测风塔神经网络法对弃风电量的评估

高 阳，吴伟晴，许傲然，李东阳，于杰承

(沈阳工程学院 电力学院，辽宁 沈阳 110136)



测风塔神经网络法对弃风电量的评估

高 阳，吴伟晴，许傲然，李东阳，于杰承

(沈阳工程学院 电力学院，辽宁 沈阳 110136)

由于电网容量的快速可调的容量限制，造成风电并网的消纳能力较弱，导致越来越多的弃风电量。研究了神经网络方法，根据历史风塔的测量的不同高度、风速和风向的数据，结合风电场风机的历史观测数据，建立了神经网络模型，然后将样本数据输入到已建好的神经网络模型以得到风机的理论发电功率，进而得到弃风电量。通过对比测风塔法，神经网络法，样板机法和面积积分法统计风电弃风电量大小，基于测风塔神经网络法的弃风电量评估模型在低风速时的评估效果具有良好的参考价值，比较接近实测风速。

电力系统；测风塔；神经网络模型；弃风电量

随着国家对可再生能源发展的重视，越来越多的新能源被人们广泛利用，风力发电受到了广泛的关注。国内风电并网技术日渐成熟，在2015年底我国风电并网装机量可高达100 GW。根据国家能源局规划，我国到2017年将会达到155 GW的风电并网量，2020年至少会达到210 GW。继火力发电和水力发电之后，风力发电成为中国第三大电源。然而，大型风力发电厂的快速、无序运行，电网结构建设不完善，快速可调电源和电网不匹配，都是导致风力发电厂的消纳能力较弱的因素，进而使风力发电的利用率降低，弃风电量增大。由于风力发电的不稳定性和随机性，降低了风力发电的统计精度，且存在弃风功率偏差。风力发电的统计结果将对风力发电的后续发展产生影响，如果统计结果小，可能会加快风力发电厂的建设；如果统计结果偏大，可能会延缓风电厂的建设，这些都不利于风力资源的最大利用率。因此，风力发电中弃风电量统计的准确性将是需要重视的问题。

1 RBF神经网络和GRNN神经网络介绍

神经网络算法是基于人类认知过程而产生的。神经网络具有高速寻找优化解的能力。它以其良好的容错性、非线性学习能力、非线性组织能力、非线性映射能力等特性被人们所熟知。它能够快速执行大量算法的操作，并能够处理定量和定性知识。神经网络法主要有2种，一种是RBF神经网络，另一种是GRNN神经网络，GRNN神经网络是RBF神经网络的典型代表。

RBF神经网络的结构有3层：第1层是接触外部环境的输入层；第2层是网络中唯一的隐含层，该层主要是输入空间到隐层空间的非线性映射；第3层是输出层，它是一个线性层，它的作用是对隐层进行线性的分类 。

RBF神经网络的原理：RBF隐单元基函数构成的隐蔽空间，不需要直接连接到完整的输入向量映射到隐空间的向量，而是由径向基函数中心点决定的。隐层空间是线性映射到输出空间的。总体看来，网络输出相对于输入是非线性的，而相对于权值又是线性的。因此，网络的权值可以通过线性方程直接求解，从而大大提高了学习速度，避免了局部极小问题。从下面2个方面来理解RBF神经网络的工作原理 ：

1)从函数逼近的角度来理解：RBF神经网络属于局部逼近网络。而BP神经网络属于全局逼近网络，造成两种网络差别的原因在于网络中隐层神经元对输入量的处理方式不同，BP神经网络使用内积，而RBF神经网络选用距离。

2)从空间映射的角度来理解：RBF神经网络总可以实现低维到高维空间的映射，从而进行复杂的非线性可分到较为简单的线性可分问题的转化。只需充足的隐层神经元，在隐层的高维输出空间就可以将输入模式进行线性分类。

GRNN是RBF神经网络的一个典型代表。神经网络由输入层、隐层和输出层组成，如图1所示。

图1 GRNN结构

GRNN的实质就是训练1个新的向量，1个新的向量必然会存在1个RBF神经元与之对应，隐含层RBF神经元用于存储学习过程中的训练数据。当训练1个新的向量时，新的向量与隐含层单位权向量间的距离可由式(1)决定：

dist=|X-W1|

(1)

式中，X为输入矢量，R为X的维数，S1为隐含层单元数，W1为隐含层单元权向量。

隐含层的高斯函数表达式由式(2)决定：

a1=exp[-(‖dist‖×b1)2]

(2)

调整距离由式(3)决定：

b1=0.8326/s

(3)式中，s为网络的窗口宽度，网络中唯一的一个可调参数。若dist=s，则调整后的距离n1=‖dist‖×b1=0.832 6，则高斯函数的输出值为0.5；如果距离值远大于s，高斯函数的输出值趋于0。n1值增大，隐含层的输出值将减小。

GRNN输出层函数为线性函数，有S2个神经元，由式(4)决定：

a2=n2=W2a1+b2

(4)

式(4)中，W2为输出层权向量。

由GRNN结构可以看出，GRNN网络仅有1个可调参数s，预测的准确与否完全由数据来源决定，这在很大程度上摆脱了人为的主观主义的假想对预测结果的影响。如果s值越小，逼近精度就越高，但逼近过程往往不平滑；如果s值选取的越大，逼近过程相对来说较为平滑，但是逼近精度较差，误差较大。

2 弃风电量评估模型研究

采用GRNN神经网络，与BP神经网络相比，GRNN网络仅有1个可调参数s，预测的准确与否完全由数据来源决定，这在很大程度上摆脱了人为的主观主义的假想对预测结果的影响；BP神经网络具有计算速度低、运算时间较长的缺点，而GRNN神经网络则提高了计算速度，降低了运算时间；并且GRNN神经网络的稳定性往往优于BP神经网络。

样本训练GRNN网络，逐渐增大s值，计算实际值与预测值之间的误差，对每个训练样本重复这一过程，可得到一组误差序列，计算误差序列的2-范数：

(5)

选取使得误差序列2-范数最小的s值。

GRNN网络的输入节点数为12，输出节点数为1。得到的2015年8月功率曲线与风机实测功率曲线对比如图2所示，以2#和33#风机为例(s值选为0.1)，为显示清楚仅截取其中一部分图形。

由测风塔神经网络模型得出的风电场输出总功率曲线和风电场实际总功率曲线进行比照，两者求差并对时间进行积分得到2015年8月的弃风电量为3 962.24 MWh。

图2 测风塔神经网络模型输出的功率曲线与风机实测功率曲线对比

图3 4种弃风电量评估方法与理论功率曲线对比

3 结 语

通过测风塔法、测风塔神经网络法、样本机法、面积积分法的模型仿真，从仿真图和数据中得出结论，测风塔法和样板机法的弃风电量评估模型的输出功率曲线较为接近理论功率曲线，并且测风塔法在图形和数据上均要优于基于样板机法的弃风电量评估模型。所提出的基于测风塔神经网络法的弃风电量评估模型在低风速时的评估效果具有一定的参考价值，比较接近实测风速。

[1]钟宏宇,高 阳,陈思慧,等.弃风电量评估方法的研究现状及技术展望[J].电器与能效管理技术，2016(4):33-37.

[2]Zhang Jia-feng,Zhang Fei-fei,Masanori Ito.Motion estimation based on optical flow and an artificial neural network (ANN)[J].Artificial Life and Robotics,2009,14(14):502-505.

[3]杭晨辉,侯佑华,景志滨,等.内蒙古电网弃风电量统计体系的建立及应用[J].内蒙古电力技术，2014(5):16-20+25.

[4]Tomislav Rolich,Anica Hursa Sajatovic,Daniela Zavec Pavlinic.Application of artificial neural network (ANN) for prediction of fabrics’ extensibility[J].Fibers and Polymers,2010,11(6): 917-923.

[5]姜文玲，冯双磊，孙 勇，等.基于机舱风速数据的风电场弃风电量计算方法研究[J].电网技术,2014(3)：647-652.

[6]苏辛一，徐东杰，韩小琪，等.风电年最大弃风电量计算方法及分析[J].中国电力,2014(7):96-100.

[7]Divya Srivastava,RajMohan Singh.Breakthrough Curves Characterization and Identification of an Unknown Pollution Source in Groundwater System Using an Artificial Neural Network (ANN)[J].Environmental Forensics,2014,15(2):175-189.

[8]任 华,姚秀萍,张新燕,等.风电场弃风电量统计方法研究[J].华东电力,2013(10):2148-2152.

[9]谢国辉,李琼慧,高长征.风电弃风电量的计算方法与模型[J].电网与清洁能源,2013(2):95-100.

(责任编辑佟金锴校对张凯)

WindPowerLossEstimationBasedonWindTowerNeuralNetworkModel

GAO Yang,WU Wei-qing,XU Ao-ran,LI Dong-yang,YU Jie-cheng

(School of Electrical Engineering,Shenyang Institute of Engineering,Shenyang 110136,Liaoning Province)

There are increasing abandoned wind due to the relatively weak wind power accommodation ability led by the fast adjustable power supply capacity limitation of the power grid.This paper studied the tower neural network method and built the neural network model according to different height wind speed and wind direction data of historical wind tower measuring combining with the fan power of historical observation data of wind farm.Then,the sample data was input to the model which had built to get theoretical power fan and abandoned wind power.The abandoned wind power data counted by the wind tower method,neural network method,model machine method and area integral method respectively showed that the value based on abandoned wind power tower evaluation model of neural network method in low wind speed had a good reference,which relatively closer to the measured wind speed.

Power system;Wind tower;Neural network model;Abandoned wind power

2017-01-09

高 阳(1974-)，男，辽宁沈阳人，副教授，博士，主要从事电网运行与控制及新能源系统方面的研究。

10.13888/j.cnki.jsie(ns).2017.03.009

TP273

： A

： 1673-1603(2017)03-0240-04