基于思维进化算法的风电功率预测研究

俞俊+王召+籍天明+裘炜浩+裴旭斌+胡楠

摘要：风电作为可再生能源，具有波动性、间歇性和随机性的特点，容易造成电力系统的不稳定。通过对风电功率进行预测，不仅可以保证电能质量，而且可以降低电力系统运行成本。传统的几种风电功率预测技术均存在一定的局限性。针对上述问题，提出一种基于思维进化算法的风电功率预测方法，并构建了预测模型。结合风电场风电实测数据进行仿真分析，结果表明所提出的方法可以有效可靠地进行风电功率预测，具有良好的工程应用前景。

关键词：思维进化算法；风电功率；预测模型

ABSTRACT：Due to the characteristics of volatility， intermittent and randomness of wind power， interconnection with the power grid will bring about impact on the stability of power system. The wind power prediction can not only ensure the quality of electric energy， but also reduce the cost of power system operation.There were some limitations in several traditional wind power prediction methods. According to the above problem， the wind power prediction method based on Mind Evolutionary Algorithm（MEA） is put forward and the prediction model is provided. The experimental results show that the proposed approach can be effective and reliable for the wind power prediction. The Mind Evolutionary Algorithmmethod has a broad prospect of engineering application.

KEYWORDS：Mind Evolutionary Algorithm； wind power； prediction model

中圖分类号：TK81文献标志码：A 文章编号：

DOI：

0引言

全球性的能源危机和气候变暖驱动了可再生能源的快速发展。风能作为可再生能源的一种，已经得到世界各国的高度重视与肯定[1]。风电功率的预测可以提升电力系统的安全性与可靠性，但是风电功率预测作为一个难题始终存在[2-3]。目前比较常用的风电功率预测方法主要分为以下几类：基于历史数据的时间序列分析法、支持向量机法、神经网络法等。

文献[4]基于稳健估计运用时间序列法对风电场出力进行了短期预测，建立了自回归滑动平均模型，预测误差为5%。文献[5]从物理和统计方法对支持向量机预测方法做了分析，结果表明支持向量机在风电功率预测中有很大的应用空间。文献[6]介绍了风电功率预测的现状和相关标准，通过神经网络对风电功率预测模型进行优化，仿真结果表明，优化后的预测数据准确率更高。文献[7]提出了一种基于总体平均经验模态分解和改进Elman神经网络的短期风电功率组合预测方法，仿真结果表明，该方法不仅可以有效缓解风电功率非平稳性对于预测精度的影响，还可以避免传统方法的模态混叠问题。文献[8]建立风速和风向预测模型，采用脊波神经网络对分功率进行预测。文献[9]基于主成分分析与前馈神经网络对风电功率进行预测，采用主成分分析对输入变量进行约简，既简化了网络的结构，又提高了网络的稳定性。文献[10]基于小波神经网络将风速与功率序列在不同尺度上进行分解，并使用多个BP神经网络对各频率分量进行预测，最后重构得到完整的预测结果。文献[11]利用数据挖掘和模糊聚类技术将不同的机组进行分类，并分别进行实时预测。

总体来看，时间序列法通过挖掘数据序列的规律进行风电功率预测，具有较高的预测精度，适用于短期预测[12]。支持向量机法改变了传统的经验风险最小化原则，具有较好的泛化能力[13]。神经网络法针对风电功率的非线性特性[14]，鲁棒性较强，但是训练数据过于庞大，容易陷入局部最优。

针对上述问题，本文研究了基于思维进化算法（Mind Evolutionary Algorithm， MEA）的风电功率预测方法，该方法通过趋同和异化操作对隐层权值阈值进行优化，大幅度削减了隐层权值阈值随机生成所造成的预测误差。基于实测数据对国内某风场的风电功率进行预测，仿真结果验证了所构建模型的有效性。

三次样条插值法的拟合结果如图1所示，从图1中可以看出，使用三次样条对随机缺失后的数据进行处理，所得到的拟合结果与真实风电功率数据基本吻合。

2基于思维进化算法的风电功率预测模型

2.1思维进化算法简介

与遗传算法不同，MEA算法具有许多自身特性[16]：

（1） 把群体划分为优胜子种群和临时子种群，在种群内部进行趋同和异化操作，趋同语义化相互协调，但又保持各自的独立性。

（2） 可以记忆不止一代的进化信息，这些信息有助于趋同和异化操作朝着有利的方向进行。

（3） 趋同与异化操作在结构上存在固有的并行性。

（4） 趋同和异化操作可以避免遗传算法中出现的双重性问题，即既可以产生好的基因，也可能破坏原有的好基因。

思维进化算法的结构如图2所示：

图2MEA算法结构图

2.2风电功率预测模型的建立

以某风机实测风速 、环境温度 和风电功率 为例，经过数据预处理之后，将风速 和环境温度 作为风电功率预测模型的输入，构造特

征向量 ，归一化后的特征向量为 （5）

思维进化算法风电功率预测模型如图3所示：

3仿真分析

仿真采用某风场的风电实测数据，该风场的数据采集周期为10min，单个风机容量为1500KW。为保证训练样本的多样性，从所采集的风场数据中随机选择1900组实验数据作为训练样本，对MEA风电功率预测模型进行训练，在剩下的数据中随机选择100组数据作为测试样本进行模型验证，MEA算法的其他参数如表1所示。

图4-图6依次为MEA模型的第一次趋同、第二次趋同和第三次趋同操作。当临时子种群的得分低于优胜子种群的得分时，趋同操作停止，反之，继续进行趋同操作。如图4所示，临时子种群的部分子种群得分高达7.4，远高于优胜子种群的得分，因此，MEA作一次异化操作，然后继续进行下一次趋同操作。

图8为MEA风电功率预测误差曲线，最大误差16%，低于风电场功率预测与系统提供的日预测曲线最大误差不超过25%的要求，表明MEA算法具有较高的预测精度，滿足工程需求。

4结论与展望

本文建立了基于思维进化算法的风电功率预测模型，特征向量由环境温度和风速构成。仿真结果表明，本文所提出的预测模型具有较高的预测精度，为后期整个风场的风电功率预测奠定了基础。在以后的工作中，可以研究特征向量的选择与训练样本对预测精度的影响。

参考文献 References

[1] 叶林， 杨丹萍， 赵永宁. 风电场风能资源评估的测量-关联-预测方法综述[J]. 电力系统自动化， 2016（3）：140-151.

[2] 薛禹胜， 郁琛， 赵俊华，等. 关于短期及超短期风电功率预测的评述[J]. 电力系统自动化， 2015（6）：141-151.

[3] 段学伟， 王瑞琪， 王昭鑫，等. 风速及风电功率预测研究综述[J]. 山东电力技术， 2015， 42（7）.

[4] 朱晓荣， 刘艳萍. 基于稳健估计时间序列法的风电功率预测[J]. 电力系统及其自动化学报， 2012， 24（3）：107-110

[5] 戚双斌， 王维庆， 张新燕. 基于支持向量机的风速与风电功率预测方法研究[J]. 华东电力， 2009， 37（9）：1600-1603

[6] 张涛， 张新燕， 王维庆. 基于神经网络的风电功率预测问题研究[J]. 四川电力技术， 2013， 36（1）：16-18

[7] 杨楠， 周峥， 李臻，等. 基于总体平均经验模态分解与改进Elman神经网络的风电功率组合预测[J]. 电网与清洁能源， 2015， 31（10）.

[8] 茆美琴， 周松林， 苏建徽. 基于脊波神经网络的短期风电功率预测[J]. 电力系统自动化， 2011， 35（7）：70-74

[9] 周松林， 茆美琴， 苏建徽. 基于主成分分析与人工神经网络的风电功率预测[J]. 电网技术， 2011， 35（9）：128-132

[10] 师洪涛， 杨静玲， 丁茂生，等. 基于小波—BP神经网络的短期风电功率预测方法[J]. 电力系统自动化， 2011， 35（16）：44-48

[11] 杨茂， 熊昊， 严干贵，等. 基于数据挖掘和模糊聚类的风电功率实时预测研究[J]. 电力系统保护与控制， 2013（1）：1-6

[12] 邱金鹏， 牛东晓. 基于小波-时间序列组合模型的风电功率预测[J]. 电力建设， 2016， 37（1）：125-130.

[13] 王爽心， 李涛， 孙东旭，等. 基于小世界优化的支持向量机风电功率预测[J]. 太阳能学报， 2015， 36（3）：720-726.

[14] 刘晓楠， 王胜辉， 金月新，等. 基于BP神经网络的风电场发电功率短期预测[J]. 沈阳工程学院学报：自然科学版， 2015（1）：10-13.

[15] 李鹏， 顾宏斌， 高振兴. 三次样条插值法在气动导数计算中的应用[J]. 飞行力学， 2008， 26（2）：74-76

[16] 王芳， 谢克明， 刘建霞. 基于群体智能的思维进化算法设计[J]. 控制与决策， 2010， 25（1）：145-148

收稿日期：修回日期：

作者简介：

1. 俞俊（1978），男，高级工程师，硕士，主研领域：IT基础架构的研究及新技术应用。

2. 王召 （1986） ，男，工程师，学士，主研领域：电力系统通信信息。

3. 籍天明（1991），男，助理工程师，硕士，主研领域：电力系统通信信息。电子邮箱：jitianming@sgepri.sgcc.com.cn

4. 裘炜浩，（1973），男，工程师，硕士，主要从事：信息化系统的建设与运维。

5. 裴旭斌（1973），男，高级工程师，学士，主

要从事：信息化系统的建设与运维。

6. 胡楠 （1982），男，高级工程师，主要从事：

信息化运维工作。

（编辑 ）