• 首页
  • 科学成果
  • 短期风速预测前馈和反馈神经网络结构的比较-洪岳博士

短期风速预测前馈和反馈神经网络结构的比较-洪岳博士

2024-10-22

近年来,有限的化石燃料储量以及与之相关的有害排放物使人们越来越关注可再生能源。

在可再生能源中,风能是发电成本最低的一种,但只有在天气条件允许的情况下才可行。为了保证风力发电的经济调度,能否对未来风速进行短期预测是非常重要的,因为风速直接影响到发电容量。如果没有这种能力,风力发电场运营商很可能会分配更多的发电机组或补充能源储备,以确保达到预算电力输出,最终导致运营成本增加。

这些研究中使用的神经网络类型一般由前馈多层感知机(MLP)网络,或递归神经网络(RNN),结构组成。研究表明,递归神经网络结构对时间序列数据预测是最有效的,因此,它被认为是短期风速预测的最佳架构。

本文研究了MLP、RNN和同步递归神经网络(SRN)的短期风速预测能力。所使用的训练算法是粒子群优化算法(PSO)。比较了用该训练算法训练得到的神经网络。

以前的工作表明,温度是预测短期未来风速的最重要的气象参数。湿度和当前风速也被确定为关键指标。因此,本文中用于训练神经网络的数据包含以下三个输入(除了偏差值),这些输入是由位于科罗拉多州博尔德以南5英里的国家可再生能源实验室(NREL)国家风能技术中心(NWTC)站点上或附近82米高的M2塔上的仪器记录的:

•当前风速为80米,单位为毫升

•当前温度为2米,单位为摄氏度

•当前相对湿度百分比

训练数据包括每一分钟输入的值,每个数据点代表该分钟内每两秒读取的平均值。该训练数据用于优化每个神经网络的突触权值,以提供15分钟后80米风速的最佳预测。

本文的其余部分组织如下:在第二节中给出了使用的三个神经网络的详细原理;第三节详细说明了训练方法,第四节给出了训练结果。第五节给出了本工作的结论。

2 神经网络

神经网络是五种主要的计算智能方式之一,被称为通用逼近器。第一个(也是最流行的)网络是MLP网络;二是RNN;最后,研究的第三个神经网络是SRN。在每种情况下,网络输入如前一节所述,输出仅为未来15分钟的风速。在呈现给网络之前,所有的输入值都被归一化为它们在一周训练数据中的最大值。

a .多层感知器网络

MLP网络是前馈网络体系结构的一员,是所研究的网络中最简单的。在这个网络中,有3层,每一层都由神经元组成。这三层分别是输入、隐藏和输出层。输入层(具有线性激活函数)得到输入值,然后乘以输入权重矩阵W,通过隐藏层(使用sigmoid激活函数),乘以输出权重矩阵V,最后输入到输出层(使用线性激活函数)。

B.递归神经网络

RNN是递归体系结构的一员,如前所述,这种类型的体系结构在时间序列预测方面表现出色。RNN在一般结构上类似于MLP,除了它包含一个从网络的某个后期阶段返回到输入层的反馈回路(具有单位延迟)。在本研究中,使用了Elman网络,该网络从隐藏层获取输出;另一种RNN是Jordan网络,它从输出层获取反馈。这种反馈被存储在另一层称为上下文层,允许网络保留内部存储器。

由于隐藏层比输出层宽,本研究在Jordan网络上选择Elman结构。这个更宽的层允许将更多的值反馈到输入,从而允许网络获得更多的信息。

为了计算RNN的输出,使用来自MLP的相同方程,用公式(5)取代(1)。

 

C.同步递归神经网络

与RNN一样,SRN也是反馈体系结构的一员。然而,SRN与RNN的不同之处在于反馈部分不包含延迟单元,而是直接从网络的后期阶段获取反馈值。与RNN一样,SRN可以采用Elman或Jordan配置。

SRN和RNN之间的一个主要区别是,由于反馈不包含延迟,输入值必须通过网络传播几次,直到输出达到平衡。这种重复应用输入的过程称为内部再循环,由于这些内部递归,用于获得RNN输出的相同方程可以用于SRN,除了它们必须重复多次,直到(4)中的输出y稳定。为了确保输出的稳定性,将执行内部递归,直到两个连续输出相差不超过0.01或20次迭代为止。

在本研究中,每个网络有4个输入神经元(每个输入一个,也有一个偏置值),输出层有1个神经元,因为网络将产生一个输出值。然而,为了保持突触权重的数量相同(因此每个网络包含的信息量相同),MLP的隐藏层中有10个神经元,而RNN和SRN在隐藏层中各有5个神经元,这也意味着上下文层有5个神经元宽。

在MLP的情况下,W的大小为4x I0, V的大小为1x I0,RNN和SRN都有一个大小为9 × 5的W和一个大小为5 × 1的V,在所有情况下,权重的总数为50。隐藏层大小的选择是相当随意的,因为如果没有反复试验或分析训练数据的自由度,就无法知道最优数量。

3 训练步骤

在前面提到的每个神经网络的情况下,输入和输出权重都需要进行训练,以允许网络提供足够的输出。本研究采用粒子群算法对该过程进行优化,并在Matlab中实现。先前的研究表明,当用于训练前馈神经网络(如MLP)时,PSG算法与反向传播算法相比表现出优越的性能。

PSG是一种计算优化技术,它利用一组粒子在多维问题空间中飞行,其中每个粒子代表一个潜在的解决方案。问题空间中的维数等于需要优化的参数的数量。因为每个被研究的网络都有相同数量的突触权重,所以在每种情况下,每个粒子的维数都是50。

本研究使用的为标准规范形式,速度更新由式(6)给出,位置更新由式(7)给出。每个方程中,e为粒子数,d为粒子维数。

在对神经网络进行实际训练之前,对PSG算法的参数(w, c, C2)以及用于PSG优化的粒子数量进行优化,我们使用了30个粒子,发现初始值w为0.7492(在最后迭代时,该值线性降低到初始值的一半),而CI和C2的最优值分别为0.8107和2.5000。在所有PSG参数优化后,前面提到的每个网络都使用PSG进行300次迭代训练,使用所有最佳设置,并使用2008年11月10日至2008年11月16日这一周的10080个训练数据点,每个数据点对应于每两秒读取的一分钟平均值。这种训练重复了20次,以便平均出由于PSG算法的随机方面而导致的性能变化。

4 结果

我们给出了使用PSG训练的每个网络的最差、平均和最佳MSE,以及运行每个网络的整个优化过程所需的时间。还比较了每个网络的最佳性能以及绝对相对误差(ARE)。显示了在一个小的选定时间框架内对每一种的抽样。分别显示了训练数据样本的MLP、RNN和SRN网络的性能。从这些图中可以看出,虽然每个网络的性能相似,但递归架构(RNN和SRN网络)的性能略优于MLP。

值得注意的是,递归架构优于MLP,特别是在第7600到7700分钟之间。在此时间段内,递归架构的ARE幅度低于MLP。

4 总结

能够准确地进行短期风速预测对电力工业来说是一个非常有用的,这为风电场运营商提供了预测风电输出的能力,并相应地参与电力市场和电网运营。本研究的结果表明,尽管所研究的所有神经网络都具有短期风速预测的潜力,但效果最好的是递归神经网络结构,特别是在训练范围之外的数据上。然而,随着准确度的提高,由于这些网络的反馈循环,训练和运行时间也会增加。

未来的工作包括调查这里介绍的所有网络处理季节性数据的能力。此外,还将研究用于中期风预报的SRN。