基于自适应线性逻辑网络的风电功率预测方法

摘要

本发明公开了一种基于自适应线性逻辑网络的风电功率预测方法，属于可再生能源发电功率预测技术领域。该方法使用风电场的历史数据，包括风电机组历史出力、历史气象数据，对线性逻辑网络进行自适应训练。在实时使用过程中，系统通过采集数值气象预报数据、实测风数据以及实时发电功率数据对风电场发电功率进行预报。运用本发明预测风电功率建模过程简单、易于数学分析，预测结果稳定可控、训练速度快、支持在线重复训练、且对运算处理器的要求很低。本系统可以为电网调度编制风电场发电计划曲线提供依据、在风电接入的电力系统时，优化电力市场中电力的价值，同时还将为风电场的运行维护提供有益的参考。

说明书

技术领域

本发明涉及一种基于人工智能技术的风电功率预测方法，尤其涉及一种基 于自适应线性逻辑网络的风电功率预测方法，属于风能发电功率预测技术领域。

背景技术

20世纪90年代初期，欧洲国家就已经开始研发风能预测预报系统并应用 于预报服务。预报技术多采用中期天气预报模式嵌套高分辨率有限区域模式(或 嵌套更高分辨率的局部区域模式)和发电量模式对风电场发电量进行预报，如 丹麦Risoe实验室开发的Prediktor预报系统已应用于丹麦、西班牙、爱尔兰 和德国的短期风能预报业务，同时丹麦技术大学开发的WPPT(wind power  prediction tool)也用于欧洲地区的风能预报。90年代中期以后，美国True  WindSolution公司研发的风能预报软件eWind是由高分辨率的中尺度气象数值 模型和统计模型构成的预测预报系统，eWind和Prediktor已用于美国加州大型 风电场的预报。加拿大风能资源数值评估预报软件West是将中尺度气象模式MC2 (mesoscale compressible community)和WAsP(wind atlas analysis and  application program)相结合的分辨率为100-200m的风能图谱并进行预报。 目前用于风能预报业务的系统还有德国的Previento和WPMS(wind power  management system)等。

国内对风电功率预测的研究工作还处于起步阶段。在中国，只有少数地区 电网对新入网风电场提出了风能预报这一强制要求。但预报的精度还不高，一 般以三天的预报为主，相对误差也较大。这与中国地区风能资源资料的缺乏有 关，风能预报技术的开发还处于起步阶段，尤其是在复杂地形条件下，风能预 报将变得更加困难。现有的统计法和物理模型法工作量大，工作难度高，预报 的精度低，一定程度上制约了风能技术的应用。

中国目前还没有高精度风电功率预测软件系统，只有少数国外公司驻中国 办事机构在推介其软件。此外还缺少大量的地区气象资料。国标GB/Z 19963- 2005《风电场接入电力系统技术规定》也只是对电能品质作出规定，但对保证 其品质的手段和方法，如风能预报技术没有作出具体的要求。

国内风电功率预测理论与系统开发研究及其应用还需要一段时间的积累， 现实的情况主要表现在：

1、预测的风速普遍为风电场的平均风速，未考虑风电场地形地貌对风速的 影响，预测的不是风电机组处的风速，不能准确定位，且预测的推算一般基于 指数函数关系进行切变分析，预测精度差，可置信度欠佳。

2、在用预测的风速计算风机电量过程中，普遍采用简单换算方法，从低处 到高处的湍流分析不够，且风速预测时未考虑诸如塔架、风剪差等因素的影响， 无法实现高精度的小时段预测。

3、大量风电场区还缺少具有详查功能的原始测风数据，无法有效发挥风电 功率预测系统的功能，即使是较好的风能预报软件也需要一个资料积累的过程。

4、由于目前国内较大的风电场是经过多年发展形成的，采用的机型较多。 风电功率预测系统与不同类型的风电机组互操作较困难，这也制约了其应用。

发明内容

本发明是针对传统风电功率预测方法中存在的问题，提出一种基于自适应 线性逻辑网络的风电功率预测方法，将高效的人工智能方法应用于风电功率预 测预报，以提高风电功率预测的精度和效率。

本发明提出的一种基于自适应线性逻辑网络的风电功率预测方法，其特征 在于，该方法使用风电场的历史数据，包括风电机组历史出力、历史气象数据， 对线性逻辑网络进行自适应训练。在实时预测过程中，系统通过采集数值气象 预报数据、实测风数据以及实时发电功率数据对风电场发电功率进行24小时前 预报或0-4小时实时预报。

本发明所能达到的有益效果：

首先，自适应线性逻辑网络训练过程易于数学分析，结果稳定可控。从结 构上说，自适应线性逻辑网络是由一些线性函数组建构成，且连续可导。自适 应线性逻辑网络可以构建多组独立、含噪声数据之间的非线性关系。尽管训练 完毕的自适应线性神经网络会包含有成千上万的线性函数单元，但是数据空间 可以被分割处理，便于分析。

其次，训练过程从一个单独的线性函数拟合开始，然后将该线性函数不断 地分解成若干折线，来逼近要拟合的非线性模型，拟合过程可加以精度要求进 行控制，训练的精度可以方便调节。对噪声的处理有独特的方法，可以减低噪 声对训练过程的影响。该算法可以用于任意多变量的训练。

再次，自适应线性逻辑网络训练速度快，并支持在线重复训练。一旦训练 完成后，自适应线性逻辑网络执行速度很快，可以在毫秒级之内，通过实时输 入的气象、风机运行信息，预测风电功率的未来量值。

另外，基于自适应线性逻辑网络的风电功率预测方法对运算处理器的要求 很低，只需要普通的PC机便可以完成所有运算过程。

本发明可以为电网调度编制风电场发电计划曲线提供依据，优化电网调度， 节约燃料，保证电网经济运行，对风电出力变化及时调整调度计划。

本发明的使用可以便于安排机组维护和检修，风电场可以根据预报结果， 选择无风或低风时间短即风电场出力小的时间对设备进行维修，从而提高发电 量和风电场容量系数。

附图说明

图1为自适应线性逻辑网络结构图；

图2为自适应线性逻辑网络训练原理；

图3为自适应线性逻辑网络训练实例；

图4为基于自适应线性逻辑网络的风电功率预测系统框图。

具体实施方式

下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明 本发明的技术方案，而不能以此来限制本发明的保护范围。

自适应(Adaptive)强调ALLN(自适应逻辑线性网络)可以根据输入和输 出特性动态调整网络的结构和参数。网络中线性单元形式如下：

$L_j=\underset{i=0}{\overset{n}{\Sigma }}{w}_{\mathrm{ij}}{X}_i-Y---\left(1\right)$

ALLN通过改变其线性单元组中的权重w_ij来产生期望的结果。通常，为了表 示的一般性，规定X₀≡1，即线性方程的常数项。

在统计学模型中，X是独立的解释变量(支出受收入影响，那么收入就是 解释变量)，Y是应变量。而在神经网络模型中，X是输入，Y是网络的输出，对 X₀的约束信息可以被理解为神经元的偏置量。

令L_j＝0，则式(1)定义了一条直线(n＝1)、一平面(n＝2)或一个超平面 (n＞2)。因此我们得到以下方程组表达式：

$Y=\underset{i=0}{\overset{n}{\Sigma }}{w}_{\mathrm{ij}}{X}_i---\left(2\right)$

ALLN最大的特点就是将带有阈值评判的线性关系式(LTU，Linear Threshold  Unit)作为网络的节点。若令阈值为0，则每个类似的节点都要对L_j≥0是否成 立进行评判。其结果非“真”(1，未达到阈值)即“假”(0，达到阈值)。因此 (2)转化为线性不等式组：

$Y\le \underset{i=0}{\overset{n}{\Sigma }}{w}_{\mathrm{ij}}{X}_i---\left(3\right)$

而这些线性关系式节点的父节点是ALLN中的逻辑运算符“AND”和“OR”。

图1描述了一个三层的ALLN结构，只统计含有线性阈值单元LTU(Linear  Threshold Unit)和逻辑算符的层。可以对该ALLN结构进行写成：OR(AND(2)， AND(2))。

ALLN的结构是有界的，这主要由于用于参数估计的有限数据样本决定了 ALLN中的LTU数目是有限的，若有n个自变量，则LTU中需要估计的权值向量 为n+1维。另外，许多ALLN结构表面看上去不同，但实际是等效的，因此ALLN 结构的形状也是有限的。例如AND(LTU，AND(2))和AND(3)是等效的。这 样就大大减少了需要考虑ALLN的结构种类。

由于一个连续函数可以由一组直线段以任意精度逼近，因此ALLN可以根据 精度要求构造线性函数以及线性单元间逻辑关系，来拟合任意的连续函数。图2 描述了图1中ALLN的二维输出空间。图中阴影部分对应所有样本点(X，Y)落 在该区域时，网络输出为“真”(1)。

当且仅当所有样本点落在两条直线L1和L2下方时，图1中上方的AND输 出为“真”。L1和L2搭出了“尖顶帐篷”的形状，其连接模式AND也等效于取 两直线的最小值(MIN)。同理，第二个AND给出了半个“平顶帐篷”形状。

当且仅当样本点落在阴影区域内时，OR的输出为“真”，等效于对两个“帐 篷”取最大值(MAX)。

我们可以总结出对LTU使用逻辑运算符运算的原理：AND等效于取最小值 (MIN)，OR等效于取最大值(MAX)。

ALLN拟合的最终模型即“0”空间和“1”空间的交接的折线段。图2中预 测结果是非单调连续函数，也不是单纯的凸函数或凹函数。在更高维空间，ALLN 输出是一组超平面的拼接。其形状可以通过修改树的结构或LTU权值和阈值来 改变。例如，凸凹性可通过逻辑运算符改变。AND(4)得到一个凸面，而用OR (4)得到一个凹面。单调性可以通过修正LTU的权系数正负来得到。ALLN允许 对这些特性作为约束条件来进行强制。

网络的建模结果十分便于解释和理解，这是由ALLN机理所决定的。在某个 直线段范围内，其输出值的变化与输入值成正比，LTU的权系数代表了变化率。 而在标准的神经网络结构中，输出和输入的关系无法分析，除非所有其他的输 入变量被赋予固定值，否则其他输入变量细小的变化都会引起输出量的不可预 知的、较大的波动。

在介绍了ALLN的基本单元之后，以下内容阐述网络如何对权系数进行学习 更新，从而逼近任意函数曲线。在统计学中，这一过程被称为参数估计。在神 经网络中叫做监督学习。无论什么方法，都需要一组样本数据(X，Y)。样本数 据的值可以通过有规划的试验、定期观测(如经济数据)或通过模式提取(如 阿拉伯字母的手写体)获得。

在统计学中，使用最广泛的参数估计方法为最小二乘法，参数的选取原则 是基于使得观测值与估计值的总方差最小。ALLN也使用类似的最小二乘法来进 行LTU权系数的估计。

在网络初始化阶段，ALLN中所有的LTU被分配随机的权系数(如果存在先 验知识或约束条件，可存在其他的分配方法)。

按照样本的顺序，训练样本(X_t，Y_t)作为ALLN的输入。逻辑运算值沿着树状 网络传递，直到输出最终值。以图3为例说明图1网络给定训练样本(X_t，Y_t)＝(3，2) 后的运算法则。

令X_t＝3，由图2可知，样本点的输出估计值Y＝12-2X_t＝6。因为估计值与 观测值不符，Y≠Y_t＝2。ALLN使用递归最小二乘法来更新线性关系的权系数，使 得观测值与估计值误差减小。

假设训练率α＝0.2，训练计算如下：

E＝0.5(Y-Y_t)²＝0.5×16＝8

$\frac{\partial E}{\partial w_0}=(Y-Y_t)\frac{\partial Y}{\partial w_0}=Y-Y_t=4$

$\frac{\partial E}{\partial w_1}=(Y-Y_t)\frac{\partial Y}{\partial w_1}=(Y-Y_t)X_t=12$

$\Delta w_0=-\alpha \frac{\partial E}{\partial w_0}=-0.8$

$\Delta w_1=-\alpha \frac{\partial E}{\partial w_1}=-2.4$

式中：E表示误差；w₀、w₁分别表示线性阈值单元的两个权系数；Y表示估 计值，(X_t，Y_t)代表样本值。

w₀(new)＝w₀(old)-0.8＝12-0.8＝11.2

w₁(new)＝w₁(old)-2.4＝-2.0-2.4＝-4.4

因此，被激活的直线段方程变为Y＝11.2-4.4X，以此类推，下一个训练样本 被带入网络，以上运算步骤重复执行，使得输出逐步向当前观测值靠拢。在训 练完整个样本空间后，一轮训练过程即完成。一般对一个样本空间要经过若干 轮循环训练。训练的策略一般是不断减小学习率α。例如开始500轮的训练使用 α＝0.5，后300次的训练使用学习率α＝0.1。粗学习率便于检测出ALLN中包含 的线性函数组。一旦合理的线性函数被初筛后，较小的学习率可以细调拟合程 度。

值得提到的是ALLN每次训练修改的只是单独线段上的权值。这对提高ALLN 的学习速度很关键。在标准的BP算法中，通常网络中所有权值都要根据输出误 差进行更新，造成了BP训练过程较缓慢。

在实际应用中，可以开发计算机搜索算法来识别哪个线段才是激活的线段。 对于给定结构的ALLN来说，搜索过程从最后一层开始，倒数第二层上部AND节 点是相关节点，这是因为其逻辑值的改变(从“1”到“0”)将改变网络的最终 输出。倒数第二层下部AND节点是不相关节点，因为其逻辑值的改变(从“0” 到“1”)不会引起网络输出的改变。只需考虑相关节点，这样下半部分网络结 构就不用再去搜索。因此相关节点被缩小范围至上半部分两个LTU。由于两个 LTU的当前输出都是“1”，任意一个节点的改变都会改变AND节点的输出，因此 两个LTU都是相关节点。AND等效于MIN，计算最小值，可以确定12-2X-Y＝0才 是激活节点。

训练过程从一个单独的线性函数拟合开始，若拟合误差超过规定值，则将 该线性函数不断地分解成若干折线，最终逼近非线性模型。

基于自适应线性逻辑网络的风电预测方法说明如下：

系统框图如图4所示。该系统是一个分层递解结构的框架。

首先对系统的输入数据作如下说明：

原始数据：气象观测站的原始气象数据，这类数据将直接来自气象部门。 数据信息包括风速、风向、气压、温度。

补充数据：当前原始气象数据分布不均，例如有些区域的观测点多，获得 的观测效果也更好，但有些区域的观测点少，获得的观测效果就变差。为了克 服这个问题，可以通过布放更多的无人气象站来获得补充气象数据。数据信息 包括风速、风向、气压、温度等。

启发式数据：即数值天气预报数据，将原始数据代入一系列描述大气变化 的动力学数值方程即数值天气预报模型，来求得某个区域的气象预测数据，包 括风速、风向、气压、温度。

数据库数据：通常来自于风机上或者风场附近的测风塔架的实时测量数据。 包括风速和风向。

在系统框架中，主要有3个功能模块，分别是第一层自适应线性逻辑网络： 风速预测模块、性能评估模块以及第二层自适应线性逻辑网络：功率曲线预测 模块。

第一层自适应线性逻辑网络：风速预测模块

为了精确预测风机能产生的能量，需要先预测当地的风速。自适应线性逻 辑网络风速预测模块的输出是24小时、48小时、72小时和96小时的风速提前 预报。

该模块的输入量包含：实时气象数据、数值天气预报数据、实时测风塔数 据以及数据库数据。

性能评估模块

该模块用于评估自适应线性逻辑网络的预测结果。利用历史预测结果来产 生预测值的置信区间。置信区间将使得结果更可信并为用户的最终决策提供更 全面的信息。

该模块在训练阶段是不运行的，但在系统的实时运行中，该模块将被用来 提供评估结果。置信度的计算是基于历史预测的统计信息。

第二层自适应线性逻辑网络：功率曲线预测模块

该模块参考风机制造商提供的功率曲线数据、来自风速预测模块的本地风 速预测数据、数据库中实时信息产生风能输出功率的预测。

制造商提供的风机功率图提供了风速到风机出力的映射关系。通常提供的 这些数据是基于标准的环境下。然而，在现实应用中，有很多因素会影响实际 的功率曲线，例如地磁场，风机的维修、周围风机的干扰等。功率曲线预测模 块就是用来解决以上问题的。

将所有输入信息采集后，该模块的自适应线性逻辑网络将自学习修正厂家 提供的功率曲线与实际值之间的差别。

对预测结果的后期处理

为了使得预测结果更可靠可信，将对每个预测数据分配置信区间信息。

风电功率预测的结果是实数点信息。然而考虑到风的不确定性，区间估计 将更加合理，区间估计是分配了预测的误差变化区间。我们规定只有90％以上的 置信度才是有效的预测。

性能评估和校验

本系统提供两套方法来评估预测的性能：第一种是基于均方根误差，第二 种是基于融合矩阵。

在第一种方法中，以每15分钟将对预测结果er进行验证为例，求出预测 值PreV与实际值ActV的误差er＝|PreV-ActV|。因此在一段时间内，假设24小 时，我们就可以有96个误差值，96个误差值的集合ER为ER＝{er1，er2，… er96}，因此24小时的均方根误差为：

$\mathrm{RMSE}=\sqrt{\frac{{\Sigma }_{i=1}^{96}{{\mathrm{er}}_i}^2}{96}}$

这种误差测量方法虽然能给出预测好坏的直观信息。然而，它忽略了高估 和低估风能的差别。

因此提出了改进的第二套评估方案：融合矩阵。

以每小时验证一次预测结果为例，使用区间估计的方法。对每个预测结果， 都会有预测的下限PrevL以及上限PrevH。预测的中间值PrevM通过下式计算：

PrevM＝(PrevH+PrevL)/2

分情况讨论：

如果PrevL大于ActV，意味着所预测值大于实际值，这一时刻的预测被定 义为‘假正’。

如果ActV大于PrevH，意味着实际值大于预测值，该时刻的预测被定义为 ‘假负’。

如果ActV在[PrevM，PrevH]的区间范围内，被定义为‘真正’。

如果ActV在[PrevL，PrevM]的区间范围内，被定义为‘真负’。

在融合矩阵中，假正和假负都代表错误。然而，我们可以区别对待这种错 误。例如，假正代表对风能功率过渡预测，如果连接电网，这种错误比假负更 严重。通过对融合矩阵的研究，我们还能更好地了解误差来源，从而修改模型 参数获得更好的预测性能。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通 技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变 形，这些改进和变形也应视为本发明的保护范围。