(中国华电集团有限公司甘肃公司 甘肃兰州 730000)
摘要：风机分为离网型和并网型。前者的功率预测准确率在分布式风力发电中要求较高，单机功率预测的性能将直接影响其投入使用时的可靠性。从集群风电网的角度来看，并网型单机功率预测的误差对集群功率预测的影响是成倍的。对电场中的每一单机都进行预测的成本很高，鉴于同一范围内风速等气象的相似性很高，往往由一台或多台电机的功率预测推算集群风电网功率。无论是离网型单机还是并网型单机，单机的风电功率预测精度都是影响风力发电普及率的重要因素。因此，对单机功率预测模型及方法的研究变得尤为重要。
关键词：单机风电；功率；人工智能；预测模型
1基于人工智能的单机风电预测方法
1.1基于模糊逻辑的预测方法
严格意义上，模糊逻辑更多是一种用于提取模糊信息的模糊化思想和方法，但由于其切合风电功率无绝对规律的特征，对数据进行模糊分类，可以使风速/功率序列规律性更贴近实际，进而提高整体预测精度。模糊推理的过程如图1所示。
.png)
自适应模糊推理系统（adaptive neuro fuzzy inference system, ANFIS）作为一种单机风电预测模型，结合了模糊逻辑法与反向传播（backpropagation,BP）神经网络。
ANFIS的隶属度函数和模糊规则是通过BP神经网络学习得到的。相比BP神经网络预测模型，ANFIS具备更强的自适应性、鲁棒性和处理复杂问题的能力。ANFIS预测模型的典型拓扑结构如图2所示。输入变量设为x1（风速）和x2（风向）。
.png)
第1层为模糊化层，对输出变量分类并模糊化，如图2所示，A1、A2为x1可能的取值，B1、B2为x2可能的取值，Oij为隶属度函数，经过隶属函数计算得到隶属度，隶属度函数包括高斯函数、钟形函数等，反映输入属于隶属函数的程度。
当高斯函数被选为隶属度函数时，表达式如式（1）至式（3）所示。
.png)
（1）
.png)
（2）
.png)
（3）
式中：c为ANFIS的参数，由BP神经网络学习得到；i=1,2。
第2层为规则推理层，该层将上层输出进行乘积运算，输出反映了一条规则的可信度，输出表达式为
.png)
（4）
第3层为归一化层，归一化层的单元节点分别对上层的输出进行归一化，即
.png)
（5）
第4层为去模糊化层，输出不同权值的规则，规则数目等于模糊语言（即自然语言）变量和隶属集合做笛卡尔积，此处有两条规则，即
.png)
（6）
式中：pi、qi、si为结论参数，由BP神经网络学习得到。第5层为输出层，对上一层输出求和，即
.png)
（7）
下面是其他一些基于模糊逻辑的单机风电功率组合预测方法。将数据分窗口进行模糊粒化，再分别用SVM进行预测，由等权重法将结果组合得预测功率，模糊信息粒化的本质是将有效信息提取使用；提出基于模糊C均值软聚类（soft fuzzy C-means, SFCM）的风电功率短期区间预测方法，采用SFCM法完成工况辨识，再利用核密度估计法计算各工况下的误差概率密度函数，最后根据要求的置信度计算出置信区间，完成预测。
1.2基于HA的预测方法
HA可看作是用仿生学的思想将生物的行为决策抽象为算法来进行决策的方法。HA包含模拟退火算法（simulated annealing algorithm, SAA）、粒子群优化算法（particle swarm optimization, PSO）等。HA的关键问题是平衡局部搜索与全局搜索，目的是找到全局最优解。
SAA具有避免局部最优陷阱的能力，即使系统暂时落入了局部最优的陷阱，也能再退出，最终使系统收敛于全局最优。
PSO的使用有一定的局限性。单独的PSO只对于单峰函数且非病态方程才能取得最优解，迭代次数越多，种群数目越多，得到的精度就会越高，但同时也会延长运算的时间，所以迭代次数和种群数需设置好，并且相对来说惯性权重线性递减的粒子群算法找到的解是最好的。对于多峰函数以及病态方程，PSO无法取得最好的解，无论是增加迭代次数还是种群数目，精度都不会有太大的改变，PSO容易早熟，对多峰函数或病态函数无法找到最优解。HA作为优化模型参数的方法，可对单机风电功率预测模型进行优化。用PSO确定前向神经网络参数，进而预测功率的方法，取得了很好的效果；借助PSO实现了ANN与SVM组合预测模型的参数优化，相对误差比单一模型稳定；提出用自适应扰动量子粒子群优化算法（adaptive disturbance quantum PSO, ADQPSO）计算SVM预测模型的参数，克服了SVM依赖经验选择学习参数的弊端。
1.3两种预测方法的总结与比较
相较之下，模糊逻辑为风速或风电功率的模糊特征提取提供了解决方案，能够放大预测模型的优势，提高最终功率预测的准确度；而HA作为一种寻优算法可以在预测模型求解时弥补难以达到全局最优的问题，并且在参数优化时可以发挥作用，同样可以优化预测模型的预测精度。总之，模糊逻辑与HA是从不同切入点对风电功率预测模型进行优化的两种方法。
实际应用时，在选取的隶属度函数合适的前提下，ANFIS的自适应性和鲁棒性远优于BP预测模型。此外，模糊逻辑优化后的聚类方法可以更加突出分类后特征的不等重要性，特征的代表性明显优于单纯聚类的预测效果。而基于HA的风电功率预测方法由于其解决最优化问题的优势而被广泛应用到模型的构建过程中。
参考文献
[1] 吴飞, 阳春华, 兰旭光, 等. 人工智能的回顾与展望[J]. 中国科学基金, 2018, 32(3): 243-250.
[2] 清洁能源消纳行动计划(2018—2020 年)[J]. 中国电力企业管理, 2018(34): 7-8.
[3] 彭小圣, 熊磊, 文劲宇, 等. 风电集群短期及超短期功率预测精度改进方法综述[J]. 中国电机工程学报,