《電子技術(shù)應(yīng)用》
您所在的位置：首頁 > 嵌入式技術(shù) > 設(shè)計(jì)應(yīng)用 > 基于OS-ELM的風(fēng)速修正及短期風(fēng)電功率預(yù)測
基于OS-ELM的風(fēng)速修正及短期風(fēng)電功率預(yù)測
2016年電子技術(shù)應(yīng)用第2期
張穎超1，2，3，肖 寅1，鄧 華2，王 璐1
1.南京信息工程大學(xué) 信息與控制學(xué)院，江蘇 南京210044； 2.南京信息工程大學(xué) 氣象災(zāi)害預(yù)報預(yù)警與評估協(xié)同創(chuàng)新中心，江蘇 南京210044； 3.江蘇省大數(shù)據(jù)分析技術(shù)重點(diǎn)實(shí)驗(yàn)室，江蘇 南京210044
摘要： 隨著時間的推移，風(fēng)電場風(fēng)電功率預(yù)測模型的適用性逐漸降低，導(dǎo)致預(yù)測精度下降。為了解決該問題，基于在線序列-極限學(xué)習(xí)機(jī)(OS-ELM)算法提出了風(fēng)電場短期風(fēng)電功率預(yù)測模型的在線更新策略，建立的OS-ELM模型將風(fēng)電場的歷史數(shù)據(jù)固化到隱含層輸出矩陣中，模型更新時，只需將新產(chǎn)生的數(shù)據(jù)對當(dāng)前網(wǎng)絡(luò)進(jìn)行更新，大大降低了計(jì)算所需的資源。采用極限學(xué)習(xí)機(jī)(ELM)算法對數(shù)值天氣預(yù)報(NWP)的預(yù)測風(fēng)速進(jìn)行修正，并根據(jù)風(fēng)電功率的置信區(qū)間對預(yù)測功率進(jìn)行二次修正。實(shí)驗(yàn)結(jié)果表明，采用OS-ELM算法更新后的模型適用性增強(qiáng)，預(yù)測精度提高；采用基于風(fēng)電功率置信區(qū)間的功率修正模型后，風(fēng)電功率的預(yù)測精度明顯提高。
中圖分類號： TK89
文獻(xiàn)標(biāo)識碼： A
DOI：10.16157/j.issn.0258-7998.2016.02.030
中文引用格式： 張穎超，肖寅，鄧華，等. 基于OS-ELM的風(fēng)速修正及短期風(fēng)電功率預(yù)測[J].電子技術(shù)應(yīng)用，2016，42(2)：110-113，121.
英文引用格式： Zhang Yingchao，Xiao Yin，Deng Hua，et al. Wind speed correction and short-term wind power prediction based on OS-ELM algorithm[J].Application of Electronic Technique，2016，42(2)：110-113，121.
Wind speed correction and short-term wind power prediction based on OS-ELM algorithm
Zhang Yingchao1，2，3，Xiao Yin1，Deng Hua2，Wang Lu1
1.School of Information and Control, Nanjing University of Information Science and Technology，Nanjing 210044，China； 2.Collaborative Innovation Center on Forecast and Evaluation of Meteorological Disasters， Nanjing University of Information Science & Technology，Nanjing 210044，China； 3.Jiangsu Key Laboratory of Big Data Analysis Technology，Nanjing 210044，China
Abstract： As time goes on, the applicability of the wind power prediction model is gradually reduced, which causes decline of prediction accuracy. To solve this problem, online update strategy of short-term wind power prediction model is proposed in this paper based on online sequential-Extreme Learning Machine(OS-ELM) algorithm, OS-ELM model established solidify the historical data of wind farm to the implied layer output matrix, and when updating model, simply use new produced data to update current network, which greatly reduces the resources required for the calculation. Extreme Learning Machine(ELM) is used to correct predicted wind speed of numerical weather prediction(NWP) and make secondary correction for the predicted power based on wind power and confidence intervals. Experimental results show that the applicability of updated model by OS-ELM is enhanced, and the prediction accuracy is improved. With wind power confidence intervals of the power correction model, the prediction accuracy of wind power has improved significantly.
Key words : online sequential-Extreme Learning Machine(OS-ELM)；numerical weather prediction(NWP)；wind speed correction；wind power correction

0 引言

    隨著全球化石能源儲量的日漸匱乏以及環(huán)境問題的日益突出，新能源的開發(fā)與利用受到人們的廣泛關(guān)注。在眾多新能源中，風(fēng)能作為環(huán)保清潔的可再生能源具有儲量大、分布廣等優(yōu)勢，日益受到各個國家的重視[1]。然而，與常規(guī)能源不同，風(fēng)電具有間歇性和波動性特點(diǎn)，給電力系統(tǒng)的安全、穩(wěn)定運(yùn)行以及保證電能質(zhì)量帶來了巨大的壓力[2]。對風(fēng)電功率進(jìn)行準(zhǔn)確的預(yù)測，將有助于削弱風(fēng)電接入對電網(wǎng)造成的不利影響，保證了電力系統(tǒng)的安全、穩(wěn)定[3-4]。

    在短期風(fēng)電功率預(yù)測方面，國內(nèi)外學(xué)者做了大量的研究，常用的統(tǒng)計(jì)學(xué)習(xí)方法包括卡爾曼濾波法、模糊預(yù)測法以及支持向量機(jī)等?？偨Y(jié)目前國內(nèi)外的研究現(xiàn)狀可知，前人的研究主要集中在如下4點(diǎn)：(1)數(shù)據(jù)預(yù)處理。為了提高風(fēng)能到電能轉(zhuǎn)換的模型精度，提出了很多數(shù)據(jù)預(yù)處理的方法，如小波分析法[5]、經(jīng)驗(yàn)?zāi)B(tài)分解法[6-7]、混沌時間序列法[8]以及數(shù)據(jù)挖掘中的聚類分析[9]等。(2)利用尋優(yōu)算法對模型參數(shù)進(jìn)行優(yōu)化，如粒子群算法、遺傳算法[10-11]等。(3)研究風(fēng)速風(fēng)向?qū)β视绊戄^多，很少考慮其他氣象要素對風(fēng)電機(jī)組出力的影響。(4)研究風(fēng)速到風(fēng)電功率的轉(zhuǎn)化模型較多，而研究風(fēng)速及風(fēng)電功率的統(tǒng)計(jì)修正較少。

    風(fēng)電功率預(yù)測模型隨著風(fēng)電場季節(jié)及訓(xùn)練樣本的變化不斷調(diào)整，需要模型能根據(jù)新樣本實(shí)時更新。但是傳統(tǒng)神經(jīng)網(wǎng)絡(luò)模型由于訓(xùn)練樣本不變，隨著訓(xùn)練時間的延長，該模型會導(dǎo)致預(yù)測結(jié)果越來越不準(zhǔn)確，因此為了提高整個訓(xùn)練網(wǎng)絡(luò)的外延能力，需要不斷地更新樣本數(shù)據(jù)。但是樣本數(shù)量的增加也造成了訓(xùn)練所需要的資源顯著增加。

    針對上述問題，本文提出了在線序列極限學(xué)習(xí)機(jī)(OS-ELM)算法，解決了模型更新問題，同時基于極限學(xué)習(xí)機(jī)算法建立了數(shù)值天氣預(yù)報風(fēng)速的修正模型，并根據(jù)風(fēng)功率曲線排除了預(yù)測過程中可能產(chǎn)生的奇異點(diǎn)，提高了預(yù)測的準(zhǔn)確度。

1  OS-ELM算法原理

jsj3-gs1-2.gif

式(2)中，H被稱為隱含層輸出矩陣，β表示輸出權(quán)值矩陣，T表示網(wǎng)絡(luò)的輸出矩陣。

    求解以下方程組的最小二乘解可得β

jsj3-gs3-4.gif

    為了更好地適應(yīng)短期風(fēng)電功率預(yù)測模型的在線更新，引入OS-ELM。OS-ELM算法主要包括兩個步驟[12-13]：

    (1)初始化階段：給定網(wǎng)絡(luò)初始的隱含層節(jié)點(diǎn)數(shù)，輸入初始訓(xùn)練樣本數(shù)據(jù)，初始化網(wǎng)絡(luò)并設(shè)置網(wǎng)絡(luò)參數(shù)，求得初始隱含層輸出矩陣H0和輸出權(quán)值向量β0。

    (2)在線序列更新階段：在建立的初始網(wǎng)絡(luò)基礎(chǔ)上，根據(jù)最新的樣本數(shù)據(jù)更新參數(shù)H和β，直到所有的樣本數(shù)據(jù)學(xué)習(xí)完成。

    OS-ELM算法模型如圖1所示。

jsj3-t1.gif

2 預(yù)測風(fēng)速及輸出功率修正模型

2.1 基于極限學(xué)習(xí)機(jī)的預(yù)測風(fēng)速修正

    數(shù)值天氣預(yù)報預(yù)測風(fēng)速與風(fēng)電場實(shí)際風(fēng)速之間必然存在差距。當(dāng)通過短期預(yù)測模型對每臺風(fēng)機(jī)的風(fēng)電功率進(jìn)行預(yù)測時，如果輸入端誤差較大，將會導(dǎo)致預(yù)測誤差增大。由于風(fēng)速是影響風(fēng)電功率輸出的最主要因素，因此對NWP風(fēng)速數(shù)據(jù)進(jìn)行修正將提高網(wǎng)絡(luò)模型輸入數(shù)據(jù)的準(zhǔn)確度，從而有效地提高預(yù)測的精度。本文以歷史NWP預(yù)報的風(fēng)速數(shù)據(jù)作為模型的輸入，相應(yīng)時間段SCADA實(shí)際采集風(fēng)速數(shù)據(jù)作為輸出建立風(fēng)速修正的ELM模型。

2.2 輸出功率的修正

    風(fēng)電場風(fēng)機(jī)實(shí)測風(fēng)速與功率的對應(yīng)關(guān)系并不是理想的曲線，其對應(yīng)關(guān)系是以理想的風(fēng)功率曲線為基準(zhǔn)，上下波動的散點(diǎn)圖。在這些散點(diǎn)中，有明顯不符合風(fēng)機(jī)出力規(guī)律的點(diǎn)，如圖2中圓圈圈出的點(diǎn)。這類點(diǎn)偏離了理想風(fēng)功率曲線的中心，影響了風(fēng)電功率預(yù)測的精度，應(yīng)該剔除。本文以99%為檢驗(yàn)水平，計(jì)算擬合的風(fēng)功率曲線的置信區(qū)間，所得的置信上下限如圖2所示。

jsj3-t2.gif

3 實(shí)例分析

    本文以國內(nèi)某風(fēng)場為研究對象，選擇該風(fēng)場一年中春、夏、秋、冬4個季度的數(shù)據(jù)對算法進(jìn)行驗(yàn)證。本文選用的數(shù)據(jù)包括數(shù)值天氣預(yù)報預(yù)測的風(fēng)速、SCADA系統(tǒng)采集的實(shí)際風(fēng)速以及測風(fēng)塔測得的風(fēng)電場實(shí)際風(fēng)速，各種數(shù)據(jù)的時間分辨率間隔為15 min。

3.1 OS-ELM模型的建立與仿真分析

    本文首先選用春天的數(shù)據(jù)建立ELM模型，依次將夏天、秋天和冬天的數(shù)據(jù)加入到OS-ELM模型中實(shí)現(xiàn)模型的在線更新，選擇任意一天的實(shí)際風(fēng)速和實(shí)際功率作為測試樣本對各個批次更新的模型進(jìn)行對比分析。圖3、圖4、圖5和圖6分別表示初始新建的ELM模型、加入第一批次訓(xùn)練數(shù)據(jù)、第二批次訓(xùn)練數(shù)據(jù)和第三批次訓(xùn)練數(shù)據(jù)后的模型預(yù)測功率與實(shí)際功率的對比。由圖3和圖4可知，由于初始模型的樣本集較少，導(dǎo)致模型的預(yù)測精度較差。從圖5和圖6可以看出，隨著樣本集的不斷加入，特征數(shù)據(jù)越來越豐富，模型泛化能力增強(qiáng)。

jsj3-t3.gif

jsj3-t4.gif

jsj3-t5.gif

jsj3-t6.gif

    表1為各個模型的統(tǒng)計(jì)誤差對比。由表1可知，模型更新后預(yù)測誤差減小，預(yù)測精度較初始新建模型明顯提高。

jsj3-b1.gif

3.2 風(fēng)速修正模型的建立與仿真分析

    基于ELM算法建立了數(shù)值天氣預(yù)報風(fēng)速的修正模型。NWP預(yù)測風(fēng)速與實(shí)際風(fēng)速的對比如圖7所示。從圖7可以看出，預(yù)測風(fēng)速大部分的預(yù)測值都大于實(shí)際風(fēng)速值，但是兩種風(fēng)速的變化趨勢基本相同，說明兩種風(fēng)速之間存在一定的相關(guān)性。

jsj3-t7.gif

    ELM模型對預(yù)測風(fēng)速進(jìn)行修正前后的對比結(jié)果如圖8所示。圖8中，修正后的風(fēng)速更加接近實(shí)際風(fēng)速，表2為風(fēng)速ELM模型修正前后統(tǒng)計(jì)誤差的對比。修正之后的風(fēng)速相比修正前，平均絕對誤差和均方根誤差都相應(yīng)地減小。

jsj3-t8.gif

jsj3-b2.gif

    預(yù)測風(fēng)速修正前后預(yù)測功率與實(shí)際功率的對比如圖9所示。從圖9可以看出，修正后的功率相比修正前與風(fēng)電場的實(shí)際功率更為接近，誤差進(jìn)一步減小，表明修正后的預(yù)測功率更加準(zhǔn)確。表3為預(yù)測功率的統(tǒng)計(jì)誤差對比。風(fēng)速修正后再對功率進(jìn)行預(yù)測，精度要遠(yuǎn)大于風(fēng)速修正之前直接對功率進(jìn)行預(yù)測的結(jié)果。

jsj3-t9.gif

jsj3-b3.gif

3.3 功率修正模型的建立與仿真分析

    功率修正模型主要是針對預(yù)測模型的預(yù)測功率進(jìn)行的修正。如果預(yù)測功率沒有落在風(fēng)功率曲線的置信區(qū)間之內(nèi)，則根據(jù)該時刻點(diǎn)的風(fēng)速采用風(fēng)功率曲線計(jì)算該時間點(diǎn)的功率，代替錯誤的預(yù)測功率，這樣可以有效地提高預(yù)測精度。

    通過功率修正模型修正前后預(yù)測功率的對比圖如圖10所示。圖中黑色箭頭標(biāo)示的點(diǎn)為脫離了風(fēng)功率曲線置信區(qū)間之外的不可靠預(yù)測點(diǎn)，通過功率修正模型，將該風(fēng)速處對應(yīng)的功率用風(fēng)功率曲線擬合值替代，去除了功率預(yù)測錯誤的點(diǎn)，提高了功率預(yù)測的準(zhǔn)確度。表4為功率修正模型修正前后預(yù)測功率的誤差統(tǒng)計(jì)對比，由表4可知，通過功率修正模型修正后的預(yù)測功率精度有了明顯提高。

jsj3-t10.gif

jsj3-b4.gif

4 結(jié)論

    本文提出了OS-ELM風(fēng)電功率預(yù)測模型實(shí)現(xiàn)風(fēng)電功率預(yù)測模型的在線更新，模型更新時，將新的數(shù)據(jù)對當(dāng)前網(wǎng)絡(luò)進(jìn)行更新，大大降低了計(jì)算所需的資源。實(shí)驗(yàn)證明，OS-ELM算法能有效地解決模型在線更新問題，更新后的模型具有更高的預(yù)測精度。為了提高風(fēng)電功率預(yù)測的準(zhǔn)確度，基于ELM算法建立了NWP預(yù)測風(fēng)速的修正模型，并基于風(fēng)電功率置信區(qū)間建立功率修正模型。實(shí)驗(yàn)證明，風(fēng)速修正后對功率預(yù)測的效果更佳，通過功率修正模型后的預(yù)測功率精度更高，驗(yàn)證了所用算法的有效性。

參考文獻(xiàn)

[1] 楊秀媛，肖洋.風(fēng)電場風(fēng)速和發(fā)電功率預(yù)測研究[J].中國電機(jī)工程學(xué)報，2005，25(11)：1-5.

[2] 周瑋，孫輝，顧宏，等.含風(fēng)電場的電力系統(tǒng)經(jīng)濟(jì)調(diào)度研究綜述[J].電力系統(tǒng)保護(hù)與控制，2011，39(24)：148-154.

[3] 張勇，肖建，遲永寧.基于機(jī)組調(diào)峰能力的電力系統(tǒng)風(fēng)電接納能力研究[J].太陽能學(xué)報，2014，3(6)：998-1003.

[4] 張保會，李光輝，王進(jìn).風(fēng)電接入電力系統(tǒng)故障電流的影響因素分析及對繼電保護(hù)的影響[J].電力自動化設(shè)備，

     2012，32(2)：1-8.

[5] J.S.P.C，H.M.I.P，V.M.F.M.Short-term wind power forecasting in Portugal by neural networks and wavelet transform[J].Renewable Energy，2011(36)：1245-1251.

[6] An Xueli，Jiang Dongxiang，Zhao Minghao，et al.Short-term prediction of wind power using EMD and chaotic theory[J].Nonlinear Science and Numerical Simulation，2012(17)：1036-1042.

[7] 王韶，楊江平，李逢兵，等.基于經(jīng)驗(yàn)?zāi)Ｊ椒纸夂蜕窠?jīng)網(wǎng)絡(luò)的短期風(fēng)速組合預(yù)測[J].電力系統(tǒng)保護(hù)與控制，2012，40(10)：6-11.

[8] 劉純，呂振華，黃越輝，等.長時間尺度風(fēng)電出力時間序列建模新方法研究[J].電力系統(tǒng)保護(hù)與控制，2013，41(1)：7-13.

[9] 武小梅，白銀明，文福拴.基于RBF神經(jīng)元網(wǎng)絡(luò)的風(fēng)電功率短期預(yù)測[J].電力系統(tǒng)保護(hù)與控制，2011，39(15)：80-83.

[10] 葉小嶺，劉波，鄧華.基于小波分析和PSO優(yōu)化神經(jīng)網(wǎng)絡(luò)的短期風(fēng)電功率預(yù)測研究[J].可再生能源，2014，32(10)：1486-1492.

[11] 陸寧，武本令，劉穎.基于自適應(yīng)粒子群優(yōu)化的SVM模型在負(fù)荷預(yù)測中的應(yīng)用[J].電力系統(tǒng)保護(hù)與控制，2011，39(15)：43-47.

[12] 馬永杰，云文霞.遺傳算法研究進(jìn)展[J].計(jì)算機(jī)應(yīng)用研究，2012，29(4)：1201-1206.

[13] Xiao Dong，Wang Jichun，Mao Zhizhong.The research on the modeling method of batch process based on OS-ELM-RMPLS[J].Chemometrics and Intelligent Laboratory Systems，2014(134)：118-122.

此內(nèi)容為AET網(wǎng)站原創(chuàng)，未經(jīng)授權(quán)禁止轉(zhuǎn)載。