《工业控制计算机》2021年第34卷第2期
随着清洁能源在能源结构中的占比不断增加，风力发电技术日趋成熟，国内外陆上海上风电场的规划开发时序稳步进行。风能是风电的源泉，然而，风速时间序列具有季节性、随机性、非平稳性，导致风能资源的间歇性和不稳定性，因此风速预测在前期规划和估算发电效益方面都具有重要意义。对风速进行准确预测可以有效保护风机，避免风速变化导致发电量变化对电网造成冲击。 风速预测按时间尺度可以分为甚短期预测、短期预测、中期预测、长期预测[1]。甚短期预测可以配合风电机组控制和稳定电能质量；短期预测可以便于电网合理调度，保证电网质量；中期预测可以便于风电场安排运行和维护计划；长期预测可以作风电场建设的可行性研究，预测建厂后的年发电量。就对风能资源分布的影响来说，长期风速预测指导各国风电相关政策和评估建厂的可行性与中短期风速预测指导风电调度、维修、预测发电量越来越必不可少。在中短期时间尺度范围内，忽略风能资源受全球气候变化的影响，将历史风速数据视作单纯的时间序列进行预测分析。
风速时间序列属于非线性时间序列，神经网络具有很强的非线性映射能力[2-4]。前馈BP神经网络[1,5]、卷积神经网络[6]、变体长短期记忆LSTM(Long Short-Memory Term,LSTM)神经网络[7]等都被学者广泛应用到风速时间序列的预测中，取得了较好的预测结果。不失一般性，本文将尝试采用Elman神经网络对风速进行预测，设计成一个软件，为工程实际提供高效预测工具。Elman神经网络是一种典型的动态 递归神经网络，能够内部反馈、存储和利用过去的时刻输出信息，既可以实现静态系统的建模，还能实现动态系统的映射并直接反应系统的动态特性，在计算能力及网络稳定性方面都比BP神经网络更胜一筹[8]。
判断时间序列是否为混沌时间序列也是研究时间序列的一个方向。混沌时间序列是确定系统之中出现的不规则运动，可以通过决定系统长期演化的任意变量时间序列来研究系统的混沌行为[9]。本文采用最大Lyapunov谱指数[9-10]判断风速时间序列的混沌性，最后结合所设计的Elman神经网络预测软件对内蒙古某地区1993~2018年风速时间序列进行研究和预测。
1Elman神经网络
毛利人Elman神经网络的结构是前馈连接，可认为基于传统BP 神经网络的结构上，在隐含层增加一个承接层，将其作为延时算子，达到记忆的目的。它是一个典型局部记忆单元和局部反馈连接的动态递归神经网络，比传统前馈BP神经网络具有更强的计算能力。如图1所示,Elman神经网络分为输入层、隐含层、承接层和输出层。各层的作用如下:
输入层(Input Layer)：信号输入作用;
隐含层(Hidden Layer)：隐含层赋予输入变量相应权重，通过激活函数激活作为下一神经元输入;
基于Elman神经网络的短期风速时间序列预测及软件开发Short-term Wind Speed Time Series Forecasting Method Based
on Elman Neural Network and Software Development
郭明星1黄阮明1边晓燕2徐丽2宋天立1戚宇辰1
(1国网上海市电力公司经济技术研究院，上海200120;2上海电力大学电气工程学院，上海200090)
摘要：风速预测是风电场规划和电网运行的重要环节，其中风速在不同时间尺度的时间序列预测对风电场前期规划以
及发电量预测有着重要意义。设计了一个基于Elman神经网络预测风速时间序列的软件，输入变量包括历史风速、历史风向、历史风功率、历史比湿、历史地面气压、历史温度，选择风速高度、输入节点数，进而可进行神经网络预测。以内蒙古中部
地区风速时间序列为研究对象，采用最大Lyapunov指数法分析了时间序列的混沌性，然后基于所设计的软件对该风速时间
wind up序列进行了短期预测。结果表明采用Elman神经网络对风速时间序列预测结果误差较小，能有效预测风速。
关键词：风速时间序列；短期风速预测；最大Lyapunov指数法;Elman神经网络
Abstract押Wind speed forecasting is an important part of wind farm planning and power grid operation.The time series forecast of wind speed at different time scales is of great significance to the preliminary planning of wind farm and power generation forecast.This paper designs a software based on Elman neural network to predict wind speed time series.Input variables include historical wind speed熏historical wind direction熏historical wind power熏historical specific humidity熏historical ground pressure熏historical temperature.By selecting the height of wind speed and the number of input nodes熏neural network prediction can be carried out.Taking the wind speed time series in central Inner Mongolia as the research object熏the maxi⁃mum Lyapunov exponent method is used to analyze the chaos of the time series熏and then the short-term forecast of the wind speed time series is carried out based on the designed software.The calculation results show that the Elman neural network is used to predict the wind speed time series with less error and can effectively predict the wind speed.
Keywords押wind speed time series熏short-term wind speed forecasting熏maximum Lyapunov exponent method熏Elman neural
人物画报
network
图1Elman神经网络结构图
83
基于Elman 神经网络的短期风速时间序列预测及软件开发承接层(Continuation Layer )：又称上下文层或状态层，记忆隐含层前一时刻的输出;
输出层(Output Layer )：线性加权作用。
Elman 神经网络通过不断迭代下面表达式进行信息传播:
y (k )=g (ω3
x (k ))x (k )=f (ω1
x c (k )+ω2
(u (k-1)))
x c (k )=x (k-1)
(1)
其中,y 为m 维输出节点向量;x 为n 维中间层节点单元向量;u 为r 维输入向量;x c 为n 维反馈状态向量;ω3为中间层到输出层的连接权值;ω2为输入层到中间层的连接权值;ω1为承接层到中间层连接权值;g (x )为输出神经元的传递函数，是中间层输出的线性组合;f (x )为中间层神经元的传递函数。
本文使用Elman 神经网络对风速预测流程如图2所示。1)导入风速数据，完成数据归一化;2)样本数据分类，划分训练集与测试集;
3)采用Elman 神经网络模型对数据进行训练，反复迭代到满足误差要求;
4)使用训练好的网络模型进行数据预测;
5)评估预测结果，若预测误差较大，则重新训练Elman 网络模型。
图2Elman 神经网络计算流程图
2基于Elman 神经网络预测的风速预测软件开发
本文设计了基于Elman 神经网络预测的风速预测软件，如图3所示，该软件不仅可以同时对多个风电场进行风速预测，也
可以分别对单个风电场进行风速预测。可供选择的输入变量有：历史风速、历史风向、历史风功率、历史比湿、历史地面气压、历史温度，选择风速高度、输入节点数，而后通过Elman 神经网络进行风速预测，最后对预测结果进行评估。当使用一键启动建时，考虑全部的输入变量，同时进行四个风电场的风速预测。通过界面上方的四个按钮可以切换四个风电场的操作界面，且通过开始、暂停、结束按钮控制程序的状态。调节高度旋钮可以选择风速预测的高度，调节输入节点数可以调节风速预测的精度，达到更好的预测效果。3案例与计算结果3.1数据选取与预处理
(1)数据归一化
本文选取内蒙古某地区1993年~2018年风资源数据作为研究数据。其中选取1993年到2017年每年3月份日平均风资源数据作为样本数据，将2018年3月份日平均风资源数据作为预测数据验证预测结果。上栗论坛
不同参数往往会有不同的量纲和单位，这样的情况会影响到数据分析的结果，为避免量纲的不同导致数据的某些特征变为主导或消失，对数据进行归一化。采用归一化方法将风资源数据归一化到[-1,1]区间上，再进行数据预测。Matlab 中map⁃minmax 函数是对原始数据的线性变换，将结果映射到[-1,1]上，转换函数为:
p n =2·
(p d -minp d )
(maxp d -minp d )-1
(2)
其中,minp d 为时间序列的最小值,maxp d 为时间序列的最大值,p d 为原始数据。
(2)最大Lyapunov 指数法判定
设时间序列为p (t 1),p (t 2),…p (t i ),…，对其进行相空间重构得:R n =P (t i )=[p (t 1),p (t 2),…,p (t N+(n-1)τ1)]T 。随着时间演化到
t 1时刻，当两相邻点距离超过某定值ε，即L ′
0=||P (t 0)-P (t 1)||>ε
时，保留P (t 1)，并查P (t 1)的另一个最近点P 1(t 1)，使得L 1=|P (t 0)-P (t 1)|<ε，继续上述过程，直至P (t )到达时间序列的终点。记演化过程的总迭代次数为M ，那么最大Lyapunov 指数为:
λ=1t M -t 0
M
i =0
∑ln L ′
i L i (3)
本文的风速时间序列的最大Lyapunov 指数λ=0.009，其值大于0，说明本风速时间序列具有明显的混沌特征。3.2Elman 神经网络预测结果
为了建立更强的映射关系，引入1993~2017年3月风速、风向、风功率、比湿、地面气压、温度多变量作为输入参数,2018年3月日平均风速作为预测值，验证Elman 神经网络预测精度。El man 神经网
络隐含层神经元选择一层，输入节点数为31。激活函数选择Sigmoid 型函数,Sigmoid 函数及其导数表达式为:
f (x )=
11+e
-x
(4)f′(x )=e -x
(1+e -x )
2=f (x )(1-f (x ))(5)
如图4所示,Sigmoid 函数的作用是引入非线性，保证输入参数之间不是单纯线性叠加，这是神经网络与单层感知器的区别。
图5给出了预测结果经过反归一化与真实值对比图，图6和7分别给出了预测结果的相对误差和绝对误差曲线分布。从图5~图7中可以看出，对于2018年3月日平均风速Elman 神经网络预测曲线拟合效果良好，绝对误差在1m /s 以内，相对误差小于35%，初步判定满足预测结果要求
。
图3Elman 神经网络风速预测软件界面
84
《工业控制计算机》2021年第34卷第2期
图52018年3月日平均风速Elman 神经网络预测结果
图6Elman 神经网络预测结果绝对误差值
图7Elman 神经网络预测结果相对误差值
为进一步评估Elman 神经网络预测结果，引入均方误差、平均绝对误差评估预测结果:
MSE=1
m
m
i =1
∑(y i
-y
^i
)2
(6)MAE=
m
i =1
∑
y i -y ^i
m
(7)stewart平台
计算得到MSE 值为0.2891,MAE 为0.4278，表明Elman
神经网络预测精度较高，预测结果满足实际需求。本案例的计算结果表明本文软件设计合理，能够满足工程实际需要。源结束语
风速时间序列属于典型的非线性时间序列，本文利用神经
网络的非线性映射能力对1993~2018年的风资源数据间建立映射关系，预测2018年3月份日平均风速值。为了加强数据之间的映射关系，提高预测精度，本文初期只选用风速时间序列作为输入输出，预测结果精度较低，所以重新引用风速、风向、风功率、比湿、地面气压、温度多个变量作为预测输入，预测结果证明预测精度得到明显改善。中短期风速预测对电力生产过程中有着重要作用,Elman 神经网络是典型的反馈神经网络，预测结果证明Elman 神经网络对风速数据短期数据具有较强预测能力，具有重要的现实意义，可以实际中得到广泛应用。本文设计了基于Elman 神经网络的风速时间序列预测软件，为风电工程设计提供有效工具。
参考文献
[1]Z H Guo熏J Wu熏H Y Lu熏et al.A case study on a hybrid wind
speed forecasting method using BP neural network 眼J演.Knowledge-Based Systems熏2011熏24穴7雪押1048-1056
[2]C C Wei.Study on Wind Simulations Using Deep Learning
Techniques during Typhoons押A Case Study of Northern Tai⁃wan眼J演.Atmosphere熏2019熏10穴11雪押684
[3]M Mohammad熏R Hasan熏M K Hossein.A new strategy for
wind speed forecasting using artificial intelligent methods 眼J演.Renewable Energy熏2009熏34押845-848扭矩表
[4]A A Ezzat.Turbine-specific short-term wind speed forecast⁃
ing considering within -farm wind field dependencies and
fluctuations眼J演.Applied Energy熏2020穴269雪
[5]G P Zhang熏M Qi.Neural network forecasting for seasonal and
trend time series 眼J演.European Journal of Operational Re⁃search熏2003熏160穴2雪押501-514
[6]梁超，刘永前，周家慷，等.基于卷积循环神经网络的风电场内多点位
风速预测方法[J ].电网技术,(2020-11-03)[2020-11-10].Https :
// 10.13335/j.1000-3673.pst.2020.0767
[7]S Muzaffar熏A Afshari.Short-Term Load Forecasts Using LSTM Networks眼J演.Energy Procedia熏2019熏158押2922-2927
[8]C N Lu熏H T Wu熏S Vemuri.Neural network based short-term
load forecasting 眼J演.IEEE Transactions on Power Systems熏1993熏8穴1雪押336-342
[9]Hongxia Yu熏Xing Li.On the chaos analysis and prediction of
aircraft accidents based on multi -timescales 眼J演.Physica A押Statistical Mechanics and its Applications熏2019熏534穴4雪[10]B Reggie熏B Paul熏H D I Abarbanel.Computing the Lya⁃
punov spectrum of a dynamical system from an observed
time series眼J演.Physical Review.A熏1991熏43穴6雪押2787-2808
[收稿日期:2020.11.16]
图4Sigmoid 函数及其导数图
像
85
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议