俞俊+王召+籍天明+裘煒浩+裴旭斌+胡楠

摘要：風電作為可再生能源，具有波動性、間歇性和隨機性的特點，容易造成電力系統(tǒng)的不穩(wěn)定。通過對風電功率進行預測，不僅可以保證電能質量，而且可以降低電力系統(tǒng)運行成本。傳統(tǒng)的幾種風電功率預測技術均存在一定的局限性。針對上述問題，提出一種基于思維進化算法的風電功率預測方法，并構建了預測模型。結合風電場風電實測數據進行仿真分析，結果表明所提出的方法可以有效可靠地進行風電功率預測，具有良好的工程應用前景。

關鍵詞：思維進化算法；風電功率；預測模型

ABSTRACT：Due to the characteristics of volatility， intermittent and randomness of wind power， interconnection with the power grid will bring about impact on the stability of power system. The wind power prediction can not only ensure the quality of electric energy， but also reduce the cost of power system operation.There were some limitations in several traditional wind power prediction methods. According to the above problem， the wind power prediction method based on Mind Evolutionary Algorithm（MEA） is put forward and the prediction model is provided. The experimental results show that the proposed approach can be effective and reliable for the wind power prediction. The Mind Evolutionary Algorithmmethod has a broad prospect of engineering application.

KEYWORDS：Mind Evolutionary Algorithm； wind power； prediction model

中圖分類號：TK81文獻標志碼：A 文章編號：

DOI：

0引言

全球性的能源危機和氣候變暖驅動了可再生能源的快速發(fā)展。風能作為可再生能源的一種，已經得到世界各國的高度重視與肯定[1]。風電功率的預測可以提升電力系統(tǒng)的安全性與可靠性，但是風電功率預測作為一個難題始終存在[2-3]。目前比較常用的風電功率預測方法主要分為以下幾類：基于歷史數據的時間序列分析法、支持向量機法、神經網絡法等。

文獻[4]基于穩(wěn)健估計運用時間序列法對風電場出力進行了短期預測，建立了自回歸滑動平均模型，預測誤差為5%。文獻[5]從物理和統(tǒng)計方法對支持向量機預測方法做了分析，結果表明支持向量機在風電功率預測中有很大的應用空間。文獻[6]介紹了風電功率預測的現狀和相關標準，通過神經網絡對風電功率預測模型進行優(yōu)化，仿真結果表明，優(yōu)化后的預測數據準確率更高。文獻[7]提出了一種基于總體平均經驗模態(tài)分解和改進Elman神經網絡的短期風電功率組合預測方法，仿真結果表明，該方法不僅可以有效緩解風電功率非平穩(wěn)性對于預測精度的影響，還可以避免傳統(tǒng)方法的模態(tài)混疊問題。文獻[8]建立風速和風向預測模型，采用脊波神經網絡對分功率進行預測。文獻[9]基于主成分分析與前饋神經網絡對風電功率進行預測，采用主成分分析對輸入變量進行約簡，既簡化了網絡的結構，又提高了網絡的穩(wěn)定性。文獻[10]基于小波神經網絡將風速與功率序列在不同尺度上進行分解，并使用多個BP神經網絡對各頻率分量進行預測，最后重構得到完整的預測結果。文獻[11]利用數據挖掘和模糊聚類技術將不同的機組進行分類，并分別進行實時預測。

總體來看，時間序列法通過挖掘數據序列的規(guī)律進行風電功率預測，具有較高的預測精度，適用于短期預測[12]。支持向量機法改變了傳統(tǒng)的經驗風險最小化原則，具有較好的泛化能力[13]。神經網絡法針對風電功率的非線性特性[14]，魯棒性較強，但是訓練數據過于龐大，容易陷入局部最優(yōu)。

針對上述問題，本文研究了基于思維進化算法（Mind Evolutionary Algorithm， MEA）的風電功率預測方法，該方法通過趨同和異化操作對隱層權值閾值進行優(yōu)化，大幅度削減了隱層權值閾值隨機生成所造成的預測誤差?；趯崪y數據對國內某風場的風電功率進行預測，仿真結果驗證了所構建模型的有效性。

三次樣條插值法的擬合結果如圖1所示，從圖1中可以看出，使用三次樣條對隨機缺失后的數據進行處理，所得到的擬合結果與真實風電功率數據基本吻合。

2基于思維進化算法的風電功率預測模型

2.1思維進化算法簡介

與遺傳算法不同，MEA算法具有許多自身特性[16]：

（1） 把群體劃分為優(yōu)勝子種群和臨時子種群，在種群內部進行趨同和異化操作，趨同語義化相互協(xié)調，但又保持各自的獨立性。

（2） 可以記憶不止一代的進化信息，這些信息有助于趨同和異化操作朝著有利的方向進行。

（3） 趨同與異化操作在結構上存在固有的并行性。

（4） 趨同和異化操作可以避免遺傳算法中出現的雙重性問題，即既可以產生好的基因，也可能破壞原有的好基因。

思維進化算法的結構如圖2所示：

圖2MEA算法結構圖

2.2風電功率預測模型的建立

以某風機實測風速 、環(huán)境溫度 和風電功率 為例，經過數據預處理之后，將風速 和環(huán)境溫度 作為風電功率預測模型的輸入，構造特

征向量 ，歸一化后的特征向量為 （5）

思維進化算法風電功率預測模型如圖3所示：

3仿真分析

仿真采用某風場的風電實測數據，該風場的數據采集周期為10min，單個風機容量為1500KW。為保證訓練樣本的多樣性，從所采集的風場數據中隨機選擇1900組實驗數據作為訓練樣本，對MEA風電功率預測模型進行訓練，在剩下的數據中隨機選擇100組數據作為測試樣本進行模型驗證，MEA算法的其他參數如表1所示。

圖4-圖6依次為MEA模型的第一次趨同、第二次趨同和第三次趨同操作。當臨時子種群的得分低于優(yōu)勝子種群的得分時，趨同操作停止，反之，繼續(xù)進行趨同操作。如圖4所示，臨時子種群的部分子種群得分高達7.4，遠高于優(yōu)勝子種群的得分，因此，MEA作一次異化操作，然后繼續(xù)進行下一次趨同操作。

圖8為MEA風電功率預測誤差曲線，最大誤差16%，低于風電場功率預測與系統(tǒng)提供的日預測曲線最大誤差不超過25%的要求，表明MEA算法具有較高的預測精度，滿足工程需求。

4結論與展望

本文建立了基于思維進化算法的風電功率預測模型，特征向量由環(huán)境溫度和風速構成。仿真結果表明，本文所提出的預測模型具有較高的預測精度，為后期整個風場的風電功率預測奠定了基礎。在以后的工作中，可以研究特征向量的選擇與訓練樣本對預測精度的影響。

參考文獻 References

[1] 葉林， 楊丹萍， 趙永寧. 風電場風能資源評估的測量-關聯(lián)-預測方法綜述[J]. 電力系統(tǒng)自動化， 2016（3）：140-151.

[2] 薛禹勝， 郁琛， 趙俊華，等. 關于短期及超短期風電功率預測的評述[J]. 電力系統(tǒng)自動化， 2015（6）：141-151.

[3] 段學偉， 王瑞琪， 王昭鑫，等. 風速及風電功率預測研究綜述[J]. 山東電力技術， 2015， 42（7）.

[4] 朱曉榮， 劉艷萍. 基于穩(wěn)健估計時間序列法的風電功率預測[J]. 電力系統(tǒng)及其自動化學報， 2012， 24（3）：107-110

[5] 戚雙斌， 王維慶， 張新燕. 基于支持向量機的風速與風電功率預測方法研究[J]. 華東電力， 2009， 37（9）：1600-1603

[6] 張濤， 張新燕， 王維慶. 基于神經網絡的風電功率預測問題研究[J]. 四川電力技術， 2013， 36（1）：16-18

[7] 楊楠， 周崢， 李臻，等. 基于總體平均經驗模態(tài)分解與改進Elman神經網絡的風電功率組合預測[J]. 電網與清潔能源， 2015， 31（10）.

[8] 茆美琴， 周松林， 蘇建徽. 基于脊波神經網絡的短期風電功率預測[J]. 電力系統(tǒng)自動化， 2011， 35（7）：70-74

[9] 周松林， 茆美琴， 蘇建徽. 基于主成分分析與人工神經網絡的風電功率預測[J]. 電網技術， 2011， 35（9）：128-132

[10] 師洪濤， 楊靜玲， 丁茂生，等. 基于小波—BP神經網絡的短期風電功率預測方法[J]. 電力系統(tǒng)自動化， 2011， 35（16）：44-48

[11] 楊茂， 熊昊， 嚴干貴，等. 基于數據挖掘和模糊聚類的風電功率實時預測研究[J]. 電力系統(tǒng)保護與控制， 2013（1）：1-6

[12] 邱金鵬， 牛東曉. 基于小波-時間序列組合模型的風電功率預測[J]. 電力建設， 2016， 37（1）：125-130.

[13] 王爽心， 李濤， 孫東旭，等. 基于小世界優(yōu)化的支持向量機風電功率預測[J]. 太陽能學報， 2015， 36（3）：720-726.

[14] 劉曉楠， 王勝輝， 金月新，等. 基于BP神經網絡的風電場發(fā)電功率短期預測[J]. 沈陽工程學院學報：自然科學版， 2015（1）：10-13.

[15] 李鵬， 顧宏斌， 高振興. 三次樣條插值法在氣動導數計算中的應用[J]. 飛行力學， 2008， 26（2）：74-76

[16] 王芳， 謝克明， 劉建霞. 基于群體智能的思維進化算法設計[J]. 控制與決策， 2010， 25（1）：145-148

收稿日期：修回日期：

作者簡介：

1. 俞俊（1978），男，高級工程師，碩士，主研領域：IT基礎架構的研究及新技術應用。

2. 王召 （1986） ，男，工程師，學士，主研領域：電力系統(tǒng)通信信息。

3. 籍天明（1991），男，助理工程師，碩士，主研領域：電力系統(tǒng)通信信息。電子郵箱：jitianming@sgepri.sgcc.com.cn

4. 裘煒浩，（1973），男，工程師，碩士，主要從事：信息化系統(tǒng)的建設與運維。

5. 裴旭斌（1973），男，高級工程師，學士，主

要從事：信息化系統(tǒng)的建設與運維。

6. 胡楠 （1982），男，高級工程師，主要從事：

信息化運維工作。

（編輯 ）