基于人工智能的风电功率预测算法研究 　　

　　（541805　国电永福发电有限公司　广西　永福）

      【摘　要】近几年，化石燃料等不可再生资源资源日趋减少，面临资源枯竭的趋势，因此风力发电在可再生能源中扮演重要角色，但是，风的间歇性与不确定性、波动性是风力发电中面临的严峻问题。针对这种问题，本研究提出人工智能在风电功率预测中的应用。以人工智能为技术背景，利用人工智能中深度神经网络技术，建立风电功率预测模型，完成在风速、风向、温度、湿度、气压等多种影响因素下对风电功率的越策，并通过实验结果验证算法精确度。

　　【关键词】人工智能；风电；DNN；功率预测

　　一、引言

　　能源作为人类发展的基本，直接关系着世界各国的经济发展进程，但是随着经济的迅猛发展，对能源的需求日渐增多，化石燃料等不可再生资源面临枯竭的趋势，与此同时，带来全球变暖、温室效应等问题，对全球生态造成严重影响[1] 。在此背景下，新能源发电迫在眉睫。风电、核电、光能发电逐渐受到人们的认可，风电作为新能源发电中的重要组成部分，其研究具有重要意义，本文针对风力发电中的波动性与不稳定，利用人工智能技术对风电功率展开预测，对我国能源技术的发展具有很大的研究价值。

　　二、基于风电功率预测算法的相关研究

　　（一）风电功率的技术特点

　　随着风电大力发展，风电场建设规模的不断扩大，在分析风电场接入电力系统时，需要考虑风电场输出功率波动范围大的问题，因此，本文展开对风电功率预测的研究。

　　风电功率的预测是指利用风电场运行中涉及的风速、风向、温度、风电功率、气压等多源时空数据，结合风电机组的运行状态，构建风电功率预测数学模型，在预测模型的基础上进行计算、推导、分析，从而得到待预测时段的风电有功功率数值，为电力系统的安全稳定运行、电力调度提供决策支撑。本研究对短期风电功率进行预测。

　　（二）基于深度神经网络的风电功率预测模型构建图1 风电功率预测模型构建流程图风电功率预测模型构建流程图如图1所示，主要分为三个部分深度神经网络模型构建、基于深度神经网络模型的风电功率预测、预测实验结果与分析。预测模型构建流程：

　　（1）深度神经网络模型初始化：将风速、风向、气温、湿度、基于时间序列的风电功率历史数据作为数据集，输入到深度神经网络模型中。

　　（2）模型预训练：采用逐层初始化的方法，对深度神经网络进行逐层预训练，计算RBM，最终获得与收敛值接近的阀值系数b与权重指数w。

　　（3）参数调整：对阀值系数与权重指数进行不停调整，得到优化后的深度神经网络模型。

　　（4）计算预测风电功率值：将风速、风向、气温、湿度、基于时间序列的风电功率历史数据作为预测数据集，输入到深度神经网络模型中，计算待预测时段的风电功率值。

　　（5）评估预测效果：利用MAE、MAPE、MSE、RMSE评估预测结果，验证深度神经网络模型的精度。

　　（三）基于深度神经网络的风电功率预测及分析1.风电功率预测数据归一化：在数据输入之前，将风速、风向、温度、湿度、气压等多种数据进行归一化处理，数据的归一化处理均采用以下方法，其中gS表示归一化之后的数值、 tS从天气预报中获取的值、 maxS表示实际运行中的最大值。

　　max

　　|S |

　　t

　　g

　　S

　　S =

　　参数调整：将所有归一化后的测试数据输入到上述构建的深度神经网络中，进一步对阀值系数与权重指数参数进行调整，得到精确的深度神经网络模型。

　　2.预测实验

　　选取某地风电场为测试点，输入量维数选17维，随机粒子数设置为40，学习因子设置为1.5162，隐含层最大层数设置为10，迭代峰值设置为300代，适应度函数允许误差为0.01，经过Matlab训练，得到3个隐含层分别为33、31、28个神经元。实际值与预测结果对比图如图2所示。

　　图2 预测结果

　　从图2中可以看出，红色风电功率的预测值接近蓝色风电功率的实际值，从而验证了本文构建的深度神经网络预测算法模型具有很高的准确度，可以辅助工作人员，用于风电功率的预测。

　　三、结论

　　风力发电健康持续发展的重要因素是高精度的风电功率预测，本文结合风电场数，综合考虑风速、风向、气压、湿度、温度等因素的基础上，研究基于人工智能的风电功率预测算法，构建相应的数学模型，通过分析、计算验证深度神经网络预测模型的预测精度，有效提升大规模风电场风电功率的短期预测精度。

　　参考文献：

　　[1]邢小文,孟洪民,谢利理.大惯量风力发电系统功率波动平抑控制策略综述[J]. 华北电力大学学报(自然科学版), 2018,045(001):31-38.