 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 |