设为首页 加入收藏 期刊导航 网站地图
  • 首页
  • 期刊
    • 数学与物理
    • 地球与环境
    • 信息通讯
    • 经济与管理
    • 生命科学
    • 工程技术
    • 医药卫生
    • 人文社科
    • 化学与材料
  • 会议
  • 合作
  • 新闻
  • 我们
  • 招聘
  • 千人智库
  • 我要投搞
  • 办刊

期刊菜单

  • ●领域
  • ●编委
  • ●投稿须知
  • ●最新文章
  • ●检索
  • ●投稿

文章导航

  • ●Abstract
  • ●Full-Text PDF
  • ●Full-Text HTML
  • ●Full-Text ePUB
  • ●Linked References
  • ●How to Cite this Article
Smart Grid 智能电网, 2012, 2, 35-40
http://dx.doi.org/10.12677/sg.2012.22007 Published Online June 2012 (http://www.hanspub.org/journal/sg)
The Capacity Prediction for the Wind Power Based on L-M
Optimized BP Algorithm
Jing Meng1, Yu anfeng Huang2
1North China Electric Power University, Baoding
2Institute of Electrical Engineering, Chinese Academy of Sciences, Beijing
Email: celosiaargentea@163.com, huangyuanfeng08@mail.iee.ac.cn
Received: Mar. 27th, 2012; revi sed : Apr. 21st, 2012; accepted: Apr. 23rd, 2012
Abstract: Based on the traditional BP algorithm, combining Levenhery-Marquardt optimized algorithm and a neural
network forecasting method, this paper put forward a L-M optimized BP algorithm. The algorithm quickens the train,
improves stability. For the real power data of 58 wind turbines of some wind farm in somewhere, a real-time prediction
has been made based on L-M optimized BP algorithm, and the result shows that the algorithm produces better results
than traditional method.
Keywords: Prediction of Wind Power; L-M Optimize; BP Algorithm; Neural Network
基于 L-M 优化 BP 神经网络的风电功率预测
孟 静1,黄元峰 2
1华北电力大学,保定
2中国科学院电工研究所,北京
Email: celosiaargentea@163.com, huangyuanfeng08@mail.iee.ac.cn
收稿日期:2012 年3月27 日;修回日期:2012 年4月21 日;录用日期:2012 年4月23 日
摘 要:在传统 BP 算法的基础上,将 Levenbery-Marquardt优化法与神经网络模型相结合的 L-M 优化 BP 算法
进行了深入应用和分析。此方法与传统算法相比提高了系统的学习速度,加快了网络的收敛。针对某风电场 58
台机组额定功率为 850 kw的风电机组 20 天(每15 分钟一个预测点)的历史数据使用 L-M 算法优化下的前馈神经
网络模型—— BP 神经网络模型进行 了该风电场的实时预测,结果表明该方法在一定程度上更好 的逼近了真实的曲
线。
关键词:风电功率预测;L-M 优化;BP 算法;神经网络
1. 引言
风能是一种可再生、清洁的能源,现今风力发电
主要利用的是近地风能。近地风具有波动性、间歇性、
低能量密度等特点,因而风电功率也是波动的。大规
模风电场接入电网运行时,大幅度地风电功率波动会
对电网的功率平衡和频率调节带来不利影响。因此,
如何对风电场的发电功率进行尽可能准确地预测,是
急需解决的问题。
风电功率预测的方法主要有两大类,一种是物理方
法,一种是统计学方法。物理方法是结合风向、风速 等
天气情况数据,采用流体力学的分析方法,找出其中
的数学关系,从而结合天气预报和卫星监测的实时天
气数据,根据风电机组的功率曲线,对风电功率进行
合理的预测。统计学方法则尽依靠以往的功率测量数
据找出其规律,可以对风电场输出功率做基于时间序
列的分析,做中短期功率预测甚至是长期功率预测[1]。
Copyright © 2012 Hanspub 35
基于 L-M优化 BP神经网络的风电功率预测
根据电力调度部门安排运行方式的不同需求,风
电功率预测又可以分为日前预测和实时预测。日前预
测是预测明日 24 小时96个时点(每15分钟一个时点)
的风电功率数值。实时预测是滚动地预测每个时点未
来4小时内的 16 个时点(每15 分钟一个时点)的风电
功率数值。国家能源局颁布的风电场功率预测预报管
理暂行办法中给出了误差统计的相应指标。
本文针对某风电场58 台机组额定功率为 850 kw
的风电机组 20 天(每15 分钟一个预测点)的历史数据
使用 L-M 算法优化下的前馈神经网络模型——BP 神
经网络模型进行了该风电场的实时预测。
2. 原理分析
人工神经网络具有模拟人类大脑思维功能的能
力,是一种模仿人脑结构及其功能的非线性信息处理
系统,能够自动调整内部神经元之间的连接权重,以
匹配输入输出响应关系,理论上可以实现任意函数的
逼近,达到人们期望的精度要求。其中 BP 神经网络
模型,是现在应用最成功、最广泛的人工神经网络。
BP 神经网络属于前馈型神经网络,其架构是由
数层互相连接的神经元组成,通常包含了输入层、输
出层及若干隐藏层,各层包含了若干神经。其基本思
想是最小二乘法,采用梯度搜索技术,使用最速下降
法,通过反向传播来不断调整网络的权值和阈值,使
网络的误差平方和最小。神经网络依照学习法则,透
过训练以调整连接链加权值的方式来完成目标的收
敛。由于其可实现输入和输出的任意非线性映射,所
以具有高度的非线性和很强的自适应学习能力,故广
泛应用在模式识别、函数逼近、经济预测等领域[2]。
BP 神经网络的学习算法首先初始化网络的结构
和权值,然后根据输入样本向前计算 BP网络每层神
经元的输入和输出信号,根据期望输出计算反向误
差,对权值进行修正,如果误差小于给定的值或者迭
代次数超过设定值结束学习。其流程图如图 1所示。
由于 BP 神经网络的运算特点,BP 神经网络天然
存在一些缺点:训练时间长、收敛速度慢、可能收敛
于局部最小点、数值稳定性差、学习率、动量项系数
和初始权值等参数难以调整。基于L-M 优化下的BP
神经网即利用数学上的 Levenbery-Marquard 算法(非
线性阻尼最小二乘法)来优化 BP 神经网络算法,从而
克服 BP 算法上的不足。
Figure 1. The BP neural networks algorithm flowcharts
图1. BP神经网络算法流程图
L-M 算法本身是高斯–牛顿算法的改进,在计算
量上明显优于高斯–牛顿法,在应用 L-M算法时,可
以不用计算 Hessian矩阵(海森矩阵)[3],而用雅克比计
算的 H矩阵,由二阶导数转变成一阶导数,大大减少
了计算量:
T

H
JJ (1)
近似代替,梯度为:
T
g
J
e (2)
J——雅克比矩阵,含网络训练误差的一阶导数,
是权值与阈值的函数;
e——网络训练误差矢量;
g——梯度。
有
1
1T
kk



 

xxJJIJ
T
e
T
(3)
记
1
T
k
p



 

J
JIJe (4)
x——权值和阈值组成的向量;
p——前进方向(也可称为调整规则);
μ——阻尼因子;
I——单位矩阵。
当μ = 0时,该算法变为具有近似的海森矩阵的
牛顿法,μ较大时,该算法接近最小步长的梯度法。
在迭代过程中,如果训练成功,则减小μ的值,若训
练失败则增大 μ的值,以便于在每一次迭代过程中都
Copyright © 2012 Hanspub
36
基于 L-M优化 BP神经网络的风电功率预测
能使误差不断减小[4],速度、精度都能得到提高。
3. 实例分析
3.1. 数据预测处理
1) 对于实时监测到的数据(本文中用到的训练数
据和验证数据),由于其存在可能的错误和误差,错误
主要来源于本身测量数据有误、采集后传输数据通信
信道受干扰是数据有误、人为记录或自动数据录入有
误等等,为了确保数据的合理性,以便做出最准确的
分析,我们对数据做如下处理:
 当预测的风电功率小于零时,令预测值等于零。
 当风电功率超过装机容量时,令预测值等于装机容
量值。
 当预测值与前一个值的差值超过了风电功率波动
的3倍时,这时认为该处预测的风电功率值不可
信。事实上风电功率波动超过平均波动量的 3倍的
概率只有 3%,在数学属于小概率事件[5]。
2) 对第一步处理后的样本数据进行归一化处理,
使用函数 mapmi n ma x ,即将其映射到[0,1] 或[–1,1] 的
范围内,本文采用 MATLAB 对数据做处理分析,可
使用函数,使数据分布在[–1,1]的范围内。
3.2. 网络的选择
本文选用三层 BP 神经网络由一个输入层、一个
隐层和一个输出层构成,其示意图如图 2所示。
隐层神经源节点的输出为:
iijj
j
yfwx i








(5)
Figure 2. The BP n eural networks structure drawing
图2. 三层 BP 神经网络结构图
输出节点的计算输出为:
kkii
i
Of Tyk








(6)
输出层节点的误差为:

2
1
2kk
k
EtO


(7)
输出层节点权值的梯度:
k
kik ki
O
EE
TOT




 (8)
隐层神经元节点的梯度:
ki
ki
ijk iij
Oy
EE
Oy







 (9)
输出层、隐层神经元节点的权值修正公式为:



1
kiki ki
TnTn pT 

(10)



1
ijij ij
nnp



 

(11)
输出层、隐层神经元节点的阈值修正公式为:



1
kk
nnp
k




(12)



1
ii
nnp
i


 

(13)
3.3. 网络训练与风电负荷预测
利用 MATLAB中的神经网络工具箱我们可以仿
真风电负荷预测的结果,利用:
net = newff(PR,[S1 S2SNl],{TF1 TF2TFNl},
BTF,BLF,PF)

PR——输入向量的取值范围;
Si——i层神经元的个数,一共 N层;
Tfi——第 i层的传递函数,缺省默认“tansig”;
BTF——网络训练函数,缺省默认 = “trainlm”;
BLF——网络权值和阈值学习函数,缺省默认 =
“learngdm”;
PF——性能函数,缺省默认 = “mse”。
图3所示 5月10 日~5 月29 日共计 1904 个训练
样本的样本值(已进行第一部数据处理后的值)。图4
为接下来的 16 个点(实时预测)验证数据和预测曲线。
最后利用函数 mapminmax 可以反归一化,可得
到最终的预测结果数据。
风电功率预测准确性由准确率表征,公式为:
Copyright © 2012 Hanspub 37
基于 L-M优化 BP神经网络的风电功率预测
Copyright © 2012 Hanspub
38
Figure 3. The BP neura l n e t works training cu r v e u n der L-M
图3. L-M优化下的 BP 神经网络训练曲线
Figure 4. The BP neu r a l n e t works prediction curve under L-M
图4. L-M优化下的 BP 神经网络预测曲线
2
11
1
1 100%
Cap
N
Mk Pk
k
pp
rN




 







(14)
1
r——为预测计划曲线的准确率;
M
k
p——为 k时段的实际平均功率;
P
k
p——为 k时段的预测平均功率;
N——为考核总时段数;
Cap——为风电场的开机容量。
经计算,r1 = 85.505%,符合国家能源局发布的关
于风电场功率预测预报暂行管理办法的要求。
除此之外,我们还对四台风机组,分别单独进行
了短期风电功率预测,由于单独的机组,采集的数据
波动性大,所以预测效果不及聚合后的 58 台风电机
组总风电功率预测的效果好,但误差仍在可接受的范
围内( )。
180%r
在用普通的 BP 神经网络预测时,按照经验公式
从2~13选取隐层数,均不能在100 次内得到很好地
拟合效果。而 L-M优化下的 BP 神经网络在隐层数为
13 时,只需 50次就可以达到相当逼近原曲线的效果。
下图为同样在 100次训练过后 L-M 优化下的 BP
神经网络算法得到的训练曲线,和基于梯度下降法的
BP 神经网络训练曲线(见图 5和图 6)。
基于 L-M优化 BP神经网络的风电功率预测
Figure 5. The BP neura l n e t works training cu r v e u n der L-M
图5. L-M优化下的 BP 神经网络训练曲线
Figure 6. The BP neural networks training curve under Gradient descent backpropagation
图6. 基于梯度下降法的 BP 神经网络训练曲线
我们可以看出,L-M优化下的 BP 神经网络预测方
法,具有与样本曲线更为接近,预测误差较小等特点。
如果能够掌握更多的历史数据,将有助于更加逼
近原曲线,从而更精准的预测短期的风电功率。
4. 结语
利用基于 L-M 优化下的 BP 神经网络算法模型进
行某地区的风电负荷预测较传统的 BP神经网络预测
方法更为有效,提高了系统的学习速度,也一定程度
上更好的逼近了真实的曲线。可以作为风电负荷预测
方法的一种参考方式。
5. 致谢
本文在研究和写作过程中得到了华北电力大学(保
定)发电组及电磁组部分老师的指导,在此表示感 谢。
本文是在中科院电工所顾国彪院士和王海峰研究
员的细心指导下完成的,在此向二位 老师表示感谢。
参考文献 (References)
[1] 洪翠, 林维明, 温步瀛. 风电场风速及风电功率预测方法研
究综述[J]. 电网与清洁能源, 2011, 27(1): 20-66.
[2] 屠强. 风电功率预测技术的应用现状及运行建议[J]. 电网与
清洁能源, 2009, 25(10): 4-9.
Copyright © 2012 Hanspub 39
基于 L-M优化 BP神经网络的风电功率预测
[3] 曹邦兴. LM算法在地下水动态预测中的应用研究[J]. 广西水
利水电, 2007, 3: 4-5, 16.
[4] 代小红, 王光利. L-M优化 BP 算法在短期负荷预测中的应用
[J]. 计算机科学, 2011, 38(7): 265-267.
[5] 刘玉. 基于实测数据分析的大型风电场风电功率预测研究[J].
黑龙江电力, 2011, 33(1): 11-15.
Copyright © 2012 Hanspub
40

版权所有:汉斯出版社 (Hans Publishers) Copyright © 2012 Hans Publishers Inc. All rights reserved.