摘 要 ：針對風力發電不穩定、易受環境干擾、難以并入電網等問題，提出使用 PCA-GA-BP 算法對風力發電功率進行預測，該方法使用遺傳算法對 BP 神經網絡進行優化，使用 PCA 主成分分析對風力渦輪機輸出功率的影響因素數據進行降維，將降維數據作為輸入，將預測結果作為輸出。最后，通過仿真將該方法和傳統算法進行對比。結果表明，該模型可以快速準確地預測不同天氣狀況下的風電輸出功率。

0 引 言

基于風力發電的能源正在成為住宅、商業和工業應用中最有前途的能源之一。風力發電由于其非理想的特性，已經引起了廣大研究人員的關注 [1-2]。準確預測風力發電短期輸出功率，對于電網生產、輸送、存儲的日 / 時效管理，以及能源市場決策具有重要意義。近年來，有許多研究人員對風力發電功率進行了預測。趙海琦 [3] 等使用 BP 神經網絡算法預估了風電運行表現。郭志剛 [4] 研究了如何使用 BP 神經網絡算法準確預測風電功率，卻沒有考慮使用單一 BP 神經網絡算法可能會導致訓練的權值閾值局部最優。賈蒙蒙 [5] 使用蟻群算法尋找最優的 BP 神經網絡結構參數，對短期風速進行了預測。何廷一 [6] 使用蜂群算法尋找神經網絡最優權值和閾值，但沒有考慮對初始數據進行優化。

PCA 主成分分析 [7-8] 是對數據進行分析降維的一種方法，BP 神經網絡 [9] 是一種通過數據訓練并不斷反饋修正的多層神經網絡，是預測分析中使用較為廣泛的神經網絡算法。遺傳算法是一種群智能搜索算法 [10]，能夠對參數較多或較難選取的算法進行參數尋優等。結合以上研究進展和技術手段，提出先使用 PAC 降維，再使用 GA 優化神經網絡建立模型，從而快速準確的根據天氣數據對風電輸出功率進行短期預測的構想。

1 算法結構

1.1 PCA 主成分分析

PCA 主成分分析就是用數據里最主要的成分代替原始數據。對于 m×n 維的數據矩陣 ：

樣本量為 n，m 為數據的維數，先將 A 進行中心化：

得到的中心化矩陣為 ：

求得協方差矩陣為 ：

求 C 的 m 個特征向量按照特征值大小排列組成矩陣 W，只取 W 前 l 列 ：

將 m×n 維數據降維到 l×n 維。

1.2 GA-BP 神經網絡算法

GA-BP 神經網絡算法使用遺傳算法得到最優的 BP 神經網絡結構參數，再進行神經網絡的訓練，選取測試集進行測試。算法流程如圖 1 所示。

2 實驗分析

測試所用數據來自于西北某風電廠一風力渦輪機一年的數據，數據集每一小時記錄一次渦輪機功率、風速、風向等數據，數據集數據較多，維數較大，直接帶入模型訓練時間較長，使用 PCA 主成分分析法可以降低數據維數，加快訓練速度。

使用 PCA 主成分分析法計算可以得到主成分貢獻率表，見表 1 所列。

可以發現前 4 個主成分就可以描述數據的 93.004 97%，我們選取前 4 個主成分數據進行訓練，將數據集維數降為 4維。將功率輸出分為 4 個區間，使用 PCA 主成分分析可以得到如圖 2 所示的 PCA 置信圖。

首先根據 4 維數據輸出和單數據輸出確定 BP 神經網絡的拓撲結構，隱含層神經元個數和輸入層元關系為 ：

可以得到神經網絡結構為 4-9-1，共有 45 個權值，9 個閾值，遺傳算法優化的參數為 54 個，使用降維訓練集樣本進行訓練，再使用測試集樣本進行誤差測試。使用誤差的范數衡量網絡能力，通過誤差范數計算適應度。遺傳算法進化的適應度曲線如圖 3 所示。

神經網絡的隱含層傳遞函數采用 S 型正切函數，輸出層使用 S 型對數函數，將輸出區間固定為 0 ～ 1，將遺傳算法優化的初始權值和閾值交給 BP 神經網絡進行訓練，最后將預測結果和測試集數據進行比較。可以發現，圖 4 所示的預測結果和真實值幾乎保持一致，達到了算法的目的。

GA-BP 的預測誤差百分比如圖 5 所示，可以看到，誤差保持在 10% 以內。

選用算法運行速度、決定系數和算法準確度 3 個評價指標分別對本算法和其他傳統算法進行評價，指標的計算公式如下。算法準確度 ：

決定系數 ：

算法準確度越高，算法性能越好，決定系數在 0 ～ 1 之間，越接近 1 性能越好。

PCA-GA-BP 與傳統算法的性能比較見表 2 所列。

可以發現，使用主成分分析后的算法準確率下降，但運行時間縮短，使用主成分分析的遺傳神經網絡算法達到了最佳性能。

3 結 語

本文基于 PCA-GA-BP 神經網絡算法對采集的風力渦輪機天氣數據和對應的功率輸出數據進行訓練，再使用測試集數據進行測試，結果發現，使用 PCA-GA-BP 算法的短時風力渦輪機可以快速準確地預測輸出功率。相比傳統的 BP、GA-BP、PSO-BP 算法預測精度更高、預測時間更短。注：本文通訊作者為朱傳奇。

審核編輯：湯梓紅