1、 基于小波去噪的B P神经网络短期风功率预测方法设计*王跃龙1,张 燕1,韩志惠2,王长云1(1.新疆农业大学机电工程学院,新疆 乌鲁木齐8 3 0 0 9 1;2.中船重工海为(新疆)新能源有限公司,新疆 乌鲁木齐8 3 0 0 5 2)摘 要:为了减小电网波动,提高电网调度的安全性、稳定性,风功率预测的研究尤其重要。运用基于小波去噪的B P神经网络算法进行风功率预测,通过建立预测模型对历史数据进行训练、仿真调试,找到最优组合方式。与传统的B P神经网络预测对比,基于小波去噪的B P神经网络算法明显提高了预测精度。关键词:风功率预测;小波去噪;B P神经网络中图分类号:TM 6 1 4 D
2、O I:1 0.1 9 7 6 8/j.c n k i.d g j s.2 0 2 3.0 2.0 1 0D e s i g no fB PN e u r a lN e t w o r kS h o r t-t e r m W i n dP o w e rP r e d i c t i o nM e t h o dB a s e do nW a v e l e t sD e n o i s i n g*WAN GY u e l o n g1,Z HAN GY a n1,HANZ h i h u i2,WAN GC h a n g y u n1(1.C o l l e g eo fM e c h
3、 a n i c a l a n dE l e c t r i c a lE n g i n e e r i n g,X i n j i a n gA g r i c u l t u r a lU n i v e r s i t y,U r u m q i 8 3 0 0 9 1,C h i n a;2.C S S CH a i w e i(X i n j i a n g)N e wE n e r g yC o.,L t d.,U r u m q i 8 3 0 0 5 2,C h i n a)A b s t r a c t:I no r d e r t o r e d u c e t h e
4、 f l u c t u a t i o no f p o w e rg r i da n d i m p r o v e t h e s e c u r i t ya n ds t a b i l i t yo fp o w e rg r i dd i s p a t c h i n g,t h er e s e a r c ho fw i n dp o w e rp r e d i c t i o n i sp a r t i c u l a r l y i m p o r t a n t.I n t h i sp a p e r,aB Pn e u r a l n e t w o r k
5、a l g o r i t h mb a s e do nw a v e l e t sd e-n o i s i n g i s p r o p o s e d t op r e d i c t t h ew i n dp o w e r.B y e s t a b l i s h i n g ap r e d i c t i v em o d e l,t h eh i s t o r i c a l d a t a i s t r a i n e d,s i m u l a t e d a n dd e-b u g g e d,a n d t h e o p t i m a l c o m
6、 b i n a t i o nm e t h o d i s f o u n d.C o m p a r e dw i t h t h e t r a d i t i o n a l B Pn e u r a l n e t w o r kp r e d i c t i o n,t h eB Pn e u-r a l n e t w o r ka l g o r i t h mb a s e do nw a v e l e t d e n o i s i n gs i g n i f i c a n t l y i m p r o v e s t h ep r e d i c t i o n
7、a c c u r a c y.K e yw o r d s:w i n dp o w e rp r e d i c t i o n;w a v e l e td e n o i s i n g;B Pn e u r a l n e t w o r k基金项目:新疆自治区天山创新团队-风力发电智能化运维创新团队(编号2 0 2 1 D 1 4 0 1 2);教育部第二批新工科研究与实践项目(编号E-S P N L 2 0 2 0 2 3 2 6)收稿日期:2 0 2 2-0 5-2 7作者简介:王跃龙(2 0 0 0-),研究方向为新能源科学工程;张燕(1 9 8 3-),通信作者,研究方向为
8、风力发电技术智能控制、智能农机装备。0引言风力发电行业正在逐渐兴起,但风能的不稳定性会对风力发电并网调节造成很大影响,如果能提前预测风电场的实际输出功率就可以有效提高并网时的稳定性。另外,在风电场运维需要停机检修的情况下,挑选发出功率低的时刻进行停机检修,可以保证风力发电的经济性。为此,对风功率预测进行研究十分必要。根据预测时间的长短可以把风功率预测分为长期预测、中期预测、短期预测、超短期预测1。我国现阶段主要应用短期风功率预测和超短期风功率预测。按照预测范围又可以把风功率预测分为单机预测、单个风电场预测以及一个区域内的多个风电场预测,但是预测范围越大,预测的精度就会越低。鉴于传统B P神经网
9、络2预测精度不高,本文提出一种基于小波去噪的B P神经网络算法。采用小波去噪3消除风电数据的噪声,降低风电数据的波动,而B P神经网络预测风力发电量相对简单。1B P神经网络B P神经网络于1 9 8 5年提出4。B P神经网络算法5用一种梯度检索的方法来调整数据,从而使全部数据得到优化。B P神经网络结构如图1所示。图1神经网络结构图1中,输入向量为x=(x0,x1,x2,xi)T,x0=-1,i=1,2,n;隐含层输出向量为y=(y0,y1,y2,yj)T,y0=-1,j=1,2,n;输出层输出向量为o=(o0,o1,o2,ok)T,k=1,2,L;期望输出向量为d=(d0,d1,d2,d
10、k)T,k=1,2,L。其中,i、j为隐层第i、j个神经元;k为输出层第k个神经元。23电工技术 人工智能与传感技术 由于B P神经网络是单向传播的,不会有反馈来对其进行修改,因此在选用B P神经网络隐含层节点时需要进行试验,一般没有经验支持。为此,设计好的神经网络模型需要做误差分析以得出误差相对较小的B P神经网络。2小波分析小波分析是在水平位移和缩放过程中,通过对信号进行多维分析,分析时间和尺度的组合,从信号中提取信息的一种方法。小波分析的真正发展始于数学家M e y e r6建立了第一个真正的小波矩阵,然后M e y e r和M a l l a t共同建立了结构分析和多维分析的统一方法。
11、比利时数学家D a u-b e c h i e s7创造了具有时区和频带特征的小波d b N。目前,小波分析不仅在信号消除噪声、概率统计、空间函数理论领域得到了广泛应用,而且在地震预测、逼近理论、密码学和神经网络等领域也得到了广泛应用。小波阈值去噪8是工程中常用的方法,含有噪声的一维信号表达式为:S(k)=f(k)+e(k)(1)式中,f(k)、e(k)、S(k)分别为真实信号、噪声信号和含噪信号。对信号进行去噪就是去除噪声信号e(k),需要将真实信号f(k)和噪声信号e(k)从信号S(k)中分离出来。阈值去噪主要有以下步骤。步骤一:选用一种小波基函数对数据进行分解,设置合适的分解层数逐层分解
12、为高频部分和低频部分。步骤二:对分解后的信号设置合适的阈值函数对高频部分数据进行处理,保存低频部分信号。步骤三:将处理好的各部分数据重新组合。从以上步骤可以看出,要得到合适的数据,必须设置合适的函数,合适的小波函数、分解层数以及设置的阈值对去噪数据影响很大,因此在做相关研究中这些因素是小波阈值去噪设置的关键。3短期风功率预测模型的建立3.1B P神经网络模型建立采用某风电场2 0 2 2年2月2 1日到3月7日的风速、风向、实发功率为原始数据,数据采样间隔为1 5m i n,共采样1 4 4 1个点,选取其中几天进行短期风功率预测。首先建立B P神经网络模型,选用风速和风向作为输入,实发功率作
13、为输出。经仿真调试,隐含层节点选取6时,B P神经网络预测效果相对较好。以实发功率为输出建立预测模型,基本的神经网络模型如图2所示。图2神经网络模型将采集的数据分为两部分,以2 0 2 2年2月2 1日到3月5日的数据为训练集,以2 0 2 2年3月5日到3月7日的数据为测试集进行预测试验。对2 0 2 2年3月5日0时到2 4时的 数 据 进 行B P神 经 网 络 预 测,预 测 结 果 如 图3所示。图3B P神经网络功率预测曲线由图3可以看出,B P神经网络可以预测出实发功率的大致趋势,但是风速和风向的不稳定性,使得一些预测点波动很大,预测数据不精确。3.2基于小波去噪的B P神经网络
14、短期风功率预测鉴于B P神经网络预测不稳定,可先将风速和风向数据选用d b 4小波进行三层去噪处理,再使用MA T L A B默认的阈值处理方式处理后,使用B P神经网络进行预测。建立基于小波去噪的B P神经网络预测模型再次对2 0 2 2年3月5日的风功率进行预测,预测结果如图4所示。图4小波消噪后预测曲线由图4可知,消噪后的预测值更贴近实际值,误差更小,功率预测更稳定。通过仿真研究发现,不同去噪效果对风功率预测影响不同。3.2.1分解层数对小波去噪的影响小波阈值去噪的去噪结果与小波函数、分解层数以及阈值的选择有直接关系。为了找到小波去噪与B P神经网络最好的 结 合 方 式,对 不 同 分
15、 解 层 次 的 去 噪 数 据 进 行研究。当增加分解层数时,小波去噪的程度加大。分解层数不仅可以过滤掉噪声信号,还有可能将有用信号也去除掉,所以增加小波分解层数时,信号的曲线图像会变得越来越光滑,一层分解到四层分解的风速信号如图5所示。33人工智能与传感技术 电工技术 图5不同分解层数的风速信号从图5可知,在一层的分解层次中,信号的曲线不够光滑,这说明经过小波去噪后,该信号仍然保留了一些噪声,所以不应该取第一层去噪信号;在二层的小波分解层次中,信号的曲线已经变得相对光滑,但是在该曲线中存在着一些局部震动,这说明在该层去噪中既过滤掉了大量的噪声信号,也保留了有用信号,即可以采用该层次的去噪结
16、果作为最终的小波去噪结果;在三层小波分解层次中,信号的曲线较为光滑,但是不能在该曲线中找出一些上下震动的点,这说明在三层的小波去噪中,虽然过滤了大量的噪声,但是也将有用信息过滤了部分,所以三层分解不能用作小波去噪的最终结果;四层中有用信息同样会继续被过滤。经过对比,选择二层小波分解。为了更直观地看出二层分解的数据最优,基于不同层次的分解数据,用B P神经网络模型对2 0 2 2年3月5号的数据进行预测并做误差分析,分析结果见表1。表1分解层数误差分析分解层数均方根误差RM S E平均误差MA E决定系数R2一层分解2.9 3 9 71.8 6 0 80.9 3 4 6二层分解2.1 7 0 01.4 5 1 90.9 6 5 6三层分解3.0 6 1 51.9 8 0 10.9 2 8 9四层分解3.0 3 9 82.0 6 3 40.9 4 2 3 由表1可以看出,在二层分解时,平均误差和均方根误差最小,同时B P神经网络的决定系数R2最大,说明拟合最好。因此选择二层分解去噪进行预测。3.2.2小波函数对小波去噪的影响研究发现不同阈值函数对信号去噪后与B P神经网络结合对风功率的预测
