付桐林

(陇东学院 数学与统计学院,甘肃 庆阳 745000)

一种新型的混合式的中国环县短期风速预测

付桐林

(陇东学院 数学与统计学院,甘肃 庆阳 745000)

风能是一种清洁、无污染的可再生能源,由于气象参数的混沌和内在复杂性,使得风速的预测是一个非常困难的问题.基于对实际风速数据集,使用季节性指数调整消除季节性因子和反向传播(BP)神经网络,给出一种新的风速预测方法.数值结果表明,该方法能有效地提高风速预测的准确性.

BP神经网络; J-T检验; 风速预测; 绝对平均误差

1 预备知识

风能作为一种可再生的清洁能源,具有调整能源结构和减轻环境污染的双重功效,将是21世纪最有发展前景的绿色能源.但风电受风速变化特性的影响,具有很大的随机性、不可控性和反调峰特性,由此给电网调度和电力供应管理构成显著压力;因此风速预测是风电功率和风电场发电量预测的重要基础和前提.目前风电场风速预测精度依然不足,风速预测精度的提高成为目前亟待解决的问题.国内外诸多学者对此做了大量深入的研究,提出了各种风速预测方法,提高了风速预测精度[1-8].

本文给出一种基于BP神经网络和季节调整,消除风速数据中的季节因子相结合的新的混合风速预测方法;以中国环县2007—2015年的日平均风速数据集作为案例研究.结果显示:采用这种混合方法预测的日平均风速,与单独的使用BP神经网络预测的日平均风速相比,具有较低的绝对平均误差和相对平均误差.

2 短期风速预测方法

风能是一种不稳定的能源,即风速具有随机性和不可控性,随着大量的风力发电接入电网,势必会对电力系统的安全、稳定运行以及保证电能质量带来严峻挑战,从而限制风力发电的发展规模.风电场短期风速和发电功率预测是解决该问题的有效途径之一[2-8].

由于风速数据集会显示出季度或月度的循环变动(如图1所示),这些季节性变动掩盖了数据变化的客观规律,这就需要对这些时间序列数据进行季节调整.季节调整可以从时间序列中去除季节变动要素,从而显示出序列潜在的趋势循环分量,这些分量能够真实地反映时间序列变化的客观规律.

2.1 季节指数法季节指数法是根据时间序列中的数据资料所呈现的季节变动规律,对预测目标未来状况做出预测的方法.

假设有一系列的数据x1,x2,…,xT(T=ml),记为

季节指数满足归一化条件,通过相应的季节性指数Is对时间序列的每个元素xks进行分割yks=xks/IS(k=1,2,…,m;s=1,2,…,l),从而得到一个不受季节性因素影响的时间序列.

2.2 BP神经网络BP网络是一种按误差逆传播算法训练的多层前馈网络,是目前应用最广泛的神经网络模型之一[9-12].BP神经网络模型拓扑结构包括输入层、隐含层和输出层.输入层节点xi的个数由样本属性的维度决定,隐含层的节点数yj层数由用户指定,输出层节点zi的个数由样本分类个数决定.网络权值wi,j和阈值θj的修正沿着负梯度方向,隐含层节点与输出节点的网络权值为vl,j.当输出节点的期望值为tl时,隐含层节点的输出

考虑到属性值存在区间和数值的情况，以关联函数值作为度量指标，在计算出可拓距基础上，计算关联函数的标准差，从而确定属性的权重，如式（1）：

输出节点的计算输出

输出节点的误差

2.3 短期风速预测的算法根据中国环县2007年1月—2015年12月的日平均风速数据集,设计预测短期风速的算法如下:

1) 对数据集做J-T检验,判断数据是否来自同一个分布,如果不是,则算法失效.

2) 如果通过J-T检验,则用季节指数法消除季节因子,得到一个不受季节性因素影响的时间序列xi.

3) 基于BP神经网络对不受季节性因素影响的时间序列xi做出预测,得到序列zi.

4) 对预测序列zi,加入季节因子得到最终的短期风速预测结果.

2.4 预测性能的评估对预测结果进行多角度评价,具体选用指标包括绝对平均误差

和相对平均误差

对于同一种预测模型来说,有时单独考察绝对平均误差和相对平均误差的大小,可能得不到什么结论,因为没有比较的对象;因此用未消除季节因子的BP神经网络作为比较的对象,分别用SEA-BP和BP神经网络预测环县2015年的日平均风速,计算出绝对平均误差和相对平均误差并作比较,具有最小误差值的模型就是最精确的模型.

3 数值结果

环县隶属于甘肃省庆阳市,位于甘肃省东部、庆阳市西北部,地处北纬36°1′～37°9′,东经106°21′～107°44′之间,属黄土高原丘陵沟壑区,全境90%以上面积为黄土覆盖,土层厚度在60～240 m之间.境内地貌可分为山脉岭梁、丘陵掌区、川道沟台和零碎残塬4种类型,有较大山脉106座,山掌400个,大小沟道17 364条,大小残塬527块.地势西北高、东南低,海拔在1 136～2 089 m之间.气候属温带大陆性季风气候,特殊的地理风貌和长期的农业耕作使得水土流失严重、环境恶化,脱贫致富路途遥远,这一区域适宜风电场的建设.在国家鼓励新能源建设和精准扶贫的背景下,该区域调整产业结构,优化资源配置,大力发展新能源开发与建设,2014年11月,6个总装机容量1 050 MW,估算总投资81.08亿元的风电项目水土保持方案,已在黄土高原陇东区开工建设.为了优化风电并网管理和电力负荷预测,以及实现更大规模的风电场建设,亟需对黄土高原陇东区风电场风速做出预测,研究风速对风电项目产生的效益.

选择一段时间的风速数据作为原始数据集(如图1所示),原始数据集的数据包含2部分:第一部分数据2007年1月—2014年12月的日平均风速值,作为BP神经网络的训练集;第二部分数据2015年1—12月的日平均风速值作为测试集.

在多个独立样本非参数检验中,J-T检验可以检验多个独立样本的位置参数是否持续上升或下降,以确定k组样本是否来自同一总体.J-T的原假设是k组样本来自同一总体,它的备择假设是各个总体的位置参数按照升序排列或降序排列.对于样本观测值,J-T检验有2个步骤:

1) 将2组样本值进行对比,计算第i组观测值小于第i′组观测值的对数Mi,i′.设xij是第i组第j个元素,k是样本组数,ni是第i个样本组数,记

2) 计算J-T检验的统计量J=∑Mi,i′.在原假设成立的条件下,统计量Z具有渐进正态性,即

Z=

当样本容量较大时,利用统计量J近似服从正态分布,在给定的显著性水平α下求得p值,如果p值小于显著性水平α,那么拒绝原假设.对数据集做J-T检验,结果如表1所示,检验的p值为0.240,大于显著性水平0.05,因此每年的数据集具有相同的分布.

表1 J-T检验结果Table 1 The results of J-T test

将原始数据集消除季节因子后,得到数据集部分数据如表2所示.

对消除季节因子的数据做标准化处理:二月份数据按照

标准化,其他月份数据按照

标准化后,作为BP神经网络的输入层,分别预测出2015年每月的日平均风速值.若输入层的神经元个数是n,据Kolmogorov定理可知,网络中间层的神经元可以取2n+1,输出层的神经元仍然是n.网络经过训练后才可以用于预测日平均风速,考虑到网络结构比较复杂,神经元个数较多,需要适当增加训练次数并提高学习速率,中间层的神经元传递函数采用S型正切函数,输出层神经元传递函数采用S型对数函数,采用Levenberg-Marquardt算法训练网络[13-16].

表2 2007—2014年消除季节因子后的日平均风速数据集Table 2 Daily average wind speed after eliminating the seasonal component from 2007 to 2014

将3、6、9和12月日平均风速预测作为环县春夏秋冬四季短期风速预测的实例,用真实值和预测值作图2;不消除季节因子,直接用BP神经网络预测风速,用真实值和预测值作图3.可见不消除季节因子,直接用BP神经网络预测风速有着比较大的误差.

用σMAE和σMAPE2个函数去评估消除季节因子后,用BP神经网络做预测和直接用BP神经网络做预测的精度,将2个模型的误差分析结果汇总如表3所示.可以看出,用模型SEA-BP预测环县3、6、9和12月的日平均风速,要比直接用BP预测精度要高.模型SEA-BP的绝对平均误差σMAE和相对平均误差σMAPE都比BP神经网络预测结果的绝对平均误差σMAE和相对平均误差σMAPE小.

4 结论

由于气象参数的内在复杂性、季节变化以及地形地貌等因素,都使得风速的预测是一个非常困难的问题.而风电机组的运行特征随风速的随机波动而变化,所以准确地预测风电场的风速就显得尤为重要.可以减小风电并网对电网造成的影响和提高对风电机组的控制,提高电网的经济性和稳定性.一般情况下,风速变化越平稳,预测时间越短,绝对平均误差和相对平均误差越小.日平均风速预测结果的相对平均误差变化范围是25%～40%,取决于预测方法、精度要求以及预测地风速的变化特征.

从表3可以看出,先去除季节因子后,再用BP神经网络去预测日平均风速,具有较小的绝对平均误差和相对平均误差,相对平均误差最大的是29.78%,比直接用BP神经网络预测的相对平均误差的最小值41.77%还要小;说明SEA-BP预测精度更高.

表3 SEA-BP和BP的预测精度Table 3 The prediction accuracy of SEA-BP and BP

[1] ABDEL AAL R E,ELHADIDY M A,SHAAHID S M.Modeling and forecasting the mean hourly wind speed time series using GMDH-based abductive networks[J].Renewable Energy,2009,34(7):686-1699.

[2] OZTOPAL A.Artificial neural network approach to spatial estimation of wind velocity data[J].Energy Conversion and Management,2007,47(4):395-406.

[3] 王德明,王莉,张广明.基于遗传BP神经网络的短期风速预测模型[J].浙江大学学报(工学版),2015,46(5):837-838.

[4] MOHANDES M,HALAWANI T,REHMAN S.Support vector machines for wind speed prediction[J].Renewable Energy,2004,29(6):939-947.

[5] XIAO L,WANG J Z,DONG Y.Combined forecasting models for wind energy forecasting:a case study in China[J].Renewable and Sustainable Energy Reviews,2015,44(17):271-288.

[6] ERDEM E,SHI J.ARMA based approaches for forecasting the topple of wind speed and direction[J].Appl Energy,2011,88(4):1405-1414.

[7] KAVASSERI R G,SEETHARAMAN K.Day-ahead wind speed forecasting usingf-ARIMA models[J].Renewable Energy,2009,34(5):1388-1393.

[8] POGGI P,MUSELLI M,NOTTON G.Forecasting and simulating wind speed in Corsica by using an autoregressive model[J].Energy Conversion and Management,2003,44(3):3177-3196.

[9] CHAU K W.Particle swarm optimization training algorithm for ANNs in stage prediction of Shing Mun River[J].J Hydrology,2007,329(3/4):363-367.

[10] GUO Z X,WONG W K,LI M.Sparsely connected neural network-based time series forecasting[J].Infor Sci,2012,193(11):54-71.

[11] HAMZACE C.Improving artificial neural networks performance in seasonal time series forecasting[J].Infor Sci,2008,178(23):4550-4559.

[12] KALOGIROU S A.Artificial neural networks in renewable energy systems applications:a review[J].Renewable and Sustainable Energy Reviews,2001,5(4):373-401.

[13] LIN K P,PAI P F,LU Y M.Revenue forecasting using a least-squares support vector regression model in a fuzzy environment[J].Infor Sci,2013,220(1):196-209.

[14] RIAHY G H,ABEDI M.Short term wind speed forecasting for wind turbine applications using linear prediction method[J].Renewable Energy,2008,33(1):35-41.

[15] SANCHO S S,ANGEL M P B,EMILIO G O G.Accurate short-term wind speed prediction by exploiting diversity in input data using banks of artificial neural networks[J].Neuro Computing,2009,72(4/6):1336-1341.

[16] 程武学,任德智,颜清梅.基于纹理特征神经网络模型的鲁朗河流域地类信息提取研究[J].四川师范大学学报(自然科学版),2015,38(5):759-765.

2010 MSC：97R40; 62M45

(编辑 郑月蓉)

A Novel Hybrid Approach for Wind Speed Prediction in Huan Region of China

FU Tonglin

(SchoolofMathematicsandStatistics,LongdongCollege,Qingyang745000,Gansu)

Wind power is a clean and non-polluting renewable energy source.However,due to the chaotic and intrinsic complexity of weather parameters,the prediction of wind speed is a very difficult problem.In this paper,we propose a new hybrid wind speed forecasting method based on a back-propagation (BP) neural network and the idea of eliminating seasonal effects from actual wind speed datasets using seasonal exponential adjustment.The numerical results indicate that the proposed method is effective in improving the accuracy of wind speed predictions.

BP neural network; J-T test; wind speed prediction; mean absolute percentage error

2016-03-31

国家自然科学基金(71471148)、甘肃省高等学校科研项目(2015A-150)和博士科研启动基金项目(xyby05)

付桐林(1977—),男,副教授,主要从事应用概率统计、能源经济分析及预测理论与方法的研究,E-mail:futonglin2008@163.com

O212.3; TP391.9

A

1001-8395(2017)02-0272-05

10.3969/j.issn.1001-8395.2017.02.021