基于人工神经网络的组合预测模型在微电网中的应用

华北电力大学 李晓飞 国网白山供电公司 徐玮泽 孙云鹏

微电网在制定优化运行策略及参与电力市场购、售电的竞争策略时，需依据微电网中发电元件出力、系统内负荷及市场电价的预测数据。由于微电网中不同的预测变量差异较大，如若采用单一预测模型很难起到精准预测的作用。因此需分析各自变量特点，针对预测需求制定相应的预测模型。由于微电网的预测范围一般不超过未来24h，在预测技术中属于短期预测。针对短期预测，目前人工神经网络因具有很好的自学习、强鲁棒性和推理能力被广泛应用。

1 微电网中的预测变量

不可控电源出力。微电网中存在高比例的风力发电和光伏发电，因其出力不可控，在实际运行中很难对其进行调度，对风力发电和光伏发电的出力预测成为微电网运行调控的关键内容之一。目前有关风、光发电功率预测可大致分为统计方法、学习方法和物理方法三种，由于风力发电和光伏发电受天气以及地理环境影响较大，因此常采用通过预测影响风力发电和光伏发电的输入变量（如风速、光照强度以及温度等）对输出变量进行预测。

蓄电池荷电状态。微电网为保持系统内部负荷平衡，需配置一定容量的储能装置，并常采用蓄电池。而蓄电池的充、放电情况是微电网制定市场策略和运行方式的重要依据，其中表征蓄电池充放电状态的变量是荷电状态。通过对荷电状态进行准确估计可合理制定蓄电池的运行策略，降低使用成本，延长蓄电池的使用寿命[1]。针对蓄电池荷电状态的状态估计，不仅要考虑蓄电池受到电池容量、自放电率、老化程度等自身参量以及温度、系统情况等外界环境的多因素影响，还要兼顾状态估计的准确性与实时性。

微电网系统内的负荷。微电网系统中有许多类型不同的负荷，既包含用电设备又包含充电状态的储能装置。通过预测系统负荷可很好地制定微电网的购、售电策略和系统优化运行。但由于负荷受到气象、应用场景以及市场经济等多因素影响，且对于微电网这类容量小、波动大、运行情况复杂的系统对负荷的精确预测难度很大[2]，既要考虑到负荷在一定程度下受单因素影响呈现一定的规律性变化，又要考虑到众多外源因素与负荷之间的关系是复杂的、非线性的，甚至可能产生突变。

电力市场电价。当微电网参与市场竞价时，市场电价是微电网进行经营决策的重要依据，通过电价预测可合理安排系统内的出力与负荷变化，为系统优化运行提供帮助。一般影响电价的因素包括电力市场的结构及成熟度、市场规则、气候条件和社会因素等[3]，因而电价序列是个复杂的不平稳序列，有别于负荷预测。

2 人工神经网络在短期预测中的应用

2.1 人工神经网络结构

人工神经网络简称神经网络，是一种模仿生物神经网络的行为特征，由大量神经元互相连接形成的非线性网络系统。可通过调整内部神经元相互连接关系和参数，以达到分布式并行处理信息的目的[4]。利用此性质可进行微电网中相关变量的预测。人工神经网络中最典型的是三层BP神经网络，图中的圆圈表示神经元，是一个多输入单输出的非线性器件（图1）。

图1 三层BP神经网络基本结构图

图2 单个神经元的结构图

2.2 人工神经网络的预测功能实现

为使神经网络实现预测功能，首先需根据预测需求收集相应的数据，选择数据样本规模，并对数据进行一定预处理；其次在数据输入前要确定网络结构并对其进行初始化。在构建BP神经网络预测模型过程中，网络中的信息流包含数据输入到输出的正向传播过程和误差输出到输入的反向修正过程。通过大量数据的训练，神经元对网络权值和阈值的改变沿着表现函数下降最快的方向对网络不断进行修正[5]，具有学习记忆能力，使网络模型输出误差不断减小，最终实现预测功能。BP网络实现预测功能的流程如图3。

图3 BP神经网络实现预测功能的流程图

2.3 有关微电网变量预测的关键技术

数值天气预报。是根据大气实际情况，在一定初值和边界条件下，通过数值计算求解描述天气演变过程的流体力学和热力学方程组来预报未来天气的一种定量的客观方法。可通过数值天气预报得到风速、风向、光照强度、温度、湿度、气压、云量等气象数据；卡尔曼滤波法。是一种能从观测量中估计所需量的算法。通过当前时刻的观测值和验前信息，对系统状态做出最小方差上的预测值修正，通过不断地“预测—修正”的递推计算，求出接近状态量真实值的最优估计值[6]。

时间序列法。指通过分析一组有序的、具有一定平稳性的随机数据，利用线性方法构建的预测模型。首先对数据进行平稳化处理，然后通过自回归分析和相关性分析，确定目标序列阶次，再进行参数估计和模型修正，最终确定相应的预测模型；小波变换法。是一种信号的时间-频率分析方法，具有多分辨率分析的特点，可对不平稳信号的时域和频域信息进行综合分析。在实际应用中，通过多分辩率分析算法，可将原始信号分解为一个包含总体趋势的低频逼近分量和许多个高频细节分量，进而对单一子信号进行分析，经分解的各分量也可重构恢复成原始信号[7]。

3 微电网相关变量的组合预测方案

不可控电源出力的组合预测方案。针对微电网中不可控电源出力受到天气等因素强影响的性质，可采用基于数值天气预报的BP神经网络组合预测模型来实现对风、光发电功率的预测：根据历史数值天气预报数据和历史实测数据作为BP神经网络的输入数据，对BP神经网络进行训练和测试，得到合适的BP神经网络预测模型；采集预测日各个时段的数值天气预报数据；将采集得到的数据进行修正以满足输入要求，将相应数据作为BP神经网络预测模型的输入，得到风、光发电功率的预测值。

蓄电池荷电状态的组合预测方案。针对微电网中蓄电池荷电状态估计的准确性与实时性要求较高，可采用基于卡尔曼滤波法的BP神经网络预测模型：根据蓄电池历史荷电状态数据和实测数据（包括蓄电池电流、电压、温度、容量和内阻等）作为BP神经网络的输入数据，对BP神经网络进行训练和测试，得到合适的预测模型；输入蓄电池相应的状态变量到上述BP神经网络中，得到的下一时刻荷电状态的初级估计；用卡尔曼滤波法对初级估计结果进行校正，得到二次估计结果，即最终预测值。

表1 针对微电网预测变量的组合预测模型分析表

微电网系统负荷的组合预测方案。微电网中的负荷数据在一定尺度下属于一种时间序列，可看做是线性部分与非线性部分的叠加状态。利用时间序列法与BP神经网络的组合模型，可避免单一预测模型不能很好地捕捉负荷的动态特性，进而可以提高预测的准确度：用时间序列模型对负荷进行预测，得到负荷的线性预测结果，并将原负荷序列与时间序列模型预测结果对比得到残差，在残差中隐含了原序列中的非线性关系；通过BP神经网络模型来逼近残差的非线性函数，得到非线性预测结果；将两种模型的预测结果进行叠加，得到最终预测结果。

电力市场电价的组合预测方案。电价序列就是一个被时间间隔离散化的一维信号，通过离散小波变换可得到电价信号的各个分量，进一步利用BP网络模型分析可对复杂的电价信号进行预测：选择适当的小波和变换尺度对历史电价序列进行离散小波分解，得到不同空间尺度下的子序列；针对不同的子序列选择合适的BP神经网络，将各尺度空间的数据输入到BP神经网络的预测模型中，得到各子序列的预测值分量；最后将各尺度空间的预测值分量重构，得到原电价序列的预测值。

综上，微电网作为影响电力发展的技术手段之一，发展至今已形成了内部结构复杂与外界环境要求等因素共同交织影响的局面。对微电网能源流、信息流与金融流的控制与优化的要求越来越高。通过适当的预测技术可更好地实现以上诉求。