基于小波神经网络结合物联网架构的大规模集中接入风电站功率自动预测

摘 要：风力发电的功率受风速、风向等多个气象因素影响，因此风力发电的功率具有不稳定性和时变性，因而很难通过传统的算法和数学模型来预测。为此，结合小波神经网络和物联网架构设计一种大规模集中接入风电站功率自动预测方法。设计基于物联网架构的风电站数据采集架构，利用无线传感器与射频标签等设备采集风力发电机组设备运行状态信息与风电站周边环境信息，所采集信息利用无线传感模块传输至网络服务层内实施处理与存储；客户端层构建基于小波神经网络的预测模型，将网络服务层内所存储的数据作为输入，通过网络初始化与训练输出功率预测结果。实验结果显示，该方法能够获取准确的功率预测结果。

关键词：小波神经网络；物联网架构；风电站；功率自动预测；数据采集；小波基函数

中图分类号：TP393；TM71 文献标识码：A 文章编号：2095-1302（2024）03-0-03

0 引 言

作为新能源发电技术之一，风力发电能够有效缓解环境污染问题[1]，对推动电力工业优化具有重要意义。新能源场站的功率预测、资金投入必不可少，大规模集中接入风电站功率自动预测主要完成从集控系统采集新能源场站风机、测风塔、环境监测仪、光伏逆变器、升压站和计算机监控系统的数据，以及获取的外部天气预报数值，对所辖的新能源场站进行独立的功率预测[2]。但当前大规模的风力发电过程中还存在一定的问题，研究风电站功率预测势在必行。

本文研究基于小波神经网络结合物联网架构的大规模集中接入风电站功率自动预测方法。在发电管理、后期电力交易等方面发挥最大的综合利用效益，更好地实现各电站的远程优化管理和经济运行。

1 方 法

1.1 数据采集架构设计

数据采集质量直接影响小波神经网络的预测性能。如果采集到的数据有误差、缺失或不完整等问题，将导致预测模型出现偏差或错误，从而降低预测准确性。

物联网技术架构的主要特征有全面感知、可靠传递和智能处理，能够有效监测风电站数据。基于此，在采集大规模集中接入风电站相关数据的过程中，可基于物联网架构设计一种大规模集中接入风电站设备运行状态与周边环境监测系统[3]，即构建一个能够远程监测大规模集中接入风电站设备运行状态与风电场周边环境的物联网平台。基于物联网架构，提供大规模集中接入风电站数据服务。

基于物联网架构的风电站数据采集架构，能够有效监测大规模集中接入风电站设备的运行状态与风电站周边环境的变化，采集设备运行数据与环境数据，并基于数据分析提供数据查询与预测等功能。图1所示为基于物联网架构的大规模集中接入风电站数据采集架构。

基于物联网架构的大规模集中接入风电站数据采集架构主要包含三个主要部分，分别是信息采集层、网络服务层和客户端层。

（1）信息采集层主要利用无线传感器与射频标签等设备，采集风力发电机组设备运行状态信息与风电站周边环境信息，再将所采集信息利用无线传感模块传输至网络服务层[4]。

（2）网络服务层包含数据库服务器等，主要功能为存储信息采集层采集的数据，对数据进行过滤、零漂处理、限值检查、更新死区检查等，并对处理后的数据进行备份。

（3）客户端层基于网络服务层内所存储的数据，实现风力发电设备或风电场周边环境数据的查询、分析与预测[5-6]。

1.2 功率预测

小波神经网络是一种在线预测模型，对数据的处理效率要求高。物联网架构的数据采集和处理速度决定了预测模型的反应速度。基于物联网架构的风电站数据采集，实现风电站功率自动预测。

利用小波神经网络构建预测模型。小波神经网络以BP神经网络拓扑结构为基础[7-8]，将小波基函数作为隐藏层节点的传递函数。实际运行过程中信号正向传输，而误差反向传输。

将基于物联网架构的风电站数据采集架构所采集的数据X1， X2， ...， XK作为输入数据，以Y1， Y2， ...， Ym表示小波神经网络预测模型的输出结果。

以xi（1， 2， ...， k）表示小波神经网络预测模型输入信息序列，利用式（1）描述隐含层输出：

（1）

式中：hj和wij分别表示小波基函数与输入层和隐含层间的连接权值；bj和aj分别表示hj的平移因子和伸缩因子。

利用式（2）描述网络输出层输出结果：

（2）

式中：l和wlk分别表示隐含层节点数量和隐含层至输出层的权值；m表示输出层节点数量。

基于小波神经网络预测模型[9]的大规模集中接入风电站功率自动预测流程为：

（1）初始化网络：随机初始化模型内各参数；

（2）样本划分：将基于物联网架构的风电站数据采集架构所采集的数据样本划分为训练集与测试集两部分；

（3）预测输出：在预测模型输入训练样本，获取预测结果的同时，确定模型输出同期望输出间的误差；

（4）优化权值：依照输出误差，通过梯度优化方法优化权值参数与小波基函数参数[10]，由此确保预测模型输出结果最大限度逼近期望输出；

（5）确定预测过程是否结束，若未结束，则返回（3）。

2 实验结果

本文研究基于小波神经网络结合物联网架构的大规模集中接入风电站功率自动预测方法，为验证本文方法的功率预测性能，以某大规模集中接入风电站为研究对象，采用本文方法对功率进行预测，所得结果如下。

2.1 数据采集性能分析

基于本文方法采集研究对象相关数据，并分析数据采集过程中模拟量综合误差与网络通信延时等指标，所得结果见表1所列。

分析表1得到，采用本文方法采集研究对象相关数据过程中，综合误差与误码率均较低，且合格率较高。由此可知，本文方法具有较高的数据采集精度。

数据处理过程包括：数据过滤、零漂数据处理、限值检查、更新死区检查。通过数据处理能够对采集数据的数据完整率、有效率进行修正。对数据源提供的数据进行校验，包括数据边界范围，数据异常（过大、过小）、补数以及错输校验等。图2所示为采用本文方法处理后的数据完整率。

分析图2得到，采用本文方法对所采集数据进行处理后，能够有效提升数据的完整性，剔除缺数、错数、死数等数据。结合表1的结果可知，采用本文方法采集研究对象的相关数据，有利于提升后续功率预测结果的精度。

2.2 功率预测性能分析

利用小波基函数，对功率预测性能进行分析。分析过程中，选取归一化平均绝对误差、归一化均方根误差与相关系数作为分析指标。在未使用小波基函数和使用小波基函数两种情况下对本文方法的功率预测性能影响做对比分析，如图3所示。

分析图3得到，本文方法所构建的预测模型内采用小波基函数作为隐藏层节点的传递函数，可有效降低研究对象功率预测的误差。

2.3 功率预测结果

采用本文方法对研究对象2022年6月18日不同时刻的功率进行预测，并将预测结果与实际功率值进行对比，所得结果见表2所列。

分析表2可得，采用本文方法预测研究对象在不同时刻的发电功率，所得预测结果与实际发电功率值基本一致，误差控制在0.02 kW以内，全天预测误差控制在0.1 kW左右。由此说明本文方法具有较高的预测精度，完全满足实际预测需求。

3 结 语

本文研究基于小波神经网络结合物联网架构的大规模集中接入风电站功率自动预测方法。通过该方法可对不同区域新能源电场站数据进行统一管理和维护，并为集团新能源功率预测、并网提供科学有效的技术手段，为调度集团统一计划的制定提供有力支持。

参考文献

[1]马闻达，王西田，解大.大规模风电场并网系统次同步振荡功率传播特性研究[J].中国电机工程学报，2020，40（16）：5217-5229.

[2]张健.基于卷积神经网络的新能源光伏电站发电功率预测方法[J].机械设计与制造工程，2022，51（10）：69-73.

[3]王一妹，刘辉，宋鹏，等.基于高斯混合模型聚类的风电场短期功率预测方法[J].电力系统自动化，2021，45（7）：37-43.

[4]雷蕾潇，张新燕，孙珂.基于关联规则及BP神经网络的风电场输出功率预测[J].安徽大学学报（自然科学版），2021，45（5）：72-76.

[5]王佶宣，邓斌，王江.基于经验模态分解与RBF神经网络的短期风功率预测[J].电力系统及其自动化学报，2020，32（11）：109-115.

[6]史如新，王德顺，余涛，等.基于NARX神经网络-小波分解光伏发电功率预测[J].郑州大学学报（工学版），2020，41（6）：79-84.

[7]邹文进，郝少飞，马刚，等.基于CEEMD-GA-BP神经网络的风光发电功率预测[J].电网与清洁能源，2022，38（3）：111-118.

[8]张洁，郝倩男.基于烟花算法优化BP神经网络的光伏功率预测[J].计算机技术与发展，2021，31（10）：146-153.

[9]张成，白建波，兰康，等.基于数据挖掘和遗传小波神经网络的光伏电站发电量预测[J].太阳能学报，2021，42（3）：375-382.

[10]庞传军，尚学伟，张波，等.基于改进梯度提升算法的短期风电功率概率预测[J].电力系统自动化，2022，46（16）：198-206.