论文部分内容阅读
摘 要：根据湖南 发改委发布的《关于发布全省 2020-2021 年度新能源消纳预警结果的通知》，永州地区被划分为风电接入红色预警区域，光伏接入橙色预 警区域，电源接入面临电网送出困难的难题，电源接入前需对电网消纳能力做准确的分析，保证电源合理有序接入电网。因此本文引入神经网络进行分析电源出力同时率，针对电源选取，计算方法选取、电源出力同时率计算等方面进行分析，希望对于相关的人员提供参考与借鉴的作用。
关键词：永州市;神经网络;电源出力同时率
1 引言
目前，电源出力同时率的选取通常通过统计区域内已投产电源出力同时率分区段概率分布情况选取，或者根据经验选取，缺乏一种快速精確的计算方法。本文旨在研究使用神经网络算法快速预测电源出力同时率。
2.电源选取
采用永州市已投水电、风电、光伏 2018-2019 年全年 1h 采样出力数据统计分析出力特性。为避免全年运行数据不全带来的影响，分析数据选取 2018 年底前投产电源。截止 2019 底，永州地区已投产35 千伏及以上电源共 20 座，容量 1354.7MW，其中水电 10 座，容量608.7MW;风电 7 座，容量 642MW;光伏 3 座，容量容量 104MW。
3.电源出力同时率计算方法选择
3.1概率统计方法
该方法为目前电力电量平衡中普遍使用的方法，仅可统计现有投产电源出力同时率情况，对于新增的电源，出力同时率如何取值无法判别，从而该种方法得到的电源出力同时率准确度不高。
3.2散点图曲线拟合
利用曲线拟合可以对未来变化趋势进行预测，但拟合曲线种类有限，对于变化不规律，曲线拟合度较差，仅可作为变化趋势的判别， 难以满足高精度要求。
3.3神经网络算法
人工神经网络以大脑机制作为基础，开发用于建立复杂模式和预测问题的算法，在从初始化输入及其关系学习之后，它也可以推断出从未知数据之间的未知关系，从而使得模型能够推广并且预测未知数据，这在电源出力同时率变化未知预测中非常有用，因此，该课题使用人工神经网络测算电源出力同时率。
4 神经网络
4.1神经元模型
生物神经元是生物神经系统的最基本单元，按照是否有神经冲动，可以将神经元分为兴奋与抑制两种状态，这两种状态通过细胞膜内外之间的不同电位差来表征。
对于神经网络（neural networks）的研究在很早以前就已出现， 今天的“神经网络”已经是一个庞大的、多学科交叉的研究领域。各学科对神经网络的定义多种多样，被广泛接受的定义是：“神经网络是由具有适应性的简单单元组成的广泛并行互连的网络，它的组织能够模拟生物神经系统对真实世界物体所作出的交互反应。
神经元模型是生物神经元的抽象和模拟，是神经网络理论的最基本组成部分，即神经网络的定义中提到的“简单单元”。在生物神经网络中，每个神经元与其他神经元相连，当它“兴奋”时，就会向相连的神经元发送化学物质，从而改变这些神经元内的电位;如果某神经元的电位超过了一个“阈值”（threshold），那么它就会被激活，即“兴奋” 起来，向其他神经元发送化学物质。
4.2感知机与多层网络
由两层神经元组成的网络被称为感知机，输入层接收外界输入信号后传递给输出层，输出层是 M-P 神经元，亦称为“阈值逻辑单元”。实际中广泛使用神经网络往往是层级结构，每层神经元与下一层神经元完全互连，神经元之间不存在同层连接，也不存在跨层连接，这样的神经网络结构通常称为“多层前馈神经网络”。输入层与输出层之间的一层神经元被称作隐层或者隐含层，隐含层和输出层神经元都是拥有激活函数的功能神经元。只需包含隐含层，即可称为多层网络。输入层神经元接收外界输入，隐层与输出层神经元对信号进行加工，最终结果由输出层神经元输出;其中，输入层神经元仅是接收输入，不进行函数处理，隐层和输出层包含功能神经元。
学习与训练是神经网络的两个重要概念，学习指的是“神经元系统根据某种学习方法调整它内部参数以完成特定的任务的过程”。训练指的是“向网络输人足够多的样本，通过一定算法调整网络的结构（主要是调节权值），使网络的输出与预期值相符的过程”。P 神经元为例，神经网络的学习过程，就是根据训练数据来调整神经元之间的“连接权重”（connection weight）以及每个功能神经元的阈值;换言之，神经网络“学”到的东西，蕴涵在连接权与阈值中。
4.3误差逆传播算法
想要训练多层网络，需要依赖强大的学习算法。误差逆传播（errorback propagation，简称 BP）算法就是其中最杰出的代表，它是迄今最成功的神经网络学习算法，被广泛应用于多层前馈神经网络的训练。
对每个训练样例，BP 算法执行以下操作：先将输入示例提供给输入层神经元，然后逐层将信号前传，直到产生输出层的结果;然后计算输出层的误差（第 4-5 行），再将误差逆向传播至隐层神经元（第 6 行），最后根据隐层神经元的误差来对连接权和阈值进行调整（第 7 行）。该迭代过程循环进行，直到达到某些停止条件为止，例如训练误差已达到一个很小的值。
5 电源出力同时率计算
5.1 电源规模增大对同时率的影响
统计水电、风电、光伏同时刻随电源规模增大各月份同时率变化情况，由下表数据可知，随着区域电源规模的增加，水电、风电、光伏出力同时率均是呈下降趋势。
5.2 基于神经网络的同时率计算
通过MATLAB 软件构建电源出力同时率的BP 神经网络预测模型，调取电源出力8760 数据，按同时刻相加组合预测电源出力同时率随电源座数增加的变化规律，计算过程中将电源进行组合求算术平均数，防止电源出力特殊情况影响。
通过神经网络预测模型预测新增电源对应的水电、风电同时率，拟合误差较小，满足精度要求。从水电同时率变化曲线可以看出，水电出力同时率与座数的关系为非典型的曲线关系，随着电源座数的增加，电源出力同时率变化曲线趋于平滑。
6结论
6.1 永州地区水电在春夏之交水资源较丰富，日水电最大出力发生在晚 19-21 点;风电场在冬季、初春风资源较丰富，与春夏之交的丰水期能形成较好的互补，日风电最大出力发生在晚 20-22 点;光伏在夏季光照资源较丰富，日光伏最大出力发生在中午 12-13 点。
6.2通过 MATLAB 软件构建电源出力同时率的 BP 神经网络预测模型，预测新增 1 座水电站则同时率降至 89%，随着电站数量的增加，同时率变化将趋于平缓;预测新增1座风电场则同时率降至74%，新增 5 座水电站则同时率降至72%，随着电站数量的增加，同时率变化将趋于平缓;由于永州地区现有光伏电站样本较少，等永州地区投产足够的光伏电站，同理可以使用神经网络预测模型进行光伏电站同时率的预测。
参考文献：
[1]毕云帆，撖奥洋，张智晟，等.基于模糊Bagging-GBDT的短期负荷预测模型研究[J].电力系统及其自动化学报，2019，31（7）：51-56.
[2]常晓雪，于立涛，撖奥洋，等.基于Bagging算法和Elman-NN融合的短期负荷预测模型[J].青岛大学学报（工程技术版），2018，33（3）：87-91.
[3]原思平.深度时序神经网络集成方法及其电能需量预测应用[D].长沙：湘潭大学，2019.
（国网永州供电公司，湖南 永州 425000）
关键词：永州市;神经网络;电源出力同时率
1 引言
目前，电源出力同时率的选取通常通过统计区域内已投产电源出力同时率分区段概率分布情况选取，或者根据经验选取，缺乏一种快速精確的计算方法。本文旨在研究使用神经网络算法快速预测电源出力同时率。
2.电源选取
采用永州市已投水电、风电、光伏 2018-2019 年全年 1h 采样出力数据统计分析出力特性。为避免全年运行数据不全带来的影响，分析数据选取 2018 年底前投产电源。截止 2019 底，永州地区已投产35 千伏及以上电源共 20 座，容量 1354.7MW，其中水电 10 座，容量608.7MW;风电 7 座，容量 642MW;光伏 3 座，容量容量 104MW。
3.电源出力同时率计算方法选择
3.1概率统计方法
该方法为目前电力电量平衡中普遍使用的方法，仅可统计现有投产电源出力同时率情况，对于新增的电源，出力同时率如何取值无法判别，从而该种方法得到的电源出力同时率准确度不高。
3.2散点图曲线拟合
利用曲线拟合可以对未来变化趋势进行预测，但拟合曲线种类有限，对于变化不规律，曲线拟合度较差，仅可作为变化趋势的判别， 难以满足高精度要求。
3.3神经网络算法
人工神经网络以大脑机制作为基础，开发用于建立复杂模式和预测问题的算法，在从初始化输入及其关系学习之后，它也可以推断出从未知数据之间的未知关系，从而使得模型能够推广并且预测未知数据，这在电源出力同时率变化未知预测中非常有用，因此，该课题使用人工神经网络测算电源出力同时率。
4 神经网络
4.1神经元模型
生物神经元是生物神经系统的最基本单元，按照是否有神经冲动，可以将神经元分为兴奋与抑制两种状态，这两种状态通过细胞膜内外之间的不同电位差来表征。
对于神经网络（neural networks）的研究在很早以前就已出现， 今天的“神经网络”已经是一个庞大的、多学科交叉的研究领域。各学科对神经网络的定义多种多样，被广泛接受的定义是：“神经网络是由具有适应性的简单单元组成的广泛并行互连的网络，它的组织能够模拟生物神经系统对真实世界物体所作出的交互反应。
神经元模型是生物神经元的抽象和模拟，是神经网络理论的最基本组成部分，即神经网络的定义中提到的“简单单元”。在生物神经网络中，每个神经元与其他神经元相连，当它“兴奋”时，就会向相连的神经元发送化学物质，从而改变这些神经元内的电位;如果某神经元的电位超过了一个“阈值”（threshold），那么它就会被激活，即“兴奋” 起来，向其他神经元发送化学物质。
4.2感知机与多层网络
由两层神经元组成的网络被称为感知机，输入层接收外界输入信号后传递给输出层，输出层是 M-P 神经元，亦称为“阈值逻辑单元”。实际中广泛使用神经网络往往是层级结构，每层神经元与下一层神经元完全互连，神经元之间不存在同层连接，也不存在跨层连接，这样的神经网络结构通常称为“多层前馈神经网络”。输入层与输出层之间的一层神经元被称作隐层或者隐含层，隐含层和输出层神经元都是拥有激活函数的功能神经元。只需包含隐含层，即可称为多层网络。输入层神经元接收外界输入，隐层与输出层神经元对信号进行加工，最终结果由输出层神经元输出;其中，输入层神经元仅是接收输入，不进行函数处理，隐层和输出层包含功能神经元。
学习与训练是神经网络的两个重要概念，学习指的是“神经元系统根据某种学习方法调整它内部参数以完成特定的任务的过程”。训练指的是“向网络输人足够多的样本，通过一定算法调整网络的结构（主要是调节权值），使网络的输出与预期值相符的过程”。P 神经元为例，神经网络的学习过程，就是根据训练数据来调整神经元之间的“连接权重”（connection weight）以及每个功能神经元的阈值;换言之，神经网络“学”到的东西，蕴涵在连接权与阈值中。
4.3误差逆传播算法
想要训练多层网络，需要依赖强大的学习算法。误差逆传播（errorback propagation，简称 BP）算法就是其中最杰出的代表，它是迄今最成功的神经网络学习算法，被广泛应用于多层前馈神经网络的训练。
对每个训练样例，BP 算法执行以下操作：先将输入示例提供给输入层神经元，然后逐层将信号前传，直到产生输出层的结果;然后计算输出层的误差（第 4-5 行），再将误差逆向传播至隐层神经元（第 6 行），最后根据隐层神经元的误差来对连接权和阈值进行调整（第 7 行）。该迭代过程循环进行，直到达到某些停止条件为止，例如训练误差已达到一个很小的值。
5 电源出力同时率计算
5.1 电源规模增大对同时率的影响
统计水电、风电、光伏同时刻随电源规模增大各月份同时率变化情况，由下表数据可知，随着区域电源规模的增加，水电、风电、光伏出力同时率均是呈下降趋势。
5.2 基于神经网络的同时率计算
通过MATLAB 软件构建电源出力同时率的BP 神经网络预测模型，调取电源出力8760 数据，按同时刻相加组合预测电源出力同时率随电源座数增加的变化规律，计算过程中将电源进行组合求算术平均数，防止电源出力特殊情况影响。
通过神经网络预测模型预测新增电源对应的水电、风电同时率，拟合误差较小，满足精度要求。从水电同时率变化曲线可以看出，水电出力同时率与座数的关系为非典型的曲线关系，随着电源座数的增加，电源出力同时率变化曲线趋于平滑。
6结论
6.1 永州地区水电在春夏之交水资源较丰富，日水电最大出力发生在晚 19-21 点;风电场在冬季、初春风资源较丰富，与春夏之交的丰水期能形成较好的互补，日风电最大出力发生在晚 20-22 点;光伏在夏季光照资源较丰富，日光伏最大出力发生在中午 12-13 点。
6.2通过 MATLAB 软件构建电源出力同时率的 BP 神经网络预测模型，预测新增 1 座水电站则同时率降至 89%，随着电站数量的增加，同时率变化将趋于平缓;预测新增1座风电场则同时率降至74%，新增 5 座水电站则同时率降至72%，随着电站数量的增加，同时率变化将趋于平缓;由于永州地区现有光伏电站样本较少，等永州地区投产足够的光伏电站，同理可以使用神经网络预测模型进行光伏电站同时率的预测。
参考文献：
[1]毕云帆，撖奥洋，张智晟，等.基于模糊Bagging-GBDT的短期负荷预测模型研究[J].电力系统及其自动化学报，2019，31（7）：51-56.
[2]常晓雪，于立涛，撖奥洋，等.基于Bagging算法和Elman-NN融合的短期负荷预测模型[J].青岛大学学报（工程技术版），2018，33（3）：87-91.
[3]原思平.深度时序神经网络集成方法及其电能需量预测应用[D].长沙：湘潭大学，2019.
（国网永州供电公司，湖南 永州 425000）