譚 劍

中國能源建設(shè)集團華中電力試驗研究院有限公司 湖南 長沙 410000

1 引言

由于傳統(tǒng)能源的日漸減少,風(fēng)力發(fā)電等清潔新能源越來越引起社會的重視。我國風(fēng)力資源十分豐富,有效利用將大大改善我國的用電壓力。然而,風(fēng)力受多種因素影響,具有隨機性與間歇性等特點,加大了風(fēng)電并網(wǎng)的難度。利用已有的風(fēng)電數(shù)據(jù)對其功率精確預(yù)測將有效幫助電力部門有針對性做出決策,保證居民生活、工業(yè)生產(chǎn)等多方面的用電需求,在保證電力質(zhì)量的前提下,降低電網(wǎng)的運行成本[1－2]。

目前,國內(nèi)外學(xué)者緊跟時代步伐,在風(fēng)電功率預(yù)測方面做出了大量研究,常見的方法有小波分析、支持向量機、極限學(xué)習(xí)機、時間序列法等。文獻[3]采用小波變換對原始變量進行分解,并結(jié)合神經(jīng)網(wǎng)絡(luò)進行短期風(fēng)電功率預(yù)測,有效提高了預(yù)測精度,但是小波變換公式復(fù)雜,所需工作量較大。文獻[4]建立多輸入單輸出的BP神經(jīng)網(wǎng)絡(luò)模型,能夠較好地用于預(yù)測風(fēng)電機組的輸出功率,但是BP神經(jīng)網(wǎng)絡(luò)預(yù)測精度仍有待提高,且容易陷入局部最優(yōu)。文獻[5]基于支持向量機理論,建立了4h風(fēng)電功率預(yù)測模型,為短期功率預(yù)測提供了一種方法,但支持向量機預(yù)測精度不足,誤差較高。

本文針對以上問題,選取風(fēng)速、溫度、電流等影響功率的因素,建立一種基于螢火蟲算法(Firefly Algorithm,FA)優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的預(yù)測模型,并與ELM、BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測性能進行對比。結(jié)果表明,本文提出的方法能夠降低預(yù)測誤差,提高預(yù)測準確度,在超短期與短期風(fēng)電功率預(yù)測方面效果顯著,應(yīng)用前景顯著。

2 理論建模分析

2.1 BP神經(jīng)網(wǎng)絡(luò) BP神經(jīng)網(wǎng)絡(luò)]作為一種能夠通過不斷學(xué)習(xí)更新權(quán)重和閾值的反饋網(wǎng)絡(luò),理論上能夠無限逼近任何函數(shù),已經(jīng)在許多領(lǐng)域得到了很好的應(yīng)用。BP神經(jīng)網(wǎng)絡(luò)分為正向傳遞與反向傳遞兩個過程,通過梯度下降法不斷減小誤差值,其基本結(jié)構(gòu)包括輸入層、隱含層與輸出層,

2.2 螢火蟲算法 螢火蟲算法是一種模擬螢火蟲群聚活動尋找種群最優(yōu)而提出的啟發(fā)式算法。每只螢火蟲均有一個初始發(fā)光強度,隨著時間的推移,發(fā)光弱的個體會向發(fā)光強的個體移動,改變螢火蟲的位置,完成迭代過程,具體規(guī)則如下：

式中,I為螢火蟲個體的相對熒光亮度；I0為螢火蟲個體當前位置的亮度,隨著適應(yīng)度函數(shù)的更新而變化；γ為發(fā)光強度吸收系數(shù)；d ij為兩個體間的距離；D為螢火蟲所處空間的維度；x ic與x jc分別為第i只螢火蟲與第j只螢火蟲在空間中的第c個分量。

不同發(fā)光強度的螢火蟲之間通過吸引來改變位置,螢火蟲之間的吸引度定義為

式中,βij為第i只螢火蟲與第j只螢火蟲之間的吸引度值,β0為初始吸引度。

迭代過程中,每只螢火蟲位置更新規(guī)則為

式中,x i與x j分別為第i只螢火蟲與第j只螢火蟲的空間位置,k為迭代次數(shù),α為步長因子,rand為[0,1]上服從均勻分布的隨機因子。

當滿足全局最優(yōu)或者達到最大迭代次數(shù)時,尋優(yōu)結(jié)束。螢火蟲算法原理清晰易懂,參數(shù)數(shù)量較少,可用來改善原始BP神經(jīng)網(wǎng)絡(luò)的預(yù)測性能。

2.3 螢火蟲算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò) 本文運用FA算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò),構(gòu)建FA－BP預(yù)測模型,改善風(fēng)電功率預(yù)測準確度。

3 實驗驗證與分析

3.1 數(shù)據(jù)預(yù)處理 風(fēng)電是一個多參數(shù)且非線性的復(fù)雜能源系統(tǒng),影響風(fēng)電性能的各項參數(shù)往往具有不同的量綱與數(shù)值。如果直接用原始數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)的輸入,那么將會導(dǎo)致誤差的增大,無法提供準確的預(yù)測結(jié)果。基于此,需要首先進行歸一化處理。

本文采用“mapminmax”公式對原始數(shù)據(jù)進行歸一化處理,使新數(shù)據(jù)處于[－1,1]范圍內(nèi),消除各參數(shù)之間的差異性,如式(5)所示：

式中,y為歸一化后的無量綱新數(shù)據(jù),ymax＝1,ymin＝－1,x為原數(shù)據(jù),xmax與xmin分別為原數(shù)據(jù)中的最大值與最小值。

3.2 效果評價標準 為了突出所構(gòu)建模型的預(yù)測性能,本文分別采用均方根誤差(Root Mean Square Error,RMSE)與平均絕對誤差(Mean Absolute Error,MAE)來反映預(yù)測效果,計算公式如下：

式中,y i為風(fēng)電功率的實際值,為風(fēng)電功率的預(yù)測值,i＝1,2,…,m。

3.3 參數(shù)設(shè)置與實驗結(jié)果 為了驗證本文所提出的FA－BP方法在風(fēng)電功率預(yù)測方面的優(yōu)越性,選取國內(nèi)某風(fēng)電場2018年5月1日～2018年6月7日采集的數(shù)據(jù)作為樣本來源,每隔30min采樣一次。其中,2018年5月1日～5月31日的數(shù)據(jù)為訓(xùn)練樣本,共1488組。2018年6月1日數(shù)據(jù)為測試樣本1,共48組,預(yù)測一天的功率；2018年6月1日～6月7日數(shù)據(jù)為測試樣本2,共336組,預(yù)測一周的功率。

根據(jù)選擇的數(shù)據(jù),風(fēng)速、溫度、電流為模型輸入,風(fēng)電功率為模型輸出。構(gòu)建3層網(wǎng)絡(luò)結(jié)構(gòu),輸入層設(shè)置為3,隱含層為10,輸出層為1,學(xué)習(xí)率為0.1,全局訓(xùn)練目標為0.00001。螢火蟲種群數(shù)量為20,迭代次數(shù)為100,步長因子為0.5,初試吸引度為0.2,發(fā)光強度吸收系數(shù)為1。

(1)2018年6月1日預(yù)測結(jié)果

圖3(a)－(d)是ELM、BP以及FA－BP模型在2018年6月1日的風(fēng)電功率預(yù)測結(jié)果圖與對比圖。從圖中可以直觀看出,與其余兩種模型相比,FA－BP模型能夠較好地預(yù)測風(fēng)電功率,誤差更小,精度更高。

(a)ELM風(fēng)電功率預(yù)測結(jié)果(b)BP神經(jīng)網(wǎng)絡(luò)風(fēng)電功率預(yù)測結(jié)果

(c)FA－BP風(fēng)電功率預(yù)測結(jié)果(d)三種模型風(fēng)電功率預(yù)測結(jié)果圖3 三種模型一日風(fēng)電功率預(yù)測結(jié)果

表1為三種模型一日風(fēng)電功率預(yù)測結(jié)果,從表中可以看出,FA－BP模型的RMSE誤差相對ELM與BP分別降低了7.7862%與0.7833%,MAE誤差分別降低了1.4331%與0.3843%。綜合分析,FA－BP能夠有效降低預(yù)測的誤差,提高風(fēng)電功率預(yù)測的精度。

表1 三種模型一日預(yù)測結(jié)果對比

(2)2018年6月1日～7日預(yù)測結(jié)果

圖4(a)－(d)是ELM、BP神經(jīng)網(wǎng)絡(luò)以及FA－BP模型在2018年6月1日～7日的風(fēng)電功率預(yù)測結(jié)果圖與對比圖。從圖中可以直觀看出,與其余兩種模型相比,FA－BP模型能夠較好地預(yù)測一周的風(fēng)電功率,誤差更小,精度更高,為電力調(diào)度提供了一種有效預(yù)測手段。

圖4 三種模型一周風(fēng)電功率預(yù)測結(jié)果

表2為三種模型一周風(fēng)電功率預(yù)測結(jié)果,從表中可以看出,FA－BP模型的RMSE誤差相對ELM與BP分別降低了2.6364%與2.0413%,MAE誤差分別降低了0.0946%與0.3112%。綜合分析,FA－BP能夠有效降低預(yù)測的誤差,提高風(fēng)電功率預(yù)測的精度。

表2 三種模型一周預(yù)測結(jié)果對比

4 結(jié)論

風(fēng)電功率預(yù)測是電力調(diào)度部門合理分配電能資源的一種有效手段,合理的風(fēng)電功率預(yù)測將提高調(diào)度的效率,滿足生產(chǎn)生活等各方面的需求。本文選取風(fēng)速、電流、溫度作為模型輸入,通過FA－BP模型進行風(fēng)電功率預(yù)測,得出如下結(jié)論：

(1)FA算法能夠有效優(yōu)化BP神經(jīng)網(wǎng)絡(luò),并用于風(fēng)電功率的預(yù)測。與原始BP神經(jīng)網(wǎng)絡(luò)、ELM性能相比,FA－BP模型能夠顯著降低預(yù)測誤差,提高預(yù)測精度。

(2)運用FA－BP神經(jīng)網(wǎng)絡(luò)模型進行風(fēng)電功率預(yù)測,一日預(yù)測的RMSE誤差為3.6858%,MAE誤差為2.7162%,誤差比另外兩種模型明顯降低,可以作為電力調(diào)度部門日調(diào)度的依據(jù)。

(3)FA－BP模型進行一周風(fēng)電功率預(yù)測,RMSE誤差為4.7523%,MAE誤差為3.1127%。雖然誤差比一日預(yù)測的結(jié)果高,但結(jié)果仍然可以接受,并且比另兩種模型預(yù)測精度更高。

(4)本文提出的FA－BP模型,無論是一日預(yù)測還是一周預(yù)測,均取得了滿意的預(yù)測結(jié)果,為風(fēng)電功率預(yù)測提供了一種新的方法,具有一定的實際應(yīng)用價值。