Vol.32 PowerSystem Technology Apr. 2008 文章编号：1000-3673（2008）08-0082-04 中图分类号：TM715 文献标识码：A 学科代码：4704054 时间序列与神经网络法相结合的短期风速预测 （1．江苏大学电气信息工程学院，江苏省 镇江市 212013； 2．南瑞集团电气控制分公司，江苏省 南京市 210003） Short-Term Wind Speed Forecasting Combing Time Series NeuralNetwork Method CAI Kai ，TANLun-nong ，LIChun-lin ，TAOXue-feng InformationEngineering，Jiangsu University，Zhenjiang 212013，Jiangsu Province，China； 2．Electric Control Sub-Co.NARI Group Corporation，Nanjing 210003，Jiangsu Province，China） ABSTRACT: timeseries neuralnetwork short-termwind speed forecasting timeseries model inputvariables multi-layerback propagation neural network generalizedregression neural network conductforecasting. windspeed series samplingtime interval 10min,20min 30minrespectively. Forecasting results show methodintegrating time series generalizedregression neural network possesses higher accuracy certainpractical value. KEY WORDS: short-term wind speed forecasting；wind power generation；time series；artificial neural network 摘要：利用时间序列－神经网络法研究了短期风速预测。
该 方法用时间序列模型来选择神经网络的输入变量，选用多层 反向传播(back propagation，BP)神经网络和广义回归神经网 络(generalized regression neural network，GRNN)分别对采样 时间间隔为10 min、20 min 和30 min 的风速序列进行预测。 结果表明，时间序列结合 GRNN 的方法精度更高，具有一 定的实用价值。 关键词：短期风速预测；风力发电；时间序列；人工神经网络 引言风能是一种洁净的可再生能源，利用风能发电 日益受到人们的重视 [1-4] 。随着科学技术的不断发 展，风力发电技术在世界上得到了飞快的发展，越 来越多的大中型风电场相继建成并投入运行。风力 发电已走上了功率大、重量轻、造价低、可靠性高 的商业化道路。我国地域辽阔，风力资源丰富，充 分利用风力发电已成为一项重要而迫切的任务。 随着风力发电规模的不断扩大，当风电穿越 功率 [5-6] 超过一定值后，风电场并网及并网后的稳 定和安全问题成为电力工作者急需解决的新课题。 其中风电场的短期风速预测是解决该问题的重要 手段之一。风速的变化是在秒、分钟、小时、天、 星期、季节和年的范围内。
风速预测不仅与预测方 法有关，还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，预测误差就越小； 反之，预测误差越大。而风力发电机组的控制系统 需要的预测时间比较短，因为风电机组控制的主要 问题是与风电机组系统相关的延迟问题。延迟问题 影响了系统控制方面的响应。在文献[7-9]中，提出 了短期风速预测对于风能转换系统是一个重要问 题。一般的预测方法有卡尔曼滤波法 [10] 、时间序列 [11]、人工神经网络法 [12] 、模糊逻辑法等。本文将 运用时间序列和神经网络相结合的预测方法，对我 国某风电场的风速进行短期预测。 时间序列法预测风速1.1 时间序列法基本原理 随机时间序列法是风电场短期风速预测的主要 方法之一。这种方法只需单一风速时间序列即可预 测，实现比较简单。根据Box.Jenkins 方法，可将随 机时间序列的模型分为3 个，它们分别是自回归模型 (auto regression，AR)、滑动平均模型(moving average， MA)和自回归–滑动平均模型(auto regression-moving average，ARMA)短期风速预测时间范围，其基本原理分述如下： （1）自回归模型AR( PDF文件使用 试用版本创建 的根全在单位圆外。
在AR模型中，当前时刻的观 个历史时刻的观测值和一个当前时刻的随机干扰来表示。 （2）滑动平均模型MA( ，并且要求满足可逆性条件： 由随机干扰的白噪声序列的线性组合来表示。 （3）自回归–滑动平均模型ARMA( AR，MA，ARMA模型描述的时间序列称 为平稳时间序列。如果研究的时间序列是非平稳 的，必须先进行平稳化处理，这主要通过下面两种 方法来实现： （1）引入有序差分算子 若经过一阶差分后的时间序列仍不平稳，需继续进行差分变换，直到其平稳。经过d 差分后得到的平稳序列可以用AR、MA、 ARMA 模型来描述。若原时间序列需要经过d 分，且差分后得到的ARMA模型的阶数为( 就是累积 滑动平均模型 (autogressive integrated moving average，ARIMA)， 即ARIMA( （2）若研究的时间序列具有季节性变化趋势，可对其进行季节性差分变换，引入季节性差分 算子 ，其中S为周期， 则季节性ARMA 模型为 综合上述两种差分变换，所得到的模型为ARIMA( 或者更高次差分以后变量的自协方差和自相关函数确定d ，将模型简化为相应的AR、MA ARMA模型，进而确定p 。
模型的阶数确定以后，可通过矩估计法或最小二乘估计法，估 计出模型的其他各项参数。最后，检查残差序列 为预测值)是否为白噪声的一个样本序列。若是，则所建立的模型是合适的；否则需要 对其进行修改或重新识别，直到通过检验为止。 1.2 实例分析 以我国某风电场的实测风速为原始数据，用时 间序列法进行初步建模。该序列为每10 min 采样一 点，取其中的前100 点数据建立模型。前100 速序列及其前10 个自相关函数值如图 所示。可以看出，自相关函数不能快速衰减到零，原始风速 序列非平稳，需进行平稳处理。 2001020 t/min 100.0 0.5 1.0 前100点风速序列及前10 个自相关函数值 Fig. Windspeed first100 points itsfirst 10 autocorrelation value 对原始风速序列进行一阶有序差分变换， 序列及其前10 个自相关函数值如图 的均值趋近于零。可见，经一阶差分变换后，自相关函数很快衰减到零，序列变 得足够平稳。 200000t/min 序列及10个自相关函数值 Fig. itsfirst 10 autocorrelation value 因此，可将 识别为ARMA( 模型。
由于模型识别具有很大的灵活性短期风速预测时间范围，为得到更合理的 模型，对 行参数估计和模型检验，并注意到模型要满足平稳性条件和可逆性条件，模型确定为 ARMA(1,1)， 原始风速序列模型为ARIMA(1, 1)。运用该模型进行短期风速预测，绝对平均误差在 7.3%左右， 如图3 所示。 PDF 文件使用 试用版本创建 84蔡凯等：时间序列与神经网络法相结合的短期风速预测 Vol. 32 200000t/min 1014 观测值时间序列预测值 时间序列风速预测结果Fig. short-timeforecasting windspeed 时间序列结合神经网络法预测风速2.1 多层前馈神经网络法基本原理 多层前馈(back propagalion，BP)神经网络 [13-14] 包括一个输入层、一个或多个隐层和一个输出层， 层间的神经元单向连接，层内的神经元则相互独 立。网络的学习过程是由正向传播和反向传播两个 过程组成，在正向传播过程中输入信息从输入层经 隐层逐层处理，传向输出层。每一层神经元的状态 只影响下一层神经元的状态，如果在输出层不能得 到期望输出，则反向传播将误差信号沿原来的连接 通路返回。
通过把输出层节点的误差逐层向输入层 逆向传播对连接权值和阈值进行调整，使网络适应 要求的映射。经过良好训练的网络，对训练不集中 的输入也能给出合适的输出，具有泛化能力，这种 能力为预测提供了可能性。 短期风速预测中，首先进行样本集数据处理， 把样本数据归一化。把BP 神经网络的输入变量确定 为原始风速序列ARIMA(1,1,1)的最近2 个历史值以 及最近一个残差值，并将原始风速的下一10 min 值作为网络的目标输出样本对。选取多组样本训练网络，此时网络的收敛速度明显加快，预测效果明 显改进。输入节点数取3，输出节点数取1，隐层节 点数经过多次试验确定为 6，隐层采用 Tansig 映射 函数，输出层采用 Logsig 映射函数。由于神经网络 BP 算法存在一些内在缺陷，如容易陷入局部小、学 习收敛速度慢等，因此出现了许多改进算法。一类 是启发式学习方法，如引入动量因子学习算法、变 速率学习算法和“弹性”学习算法等；另一类是采 用更有效地数值优化方法，如共轭梯度学习算法、 拟Newton 算法和Levenberg-Marquardt 优化方法等。 本文使用 Traingdx 函数，结合动量梯度下降算法和 自适应学习速率梯度下降算法，使网络的训练速度 和稳定性有了进一步提高，并采用“提前停止”法 提高BP 网络的推广能力。
使用时间序列－BP 神经 网络法提前10 min 预测短期风速，绝对平均误差在 6.9% 左右。 2.2 广义回归神经网络原理 径向基函数(radidal basis function，RBF)神经网 络是具有单隐层的三层前馈网络。输入层节点只传 递输入信号到隐层，隐层节点由辐射状函数构成， 而输出节点是简单的线性函数。它能够以任意精度 逼近任意连续函数，是一种局部逼近网络，即对于 输入空间的某一个局部区域只存在少数神经元决 定网络的输出。 本文采用的广义回归神经网络(generalized regression neural network，GRNN) [15] 是RBF 神经网 络的一个分支，其获取数据之间关系的方法，不同 于插值和拟合，能在同一结构下直接以采样或计算 得来的数据对网络进行修改，不需重新计算参数。 与典型的BP 网络不同，GRNN 网络模拟效果好、 计算快、结果稳定。GRNN 是以 1962 ParenWindow 提出的估计器理论为基础，并于1991 年首 次实现神经网络结构模型。其内在的优点使其在非 线性拟合方面有很大的潜力。 GRNN 是一种基于非线性回归理论的前馈式 神经网络模型。
与 BP 网络不同，它通过激活神经 元来逼近函数，也就是实现输入矢量的函数值由某 一邻域内的神经元矢量对应的函数值映射而逼近， 网络结构如图4 所示。隐层中采用高斯函数来控制 隐层输出，从而抑制输出单元的激活。隐层的高斯 函数输出为 为调整后距离。dist x2 S11径向基层 线性层 n1 S11 a1 W2 W1 S1Rb2 b1x1 xs a2 S21 S21 S21 S11 S2S1 GRNN网络结构 Fig. GRNNnetwork GRNN 网络输出层为线性层，输出为 为第二层权值。可以看出，GRNN 网络的特点是人为调节参数 少，只有一个阈值。网络的学习全部依赖数据样本。 这个特点决定了 GRNN 网络可以最大限度地避免 人为主观假定对预测结果的影响。 GRNN 神经网络的输入变量确定为原始风速 序列ARIMA(1,1,1)的最近2个历史值及最近一个残 PDF 文件使用 试用版本创建 85差值，将原始风速的下一10 min 的值作为网络的目 标输出组成样本对。径向基函数的分布密度可以对 GRNN 的性能产生重要影响。理论上讲，分布密度 越小，对函数的逼近就越精确，但是逼近的过程越 不平滑；分布密度越大，逼近过程就比较平滑，但 是逼近误差就会比较大。
因此在网络设计过程中需 要调整分布密度的值，直到达到比较理想的精度。 使用时间序列－GRNN神经网络提前10 min预测短 期风速，绝对平均误差在6.7%左右。 风速预测结果比较使用时间序列和 BP、GRNN 神经网络结合方 法的预测效果要优于时间序列法。这是由于神经网 络可以学习到风速变化的非线性规律，而时间序列 不能做到这一点。提前 10 min 预测风速的效果如 所示。时间序列– GRNN 预测值 时间序列 –BP 预测值 时间序列预测值 观测值 200150 100 50 1113 提前10min 时间序列结合神经网络法风速预测结果 Fig. short-timeforecasting windspeed timeseries method ANNbefore 10 minute 运用同样的方法提前20 min 预测风速，如图6 所示。使用时间序列法预测风速，绝对平均误差在 12.7%左右；使用时间序列－BP 神经网络法进行预 测，绝对平均误差在 11.8%左右；使用时间序列－ GRNN 神经网络法进行预测，绝对平均误差在 11.3%左右。再次运用同样的方法提前30 min 预测 风速，如图7 所示。
使用时间序列法预测风速，绝 对平均误差在 15%左右；使用时间序列－BP 神经 网络法进行预测，绝对平均误差在 13.9%左右；使 用时间序列－GRNN 神经网络法进行预测，绝对平 均误差在13.5%左右。 时间序列– GRNN 预测值 时间序列–BP 预测 观测值时间序列预测值 300 200 100 提前20min 时间序列结合神经网络法风速预测结果 Fig. short-timeforecasting windspeed timeseries method ANNbefore 20 minute 150 300 450 600 1014 t/min 时间序列–GRNN预测值 观测值 时间序列– BP 预测值 时间序列预测值 提前30min 时间序列结合神经网络法风速预测结果 Fig. short-timeforecasting windspeed timeseries method ANNbefore 30 minute 综合对比发现，对于预测精度来说，BP 网络 不如GRNN 网络，而且BP 网络的训练时间明显大 于GRNN 网络，训练速度比较慢。然而，在风速变 化较大的时刻，不管是时间序列－BP 神经网络还 是时间序列－GRNN 神经网络预测的效果都不佳， 误差比较大。
结束语短期风速预测对电力系统稳定运行以及提高 其运行效益具有重要意义。本文采用时间序列结合 神经网络法来预测风速表明，使用时间序列结合 GRNN 网络预测效果比较令人满意，具有一定的实 用价值，但还没有达到预测极限，预测精度还可以 进一步提高。 参考文献 李晶，宋家骅，王伟胜．大型变速恒频风力发电机组建模与仿真[J]．中国电机工程学报，2004，24(6)：100-105． Li Jing，Song Jiahua，Wang Weisheng．Modeling dynamicsimulation variablespeed wind turbine largecapacity [J]．Proceedings CSEE，2004，24(6)：100-105(inChinese)． 雷亚洲，GordonLightbody．国外风力发电导则及动态模型简介 [J]．电网技术，2005，29(12)：27-32． Lei Yazhou，Gordon Lightbody．An introduction windpower grid code dynamicsimulation[J]．Power System Technology，2005， 29(12)：27-32(in Chinese)． 李晶，王伟胜，宋家骅．变速恒频风力发电机组建模与仿真[J]．电网技术，2003，27(9)：14-17． Li Jing，Wang Weisheng，Song Jiahua．Modeling dynamicsimulation vatiablespeed wind turbine[J] ．Power System Technology，2003，27(9)：14-17(in Chinese)． 雷亚洲，王伟胜，戴慧珠，等．风电对电力系统运行的价值分析[J]．电网技术，2002，26(5)：10-14． Lei Yazhou，Wang Weisheng，Dai Huizhu，et al．Analysis
发表评论