（玉林師范學(xué)院教育技術(shù)中心，廣西 玉林 537000）

基于情感神經(jīng)網(wǎng)絡(luò)的風(fēng)電功率預(yù)測(cè)

張國玲

（玉林師范學(xué)院教育技術(shù)中心，廣西 玉林 537000）

風(fēng)力發(fā)電功率預(yù)測(cè)對(duì)于風(fēng)能并網(wǎng)具有重要意義。采用一種可用于復(fù)雜系統(tǒng)和模式建模的新型神經(jīng)網(wǎng)絡(luò)——情感神經(jīng)網(wǎng)絡(luò)，對(duì)風(fēng)力發(fā)電功率進(jìn)行預(yù)測(cè)。為防止ENN在訓(xùn)練時(shí)陷入局部最優(yōu)解，提出采用遺傳算法對(duì)其進(jìn)行訓(xùn)練。采用預(yù)測(cè)誤差的均方根和標(biāo)準(zhǔn)差衡量預(yù)測(cè)準(zhǔn)確性、穩(wěn)定性，對(duì)ENN性能進(jìn)行了檢驗(yàn)。結(jié)果表明，相比于人工神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)和自滑動(dòng)回歸模型，ENN能夠獲得更高的預(yù)測(cè)準(zhǔn)確率和預(yù)測(cè)可靠性。

情感神經(jīng)網(wǎng)絡(luò)；風(fēng)力發(fā)電功率；預(yù)測(cè)；遺傳算法

1 引言

能源問題是當(dāng)今世界難題，發(fā)展風(fēng)力發(fā)電是解決能源問題的有效途徑之一。但由于風(fēng)的不可控性，風(fēng)電場(chǎng)風(fēng)電功率也會(huì)隨機(jī)波動(dòng)。這種波動(dòng)隨著風(fēng)電的快速發(fā)展對(duì)電網(wǎng)影響日益增大，導(dǎo)致風(fēng)電入網(wǎng)后，很難維持電力系統(tǒng)電源和負(fù)荷之間的平衡。針對(duì)此類問題，亟需研究者對(duì)風(fēng)電功率做出預(yù)測(cè)，從而保證風(fēng)電場(chǎng)有功控制模塊系統(tǒng)的可靠性、安全性和可控性，幫助電力系統(tǒng)合理調(diào)配資源。

針對(duì)風(fēng)力發(fā)電功率預(yù)測(cè)問題，目前已有大量學(xué)者對(duì)其展開研究，并先后出現(xiàn)基于物理和基于數(shù)學(xué)統(tǒng)計(jì)的預(yù)測(cè)方法[1,2]?；谖锢淼念A(yù)測(cè)方法從天氣預(yù)報(bào)數(shù)據(jù)中計(jì)算出風(fēng)速、風(fēng)向、氣壓、氣溫等指標(biāo)數(shù)值，并綜合考慮風(fēng)電場(chǎng)周圍等高線、粗糙度、障礙物、溫度分層等信息計(jì)算風(fēng)電機(jī)組輪轂高度的風(fēng)速、風(fēng)向等數(shù)值，然后依據(jù)功率曲線得出輸出功率。該預(yù)測(cè)方法雖然具有物理可解釋的優(yōu)點(diǎn)，但受氣象服務(wù)條件的影響。基于統(tǒng)計(jì)的預(yù)測(cè)方法[3]完全依賴歷史統(tǒng)計(jì)數(shù)據(jù)，通過尋找天氣狀況與風(fēng)電場(chǎng)功率之間的關(guān)系，然后依據(jù)實(shí)測(cè)數(shù)據(jù)和數(shù)值天氣預(yù)報(bào)數(shù)據(jù)對(duì)風(fēng)力發(fā)電功率進(jìn)行預(yù)測(cè)，屬于時(shí)間序列分析的范疇，典型的算法包括：自回歸滑動(dòng)平均[4]、Kalman濾波[5]、人工神經(jīng)網(wǎng)絡(luò)（artificial neural network，ANN）[6-8]方法和支持向量機(jī)（support vector machine，SVM）[9-11]等方法。然而，風(fēng)的大小和風(fēng)向是多種因素綜合的結(jié)果，具有很強(qiáng)的波動(dòng)性和不確定性，導(dǎo)致風(fēng)電功率的時(shí)間序列也往往具有很強(qiáng)的動(dòng)態(tài)性和非線性。因此需要一種能夠描述更加復(fù)雜的非線性系統(tǒng)的模型進(jìn)行預(yù)測(cè)。

情感神經(jīng)網(wǎng)絡(luò)（emotionalneuralnetwork，ENN）[12]是一種仿照人類情感處理組織設(shè)計(jì)出的新型神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，具有反應(yīng)速度快、非線性能力強(qiáng)等特點(diǎn)，可以成功描述地球磁場(chǎng)[13,14]這一復(fù)雜系統(tǒng)。但目前將其應(yīng)用于風(fēng)電功率預(yù)測(cè)研究甚少，因此本文采用ENN對(duì)風(fēng)電功率進(jìn)行預(yù)測(cè)。

2 情感神經(jīng)網(wǎng)絡(luò)

情感神經(jīng)網(wǎng)絡(luò)仿照人腦的邊緣系統(tǒng)（limbic system）建立，其實(shí)質(zhì)是一個(gè)包含了杏仁核 （amygdale）、框額皮層（orbitofrontal cortex）、丘腦（thalamus）、感覺皮層（sensory cortex）的4層神經(jīng)網(wǎng)絡(luò)。典型的情感神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。

圖 1中的 pj,j=1,…,n+1表示輸入特征，vj,j=1,…,n+1和 wj,j=1,…,n+1表示權(quán)重，c表示偏移，E、Ea和 Eb表示輸出，其計(jì)算過程如下。

假設(shè)用向量 P=[p1,p2,p3,…,pn]表示整個(gè)系統(tǒng)的輸入，則特征進(jìn)入丘腦后，首先計(jì)算模糊特征pn+1，并將其作為杏仁核中的神經(jīng)元的輸入之一。模糊特征pn+1用通過求解輸入特征的均值得到。

另外，原始輸入P經(jīng)丘腦后還會(huì)直接進(jìn)入感覺皮層，感覺皮層的輸入?yún)R同模糊特征作為輸入進(jìn)入杏仁核，杏仁核的輸出Ea可以表示為：

其中，f(·)表示激勵(lì)函數(shù)。感覺皮層的輸出還會(huì)傳輸?shù)娇蝾~皮層，框額皮層的輸出Eb可以表示為：

框額皮層用于抑制模糊的判斷，則系統(tǒng)最終的輸出E是兩部分輸出之差：

3 基于遺傳算法的ENN訓(xùn)練

圖1 典型的情感神經(jīng)網(wǎng)絡(luò)架構(gòu)

反向傳播（back propagation，BP）算法是最常用的神經(jīng)網(wǎng)絡(luò)訓(xùn)練方法，參考文獻(xiàn)[15,16]表明采用 BP算法同樣可以對(duì)ENN進(jìn)行訓(xùn)練。然而，BP算法從單個(gè)初始值迭代求最優(yōu)解，求解結(jié)果依賴于初始權(quán)值的選擇，因此該算法存在收斂速度緩慢而且容易陷入局部最優(yōu)解的缺點(diǎn)。遺傳算法（genetic algorithm，GA）從串集開始搜索，覆蓋面大，利于全局擇優(yōu)。為此本文采用遺傳算法對(duì)ENN進(jìn)行訓(xùn)練。

3.1 染色體和適應(yīng)度函數(shù)

當(dāng)給定一組樣本[Pk,Tk]時(shí)，對(duì)ENN進(jìn)行訓(xùn)練的實(shí)質(zhì)是，通過調(diào)整權(quán)重和偏移，使得由ENN計(jì)算得到的輸出Yk與樣本的目標(biāo)輸出Tk之間的誤差最小。

遺傳算法尋求能夠最小化適應(yīng)度函數(shù)的染色體，得到最優(yōu)解。每個(gè)染色體都是對(duì)潛在解的編碼，而適應(yīng)度函數(shù)則是優(yōu)化目標(biāo)。采用遺傳算法對(duì)ENN進(jìn)行訓(xùn)練時(shí)，采用浮點(diǎn)編碼法進(jìn)行編碼，構(gòu)造出的染色體形式如式（5）所示。

因此當(dāng)輸入特征長度為n時(shí)，染色體長度為2n+2，假設(shè)給定輸入特征Pk，則ENN的輸出Yk可以根據(jù)式（1）～式（4）計(jì)算得到，并且記：

其中，choromn表示當(dāng)前的染色體，從當(dāng)前的染色體當(dāng)中可以解碼出 ENN當(dāng)前的各個(gè)權(quán)重和偏移值，Ψ(·)表示綜合式（1）～式（4）的計(jì)算過程。染色體的適應(yīng)度函數(shù)為：

其中，Tk為給定輸入特征Pk時(shí)對(duì)應(yīng)的目標(biāo)輸出，因此最小化適應(yīng)度函數(shù)就意味著最小化ENN輸出與目標(biāo)輸出之間的誤差。

3.2 基于GA的訓(xùn)練算法

針對(duì)式（7）中適應(yīng)度函數(shù)，遺傳算法通過借鑒生物界的進(jìn)化規(guī)律（適者生存、優(yōu)勝劣汰遺傳機(jī)制），采用交叉、變異等操作完成使式（7）最小化的隨機(jī)化搜索，整個(gè)訓(xùn)練算法流程給定如下,其中采用輪盤賭算法對(duì)染色體種群進(jìn)行了初始化，圖2中的適應(yīng)度根據(jù)式（7）得到。

圖2 基于GA的ENN訓(xùn)練算法流程

4 實(shí)驗(yàn)結(jié)果與性能分析

采用我國東北某風(fēng)力發(fā)電廠的風(fēng)電功率數(shù)據(jù)對(duì)本文所提方法進(jìn)行了驗(yàn)證。該數(shù)據(jù)集以小時(shí)為單位對(duì)風(fēng)電發(fā)電功率進(jìn)行了記錄，共包含了8 945 h的數(shù)據(jù)，如圖3所示。將這8 945 h的功率數(shù)據(jù)分為兩部分，一部分用于訓(xùn)練神經(jīng)網(wǎng)絡(luò) （前 4 000 h數(shù)據(jù)），另一部分用于測(cè)試神經(jīng)網(wǎng)絡(luò)（后4 945 h數(shù)據(jù)）。數(shù)據(jù)在使用前被歸一化到[0,1]區(qū)間當(dāng)中，采用參考文獻(xiàn)[17]中的方法確定出采用前18 h的數(shù)據(jù)去預(yù)測(cè)第19 h的數(shù)據(jù)。所提的ENN和基于GA的學(xué)習(xí)算法均通過MATLAB R2012a進(jìn)行仿真。采用均方根誤差和誤差的標(biāo)準(zhǔn)差作為衡量指標(biāo)，并通過與人工神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)和自回歸滑動(dòng)平均算法 （auto-regressive and moving average model，ARMA）對(duì)比給出結(jié)果。

圖3 東北某風(fēng)力發(fā)電廠的風(fēng)電功率

采用人工神經(jīng)網(wǎng)絡(luò)算法進(jìn)行預(yù)測(cè)時(shí)，訓(xùn)練算法選用BP算法，考慮了隱含層層數(shù)為5、10、15、20和25的5種情況，并以均方誤差和誤差的標(biāo)準(zhǔn)差作為衡量指標(biāo)給出預(yù)測(cè)，結(jié)果見表1。

表1 采用BP人工神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)結(jié)果

從表1中可以看出，隱含層個(gè)數(shù)為5個(gè)時(shí)，人工神經(jīng)網(wǎng)絡(luò)取得最好的分類效果，因此最終確定人工神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)為18-5-1。

采用支持向量機(jī)進(jìn)行預(yù)測(cè)時(shí)，采用參考文獻(xiàn)[11]的方法進(jìn)行，采用AMRA算法進(jìn)行預(yù)測(cè)時(shí)，采用參考文獻(xiàn)[4]中的方法進(jìn)行。最終，4種方法的預(yù)測(cè)結(jié)果對(duì)比如圖4所示。

圖4 BP-ANN、GA-ENN、SVM、AMRA 4種方法的風(fēng)電功率預(yù)測(cè)結(jié)果對(duì)比

圖4（a）給出了測(cè)試數(shù)據(jù)中52 h的預(yù)測(cè)結(jié)果，圖4（b）給出了4種方法預(yù)測(cè)結(jié)果的統(tǒng)計(jì)結(jié)果。從圖4(a)中可以看出，相比于ANN、SVM和AMRA，ENN的預(yù)測(cè)結(jié)果與真實(shí)數(shù)據(jù)的趨勢(shì)更加相近。從圖4(b)可以看出，在ANN、SVM和AMRA3種算法中，采用結(jié)構(gòu)為18-5-1的ANN進(jìn)行預(yù)測(cè)時(shí)可以獲得最高的預(yù)測(cè)準(zhǔn)確性；采用 SVM進(jìn)行預(yù)測(cè)時(shí)，在進(jìn)行的23次試驗(yàn)中偏差的標(biāo)準(zhǔn)差為0.005 9，在3種算法中最低，說明SVM算法的預(yù)測(cè)結(jié)果較ANN和AMRA的穩(wěn)定性更好。而采用ENN對(duì)給定數(shù)據(jù)集進(jìn)行預(yù)測(cè)時(shí)，預(yù)測(cè)的均方根誤差從0.596 7降低到了0.573 6，準(zhǔn)確率提高了3.87%。對(duì)得到的誤差標(biāo)準(zhǔn)差的進(jìn)行對(duì)比發(fā)現(xiàn)，人工神經(jīng)網(wǎng)絡(luò)取得0.059的標(biāo)準(zhǔn)差，而ENN的誤差標(biāo)準(zhǔn)差僅為0.034，降低42.3%，表明采用ENN對(duì)風(fēng)電功率數(shù)據(jù)進(jìn)行預(yù)測(cè)時(shí)，預(yù)測(cè)偏差波動(dòng)更小、可靠性更高。綜合兩個(gè)指標(biāo)可以得出，相比于ANN、SVM和AMRA，采用ENN在對(duì)風(fēng)電功率進(jìn)行預(yù)測(cè)時(shí)能夠預(yù)測(cè)的準(zhǔn)確率和可靠性，具有優(yōu)勢(shì)。

5 結(jié)束語

由于風(fēng)的不可控性，導(dǎo)致風(fēng)力發(fā)電功率預(yù)測(cè)成為一個(gè)難題。為揭示風(fēng)電功率歷史數(shù)據(jù)中存在的復(fù)雜的模式，本文采用情感神經(jīng)網(wǎng)絡(luò)對(duì)風(fēng)電功率進(jìn)行了預(yù)測(cè)。針對(duì)BP算法容易陷入局部最小值的缺陷，采用遺傳算法ENN進(jìn)行了訓(xùn)練。以東北某風(fēng)力發(fā)電廠的風(fēng)力發(fā)電數(shù)據(jù)為例，對(duì)本文所提方法進(jìn)行了驗(yàn)證，結(jié)果表明：相比于ANN、SVM和AMRA，ENN能夠提高預(yù)測(cè)準(zhǔn)確率和預(yù)測(cè)可靠性。由于ENN具有更加復(fù)雜的結(jié)構(gòu)，因此也具有更強(qiáng)的非線性能力，這可能是導(dǎo)致ENN在對(duì)風(fēng)電功率預(yù)測(cè)時(shí)取得更好的預(yù)測(cè)效果的原因。但ENN在其他復(fù)雜問題當(dāng)中的應(yīng)用效果還有待于進(jìn)一步研究。

[1] 谷興凱,范高鋒,王曉蓉,等.風(fēng)電功率預(yù)測(cè)技術(shù)綜述 [J].電網(wǎng)技術(shù),2007(S2):335-338. GU X K,FAN G F,WANG X R,et al.Summarization of wind power prediction technology [J].Power System Technology, 2007(S2):335-338

[2] 王健,嚴(yán)干貴,宋薇,等.風(fēng)電功率預(yù)測(cè)技術(shù)綜述 [J].東北電力大學(xué)學(xué)報(bào),2011,31(3):20-24. WANG J,YAN G G,SONG W,et al.Summarization of wind power prediction technology[J].Journal of Northeast Dianli University,2011,31(3):20-24.

[3] 范高鋒,裴哲義,辛耀中.風(fēng)電功率預(yù)測(cè)的發(fā)展現(xiàn)狀與展望[J].中國電力,2011,44(6):38-41. FAN G F,PEI Z Y,XIN Y Z.Wind power predictionachievement and prospect[J].Electric Power,2011,44(6): 38-41.

[4]冬雷,王麗婕,郝穎,等.基于自回歸滑動(dòng)平均模型的風(fēng)力發(fā)電容量預(yù)測(cè)[J].太陽能學(xué)報(bào),2011,32(5):617-622. DONG L,WANG L J,HAO Y,et al.Prediction of wind power generation based on auto regressive moving average model[J]. Acta Energiae Solaris Sinica,2011,32(5):617-622.

[5]修春波,任曉,李艷晴,等.基于卡爾曼濾波的風(fēng)速序列短期預(yù)測(cè)方法[J].電工技術(shù)學(xué)報(bào),2014(2):253-259. XIU C B,REN X,LI Y Q,et al.Short-term prediction method of wind speed series based on Kalman filtering fusion [J]. Transactions of China Electrotechnical Society,2014(2):253-259.

[6]CATALAO J P S,POUSINHO H M I,MENDES V M F.An artificial neural network approach for short-term wind power forecasting in portugal[J].International Journal of Engineering Intelligent Systems for Electrical Engineering&Communications, 2009,17(1):1-5.

[7]HANADA K,HAMAJIMA T,TSUDA M,et al.Wind power forecasting using an artificial neural network for ASPCS[J]. Energy&Power Engineering,2013,5(4):414-417.

[8] 范高鋒,王偉勝,劉純,等.基于人工神經(jīng)網(wǎng)絡(luò)的風(fēng)電功率預(yù)測(cè)[J].中國電機(jī)工程學(xué)報(bào),2008(34):118-123. FAN G F,WANG W S,LIU C,et al.Wind power prediction based on artificial neural network[J].Proceedings of the CSEE, 2008(34):118-123.

[9]ZENG J,QIAO W.Support vector machine-based short-term wind power forecasting [C]//Power Systems Conference and Exposition March 20-23,2011,Phoenix,AZ,USA.New Jersey: IEEE Press,2011:1-8.

[10]MATHABA T,XIA X,ZHANG J.Short-term wind power prediction using least-square support vector machines[C]//Power Engineering Society Conference and Exposition in Africa,March 20-23,2011,Phoenix,AZ,USA.New Jersty:IEEE Press,2012:1-6.

[11]丁志勇,楊蘋,楊曦,等.基于連續(xù)時(shí)間段聚類的支持向量機(jī)風(fēng)電功率預(yù)測(cè)方法[J].電力系統(tǒng)自動(dòng)化,2012,36(14):131-135. DING Z Y,YANG P,YANG X,et al.W ind power prediction method based on sequential time clustering support vector machine[J].Automation of Electric Power Systems,2012,36(14): 131-135.

[12]LOTFI E,AKBARZADEH T M R.Practical emotional neural networks[J].Neural Networks,2014,59(11):61-72.

[13]PAVLOS G P,ILIOPOULOS A C,TSOUTSOURAS V G,et al. First and second order non-equilibrium phase transition and evidence for non-extensive Tsallis statistics in earth’s magnetosphere [J].Physica A Statistical Mechanics& its Applications,2011,390(15):2819-2839.

[14]BABAIE T,KARIMIZANDI R,LUCAS C.Learning based brain emotional intelligence as a new aspect for development of an alarm system [J].Soft Computing-A Fusion of Foundations, Methodologies and Applications,2008,12(9):857-873.

[15]KHASHMAN A.Modeling cognitive and emotional processes:a novel neural network architecture [J].Neural Networks the Official Journal of the International Neural Network Society, 2010,23(10):1155-1163.

[16]KHASHMAN A.A modified backpropagation learning algorithm with added emotional coefficients [J].IEEE Transactions on Neural Networks,2008,19(11):1896-1909.

[17]QUAN H,SRINIVASAN D,KHOSRAVI A.Short-term load and wind power forecasting using neural network-based prediction intervals[J].IEEE Transactions on Neural Networks&Learning Systems,2014,25(2):303-315.

An emotional neural network based approach for wind power prediction

ZHANG Guoling
Center of Education Technology,Yulin Normal University,Yulin 537000,China

Accurate wind power forecasting is vital for the integration of wind power into the grid.Emotional neural network (ENN)——a new type of neural network which could be used to model complex systems and patterns,was used to forecast wind power.To prevent ENN from stucking in locally optimal solution in the process of training, genetic algorithm was proposed to train ENN.The root-mean-square and the standard deviation of the forecast errors were also adopted to measure the accuracy and reliability of the forecast to test the performance of ENN.The results demonstrate that,compared with artificial neural network,ENN can improve the accuracy and reliability of the forecast by 3.8%and 46%respectively.

emotional neural network,wind power,prediction,genetic algorithm

TP183

：A

10.11959/j.issn.1000-0801.2017005

2016-08-31；

2016-11-10

張國玲（1975-），女，玉林師范學(xué)院教育技術(shù)中心工程師，主要研究方向?yàn)橛?jì)算機(jī)網(wǎng)絡(luò)、智能控制。