0 引言

    對風電場風速進行實時、準確、可靠的預測，不但是風電功率預測的基礎(chǔ)，而且對風電場規(guī)劃設(shè)計具有重要意義。目前已提出多種預測模型，但由于風速的隨機性和間歇性，使得預測方法都有其不同的適用條件和缺陷，因此尋求準確的風速預測方法具有十分重要的現(xiàn)實意義。尹東陽^[1]等人利用Elman神經(jīng)網(wǎng)絡(luò)預測未來10 min風速，其誤差指標MAPE達到12.73%。朱亞^[2]等人利用GRNN模型對冬季和夏季未來30 min的風速分別進行預測，MAPE分別達到39.76%、27.26%，遠遠超出了風速預測精度要求。為了提高風速預測精度，相關(guān)學者做出了大量研究，分別從風速影響因素、風速預測模型的參數(shù)優(yōu)化以及實時風速數(shù)據(jù)等角度進行改進。但是無論上述哪一種方法帶來的不確定性都會引起較大的預測誤差。為此，本文從誤差修正的角度出發(fā)，采用馬爾科夫鏈（Markov Chain，MC）對風速模型的預測值進行修正。其基本思路是：分別求出參數(shù)的實際值與模型預測值之間的誤差序列，利用模糊C-均值聚類對其進行狀態(tài)劃分；根據(jù)各誤差狀態(tài)計算出MC狀態(tài)轉(zhuǎn)移概率矩陣，計算預測誤差修正模型的預測值，最終得到精度較高的預測值。

1 基于馬爾科夫鏈的風速預測誤差修正

    由于狀態(tài)劃分不準確對修正結(jié)果造成很大影響，而MC狀態(tài)劃分又沒有統(tǒng)一的方法。為避免均值-方差狀態(tài)劃分方法人為因素的影響，采用模糊C-均值聚類算法對歷史誤差序列進行狀態(tài)劃分，并將屬于每一類的邊界值作為狀態(tài)劃分標準；為了綜合考慮各個狀態(tài)概率對預測結(jié)果的影響，將規(guī)范化的殘差序列的自相關(guān)系數(shù)作為狀態(tài)概率權(quán)重^[3]；為綜合考慮最大概率以及其他概率的影響，定義級別特征值，并利用其判斷當前時刻風速誤差所處狀態(tài)^[4]。

    采用MC對風速預測誤差進行修正的具體步驟如下：

    (1)計算風速預測模型的歷史預測誤差e_i：

式中，M_ij為狀態(tài)i經(jīng)過k步轉(zhuǎn)移到狀態(tài)j的次數(shù)；M_i為狀態(tài)j出現(xiàn)的次數(shù)。

    (5)求取第N，N-1，…，N-k+1個歷史時刻風速預測誤差所屬狀態(tài)E₁，E₂，...，E_k，依據(jù)狀態(tài)轉(zhuǎn)移矩陣得到這k個歷史誤差轉(zhuǎn)移到第N+1時刻預測誤差狀態(tài)的概率，即狀態(tài)計算矩陣Q：

2 基于MC修正的風速預測模型

2.1 數(shù)據(jù)來源及輸入變量選擇

    采用山西某風電場測風塔數(shù)據(jù)進行仿真研究，由于篇幅所限，僅給出其中的2014年4月和6月的數(shù)據(jù)結(jié)果進行分析。首先采用相關(guān)分析法對各變量之間的相關(guān)性進行分析研究^[5]，確定選擇第T、T-1、T-2時刻的風速和第T時刻的溫度、濕度、氣壓作為風速預測模型的輸入變量；選擇第T+h時刻風速(h分別為15 min、30 min、60 min)作為輸出變量。

2.2 評價指標

    為了定量地評價各風速預測模型預測風速的有效性，選取平均絕對誤差(MAE)、平均絕對百分比誤差(MAPE)和均方根誤差(RMSE)作為評價指標對模型預測效果進行評價^[5]。

2.3 基于MC修正的GRNN神經(jīng)網(wǎng)絡(luò)風速預測模型

    廣義回歸神經(jīng)網(wǎng)絡(luò)(Generalized Regression Neural Network，GRNN)是具有類似徑向基網(wǎng)絡(luò)的前饋式神經(jīng)網(wǎng)絡(luò)模型，其網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。

    它建立在非參數(shù)核回歸基礎(chǔ)上，通過風速觀測樣本計算出風速輸入變量X與輸出風速Y之間的聯(lián)合概率密度函數(shù)，直接計算出Y對X的回歸值：

    在廣義回歸神經(jīng)網(wǎng)絡(luò)中，只有?啄一個可調(diào)參數(shù)，也是影響網(wǎng)絡(luò)性能的關(guān)鍵因素。本文采用十折交叉驗證法對平滑因子進行尋優(yōu)，并在此基礎(chǔ)利用GRNN進行風速預測以及馬爾科夫鏈誤差修正的仿真研究。需要指出的是，本文是在大量實驗基礎(chǔ)上確定馬爾科夫鏈的狀態(tài)數(shù)為c=5，并采用前4步狀態(tài)轉(zhuǎn)移矩陣計算風速誤差的修正值。2014年4月和6月對未來15 min、30 min、60 min風速預測的對比結(jié)果如表1、2所示。

    由表1、表2可知，利用馬爾科夫鏈修正后，GRNN預測風速精度有明顯提高。2014年4月各步長風速預測MAPE分別提高了14.40%、16.04%、12.10%；2014年6月各步長預測風速MAPE分別提高了11.46%、7.06%、13.73%。

2.4 基于MC修正的T-S神經(jīng)網(wǎng)絡(luò)風速預測模型

    T-S模糊神經(jīng)網(wǎng)絡(luò)模型將神經(jīng)網(wǎng)絡(luò)與T-S模糊推理結(jié)合，融合了模糊邏輯易于表達專家經(jīng)驗知識的優(yōu)點與神經(jīng)網(wǎng)絡(luò)自學習和自適應(yīng)能力^[6]。它由網(wǎng)絡(luò)前件和后件構(gòu)成，如圖2所示。前件負責風速輸入變量的模糊化，將其作為后件的加權(quán)系數(shù)；后件負責對輸入變量的線性組合。

    在T-S模糊神經(jīng)網(wǎng)絡(luò)中，需要學習的參數(shù)主要是前件網(wǎng)絡(luò)第二層各節(jié)點模糊化高斯函數(shù)的中心和寬度，以及后件網(wǎng)絡(luò)的連接權(quán)值^[7]。首先通過模糊C-均值聚類得到初始中心和寬度，采用梯度下降法對網(wǎng)絡(luò)參數(shù)進行訓練，并引入慣性項以加速網(wǎng)絡(luò)學習速度。本文在上述學習算法的基礎(chǔ)上對風速預測進行研究，并利用馬爾科夫鏈對其預測結(jié)果進行誤差修正，結(jié)果對比如表3、4所示。

    由表3、表4可知，經(jīng)馬爾科夫鏈修正后的T-S預測風速精度分別有不同程度的提高，2014年4月各步長風速預測MAPE分別提高了13.45%、9.72%、21.08%；2014年6月各步長預測風速MAPE分別提高了4.76%、9.07%、32.35%。

2.5 基于MC修正的風速Elman神經(jīng)網(wǎng)絡(luò)預測模型

    Elman神經(jīng)網(wǎng)絡(luò)是一個具有局部記憶和局部反饋連接的前向神經(jīng)網(wǎng)絡(luò)。它首先將風速輸入變量進行加權(quán)后輸入到隱含層，并將隱含層的輸出通過狀態(tài)層反饋到隱含層的輸入，從而使網(wǎng)絡(luò)具有處理動態(tài)信息的功能，最后通過對隱含層輸入進行加權(quán)求和得到輸出風速值^[8]。其網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示。

    在Elman神經(jīng)網(wǎng)路訓練過程需要確定的參數(shù)有隱含層和輸出層節(jié)點閾值以及網(wǎng)絡(luò)之間的連接權(quán)值。為提高網(wǎng)絡(luò)預測性能，采用遺傳算法對Elman神經(jīng)網(wǎng)絡(luò)權(quán)值和閾值進行優(yōu)化，從而得到相對理想的預測效果。本文利用GA-Elman進行風速的仿真研究，并采用馬爾科夫鏈對其預測結(jié)果進行誤差修正，其結(jié)果對比如表5、6所示。

    由表5、6對比可得，經(jīng)馬爾科夫鏈修正后，Elman預測風速的性能得到較大改善。2014年4月各步長風速預測MAPE分別提高了19.38%、39.93%、18.03%；2014年10月各步長預測風速MAPE分別提高了7.08 %、10.84%、13.47%。

    綜合分析表1～表6可知，不同的風速預測模型對風速預測能力不同。隨著預測步長的增加，馬爾科夫鏈誤差修正的效果越明顯。當模型預測精度越高時，馬爾科夫鏈修正作用越?。划旑A測精度越低時，馬爾科夫鏈所起作用越大。下面給出GRNN、T-S模糊神經(jīng)網(wǎng)絡(luò)、GA-Elman神經(jīng)網(wǎng)絡(luò)預測及修正4月未來60 min風速的效果對比，如圖4～圖6所示。

    從圖4～圖6整體趨勢來看，修正后的風速預測曲線更加逼近實際風速曲線，并使某些風速點跟蹤上了實際風速，從而能說明MC誤差修正方法能有效提高風速的預測精度。

3 結(jié)束語

    本文針對目前風電場風速預測模型存在的預測誤差較大的問題，提出了一種基于模糊C-均值聚類的馬爾科夫鏈誤差修正方法，并分別與GRNN模型、T-S模型、Elman模型結(jié)合，形成了3種風速預測模型，對風電場未來15 min、30 min、60 min風速進行預測。通過仿真實驗和對比結(jié)果分析可知，本文提出的方法使各種步長風速均有不同程度提高，尤其當預測步長為60 min時，效果更為顯著。表明該方法能夠有效地改善風速的預測精度。

參考文獻

[1] 尹東陽，盛義發(fā)，蔣明潔，等.基于粗糙集理論-主成分分析的Elman神經(jīng)網(wǎng)絡(luò)短期風速預測[J].電力系統(tǒng)保護與控制，2014，42(11)：46-51.

[2] 朱亞，孫冬梅，何響，等.基于EMD-GRNN和概率統(tǒng)計結(jié)合的短期風速預測[J].計算機科學，2014，41(6)：72-75.

[3] 杜長海，黃席樾，楊祖元，等.基于神經(jīng)網(wǎng)絡(luò)和Markov鏈的交通流實時滾動預測[J].系統(tǒng)仿真報，2008，20(9)：2464-2468.

[4] 張宸，林啟太.模糊馬爾科夫鏈狀預測模型及其工程應(yīng)用[J].武漢理工大學學報，2005，26(11)：63-66.

[5] GAO S J，TIAN J Y，WANG F，et al.The study of GRNN for wind speed forecasting based on Markov Chain[C].International Conference on Modelling，Simulation and Applied Mathematics(MSAM 2015)，2015：285-288.

[6] 朱曉冬.基于聚類算法的T-S模糊神經(jīng)網(wǎng)絡(luò)模型的研究[D].哈爾濱：哈爾濱理工大學，2003.

[7] 張維杰，田建艷，王芳，等.改進型TS模糊神經(jīng)網(wǎng)絡(luò)風電功率預測模型的研究[J].自動化儀表，2014，35(12)：39-42.

[8] 劉建華，李天玉，付娟娟，等.基于BP和Elman神經(jīng)網(wǎng)絡(luò)的智能變電站錄波啟動判據(jù)算法[J].電力系統(tǒng)保護與控制，2014，42(5)：110-115.