基于多层RBF神经元网络的风电功率短期预测

摘要：风力发电输出功率预测对风电场和电力系统都具有重大意义。文章提出了多层径向基函数（radial basis function，RBF）神经元网络的聚类算法，从实际运行的风电场获得的数据样本，建立了基于多层RBF网络的短期风电功率预测模型。运用该模型并利用MATLAB数学软件编程进行了每隔15分钟30个时点的风电功率输出预测，结果表明预测误差达到了很高的精度。通过预测值与实际输出功率数据比较，说明了多层RBF网络预测的有效性和可靠性。

关键词：风电功率；短期预测；多层RBF神经元网络；风能；风电场

中图分类号：TM74文献标识码：A文章编号：1009-2374（2012）30-0018-03

1概述

随着大规模风电场的兴起，风能越来越多地被应用到发电行业，加强对风电功率预测的研究具有迫切性和重要性，目前提出的预测方法有统计方法、时间序列分析法、空间相关性法、模糊逻辑法、灰色预测法、人工神经网络法等。

本文提出多层RBF网络。该网络是在一层网络的基础上用第二层网络去拟合残差函数，得到三层网络，它的拟合精度又提高了。如此进行下去，就得到一个高精度的多层径向基函数网络，其在非线性建模特别是非线性时间序列和混沌时间序列的建模和预测上有重要意义。相对于单层RBF网络的预测有更高的精度。

2基本理论

2.1单层RBF神经网络

RBF神经网络是一种性能良好的前向神经网络。RBF神经网络的典型结构如下，不失一般性，假设输出层只有一个结点，这种结构很容易扩展到多输出结点的情形。输入层到隐层为权值1的固定连接。隐含层由一组径向基函数构成，其中对应的中心向量和宽度是RBF的参数。一般隐含层各结点都采用相同的径向基函数，径向基函数有多种形式，通常取高斯函数。隐层的输出在输出层线性加权组合，形成神经网络的输出。

2.2多层RBF神经元网络

多层径向基函数的原理是在一层网络的基础上用第二层网络去拟合残差函数，得到三层网络，如此进行下去，就得到一个高精度的多层径向基函数网络，高精度的函数逼近网络在非线性建模，特别是非线性时间序列和混沌时间序列的建模和预测上有重要意义。

于是得到了一个模型，其中用最小二乘法决定加权系数得到。重复这一步骤得到一个多层径向基网络。最后，根据适当的判别准则可以决定增加几层最为合适。

3模型的建立及求解

3.1单层RBF神经网络

4结语

建立了以风电输出功率数据为样本的单层RBF及多层RBF神经元网络模型的预测，并用实际数据作了大量实验预测，检验了模型的精确性。多层RBF网络具有比单层RBF网络更好的样本预测性能，需要指出的是，多层径向基函数网络的聚类学习法仍有一些待解决的问题，如网络隐层神经元数目的选择问题、参数优化的计算量大等，对于该预测方法还要作进一步的完善。

参考文献

[1]方江晓，周辉，黄梅．基于统计局类分析的短期风电功率预测[J]．电力系统保护与控制，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，卫志农，孙国强．基于改进空间相关法和径向基神经网路的风电场短期风速分时预测模型[J]．电力自动化设备，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，张步涵，谢光龙．基于灰色预测模型的風速-风电功率预测研究[J]．电力系统保护与控制，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，鲍金春，宋继光．基于BP神经网络的风电功率预测[J]．电源技术应用，2011，14（6）：100-105．

作者简介：李秀秀（1988-），女，安徽阜阳人，安徽财经大学统计与应用数学学院2009届数学系学生，研究方向：数学与应用数学。

（责任编辑：王书柏）