摘要：風力發(fā)電輸出功率預測對風電場和電力系統(tǒng)都具有重大意義。文章提出了多層徑向基函數(shù)（radial basis function，RBF）神經(jīng)元網(wǎng)絡的聚類算法，從實際運行的風電場獲得的數(shù)據(jù)樣本，建立了基于多層RBF網(wǎng)絡的短期風電功率預測模型。運用該模型并利用MATLAB數(shù)學軟件編程進行了每隔15分鐘30個時點的風電功率輸出預測，結果表明預測誤差達到了很高的精度。通過預測值與實際輸出功率數(shù)據(jù)比較，說明了多層RBF網(wǎng)絡預測的有效性和可靠性。

關鍵詞：風電功率；短期預測；多層RBF神經(jīng)元網(wǎng)絡；風能；風電場

中圖分類號：TM74文獻標識碼：A文章編號：1009-2374（2012）30-0018-03

1概述

隨著大規(guī)模風電場的興起，風能越來越多地被應用到發(fā)電行業(yè)，加強對風電功率預測的研究具有迫切性和重要性，目前提出的預測方法有統(tǒng)計方法、時間序列分析法、空間相關性法、模糊邏輯法、灰色預測法、人工神經(jīng)網(wǎng)絡法等。

本文提出多層RBF網(wǎng)絡。該網(wǎng)絡是在一層網(wǎng)絡的基礎上用第二層網(wǎng)絡去擬合殘差函數(shù)，得到三層網(wǎng)絡，它的擬合精度又提高了。如此進行下去，就得到一個高精度的多層徑向基函數(shù)網(wǎng)絡，其在非線性建模特別是非線性時間序列和混沌時間序列的建模和預測上有重要意義。相對于單層RBF網(wǎng)絡的預測有更高的精度。

2基本理論

2.1單層RBF神經(jīng)網(wǎng)絡

RBF神經(jīng)網(wǎng)絡是一種性能良好的前向神經(jīng)網(wǎng)絡。RBF神經(jīng)網(wǎng)絡的典型結構如下，不失一般性，假設輸出層只有一個結點，這種結構很容易擴展到多輸出結點的情形。輸入層到隱層為權值1的固定連接。隱含層由一組徑向基函數(shù)構成，其中對應的中心向量和寬度是RBF的參數(shù)。一般隱含層各結點都采用相同的徑向基函數(shù)，徑向基函數(shù)有多種形式，通常取高斯函數(shù)。隱層的輸出在輸出層線性加權組合，形成神經(jīng)網(wǎng)絡的輸出。

2.2多層RBF神經(jīng)元網(wǎng)絡

多層徑向基函數(shù)的原理是在一層網(wǎng)絡的基礎上用第二層網(wǎng)絡去擬合殘差函數(shù)，得到三層網(wǎng)絡，如此進行下去，就得到一個高精度的多層徑向基函數(shù)網(wǎng)絡，高精度的函數(shù)逼近網(wǎng)絡在非線性建模，特別是非線性時間序列和混沌時間序列的建模和預測上有重要意義。

于是得到了一個模型，其中用最小二乘法決定加權系數(shù)得到。重復這一步驟得到一個多層徑向基網(wǎng)絡。最后，根據(jù)適當?shù)呐袆e準則可以決定增加幾層最為合適。

3模型的建立及求解

3.1單層RBF神經(jīng)網(wǎng)絡

4結語

建立了以風電輸出功率數(shù)據(jù)為樣本的單層RBF及多層RBF神經(jīng)元網(wǎng)絡模型的預測，并用實際數(shù)據(jù)作了大量實驗預測，檢驗了模型的精確性。多層RBF網(wǎng)絡具有比單層RBF網(wǎng)絡更好的樣本預測性能，需要指出的是，多層徑向基函數(shù)網(wǎng)絡的聚類學習法仍有一些待解決的問題，如網(wǎng)絡隱層神經(jīng)元數(shù)目的選擇問題、參數(shù)優(yōu)化的計算量大等，對于該預測方法還要作進一步的完善。

參考文獻

[1]方江曉，周輝，黃梅．基于統(tǒng)計局類分析的短期風電功率預測[J]．電力系統(tǒng)保護與控制，2011，39（11）：67-78．

[2]Torres J L，Garcia A，Blas M D，et a1．Forecast of Hourly Average Wind Speed with ARMA Models in Navarre（Spain）[J]．Solar Energy，2005，79（5）：65-77．

[3]李文良，衛(wèi)志農(nóng)，孫國強．基于改進空間相關法和徑向基神經(jīng)網(wǎng)路的風電場短期風速分時預測模型[J]．電力自動化設備，2009，29（6）：89-92．

[4]Alexiadis M，Dokopoulos P，Sahsamanoglou H，et a1．Short term forecasting of wind speed and related electrical power[J]．Solar Energy，1998，63（1）：61-68．

[5]Barbounis T G，Theocharis J B．A locally Wuetta，Pakistan 1997（01）recurrent fuzzy neural network with application to the wind speed prediction using spatial correlation[J]．Neurocomputing，2007，70（7/9）：15、25-42．

[6]李俊芳，張步涵，謝光龍．基于灰色預測模型的風速-風電功率預測研究[J]．電力系統(tǒng)保護與控制，2010，38（19）：112-120．

[7]Barbounis T G，Theocharis J B，Alexiadis M C，et a1．Long-term Wind Speed and Power Forecasting Using Local Recurrent Neural Network Models[J]．Transactions on Energy Conversion，2006，21（1）：273-284．

[8]郭琦，鮑金春，宋繼光．基于BP神經(jīng)網(wǎng)絡的風電功率預測[J]．電源技術應用，2011，14（6）：100-105．

作者簡介：李秀秀（1988-），女，安徽阜陽人，安徽財經(jīng)大學統(tǒng)計與應用數(shù)學學院2009屆數(shù)學系學生，研究方向：數(shù)學與應用數(shù)學。

（責任編輯：王書柏）