基于径向基神经网络的风电场风速预测

《基于径向基神经网络的风电场风速预测》由会员分享，可在线阅读，更多相关《基于径向基神经网络的风电场风速预测（4页珍藏版）》请在金锄头文库上搜索。

1、 Wind Speed Prediction Based on RBF Neural Network Shoudao Huang, Lang Dai, Keyuan Huang, Sheng Ye College of electrical and information engineering, Hunan university, Changsha, China, 410082 Email:, Abstract: Wind speed forecasting is very important to wind farms and power system operation. By use

2、 of radial basis function (RBF) neural network the short-term wind speed forecasting is researched. On the premise of without taking into account numerical weather prediction data, with wind speed sequences is used as the input variable, the model was constructed based on the nonlinear approach abil

3、ity of radial basis function neural networks that was used for the short-term wind speed prediction. Using the model, we have achieved 1h ahead forecasting of the wind speed and its prediction error analysis. The results show that neural network structure and the selection of input sample have a cer

4、tain impact on the prediction results. The forecasting accuracy of the method is better than BP network. Keywords: short-term wind speed forecasting; artificial neural networks; radial basis function; wind farm 基于径向基神经网络的风电场风速预测基于径向基神经网络的风电场风速预测 黄守道，戴黄守道，戴 浪，黄科元，叶浪，黄科元，叶 盛盛 湖南大学电气与信息工程学院，长沙,中国，41008

5、2 Email:, 摘摘 要要：风速预测对风电场和电力系统的运行都具有重要意义。利用径向基函数（RBF）神经网络研 究短期风速预测。在不考虑数值天气预报数据的前提下，以风速序列作为模型输入变量，建立了基于 径向基函数神经网络的非线性逼近功能的风速短期预测模型。利用该模型实现了对风速的提前 1h 预 测，并对其预测误差进行分析。研究结果表明，神经网络的结构和输入样本选择对预测结果有一定的 影响，和 BP 网络比较，该方法具有更好的预测精度。 关键词关键词：短期风速预测；人工神经网络；径向基函数；风电场 1 引言引言 风能是一种可再生能源，利用风能发电日益受到 人们的重视，尤其是在欧美发达国家，

6、风力发电在电 力系统中所占比重越来越大。随着近年风力发电规模 的不断扩大，当风电穿越功率超过一定值后，风电场 并网及并网后的稳定和安全问题成为亟待解决的问 题，对电力系统的功率平衡和经济调度有非常重要的 意义。 风电场风速预测误差不仅与预测方法有关，而且 与预测周期以及预测地点的风速特性有关。 一般来说， 预测周期越短，预测地点的风速变化越缓和，预测误 差就越小；反之，预测误差就越大1。根据所采用的数学模型不同可分为持续预测法、自回归滑动平均模 型法、卡尔曼滤波法和智能方法等。其中持续预测法 是最简单的预测模型，即把最近一点的风速或功率观 测值作为下一点的预测值4。改进的方法主要有 ARMA模

7、型9和卡尔曼滤波算法或时间序列法和卡尔 曼滤波算法的结合7。除此之外，还有一些智能方法， 也是近来应用热点，如人工神经网络方法、模糊逻辑 法等。这些方法的引入使用，使得风电场风速预测的 精确度有了很大的提高。根据预测时间尺度分类，可 分为超短期预测和短期预测以及中长期预测。所谓超 短期预测一般认为是不超过30min的预测；短期预测 一般可认为是30min72h的预测；主要用于电力系统 的功率平衡和调度、暂态稳定评估等。中长期预测还 存在很大困难，因为风速、风向等天气情况是由大气 运动决定的，这使得中长期预测难以得到较好的预测基金项目:自然科学基金(50907020) 2010 The Seco

8、nd China Energy Scientist Forum978-1-935068-37-2 2010 SciRes.731结果2。 目前神经网络法在各种预测的应用越来越多，而 在风电场风速预测上则相对较少。 BP 网络又是用于风 速预测最多的一种神经网络，RBF 尽管在其他预测问 题，诸如负荷预测、用水预测等问题有广泛使用，但 是在风速或风电功率预测上却鲜有应用。 BP 神经网络 法以及时间序列与神经网络相结合被运用在短期风速 或风电功率预测1-3。除此之外还有运用卡尔曼滤波 法7 、向量自回归法对风速进行了预测。本文将运用 RBF 神经网络法来进行风速的短期预测。 2 RBF 神经网络

9、预测风速神经网络预测风速 2.12.1 RBF 函数神经网络结构函数神经网络结构 RBF 神经网络的结构与多层前馈网络类似，它也 是一种三层前馈式神经网络，其结构如图 1 所示。径 向基函数网络是一个局部逼近网络，即对于输入空间 的某一个局部区域只存在少数的神经元用于决定网络 的输出。 Figure 1. Structure of RBF network 图图 1. RBF 网络结构网络结构 输入层节点传递输入信号到隐含层，隐含层节点 由径向基函数（此处为高斯核函数）描述，而输出层 节点通常由简单的线性函数刻画。隐含层节点的作用 函数对输入信号将在局部产生响应，即当输入信号靠 近核函数的中央范

10、围时，隐含层节点将产生较大的输 出。因此，径向基函数网络是局部逼近网络，具有学 习速度快的优点，其基函数常用的是高斯函数，可表 示为： 22exp 2i i iXcx （1） 1,2,im 式中： ix为第i个隐含层节点的输出；X为输入样 本且12(,)TnXxxx； ic为 第i个隐含层节点的高斯核函数的中心且与X具有相同的维数；i为第i个 隐含层节点的变量，称标准化常数，或基宽度；m为 隐含层的节点数；iXc是向量iXc的范数， 通常 表示X和ic之间的距离。 ix在ic处有唯一最大值，随着iXc的增 大， ix迅速衰减到零。对于给定的输入nXR, 只有小部分靠近X的中心被激活。 在RBF

11、网络中， 隐含层的每个节点都有一个径向 基函数的中心向量ic，该向量与输入样本有相同的维 数，12,T iiiincccc ，1,2,im，整个网络 有m个这样的中心。实际上，各隐含层节点的输出表 示输入样本X离开该隐含层节点的径向基函数中心ic的程度，并不存在一个像其他网络那样联接各输入 节点与各隐含层节点的隐含权矩阵。因此，隐含层的 训练任务不是调节其权矩阵，而是为了每个隐含节点 选择其中心向量。 RBF网络中的输出层是一组线性组合器。 输入层 实现从 iXx的非线性映射，输出层实现从 ikxy的线性映射， 即RBF网络的输出为隐含层 节点输出的线性组合，有 1mikikiixywx （2

12、） 1,2,kp 式中：ky为输出节点k的输出；ikw为隐含节点i与输 出节点k的连接权值；p输出层的节点数。 2.22.2 径向基神经网络的优点径向基神经网络的优点 不同于BP神经网络，径向基神经网络在学习过 程中隐含层的神经元数目是变化的。在训练网络时， 通过检查网络的误差来不断调整网络隐含层神经元数 以及隐含层与输出层间的权值矩阵，直到误差满足要 求或达到最大隐含层神经元数。正是径向基函数网络 的这种结构自适应特性， 使得其输出与初始权值无关。 除此之外，虽然要达到同一目的，RBF网络的神经元 个数可能要比BP网络的神经元个数多，但是RBF网 络训练误差收敛要比BP网络快，学习时间要少。

13、总 而言之，径向基函数网络相比在函数逼近能力、分类 能力和学习速度等方面均优于BP网络，因而其在预 测应用上有一定优势。 3 算例分析算例分析 3.1 数据说明数据说明 19961998年，中国国家电力公司水电规划总院2010 The Second China Energy Scientist Forum978-1-935068-37-2 2010 SciRes.732与美国国家可再生能源实验室联合，对我国东南沿海 进行了风能资源评估10。其中给出了上海市崇明东旺 沙测风塔小时风速测量结果。 东旺沙所在的地理位置： 东经纬12156，北纬3131，海拔高度8m。测风塔高 度为50m，分别在50

14、、40和10m高度装设风速计，风 速测量起止时间：1998年5月19日2000年10月20 日。 3.2 建立模型建立模型 以我国上海崇明东旺沙1998年5月19日-1998年6 月19日共31天的小时风速作为本研究的样本15。小时 风速时间序列指按日历次序逐时记录的风速时间序 列，即该风速序列是每隔一小时采样的实际风速值， 依据该序列运用径向基神经网络进行建模。该风速时 间序列采自50m高处， 取其中的前173点数据作为模型 的输入样本。前500点风速序列如图2所示。依据这些 风速时间序列点，利用RBF神经网络建立风速的预测 模型。 50100150200250300350400450500

15、02468101214161820Time/hWind speed（m/s）Figure 2. Sample wind speed sequence 图图 2. 采样风速序列采样风速序列 3.3 输入样本的处理输入样本的处理 本文建立RBF模型以及BP模型的预测目标都是 利用一天24小时的风速采样来预测紧接其后一个小 时的风速。因此，利用训练好的模型进行预测时，输 入数据要随着预测目标作相应的变化，即始终保持输 入数据为预测目标的前一天的风速序列。所以要实现 其后更多时段的风速预测，模型输入要不断的做滚轮 式变化：假设前一次预测输入的风速序列为v1vn， 可预测出后一时间点风速vn+1的预测值1nv；而要进 行其下一步预测时，输入的风速序列应变成v2vn+1， 此时预测得到输出值2nv， 即实际风速vn+2的预测值。依此类推，实现整个预测过程的数据滚动处理。即在 预测过程中， 输入要随着预测目标的变化作相应改变。 3.4 网络结构参数对预测结果的影响网络结构参数对预测结果的影响 在RBF网络训练中，隐含层的神经元数量的确定 是一个关键的问题， 直接影响到模型预测结果的好坏。 隐含层神经元数目太多，首先会导致网络训练量的增 大，网络隐含层神经元越多，网络训练量越大。再有 隐含层神经元越多对模型预测结果不一定有利，甚至 可能导致预测结果不准