩類(lèi)，即帝國(guó)主義國(guó)家和殖民地。帝國(guó)主義國(guó)家為最初是人口數(shù)量最有優(yōu)勢(shì)的國(guó)家，而剩下的國(guó)家即為殖民地。每個(gè)國(guó)家的力量被用來(lái)指明它的健康程度。在該算法反復(fù)使用過(guò)程中，帝國(guó)間相互競(jìng)爭(zhēng)以獲得盡可能多的殖民地為目的。更有力量的帝國(guó)有更高的可能性去占領(lǐng)更多的殖民地，而力量薄弱的帝國(guó)將逐漸失去他們的殖民地。當(dāng)所有的殖民地都被一個(gè)帝國(guó)占有時(shí)，該算法即為結(jié)束。在函數(shù)優(yōu)化方面，帝國(guó)主義競(jìng)爭(zhēng)算法在效率和質(zhì)量方面超過(guò)遺傳算法和粒子群優(yōu)化算法。因此，本文引入帝國(guó)主義競(jìng)爭(zhēng)算法來(lái)提高風(fēng)功率預(yù)測(cè)的精度。該算法主要分為以下幾部分。

1.1 帝國(guó)主義競(jìng)爭(zhēng)算法流程

隨機(jī)生成Npop作為國(guó)家的人口數(shù)量，選擇Nimp最好的國(guó)家作為帝國(guó)并根據(jù)他們的能力規(guī)定他們的殖民地?cái)?shù)量；如果終止條件未得到滿(mǎn)足，則重復(fù)下列步驟:內(nèi)部位置交換→帝國(guó)主義競(jìng)爭(zhēng)→淘汰弱小的帝國(guó)→保留最終剩余的帝國(guó)，其適應(yīng)度取值作為最優(yōu)解。

1.2 帝國(guó)集團(tuán)的初始化

在搜索空間內(nèi)隨機(jī)生成一些向量，這些向量稱(chēng)為國(guó)家，這些國(guó)家將隨機(jī)分布在要搜索的空間里。即

為評(píng)價(jià)每個(gè)國(guó)家的勢(shì)力大小，即在優(yōu)化時(shí)找到最優(yōu)解，本文在這里定義了代價(jià)函數(shù)

各個(gè)國(guó)家勢(shì)力的大小通過(guò)一個(gè)代價(jià)函數(shù)來(lái)衡量。國(guó)家勢(shì)力大小與代價(jià)函數(shù)值成反比，即代價(jià)函數(shù)值越小，國(guó)家勢(shì)力越大。一定數(shù)量中勢(shì)力較大的國(guó)家被選作帝國(guó)主義國(guó)家，剩下的國(guó)家作為殖民地國(guó)家。根據(jù)帝國(guó)主義國(guó)家勢(shì)力的大小，將殖民地國(guó)家分配給帝國(guó)主義國(guó)家。

第n個(gè)帝國(guó)主義國(guó)家勢(shì)力大小可以表示為

式中，Cn為第n個(gè)帝國(guó)主義國(guó)家的代價(jià)函數(shù)。則第n個(gè)帝國(guó)主義國(guó)家所占有的殖民地國(guó)家數(shù)量為

式中，NC為殖民地國(guó)家總數(shù)。帝國(guó)主義國(guó)家以及所占有的殖民地國(guó)家共同組成一個(gè)帝國(guó)。

1.3 帝國(guó)集團(tuán)的調(diào)整

在現(xiàn)實(shí)世界中，帝國(guó)主義國(guó)家為了更好地控制其殖民地國(guó)家，將自己的文化及規(guī)則推廣到殖民地國(guó)家，其過(guò)程稱(chēng)為同化。在帝國(guó)主義競(jìng)爭(zhēng)算法中，即殖民地國(guó)家代表的搜索空間中的位置向帝國(guó)主義國(guó)家所代表的位置靠近，隨機(jī)移動(dòng)一定的距離，沿兩個(gè)位置連線(xiàn)所在的直線(xiàn)，指向帝國(guó)主義國(guó)家所在的空間位置。殖民地國(guó)家所在空間位置移動(dòng)后，可能是一個(gè)更好的位置，因此將有可能取代它所屬于的帝國(guó)主義國(guó)家。

1.4 帝國(guó)集團(tuán)的競(jìng)爭(zhēng)

猶如社會(huì)歷史事實(shí)，帝國(guó)主義國(guó)家通過(guò)占有其他帝國(guó)主義國(guó)家所屬的殖民地國(guó)家來(lái)增加自己的勢(shì)力。在帝國(guó)主義競(jìng)爭(zhēng)算法中定義了整個(gè)帝國(guó)代價(jià)函數(shù)的計(jì)算公式:帝國(guó)主義國(guó)家的勢(shì)力加上其所有殖民地國(guó)家勢(shì)力的平均值的一部分。即

式中，TC為整個(gè)帝國(guó)代價(jià)函數(shù)，Ccm為第m個(gè)殖民地國(guó)家的代價(jià)函數(shù)。競(jìng)爭(zhēng)的結(jié)果是把總勢(shì)力最弱的帝國(guó)中最弱的殖民地國(guó)家給最有可能占有它的帝國(guó)。

當(dāng)一個(gè)帝國(guó)主義國(guó)家喪失其全部的殖民地國(guó)家時(shí)，其所在的帝國(guó)將會(huì)覆滅。經(jīng)過(guò)一定的時(shí)間之后，所有帝國(guó)中最強(qiáng)大的帝國(guó)保存下來(lái)，而且保存下來(lái)的最強(qiáng)大的帝國(guó)只有一個(gè)帝國(guó)主義國(guó)家和殖民地國(guó)家組成，這個(gè)帝國(guó)主義國(guó)家就代表最優(yōu)解。

2 風(fēng)功率預(yù)測(cè)模型

影響風(fēng)電出力的因素有風(fēng)速、風(fēng)向、濕度、溫度及大氣壓力，因此對(duì)風(fēng)電出力進(jìn)行預(yù)測(cè)時(shí)，需要考慮的因素很多。為了提高風(fēng)電出力預(yù)測(cè)的精度不僅需要實(shí)用的預(yù)測(cè)方法，且對(duì)風(fēng)資源的數(shù)據(jù)要求也比較高。本文提出了使用ICA-NN的短期風(fēng)功率預(yù)測(cè)方法，風(fēng)功率預(yù)測(cè)模型中的基礎(chǔ)數(shù)據(jù)來(lái)自數(shù)值天氣預(yù)報(bào)。風(fēng)電場(chǎng)中每臺(tái)發(fā)電機(jī)是通過(guò)一個(gè)ICA-NN黑盒進(jìn)行模擬的，ICA-NN是數(shù)值天氣預(yù)報(bào)模型預(yù)測(cè)氣象變量與風(fēng)力發(fā)電機(jī)輸出功率連接關(guān)系。本文將數(shù)值天氣預(yù)報(bào)數(shù)據(jù)作為ICA-NN短期風(fēng)功率預(yù)測(cè)的基礎(chǔ)數(shù)據(jù)，最后風(fēng)電場(chǎng)出力的預(yù)測(cè)數(shù)值是所有ICA-NN黑匣子的一個(gè)預(yù)測(cè)的總和。預(yù)測(cè)模型如圖1所示。

圖1 基于ICA-NN的預(yù)測(cè)模型

在此模型中，SCADA提供的信息和歷史數(shù)據(jù)用于人工神經(jīng)網(wǎng)絡(luò)訓(xùn)練，得到帝國(guó)主義算法優(yōu)化神經(jīng)網(wǎng)絡(luò)中的權(quán)值，直到誤差保持在合理的范圍內(nèi)。

3 帝國(guó)主義競(jìng)爭(zhēng)算法權(quán)值優(yōu)化

神經(jīng)網(wǎng)絡(luò)是一種強(qiáng)大的數(shù)據(jù)建模工具，它能夠表示復(fù)雜的輸入/輸出關(guān)系。最常見(jiàn)的神經(jīng)網(wǎng)絡(luò)模型是多層感知器 （MLP）；此外，也是用于預(yù)測(cè)目的最受歡迎的人工神經(jīng)網(wǎng)絡(luò)的模型。它通常由輸入層、隱含層和輸出層組成，并通過(guò)加權(quán)連接互聯(lián)。圖2所示的MLP是一個(gè)原理圖。

圖2 多層感知器神經(jīng)網(wǎng)絡(luò)模型

式中，Xi是jth的輸入節(jié)點(diǎn)，Yi為輸出節(jié)點(diǎn)，Wij是輸入節(jié)點(diǎn)和輸出節(jié)點(diǎn)之間的連接權(quán)，bi是節(jié)點(diǎn)的偏斜點(diǎn)，并且fi是節(jié)點(diǎn)傳遞函數(shù)。均方誤差MSE被定義為

式中，Ti是ith樣本的目標(biāo)值；Yi是ith樣本中網(wǎng)絡(luò)輸出的預(yù)測(cè)值；N是訓(xùn)練集樣本的數(shù)量。

正如上文提到的，多層感知器的神經(jīng)網(wǎng)絡(luò)是一種以算法為基礎(chǔ)的前饋反向傳播。BP神經(jīng)網(wǎng)絡(luò)算法的執(zhí)行是按照誤差最小的梯度方向進(jìn)行搜索。然而，雖然BP算法速度快但是容易陷入局部最小。為了克服BP法的缺陷，ICA采用一種全局最優(yōu)搜索算法。此外，ICA是不依賴(lài)于神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，而梯度計(jì)算方法很依賴(lài)網(wǎng)絡(luò)結(jié)構(gòu)。

文章所采用預(yù)測(cè)方法中的ANN連接權(quán)值是由ICA的變量得到。均方誤差在ICA中作為目標(biāo)函數(shù)。該方法的目的是使這個(gè)目標(biāo)函數(shù)達(dá)到最小值。圖3給出了預(yù)報(bào)系統(tǒng)的一個(gè)流程。

圖3 帝國(guó)主義競(jìng)爭(zhēng)算法神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)流程

應(yīng)用帝國(guó)主義競(jìng)爭(zhēng)算法訓(xùn)練一個(gè)含有輸入層、隱藏層和輸出層的三層感知器神經(jīng)網(wǎng)絡(luò)。輸入節(jié)點(diǎn)數(shù)量設(shè)為81（在81輸入節(jié)點(diǎn)中，第一個(gè)24輸入代表未來(lái)24 h的預(yù)測(cè)風(fēng)速。25～72輸入節(jié)點(diǎn)代表前48小時(shí)風(fēng)速，73～78輸入節(jié)點(diǎn)代表之前48 h的溫度、氣壓與濕度平均值。79～81輸入節(jié)點(diǎn)代表未來(lái)24 h的溫度、氣壓和濕度的預(yù)測(cè)平均值），隱含層設(shè)為5和輸出層設(shè)為1。帝國(guó)主義國(guó)家和殖民地的數(shù)量分別設(shè)定為10和100。

4 實(shí)例分析

以某風(fēng)電場(chǎng)一個(gè)月的現(xiàn)場(chǎng)數(shù)據(jù)為例，驗(yàn)證上述風(fēng)功率預(yù)測(cè)方案的準(zhǔn)確性。采樣間隔為15 min，前27 d的數(shù)據(jù)作為訓(xùn)練樣本，其余數(shù)據(jù)作為測(cè)試樣本，建立風(fēng)電場(chǎng)輸出功率短期預(yù)測(cè)模型見(jiàn)圖4。

根據(jù)上文所建立的預(yù)測(cè)模型，對(duì)風(fēng)電場(chǎng)的輸出功率進(jìn)行預(yù)測(cè)，將預(yù)測(cè)值和實(shí)測(cè)值相比較就得到預(yù)測(cè)的逐點(diǎn)誤差，然后誤差序列作進(jìn)一步分析，用ICA算法優(yōu)化后的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)誤差基本上在-20%～20%范圍之內(nèi)，滿(mǎn)足國(guó)家對(duì)風(fēng)功率預(yù)測(cè)精度的要求。此外，該方法的預(yù)測(cè)誤差基本上符合正態(tài)分布。誤差大于30%的概率小于1%，誤差大于10%的概率小于5%，誤差基本分布在-10%～10%范圍之內(nèi)。

5 結(jié) 論

圖4 預(yù)測(cè)曲線(xiàn)

本文主要研究了風(fēng)電出力的短期預(yù)測(cè)方法，提出一種新的算法 （ICA）來(lái)預(yù)測(cè)短期風(fēng)功率預(yù)測(cè)，利用帝國(guó)主義競(jìng)爭(zhēng)算法優(yōu)化神經(jīng)網(wǎng)絡(luò)中的權(quán)值，采用組合預(yù)測(cè)的方法對(duì)風(fēng)電場(chǎng)短期風(fēng)功率預(yù)測(cè)進(jìn)行了研究。并應(yīng)用某地某一風(fēng)電場(chǎng)的實(shí)測(cè)數(shù)據(jù)對(duì)文章提出的方法進(jìn)行驗(yàn)證分析。驗(yàn)證結(jié)果表明本文提出的短期風(fēng)功率預(yù)測(cè)方法提高了預(yù)測(cè)的準(zhǔn)確性，而且此方法執(zhí)行速度快。充分證明了此方法應(yīng)用于風(fēng)功率預(yù)測(cè)的有效性和優(yōu)越性。

［1］張麗英，葉廷路，辛耀中.大規(guī)模風(fēng)電接入電網(wǎng)的相關(guān)問(wèn)題及措施［J］.中國(guó)電機(jī)工程學(xué)報(bào)，2010，30（25）:1-7.

［2］張宏宇，印永華，申洪.大規(guī)模風(fēng)電接入后的系統(tǒng)調(diào)峰充裕性評(píng)估［J］.中國(guó)電機(jī)工程學(xué)報(bào)，2011，31（22）:26-31.

［3］吳俊，李國(guó)杰，孫元章.基于隨機(jī)規(guī)劃的并網(wǎng)風(fēng)電場(chǎng)最大注入功率計(jì)算［J］.電網(wǎng)技術(shù)，2007，31（14）:15-19.

［4］LI Shuhui,WUNSCH D C,GIESSELMANN M G.Using neural networks to estimate wind turbine power generation［J］.IEEE Trans on Energy Conversion,2011,6（3）:276-282.

［5］潘迪夫，劉輝，李燕飛.基于時(shí)間序列分析和卡爾曼濾波算法的風(fēng)電場(chǎng)風(fēng)速預(yù)測(cè)優(yōu)化模型［J］.電網(wǎng)技術(shù)，2008，32（7）:82-86.

［6］BOSSANYI E A.Short-term wind prediction using Kalman filters［J］.Wind Engineering,1985,9（1）:1-8.

［7］馬靜波，楊洪耕.自適應(yīng)卡爾曼濾波在店里短期負(fù)荷預(yù)測(cè)中的應(yīng)用［J］.電網(wǎng)技術(shù)，2005，29（1）:75-79.

［8］KAMAL L,JAFRI Y Z.Time series models to simulate and forecast hourly averaged wind speed in Wuetta Pakistan ［J］.Solar Energy,1997,61（1）:23-32.