孫曉燕，時(shí)良振，徐瑞東，張 勇

(中國(guó)礦業(yè)大學(xué) 信息與電氣工程學(xué)院，江蘇 徐州 221116)

基于區(qū)間樣本和回聲狀態(tài)網(wǎng)絡(luò)的風(fēng)電功率不確定性預(yù)測(cè)

孫曉燕，時(shí)良振，徐瑞東，張 勇

(中國(guó)礦業(yè)大學(xué) 信息與電氣工程學(xué)院，江蘇 徐州 221116)

風(fēng)電功率預(yù)測(cè)對(duì)并網(wǎng)運(yùn)行的穩(wěn)定性控制、市場(chǎng)經(jīng)濟(jì)調(diào)度等具有重要意義.但受風(fēng)力波動(dòng)性等影響，風(fēng)電功率具有極大的不確定性，如何在功率預(yù)測(cè)中有效反映該不確定性對(duì)提高預(yù)測(cè)可靠性至關(guān)重要.針對(duì)當(dāng)前大多采用點(diǎn)預(yù)測(cè)方法存在的不足，提出一種量化不確定性的區(qū)間預(yù)測(cè)模型.基于區(qū)間相似準(zhǔn)則和相似日理論，首先給出反映風(fēng)電功率不確定性的區(qū)間樣本選擇策略；針對(duì)選擇的時(shí)序區(qū)間樣本，給出基于回聲狀態(tài)網(wǎng)絡(luò)的區(qū)間預(yù)測(cè)方法；最后利用區(qū)間覆蓋率、區(qū)間平均寬度等指標(biāo)評(píng)價(jià)預(yù)測(cè)結(jié)果.實(shí)驗(yàn)結(jié)果表明了所提方法的有效性.

風(fēng)電功率預(yù)測(cè)；不確定性； 區(qū)間樣本； 回聲狀態(tài)網(wǎng)絡(luò)

0 引言

清潔、成本低廉的風(fēng)能一直是新能源中應(yīng)用廣泛、極具開(kāi)發(fā)前景的可再生能源.然而，由于風(fēng)能的隨機(jī)性、間歇性、波動(dòng)性等特點(diǎn)，風(fēng)力發(fā)電具有很強(qiáng)的不確定性，大規(guī)模的風(fēng)電并網(wǎng)將會(huì)對(duì)電力系統(tǒng)的穩(wěn)定性、電能質(zhì)量及動(dòng)態(tài)經(jīng)濟(jì)調(diào)度等造成極大的影響[1]，給風(fēng)能的有效利用帶來(lái)了嚴(yán)峻的挑戰(zhàn).對(duì)風(fēng)電功率進(jìn)行準(zhǔn)確、可靠的預(yù)測(cè)是解決上述問(wèn)題可行和有效的方法之一[2].在不同時(shí)間尺度的風(fēng)電功率預(yù)測(cè)中，短期與超短期預(yù)測(cè)對(duì)優(yōu)化旋轉(zhuǎn)備用容量、機(jī)組組合、經(jīng)濟(jì)調(diào)度等具有重要作用，進(jìn)行短期或超短期風(fēng)電功率預(yù)測(cè)更具管理和經(jīng)濟(jì)價(jià)值.與長(zhǎng)期和中長(zhǎng)期風(fēng)電功率預(yù)測(cè)相比，短期與超短期預(yù)測(cè)要求更高的精度和可靠性，且針對(duì)風(fēng)電功率的不確定性，進(jìn)行可靠有效的短期預(yù)測(cè)成為亟待解決的問(wèn)題.

目前風(fēng)電功率短期預(yù)測(cè)方法主要有物理方法和統(tǒng)計(jì)機(jī)器學(xué)習(xí)方法.物理方法主要基于數(shù)值天氣預(yù)報(bào)和風(fēng)機(jī)周圍的物理、地理信息計(jì)算風(fēng)電機(jī)組輪轂高度的風(fēng)速風(fēng)向等信息，再依據(jù)風(fēng)速-功率曲線預(yù)測(cè)風(fēng)電功率.物理方法因可對(duì)每個(gè)大氣過(guò)程進(jìn)行分析并根據(jù)分析結(jié)果優(yōu)化預(yù)測(cè)模型，因此預(yù)測(cè)精度較高.但物理方法一般需要建立大氣或風(fēng)速模型，過(guò)程較復(fù)雜，難以適應(yīng)大規(guī)模風(fēng)場(chǎng)的應(yīng)用，且其對(duì)初始風(fēng)場(chǎng)信息非常敏感，較難適應(yīng)風(fēng)電輸出功率的不確定特性[3].統(tǒng)計(jì)機(jī)器學(xué)習(xí)方法一般是建立天氣信息與風(fēng)電輸出功率歷史序列之間的關(guān)系模型，再基于未來(lái)時(shí)間段的數(shù)值天氣預(yù)報(bào)信息預(yù)測(cè)風(fēng)電功率[4].常用的方法主要有卡爾曼濾波、神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)[5]等，其中以神經(jīng)網(wǎng)絡(luò)及其混合方法的應(yīng)用最為廣泛[6-7].與物理方法相比，統(tǒng)計(jì)機(jī)器學(xué)習(xí)方法無(wú)需對(duì)大氣運(yùn)動(dòng)、風(fēng)速信息進(jìn)行細(xì)致刻畫(huà)，在數(shù)據(jù)充分時(shí)可使預(yù)測(cè)誤差盡量達(dá)到最小，實(shí)現(xiàn)較準(zhǔn)確的預(yù)測(cè).

然而，上述研究較少考慮風(fēng)電輸出功率的不確定性.針對(duì)風(fēng)電功率預(yù)測(cè)的不確定性，有學(xué)者提出了區(qū)間預(yù)測(cè)方法，即給出風(fēng)電輸出功率可能的變化范圍.文獻(xiàn)[8]基于模糊區(qū)間對(duì)微網(wǎng)系統(tǒng)中的可再生能源及用電負(fù)荷進(jìn)行預(yù)測(cè)，為電網(wǎng)系統(tǒng)的經(jīng)濟(jì)調(diào)度提供了可靠參考.文獻(xiàn)[9]提出了基于神經(jīng)網(wǎng)絡(luò)的區(qū)間上下限預(yù)測(cè)模型對(duì)風(fēng)電功率時(shí)序序列進(jìn)行預(yù)測(cè)，并利用粒子群優(yōu)化算法(PSO)確定神經(jīng)網(wǎng)絡(luò)權(quán)值.文獻(xiàn)[10-11]利用極限學(xué)習(xí)機(jī)將風(fēng)電功率歷史數(shù)據(jù)作為網(wǎng)絡(luò)輸入，實(shí)現(xiàn)了對(duì)風(fēng)電功率區(qū)間上下限的預(yù)測(cè).

相對(duì)于在風(fēng)電功率預(yù)測(cè)中廣泛應(yīng)用的前饋神經(jīng)網(wǎng)絡(luò)，回聲狀態(tài)網(wǎng)絡(luò)(echo state network, ESN)的訓(xùn)練過(guò)程簡(jiǎn)便迅速，在時(shí)序預(yù)測(cè)中已得到廣泛關(guān)注和應(yīng)用[12]，但在風(fēng)電功率預(yù)測(cè)中的應(yīng)用卻較少.Ronaldo等[13]利用歷史功率數(shù)據(jù)作為回聲狀態(tài)網(wǎng)絡(luò)的輸入，訓(xùn)練多個(gè)網(wǎng)絡(luò)分別預(yù)測(cè)各子時(shí)間段的功率輸出，但該研究沒(méi)有考慮輸出功率的不確定性.若能從大量的風(fēng)電功率歷史數(shù)據(jù)中找出輸出功率在對(duì)應(yīng)時(shí)刻點(diǎn)上的變化區(qū)間，利用該區(qū)間作為預(yù)測(cè)模型的訓(xùn)練樣本，并結(jié)合預(yù)測(cè)時(shí)段的風(fēng)速、溫度等氣象信息，則既在訓(xùn)練過(guò)程中直接體現(xiàn)功率變化的不確定性，又為決策者提供了更有實(shí)際意義的預(yù)測(cè)區(qū)間.鑒于此，筆者研究基于回聲狀態(tài)網(wǎng)絡(luò)對(duì)風(fēng)電功率不確定性區(qū)間預(yù)測(cè).

風(fēng)電功率預(yù)測(cè)的實(shí)質(zhì)是對(duì)時(shí)序數(shù)據(jù)的回歸，當(dāng)考慮預(yù)測(cè)模型輸入為區(qū)間時(shí)，則問(wèn)題轉(zhuǎn)化為對(duì)區(qū)間時(shí)序數(shù)據(jù)的擬合，此時(shí)面臨如下關(guān)鍵問(wèn)題：① 基于歷史數(shù)據(jù)的風(fēng)電輸出功率區(qū)間時(shí)序數(shù)據(jù)的獲??；② 用于處理區(qū)間時(shí)序數(shù)據(jù)的神經(jīng)網(wǎng)絡(luò)模型的選擇和設(shè)計(jì)；③ 區(qū)間預(yù)測(cè)模型的衡量指標(biāo).

本文組織結(jié)構(gòu)如下：第1節(jié)給出基于相似日理論的區(qū)間時(shí)序數(shù)據(jù)的獲??；基于回聲狀態(tài)網(wǎng)絡(luò)的風(fēng)電輸出功率區(qū)間預(yù)測(cè)模型將在第2節(jié)提出；第3節(jié)詳細(xì)說(shuō)明算法在實(shí)際系統(tǒng)中的應(yīng)用；第4節(jié)給出結(jié)論.

1 風(fēng)電功率預(yù)測(cè)區(qū)間時(shí)序數(shù)據(jù)的獲取

本節(jié)給出以區(qū)間形式反映風(fēng)電功率不確定性的樣本選擇方法，采用相似日理論，考慮季節(jié)相似性、天氣相似性及風(fēng)速相似性，給出含不確定性的區(qū)間樣本選擇機(jī)制.

1.1 相似日的定義

設(shè)擬進(jìn)行風(fēng)電功率預(yù)測(cè)的時(shí)段為Mi月Dm日的(tk,tk+t)時(shí)段，則與之相關(guān)的相似日定義如下：

1) 季節(jié)相似性S1：由氣象知識(shí)可知，越臨近預(yù)測(cè)日Dm，其季節(jié)相似性越大，因此以Dm為起點(diǎn)，分別向兩側(cè)順向和逆向取相似日，共計(jì)m2天.

μ(A,B)=

(1)

(2)

1.2 含區(qū)間不確定性的樣本選擇

考慮風(fēng)速的時(shí)序性和突變性，給出如下含區(qū)間不確定性的時(shí)序樣本選擇方法.

(3)

接著選出每一分組中的最大、最小功率值作為每個(gè)Δt時(shí)間段內(nèi)各影響因素所對(duì)應(yīng)的輸出功率的上下限：

(4)

由式(3)和式(4)可獲得如式(5)所示含有不確定性的區(qū)間時(shí)序樣本：

(5)

2 基于回聲狀態(tài)網(wǎng)絡(luò)的風(fēng)電功率不確定性區(qū)間預(yù)測(cè)

2.1 算法框架

算法框架如圖1所示，包括樣本選擇、模型構(gòu)建和性能評(píng)價(jià).其中，樣本選擇采用第1節(jié)所述方法.以下給出基于回聲狀態(tài)網(wǎng)絡(luò)的風(fēng)電輸出功率不確定性的區(qū)間預(yù)測(cè)模型的設(shè)計(jì).

圖1 基于回聲狀態(tài)網(wǎng)絡(luò)的風(fēng)電功率區(qū)間預(yù)測(cè)模型Fig.1 Flowchart of interval prediction for wind power based on echo state network

圖1“模型構(gòu)建”部分給出了筆者所提區(qū)間預(yù)測(cè)的策略，具體包括網(wǎng)絡(luò)輸入輸出節(jié)點(diǎn)的確定和網(wǎng)絡(luò)連接權(quán)值的訓(xùn)練.

首先確定輸入輸出節(jié)點(diǎn)，由前面的分析可知，訓(xùn)練模型的輸入為風(fēng)速v、溫度T和槳距角w[15]，輸出為功率P.其中訓(xùn)練樣本中風(fēng)速、溫度、槳距角記為v(i)、T(i)、w(i)，預(yù)測(cè)樣本中3者分別為v(t)、T(t)、w(t).因預(yù)測(cè)時(shí)段的風(fēng)速v(t)和溫度T(t)可由預(yù)報(bào)信息獲得，而槳距角w(t)卻未知.為此這里采用BP神經(jīng)網(wǎng)絡(luò)對(duì)w(t)進(jìn)行估計(jì)，在預(yù)測(cè)風(fēng)電功率時(shí)直接調(diào)用該網(wǎng)絡(luò)，利用BP網(wǎng)絡(luò)估計(jì)值作為預(yù)測(cè)時(shí)段的槳距角輸入信息.w(t)的估計(jì)可利用新時(shí)序樣本集TN進(jìn)行訓(xùn)練，BP網(wǎng)絡(luò)輸入為v(i)，輸出為w(i).

圖2 預(yù)測(cè)區(qū)間下限的ESN結(jié)構(gòu)Fig.2 ESN model for lower bound of prediction interval generation

回聲狀態(tài)網(wǎng)絡(luò)的網(wǎng)絡(luò)連結(jié)權(quán)由3大部分組成，分別為輸入層至儲(chǔ)備池之間的Win，儲(chǔ)備池各神經(jīng)元之間的連結(jié)權(quán)W，儲(chǔ)備池和輸出層之間的連結(jié)權(quán)Wout及輸出反饋矩陣Wback.

記t時(shí)刻ESN網(wǎng)絡(luò)的輸入、儲(chǔ)備池內(nèi)部狀態(tài)和輸出向量分別為u(t)、x(t)、y(t)，則該網(wǎng)絡(luò)各狀態(tài)的變化為[15]:

(6)

利用回聲狀態(tài)網(wǎng)絡(luò)進(jìn)行時(shí)序預(yù)測(cè)需確定儲(chǔ)備池大小和輸出連接權(quán)值矩陣.儲(chǔ)備池參數(shù)包括儲(chǔ)備池內(nèi)部神經(jīng)元之間連結(jié)權(quán)的譜半徑(spectral radius, SR)、儲(chǔ)備池內(nèi)部神經(jīng)元數(shù)N、輸入單元尺度(input scaling,IS)和儲(chǔ)備池稀疏度(sparse degree, SD)[16]，具體參數(shù)設(shè)置在仿真實(shí)驗(yàn)中給出.

連接權(quán)值矩陣Wout的確定本質(zhì)上可看作是線性回歸問(wèn)題的求解，其優(yōu)化求解方法眾多，如粒子群算法、煙花算法[17]等.筆者采用文獻(xiàn)[18]遞歸最小二乘(recursive least-squares，RLS)作為確定ESN輸出權(quán)值矩陣的策略，這里不再贅述.

2.2 預(yù)測(cè)結(jié)果評(píng)價(jià)指標(biāo)

區(qū)間預(yù)測(cè)的結(jié)果主要從預(yù)測(cè)可靠性和區(qū)間寬度兩個(gè)方面考慮，設(shè)檢驗(yàn)樣本共有n組.引入?yún)^(qū)間覆蓋率(prediction interval coverage probability, PICP)表示預(yù)測(cè)區(qū)間的可靠性，定義為：

(7)

平均寬度(mean prediction interval width, MPIW)定義為:

(8)

平均寬度越小，預(yù)測(cè)區(qū)間不確定性越小，實(shí)用價(jià)值越大.

3 仿真實(shí)驗(yàn)

為驗(yàn)證筆者所提方法的有效性，以某公開(kāi)風(fēng)電數(shù)據(jù)集中2013年風(fēng)電功率歷史時(shí)序數(shù)據(jù)進(jìn)行實(shí)驗(yàn).其中，風(fēng)機(jī)的切入和額定風(fēng)速分別為4 m/s和12 m/s，機(jī)組額定功率1 500 kW.數(shù)據(jù)記錄時(shí)間間隔為5 min，選取3～4月份的實(shí)際記錄數(shù)據(jù)共61×24×12=17 568組數(shù)據(jù)，每組數(shù)據(jù)記錄的信息有風(fēng)速、風(fēng)向、溫度、槳距角和風(fēng)電輸出功率.與已有風(fēng)電功率預(yù)測(cè)算法相比，本文算法主要研究含不確定性的區(qū)間樣本的選擇以及基于所選樣本和回聲狀態(tài)網(wǎng)絡(luò)的輸出功率區(qū)間預(yù)測(cè)模型的構(gòu)建,分3組實(shí)驗(yàn)說(shuō)明上述方法的性能：①參數(shù)對(duì)模型性能的影響；②在不同風(fēng)速區(qū)間條件下，將筆者所提方法與其他方法作對(duì)比；③檢驗(yàn)不同預(yù)測(cè)時(shí)長(zhǎng)下所建模型的預(yù)測(cè)性能，說(shuō)明筆者所提模型的魯棒性.其中，前兩組實(shí)驗(yàn)預(yù)測(cè)時(shí)長(zhǎng)為6h，即預(yù)測(cè)時(shí)段(tk,tk+6)/h的風(fēng)電功率.回聲狀態(tài)網(wǎng)絡(luò)參數(shù)通過(guò)交叉檢驗(yàn)設(shè)置：K=3，N=100，L=1，譜半徑SR=0.8，輸入單元尺度IS=[0.2;0.5;0.1]，遞歸最小二乘法(RLS)的遺忘因子λ=0.999 995，調(diào)整參數(shù)γ=10-6.所有實(shí)驗(yàn)均在MATLAB7.0環(huán)境下通過(guò)編程實(shí)現(xiàn)，計(jì)算機(jī)處理器2.8 GHz，運(yùn)行內(nèi)存2 GB.

3.1 參數(shù)對(duì)模型性能的影響

3.1.1 相似指標(biāo)對(duì)預(yù)測(cè)結(jié)果的影響

首先基于傳統(tǒng)的點(diǎn)預(yù)測(cè)，依次將每個(gè)相似風(fēng)速區(qū)間內(nèi)的樣本(不含預(yù)測(cè)時(shí)段前H小時(shí)的樣本)作為模型輸入進(jìn)行預(yù)測(cè)，以均方根誤差為評(píng)價(jià)指標(biāo)，觀察相似度μ(v,vj)的不同取值對(duì)輸出功率預(yù)測(cè)精度的影響，結(jié)果如圖3所示.

圖3 相似風(fēng)速區(qū)間指標(biāo)μ(v,vj)與預(yù)測(cè)精度的關(guān)系Fig.3 Relationship between the similar wind speed interval indicator μ(v,vj) and the forecast accuracy

由圖3可以看出，隨著μ(v,vj)的不斷增大，預(yù)測(cè)誤差逐漸增大，即相似風(fēng)速區(qū)間與預(yù)測(cè)時(shí)段風(fēng)速區(qū)間的相似度越大(μ(v,vj)越小)，預(yù)測(cè)精度越高.由此可見(jiàn)，以μ指標(biāo)判斷相似時(shí)段風(fēng)速區(qū)間的相似性大小進(jìn)行樣本選擇是合理的.

相似風(fēng)速區(qū)間個(gè)數(shù)m直接影響樣本數(shù)量，將m個(gè)風(fēng)速區(qū)間按相似度從大到小，逐次增大m的取值，即增加樣本數(shù)量，觀察比較不同m取值下點(diǎn)預(yù)測(cè)均方根誤差的變化，結(jié)果如圖4所示.

圖4 相似風(fēng)速區(qū)間個(gè)數(shù)m對(duì)預(yù)測(cè)精度的影響Fig.4 Effect of the number of similar wind speed intervalsmon the prediction accuracy

由圖4可知，隨著m的增大，預(yù)測(cè)精度變化不大，其主要原因是按相似度從大到小排列的風(fēng)速區(qū)間，相似度較大的區(qū)間包含的樣本信息已基本可反映預(yù)測(cè)時(shí)段內(nèi)影響因素的變化，過(guò)多地引入相似度較低的樣本本質(zhì)上已難以提高預(yù)測(cè)精度.為保證樣本的信息量同時(shí)避免引入過(guò)多的冗余樣本，這里m取2.

3.1.2H值對(duì)預(yù)測(cè)結(jié)果的影響

首先以2個(gè)相似度最高的風(fēng)速區(qū)間內(nèi)的數(shù)據(jù)作為歷史輸入樣本，逐漸改變H的大小，觀察比較不同H取值下基于點(diǎn)預(yù)測(cè)的均方根誤差變化，結(jié)果如圖5所示.

圖5 預(yù)測(cè)時(shí)段前H小時(shí)的樣本對(duì)預(yù)測(cè)精度的影響Fig.5 The influence on the prediction accuracy of the sample of H hours of the forecast period

由圖5可知，隨著H值的不斷增大，預(yù)測(cè)誤差在一定范圍內(nèi)波動(dòng)，可見(jiàn)在引入相似風(fēng)速區(qū)間樣本的基礎(chǔ)上，預(yù)測(cè)時(shí)段(tk,tk+6)/h前H小時(shí)的數(shù)據(jù)樣本對(duì)提高預(yù)測(cè)模型的準(zhǔn)確性作用不明顯，但從豐富樣本信息方面考慮，適當(dāng)引入前H小時(shí)的樣本數(shù)據(jù)可提供較多的不確定信息，綜合考慮,H設(shè)為6.

3.2 算法有效性

3.2.1 與已有算法比較

針對(duì)不同風(fēng)速區(qū)間，將筆者所提算法與廣泛應(yīng)用的BP神經(jīng)網(wǎng)絡(luò)、廣義回歸神經(jīng)網(wǎng)絡(luò)(general regression neural network, GRNN)和徑向基網(wǎng)絡(luò)(radial basis function, RBF)進(jìn)行比較.各算法在不同風(fēng)速區(qū)間的預(yù)測(cè)性能如表1所示.

由表1可以看出，在相同的訓(xùn)練樣本和測(cè)試樣本條件下，4種方法對(duì)不同風(fēng)速區(qū)間的預(yù)測(cè)結(jié)果有共同的趨勢(shì)：隨著風(fēng)速的不斷增大，預(yù)測(cè)區(qū)間的平均寬度逐漸增大，說(shuō)明大風(fēng)速區(qū)間對(duì)功率輸出產(chǎn)生更大的不確定性影響.在保證預(yù)測(cè)區(qū)間滿足一定可靠性的基礎(chǔ)上(PICP>90%)，與RBF方法相比，ESN具有較小的區(qū)間寬度，因此具有更高的可靠性和實(shí)用價(jià)值.

3.2.2 不同預(yù)測(cè)時(shí)長(zhǎng)下模型的預(yù)測(cè)結(jié)果

為進(jìn)一步說(shuō)明筆者所建模型的魯棒性，考慮不同時(shí)長(zhǎng)短期風(fēng)電功率的預(yù)測(cè)性能，結(jié)果如表2所示.

表1 不同方法對(duì)風(fēng)電功率預(yù)測(cè)的結(jié)果Tab.1 Results of different methods for wind power prediction

表2 不同預(yù)測(cè)時(shí)長(zhǎng)的預(yù)測(cè)結(jié)果Table.2 Prediction results of different forecasting time scales of the proposed model

圖6和圖7為表2中預(yù)測(cè)時(shí)長(zhǎng)12 h的預(yù)測(cè)區(qū)間結(jié)果，預(yù)測(cè)時(shí)長(zhǎng)24 h的結(jié)果與之類似，這里不再贅述.圖中實(shí)線表示輸出功率預(yù)測(cè)區(qū)間的上下限，圓圈為測(cè)試樣本的真實(shí)輸出功率.

從表2及圖6～7中可以看出，預(yù)測(cè)區(qū)間基本覆蓋了真實(shí)值，較傳統(tǒng)的點(diǎn)預(yù)測(cè)能更好地量化預(yù)測(cè)的不確定性.

圖6 l=3, 預(yù)測(cè)時(shí)長(zhǎng)12 hFig.6 Prediction interval of 12 hours with l=3

圖7 l=4, 預(yù)測(cè)時(shí)長(zhǎng)12 hFig.7 Prediction interval of 12 hours with l=4

4 結(jié)論

針對(duì)目前風(fēng)電功率預(yù)測(cè)大都基于點(diǎn)預(yù)測(cè)或在點(diǎn)預(yù)測(cè)的基礎(chǔ)上進(jìn)行誤差分布的研究，筆者提出了一種基于新的區(qū)間樣本和回聲狀態(tài)網(wǎng)絡(luò)的風(fēng)電功率不確定性區(qū)間預(yù)測(cè)模型，給出了一種基于相似日的含不確定性的區(qū)間樣本選擇策略，根據(jù)各影響因素選擇預(yù)測(cè)時(shí)段前H小時(shí)和相似風(fēng)速區(qū)間的樣本.基于回聲狀態(tài)網(wǎng)絡(luò)構(gòu)建區(qū)間預(yù)測(cè)模型，計(jì)算風(fēng)電輸出功率的上下限；最后通過(guò)仿真實(shí)驗(yàn)驗(yàn)證了所提方法的有效性.結(jié)果表明,預(yù)測(cè)區(qū)間不僅能描述預(yù)測(cè)時(shí)段內(nèi)風(fēng)電功率的波動(dòng)范圍，而且可靠性較高的預(yù)測(cè)區(qū)間有利于經(jīng)濟(jì)調(diào)度，降低系統(tǒng)運(yùn)行的風(fēng)險(xiǎn).相比于傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)，ESN模型計(jì)算量小、訓(xùn)練速度快，利用ESN的在線學(xué)習(xí)算法能有效提高模型輸出的穩(wěn)定性，使預(yù)測(cè)區(qū)間具有更好的性能.

[1] 薛禹勝, 雷興, 薛峰, 等.關(guān)于風(fēng)電不確定性對(duì)電力系統(tǒng)影響的評(píng)述[J]. 中國(guó)電機(jī)工程學(xué)報(bào), 2014, 34(29): 5029-5040.

[2] 薛禹勝, 郁琛, 趙俊華, 等. 關(guān)于短期及超短期風(fēng)電功率預(yù)測(cè)的評(píng)述[J]. 電力系統(tǒng)自動(dòng)化, 2015, 39(6): 141-150.

[3] 馮雙磊, 王偉勝, 劉純, 等. 風(fēng)電場(chǎng)功率預(yù)測(cè)物理方法研究[J]. 中國(guó)電機(jī)工程學(xué)報(bào), 2010, 30(2): 1-6.

[4] FOLEY A M, LEAHY P G, MARVUGLIA A, et al. Current methods and advances in forecasting of wind power generation[J]. Renewable energy, 2012, 37(1): 1-8.

[5] 徐敏, 袁建洲, 劉四新, 等. 基于改進(jìn)粒子群優(yōu)化算法的短期風(fēng)電功率預(yù)測(cè)[J].鄭州大學(xué)學(xué)報(bào)(工學(xué)版), 2012, 33(6): 32-35.

[6] CHITSAZ H, AMJADY N, ZAREIPOUR H. Wind power forecast using wavelet neural network trained byimproved clonal selection algorithm[J]. Energy conversion and management, 2015, 89: 588-598.

[7] HUANG D Z, GONG R X, GONG S. Prediction of wind power by chaos and BP artificial neural networks approach based on genetic algorithm[J]. Journal of electrical engineering & technology, 2015, 10(1): 41-46.

[8] SAEZ D, AVILA F, OLIVARES D, et al. Fuzzy prediction interval models for forecasting renewable resources and loads in microgrids[J]. IEEE transactions on smart grid, 2015, 6(2): 548-556.

[9] HAO D, SRINIVASAN D, KHOSRAVI A. Short-term load and wind power forecasting using neural network-based prediction intervals[J]. IEEE trainsactions on neural networks and learning systems, 2014, 25(2): 303-315.

[10]WAN C, XU Z, PINSON P, et al. Probabilistic forecasting of wind power generation using extreme learning machine[J]. IEEE transactions on power systems, 2014, 29(3): 1033-1044.

[11]章國(guó)勇, 伍永剛, 張洋, 等. 一種風(fēng)電功率混沌時(shí)間序列概率區(qū)間簡(jiǎn)易預(yù)測(cè)模型[J]. 物理學(xué)報(bào), 2014, 63(13):430-438.

[12]羅熊, 黎江, 孫增圻. 回聲狀態(tài)網(wǎng)絡(luò)的研究進(jìn)展[J]. 北京科技大學(xué)學(xué)報(bào), 2012, 34(2): 217-222.

[13]RONALDO R B, OTONI N N, RAMON B, et al. Investigating the use of echo state networks for prediction of wind power generation[C]∥Computational intelligence for engineering solutions (CIES). Orlando:IEEE, 2014:148-154.

[14]ALOLYANI. Algorithm for interval linear programming involving interval constraints[C]∥World congress on engineering and computer science (WCECS). Francisco: CA, 2013: 145-149.

[15]范高鋒, 王偉勝, 劉純, 等. 基于人工神經(jīng)網(wǎng)絡(luò)的風(fēng)電功率預(yù)測(cè)[J]. 中國(guó)電機(jī)工程學(xué)報(bào), 2008, 28(34): 118-123.

[16]MACIEL L, GOMIDE F, SANTOSD, et al. Exchange rate forecasting using echo state networks for trading strategies[C]∥ IEEE conference on computational intelligence for financial engineering and economics (CIFEr). London, England:IEEE, 2014: 40-47.

[17]王杰, 萇群康, 彭金柱. 極限學(xué)習(xí)機(jī)優(yōu)化及其擬合性分析[J]. 鄭州大學(xué)學(xué)報(bào)(工學(xué)版), 2016, 37(2):20-24.

[18]ZHANG L, SUGANTHAN P N. A survey of randomized algorithms for training neural networks[J]. Information sciences, 2016,364:146-155.

Forecast of wind power generation with uncertainty based on
interval sample and echo state network

SUN Xiaoyan, SHI Liangzhen, XU Ruidong, ZHANG Yong

(School of Information and Electrical Engineering, China University of Mining and Technology, Xuzhou 221116, China)

The wind power forecasting was essential to the stability control of the grid connected operation, the economical dispatch, and so on. However, due to the variety of nature of wind, wind power had great uncertainties. Effectively expressing the uncertainties in wind power forecasting is crucial for improving the reliability of the forecast. Most existing methods focued on point forecasting, which can hardly quantify the uncertainties. To overcome the weekness, this paper proposed a novel interval-based forecasting model to quantify the uncertainties. A new interval sample selection method was firstly presented to reflect the uncertainties of wind power based on similar days and interval similar metric. Secondly, the echo state network were designed to predict the interval-based wind power in a short time due to its merits in time series predictions. The outstanding stability of the forecasting model was guaranteed by employing the recursive least squares algorithm to adjust the output weights of the echo state network. The prediction interval coverage probability (PICP) and mean prediction interval width (MPIW) were applied to evaluate the performance of our interval forecast on wind power. The experiments empirically demonstrated the feasibility and effectiveness of the proposed algorithm.

wind power forecasting; uncertainty; interval sample; echo state network

1671-6833(2017)01-0056-07

2016-10-12；

2016-12-03

國(guó)家自然科學(xué)基金資助項(xiàng)目(61473298)；江蘇省六大人才高峰資助項(xiàng)目(ZNDW-004)

孫曉燕(1978— )，女，江蘇豐縣人，中國(guó)礦業(yè)大學(xué)教授，博士，主要從事智能優(yōu)化與計(jì)算，個(gè)性化信息處理和智能電網(wǎng)研究，E-mail:xysun78@126.com.

TM614

A

10.13705/j.issn.1671-6833.2017.01.003