遗传算法优化的神经网络微电网风能预测

赵云凯

(哈电发电设备国家工程研究中心有限公司，哈尔滨 150040)

遗传算法优化的神经网络微电网风能预测

赵云凯

(哈电发电设备国家工程研究中心有限公司，哈尔滨 150040)

风能是微电网重要的能量来源，但由于其稳定性差，使得微电网使用风能作为主要能量来源时需要容量较大的储能装置，从而增加了微电网的造价。遗传算法优化的神经网络能够快速、有效地建立非线性系统输入与输出之间的关系，对微电网进行风能预测。通过实际检验，微电网可调度用电设备和发电设备的运行，降低储能设备的电能波动、容量及微电网造价。

微电网；风能;遗传算法；神经网络；储能装置

0 引 言

随着微电网技术的广泛应用[1]，使用风电作为主要能源供给的案例越来越多[2-3]。由于风能稳定性差，为稳定微电网的母线电压，微电网内需要采用储能装置[4-6]，而储能装置所采用的电池造价及维护费用均较高。采用风能预测后，根据预测出的风速通过风力发电系统的功率曲线可预测风力发电系统所发电量，进而通过调度发电设备和用电设备的运行可降低储能系统的电能波动、容量，降低微电网系统造价，减少微电网系统故障点。

采用反向传播(back propagation，BP)神经网络可对非线性变化的风速进行预测[7]，但由于其易于收敛于局部最优解，无法达到全局最优。采用遗传算法(genetic algorithm，GA)优化的反向传播(back propagation，BP)神经网络，可使神经网络收敛于全局最优解[8]；遗传算法在操作过程中也存在由于个别优势个体的存在，而陷入局部最优的问题。为防止其陷入局部最优值，将采用扩大种群数量的方法；并在遗传算法选择操作时(本文采用轮盘赌方法)，将重复多次出现的个体剔除，避免优势个体进入遗传算法下一步操作，减少陷入局部最优值的机会，从而达到预测风能的目的。

通过实际运行，经过遗传算法优化的BP神经网络可有效预测风能。

1 微电网系统结构

微电网系统见图1。采用一台2.5 MW直驱永磁式风力发电机组作为主电源，配合由双向变流器和蓄储能电池构成的储能装置，形成微电网供电系统，向3套海水淡化装置供电；其中储能装置容量为1.5 MW，海水淡化装置总耗能为1.2 MW·h，整套装置最大生产淡水水量为5 000 t/d。

图1 微电网系统Fig.1 Micro grid system

2 遗传算法优化的BP神经网络

2.1 遗传算法优化BP神经网络的步骤

利用遗传算法优化BP神经网络，主要包含3个步骤：

1)确定BP神经网络结构，根据训练数据和期望输出的特点确定BP神经网络的结构[9-10]，确定BP神经网络的网络结构后即确定了遗传算法中个体的长度。

2)利用遗传算法优化BP神经网络的权值和阈值，遗传算法中的每一个个体都包含了所对应BP神经网络的所有权值和阈值，利用适应度函数判读个体是否应该保留，遗传算法利用选择、交叉、变异，得到最优适应度个体，即得到BP神经网络最优化的权值和阈值[11-12]。

3)BP神经网络输出预测，将由遗传算法优化后的权值和阈值赋给BP神经网络，训练网络从而得到预期输出[13]。

2.2 BP神经网络的建立

本文选择风场2014年5月1日8～17时，时间间隔为5 min测风数据，每连续12个测风数据作为一组输入样本数据，第13～第24个测风数据的平均值作为期望输出，共生成9×12-12-12=84组样本数据，其中前64组为训练数据，后20组数据为测试数据。

由于输入为12个数据一组，输出数据为预测风速；故BP神经网络输入层节点数选取为12，采取经验法确定隐层节点数为24，输出节点数为1，即神经网络的结构为12-24-1，共有12×24+24×1=312个权值，24+1=25个阈值。训练数据预测误差的绝对值和作为个体适应度函数值，因此个体适应度越小，个体越优秀。

2.3 权值、阈值的优化

确定BP神经网络的结构后即确定了遗传算法中个体的长度，利用适应度函数对种群初始化后产生的个体进行选择、交叉和变异操作，寻优输出BP神经网络的权值和阈值。

1)种群初始化，采用实数编码的方式将输入层与隐含层权值、隐含层阈值、隐含层与输出层权值、输出层阈值进行编码。由此初始化后的种群个体将包括BP神经网络所有的权值和阈值。

2)适应度函数，适应度函数选取为训练数据预测误差的绝对值和作为个体适应度函数值，由此可知个体适应度越小，个体越优秀。预测输出和期望输出差的绝对值求和作为适应度值F，计算公式为：

(1)

式中k为系数,k=1；n为网络输出节点数；Yi第i个节点的期望输出；Youti为第i个节点的预测输出。

3)选择操作，本文利用选择轮盘赌法完成遗传算法选择操作，每个个体i的选择概率为Pi，公式为：

(2)

式中Fi为个体i的适应度值；M为种群内个体总数。

4)交叉操作，采用实数交叉法对个体进行交叉操作，选择两个染色体xk、xl在其基因位置为j处进行交叉操作，公式为：

(3)

式中c∈[0,1],c=0.4。

5)变异操作，选取染色体xi，在其第j个基因位置处进行变异操作，公式为：

(4)

式中xmin≤xij≤xmax；g为当前迭代次数；Gmax为最大进化次数,Gmax=50；r为[0，1]之间的随机数。

2.4 编程实现

根据上述内容编程，程序流程图见图2。

图2 程序流程图Fig.2 program flow chart

2.5 基于遗传算法优化的BP神经网络训练结果

遗传算法优化过程中最优个体适应度值变化见图3，进化达到50代，达到优化目标。

图3 最优个体适应度值Fig.3 Optimal individual fitness value

利用训练数据训练、预测，预测误差见图4，

图4中预测误差的均方差为8.732E-5,达到预期目标。

图4 优化后BP神经网络预测误差Fig. 4 BP neural network prediction error after optimization

3 结果及分析

对微电网系统，用遗传算法优化的BP神经网络预测风能，连续运行9 h的数据进行分析。

采用遗传算法优化的BP神经网络的预测平均风速与实测平均风速见图5,预测误差见图6。由图5可见平均风速预测值与实测值变化趋势基本一致，由图6可见预测值与实测值最大误差≤9%。

图5 实测平均风速与预测平均风速Fig. 5 Measured average wind speed—prediction average wind speed

图6 预测平均风速与实测平均风速误差Fig. 6 Error between prediction average wind speed and measured average wind speed

未采用遗传算法优化的BP神经网络预测时，微电网储能电池组SOC(State of Charge，电池可用电量)的波动范围在40%以内，见图7。采用遗传算法优化BP神经网络预测后，微电网储能电池组SOC的波动范围在5%以内，见图8。通过对比发现采用遗传算法优化的BP神经网络进行风能预测后，储能电池组的SOC波动范围减小，在保证设备安全可靠的前提下，可以降低储能电池容量。

图7 微电网SOC变化(未预测)Fig. 7 Micro grid SOC Fluctuation (no prediction)

图8 微电网SOC变化(预测)Fig. 8 Micro grid SOC Fluctuation (prediction)

4 结 论

采用遗传算法优化BP神经网络为微电网提供风能预测。通过预测得到的风速数据，提前调整微电网内负荷，降低微电网中储能电池SOC变化范围；平抑部分微电网内部电能波动；降低储能电池容量，进一步降低微电网工程造价。

[1]刘 文，杨慧霞，祝 斌.微电网关键技术研究综述[J].电力系统保护与控制，2012，40(14)：152-155.

[2]武 星，殷晓刚，宋 昕，等.中国微电网技术研究及应用现状[J].高压电器，2013，49(9)：142-149.

[3]薛媛媛.微电网的综合控制研究[D].南京理工大学，2014.

[4]Liang Xiao,Mandayam N B,Poor H V.Prospect theoretic analysis of energy exchange among micro grids [J]. IEEE Transactions on Smart Grid, 2014,6(1): 63-72.

[5]Olivares D E,Mehrizi-Sani A,Etemadi A H,et al.Trends in micro grid control[J].IEEE Transactions on Smart Grid, 2014,5(4): 1 905-1 919.

[6]Singh A K,Singh R,Pal B C.Stability analysis of networked control in smart grids[J]. IEEE Transactions on Smart Grid,2014,6(1): 381-390.

[7]Li Jinxuan,Mao Jiandong. Ultra-short-term wind power prediction using BP neural network[C]// Industrial Electronics and Applications (ICIEA), 2014 IEEE 9th Conference on,2014: 2 001-2 006.

[8]Wang Yamin, Wang Shouxiang,Zhang Na. A novel wind speed forecasting method based on ensemble empirical mode decomposition and GA-BP neural network[C]// IEEE Power and Energy Society General Meeting (PES), 2013:1-5.

[9]陈 磊， 李长俊， 冷 明，等. 基于遗传BP神经网络预测硫在高含硫气体中溶解度[J].现代化工，2015，45(2)：50-53.

[10]姚 健，纪志成，黄言平.基于神经网络的非线性多模型自适应控制[J].制控工程，2014，21(2): 172-177.

[11]刘砚菊，周 光.基于BP 神经网络的粮情监控模型研究 [J].控制工程，2013，20(4)： 734-737.

[12]张文修. 遗传算法的数学基础[M].西安：西安交通大学出版社，2003.

[13]王德民.基于遗传算法优化BP神经网络的风电功率预测[J].电子设计工程，2013，21(22)：95-98.

Wind energy prediction of micro grid based on genetic algorithm optimization neural network

ZHAO Yun-Kai

(HEC National Engineering Research Center-Power Equipment Co.,Ltd，Harbin 150040， China)

Although wind energy is the main energy source of the micro grid, it has low stability. Micro grid using wind energy as the main energy source needs large capacity storage device, thereby increasing the micro grid cost. The genetic algorithm optimization neural network can rapidly, effectively establish the relation between input and output of nonlinear system. The genetic algorithm optimization neural network is used to predict the wind energy of the micro grid. Through practical test, electrical equipment and power equipment can be reasonably dispatched and operated, in the micro grid using this method of wind power prediction. That can reduce the storage equipment energy fluctuation, the capacity of energy storage devices and the micro grid cost.

micro grid; wind energy;genetic algorithm; neural network; storage device

10.13524/j.2095-008x.2015.03.051

2015-04-14;

2015-05-25

江苏省科技计划资助项目(SBA2015030383)

赵云凯(1983-),黑龙江哈尔滨人,工程师,硕士,研究方向：发电设备控制,E-mail：zhaoyunkai-1983@163.com。

TP29

A

2095-008X(2015)03-0079-05