文獻標識碼： A
DOI：10.16157/j.issn.0258-7998.2016.02.030
中文引用格式： 張穎超，肖寅，鄧華，等. 基于OS-ELM的風速修正及短期風電功率預測[J].電子技術應用，2016，42(2)：110-113，121.
英文引用格式： Zhang Yingchao，Xiao Yin，Deng Hua，et al. Wind speed correction and short-term wind power prediction based on OS-ELM algorithm[J].Application of Electronic Technique，2016，42(2)：110-113，121.
0 引言
隨著全球化石能源儲量的日漸匱乏以及環(huán)境問題的日益突出，新能源的開發(fā)與利用受到人們的廣泛關注。在眾多新能源中，風能作為環(huán)保清潔的可再生能源具有儲量大、分布廣等優(yōu)勢，日益受到各個國家的重視[1]。然而，與常規(guī)能源不同，風電具有間歇性和波動性特點，給電力系統的安全、穩(wěn)定運行以及保證電能質量帶來了巨大的壓力[2]。對風電功率進行準確的預測，將有助于削弱風電接入對電網造成的不利影響，保證了電力系統的安全、穩(wěn)定[3-4]。
在短期風電功率預測方面，國內外學者做了大量的研究，常用的統計學習方法包括卡爾曼濾波法、模糊預測法以及支持向量機等?？偨Y目前國內外的研究現狀可知，前人的研究主要集中在如下4點：(1)數據預處理。為了提高風能到電能轉換的模型精度，提出了很多數據預處理的方法，如小波分析法[5]、經驗模態(tài)分解法[6-7]、混沌時間序列法[8]以及數據挖掘中的聚類分析[9]等。(2)利用尋優(yōu)算法對模型參數進行優(yōu)化，如粒子群算法、遺傳算法[10-11]等。(3)研究風速風向對功率影響較多，很少考慮其他氣象要素對風電機組出力的影響。(4)研究風速到風電功率的轉化模型較多，而研究風速及風電功率的統計修正較少。
風電功率預測模型隨著風電場季節(jié)及訓練樣本的變化不斷調整，需要模型能根據新樣本實時更新。但是傳統神經網絡模型由于訓練樣本不變，隨著訓練時間的延長，該模型會導致預測結果越來越不準確，因此為了提高整個訓練網絡的外延能力，需要不斷地更新樣本數據。但是樣本數量的增加也造成了訓練所需要的資源顯著增加。
針對上述問題，本文提出了在線序列極限學習機(OS-ELM)算法，解決了模型更新問題，同時基于極限學習機算法建立了數值天氣預報風速的修正模型，并根據風功率曲線排除了預測過程中可能產生的奇異點，提高了預測的準確度。
1 OS-ELM算法原理
式(2)中，H被稱為隱含層輸出矩陣，β表示輸出權值矩陣，T表示網絡的輸出矩陣。
求解以下方程組的最小二乘解可得β
為了更好地適應短期風電功率預測模型的在線更新，引入OS-ELM。OS-ELM算法主要包括兩個步驟[12-13]：
(1)初始化階段：給定網絡初始的隱含層節(jié)點數，輸入初始訓練樣本數據，初始化網絡并設置網絡參數，求得初始隱含層輸出矩陣H0和輸出權值向量β0。
(2)在線序列更新階段：在建立的初始網絡基礎上，根據最新的樣本數據更新參數H和β，直到所有的樣本數據學習完成。
OS-ELM算法模型如圖1所示。
2 預測風速及輸出功率修正模型
2.1 基于極限學習機的預測風速修正
數值天氣預報預測風速與風電場實際風速之間必然存在差距。當通過短期預測模型對每臺風機的風電功率進行預測時，如果輸入端誤差較大，將會導致預測誤差增大。由于風速是影響風電功率輸出的最主要因素，因此對NWP風速數據進行修正將提高網絡模型輸入數據的準確度，從而有效地提高預測的精度。本文以歷史NWP預報的風速數據作為模型的輸入，相應時間段SCADA實際采集風速數據作為輸出建立風速修正的ELM模型。
2.2 輸出功率的修正
風電場風機實測風速與功率的對應關系并不是理想的曲線，其對應關系是以理想的風功率曲線為基準，上下波動的散點圖。在這些散點中，有明顯不符合風機出力規(guī)律的點，如圖2中圓圈圈出的點。這類點偏離了理想風功率曲線的中心，影響了風電功率預測的精度，應該剔除。本文以99%為檢驗水平，計算擬合的風功率曲線的置信區(qū)間，所得的置信上下限如圖2所示。
3 實例分析
本文以國內某風場為研究對象，選擇該風場一年中春、夏、秋、冬4個季度的數據對算法進行驗證。本文選用的數據包括數值天氣預報預測的風速、SCADA系統采集的實際風速以及測風塔測得的風電場實際風速，各種數據的時間分辨率間隔為15 min。
3.1 OS-ELM模型的建立與仿真分析
本文首先選用春天的數據建立ELM模型，依次將夏天、秋天和冬天的數據加入到OS-ELM模型中實現模型的在線更新，選擇任意一天的實際風速和實際功率作為測試樣本對各個批次更新的模型進行對比分析。圖3、圖4、圖5和圖6分別表示初始新建的ELM模型、加入第一批次訓練數據、第二批次訓練數據和第三批次訓練數據后的模型預測功率與實際功率的對比。由圖3和圖4可知，由于初始模型的樣本集較少，導致模型的預測精度較差。從圖5和圖6可以看出，隨著樣本集的不斷加入，特征數據越來越豐富，模型泛化能力增強。
表1為各個模型的統計誤差對比。由表1可知，模型更新后預測誤差減小，預測精度較初始新建模型明顯提高。
3.2 風速修正模型的建立與仿真分析
基于ELM算法建立了數值天氣預報風速的修正模型。NWP預測風速與實際風速的對比如圖7所示。從圖7可以看出，預測風速大部分的預測值都大于實際風速值，但是兩種風速的變化趨勢基本相同，說明兩種風速之間存在一定的相關性。
ELM模型對預測風速進行修正前后的對比結果如圖8所示。圖8中，修正后的風速更加接近實際風速，表2為風速ELM模型修正前后統計誤差的對比。修正之后的風速相比修正前，平均絕對誤差和均方根誤差都相應地減小。
預測風速修正前后預測功率與實際功率的對比如圖9所示。從圖9可以看出，修正后的功率相比修正前與風電場的實際功率更為接近，誤差進一步減小，表明修正后的預測功率更加準確。表3為預測功率的統計誤差對比。風速修正后再對功率進行預測，精度要遠大于風速修正之前直接對功率進行預測的結果。
3.3 功率修正模型的建立與仿真分析
功率修正模型主要是針對預測模型的預測功率進行的修正。如果預測功率沒有落在風功率曲線的置信區(qū)間之內，則根據該時刻點的風速采用風功率曲線計算該時間點的功率，代替錯誤的預測功率，這樣可以有效地提高預測精度。
通過功率修正模型修正前后預測功率的對比圖如圖10所示。圖中黑色箭頭標示的點為脫離了風功率曲線置信區(qū)間之外的不可靠預測點，通過功率修正模型，將該風速處對應的功率用風功率曲線擬合值替代，去除了功率預測錯誤的點，提高了功率預測的準確度。表4為功率修正模型修正前后預測功率的誤差統計對比，由表4可知，通過功率修正模型修正后的預測功率精度有了明顯提高。
4 結論
本文提出了OS-ELM風電功率預測模型實現風電功率預測模型的在線更新，模型更新時，將新的數據對當前網絡進行更新，大大降低了計算所需的資源。實驗證明，OS-ELM算法能有效地解決模型在線更新問題，更新后的模型具有更高的預測精度。為了提高風電功率預測的準確度，基于ELM算法建立了NWP預測風速的修正模型，并基于風電功率置信區(qū)間建立功率修正模型。實驗證明，風速修正后對功率預測的效果更佳，通過功率修正模型后的預測功率精度更高，驗證了所用算法的有效性。
參考文獻
[1] 楊秀媛，肖洋.風電場風速和發(fā)電功率預測研究[J].中國電機工程學報，2005，25(11)：1-5.
[2] 周瑋，孫輝，顧宏，等.含風電場的電力系統經濟調度研究綜述[J].電力系統保護與控制，2011，39(24)：148-154.
[3] 張勇，肖建，遲永寧.基于機組調峰能力的電力系統風電接納能力研究[J].太陽能學報，2014，3(6)：998-1003.
[4] 張保會，李光輝，王進.風電接入電力系統故障電流的影響因素分析及對繼電保護的影響[J].電力自動化設備，
2012，32(2)：1-8.
[5] J.S.P.C，H.M.I.P，V.M.F.M.Short-term wind power forecasting in Portugal by neural networks and wavelet transform[J].Renewable Energy，2011(36)：1245-1251.
[6] An Xueli，Jiang Dongxiang，Zhao Minghao，et al.Short-term prediction of wind power using EMD and chaotic theory[J].Nonlinear Science and Numerical Simulation，2012(17)：1036-1042.
[7] 王韶，楊江平，李逢兵，等.基于經驗模式分解和神經網絡的短期風速組合預測[J].電力系統保護與控制，2012，40(10)：6-11.
[8] 劉純，呂振華，黃越輝，等.長時間尺度風電出力時間序列建模新方法研究[J].電力系統保護與控制，2013，41(1)：7-13.
[9] 武小梅，白銀明，文福拴.基于RBF神經元網絡的風電功率短期預測[J].電力系統保護與控制，2011，39(15)：80-83.
[10] 葉小嶺，劉波，鄧華.基于小波分析和PSO優(yōu)化神經網絡的短期風電功率預測研究[J].可再生能源，2014，32(10)：1486-1492.
[11] 陸寧，武本令，劉穎.基于自適應粒子群優(yōu)化的SVM模型在負荷預測中的應用[J].電力系統保護與控制，2011，39(15)：43-47.
[12] 馬永杰，云文霞.遺傳算法研究進展[J].計算機應用研究，2012，29(4)：1201-1206.
[13] Xiao Dong，Wang Jichun，Mao Zhizhong.The research on the modeling method of batch process based on OS-ELM-RMPLS[J].Chemometrics and Intelligent Laboratory Systems，2014(134)：118-122.