基于神经网络的新能源电站发电功率预测方法

董荞

（国网北京市电力公司，北京 100031）

0 引 言

现有的化石能源储量有限，且随着人们的开采其储量在不断地减少，世界各国都在努力开发新能源代替原有能源，当前能源在不断朝着高效化与清洁化发展。在不断研发的过程中，新能源电站逐渐取代当前发电站，为人们提供清洁能源。现有的新能源发电站数量在高速增长，全世界的新能源电站的装机容量已经超过了200 GW。我国虽然在此领域的研究中，已经取得了相应的科研成果，但相对于西方国家还是具有一定的滞后性，还处于不断摸索与研究的过程中。

新能源发电具有维护成本较低的用电，但当前新能源电站发电功率预测方法尚未完善，整体预测精度较低且缺乏相关数据。在此状态下，电网企业通过发电预测结果进行电力调度的措施会存在大量的不足。

针对此问题，在本次研究中提出一种基于神经网络的新能源电站发电功率预测方法，创新性地优化了神经网络激活函数，保证其与预测数据库的高匹配度，分析预测结果与实际发电功率间的误差，进行新能源电站发电功率预测。

1 基于神经网络的新能源电站发电功率预测方法设计

本次研究中，对当前新能源电站发电功率预测方法的基本环节进行了全面的分析。在将神经网络引入到新能源电站发电功率预测过程之前，构建了新的发展电功率预测流程，具体如图1所示。

图1 基于神经网络的新能源电站发电功率预测流程

本次研究主要可划分为两个方面，分别为：

（1）历史发电数据及天气数据的划分与聚类处理。将此部分数据处理结果作为发电功率预测的基础，以此提升基础数据质量。

（2）构建发电功率预测模型。

1.1 构建新能源电站发电功率预测数据库

本次研究中将使用K 均值算法对原始数据中的环境数据进行聚类分析，并构建新能源电站发电功率预测数据库。本环节主要对数据处理过程展开研究，故不对数据聚类过程进行过多的赘述。

为降低数据处理难度，将原始数据集按照时间划分为多个区间。同时，为保证各个数据区间的完整性，当区间内数据缺失量达到20%时，需要根据已知数据对数据空缺进行填充，则有：

其中，与分别表示缺失数据两端的有效数据；（）与（）分别表示数据区间中的均值；（，）表示数据区间的零阶差商。根据式（1），可得到：

其中，（b）表示计算得到的时间序列区间均值。根据此公式，对数据集中的缺失进行弥补。而后，对数据集中的数据进行归一化处理，具体过程如下：

其中，表示待处理数据1；表示待处理数据2。通过此公式确定不同数据之间的关联性，将其导入指定数据库中，将其作为后续预测工作的数据基础。

1.2 构建新能源电站发电功率预测模型

将新能源电站发电功率预测数据库作为预测数据来源，结合卷积神经网络，构建新能源电站发电功率预测模型，完成发电功率预测。首先对神经网络模型中的输出层节点与输出层节点进行设定，假设神经网络的隐含层权值为，阈值为；输出层的权值为，阈值为。而后，对预测模型中的参数展开设定，确定神经网络激活函数，为后续的计算提供便利。

神经网络输入的原始数据为，与为隐含层与输出层的输出值。此时，此神经网络的激活函数可表示为：

使用此公式，对神经网络的计算过程进行控制，并将其作为预测模型的基础。在预测过程中不断调整预测模型的适应度函数，具体内容：

预测最大值：

预测最小值：

其中，表示预测结果的空间范围最小值；表示预测结果的空间范围最大值。使用此公式，对神经网络计算结果的取值范围进行控制。将神经网络模型与当前预测模型的基础内容进行融合，得到文中所需的新能源电站发电功率预测模型。为保证此模型的预测精度，将模型预测结果评估指标设定为：

其中，表示验证模型；表示新能源电站发电功率预测模型。对两者之间的误差展开计算，如计算结果符合当前预测精度要求，则输出此结果。

至此，基于神经网络的新能源电站发电功率预测方法设计完成。

2 实验论证分析

本次研究中提出了基于神经网络的新能源电站发电功率预测方法，为证实此方法的可行性与科学性，应用真实数据样本，构建实验环节，对其应用效果加以分析。

2.1 实验准备

此次实验中所使用的数据均来自城市内某新能源发电站，此发电站的装机容量为100 MW，每个单元为2 MW。每个单元配置一个新能源发电组件支架。此发电站位于城市西北方向，距离市中心20 KM。根据当地气象站数据显示，新能源电站所在位置光能与风能资源较为丰富，具有开发价值。

将气象条件作为自变量，对新能源电站发电功率展开预测。对此发电站的历史数据进行分析发现，发电站的历史功率与影响因素组成内容较为复杂，且呈现出季节性较强的特征。因此，本次实验中选择2020年11月与2021年7月两个数据作为数据样本，构建实验数据集。此数据集中包含两类数据样本，其一是采集周期为1 小时的时间序列，此数据可为后续的数据分解及预测提供帮助。将此部分数据划分为数据样本以及待预测日数据，具体如表1所示。

表1 数据样本以及待预测日数据统计表

根据以往实验可知，环境因素对预测结果的影响较大。因此在本次研究中，对数据样本的天气进行聚类，使用统计软件将数据划分为晴天与非晴天两类，所得统计结果如表2所示。

表2 数据样本晴天与非晴天聚类分析结果

对上述数据进行整理，将作为本次实验中使用的数据样本。本次实验将获取上述日期的新能源电站发电功率作为数据基础，使用其完成新能源电站发电功率预测。

2.2 实验方案

在对大量相关实验进行分析后，大部分实验的评定指标设定为下述内容：

平均绝对误差：

（2）平均相对误差：

（3）均方根误差：

上式指标计算公式中，表示实验对象的实际发电功率输出值；表示实验对象的发电功率预测值；表示数据样本总量；表示预测时间值。对上述指标进行分析后，选择平均绝对误差与平均相对误差作为本次实验中的评定指标。为了更好完成实验结果的分析工作，将此指标计算结果与对象的评价结果进行设定，所得结果如表3所示。

表3 实验指标取值范围与评价结果

使用上述指标对实验结果进行分析与评定，为保证实验结果的细致程度，将测试日以小时为周期划分，预测每个小时电场的发电功率，完成预测方法的应用分析过程。本次实验过程中，选用基础预测方法与GM（1，1）预测方法和文中方法同时对预测日数据进行处理与分析，以确定文中方法的使用效果以及其与当前方法的应用效果的差异性。

2.3 实验结果分析

2.3.1 晴天日电厂发电量预测结果分析

按照上文中设定内容，完成晴天日条件的预测方法应用实验，所得实验结果如图2所示。

图2 晴天日电厂发电量预测结果

对上述图像进行分析可以看出，实验中选用的三种方法预测结果与实际电厂发电功率差异相对较小，整体预测结果与实际结果较为接近，且三种实验方法的差异度相对较小。为了更好对其进行分析，根据实验指标对三种方法的实验结果进行计算与分析，所得结果如图3所示。

图3 晴天日电厂发电量预测精度分析结果

对上图中的数据进行整理与分析后可以发现，三种方法整体精度大致相同。将其代入式（10）与式（11）中，得到三种方法的平均绝对误差与平均相对误差。在本次研究中仅对平均相对误差进行分析，所得结果为：

（1）文中方法预测结果平均相对误差2.7%。

（2）基础预测方法预测结果平均相对误差3.5%。

（3）与GM（1，1）预测方法预测结果平均相对误差3.8%。

整理上述实验结果以及分析结果可以确定，三种实验方法在晴天日条件下所得预测结果的预测精度相对较高，但文中方法的预测精度优于其他两种方法。

2.3.2 非晴天日电厂发电量预测结果分析

按照晴天日实验条件，将非晴天日数据作为基础，完成预测方法应用实验，所得实验结果如图4所示。

图4 非晴天日电厂发电量预测结果

对图3中内容进行分析可以看出，在此实验条件下，三种实验方法所得预测结果与实际输出功率的差异较大。文中方法整体与实际输出功率较为一致，其他两种方法的预测结果严重失真，统计上图中数据，对不同方法的电厂发电量预测精度进行统计分析，所得结果如图5所示。

图5 非晴天日电厂发电量预测精度分析结果

图5对不同时间点的预测结果精度进行了细致的分析，由此图可以确定文中方法在不同时刻的预测精度均优于其他两种方法。按照晴天日电厂发电量预测精度分析方法，获取不同方法的平均相对误差，则有：

（1）文中方法预测结果平均相对误差4.0%。

（2）基础预测方法预测结果平均相对误差9.8%。

（3）与GM（1，1）预测方法预测结果平均相对误差7.5%。

由上述数据可以确定，文中方法与其他两种方法在此实验条件下的预测结果精度发生了巨大的差异。综合上述实验结果与分析结果可以确定，文中方法在此实验环境下所得预测结果的可靠性更好。

3 结 论

本文提出了一种以神经网络为核心技术的预测方法，构建了新能源电站发电功率预测模型，不断调整预测模型的适应度函数，动态更新神经网络的激活函数，将神经网络模型与当前预测模型的基础内容进行融合，分析预测结果与实际发电功率间的误差，完成新能源电站发电功率预测。

为降低实验难度，实验测试过程中选用的数据样本较为有限，在日后的研究中，还需扩大数据样本，确定此方法可在实际问题的解决中普及应用，通过此方法提升发电功率预测结果的可靠性。