第8期 李艳晴等：基于卡尔曼滤波的迟滞神经网络风速序列预测 ·1113· 集到预测值对应的实际测量值之后，将该测量值作 大时，神经元的活性将降低，造成对当前输入变化的 为已知数据构造一个新的训练样本对加入到训练集 响应不够灵敏，反而破坏了网络的泛化能力.因此， 中，并将训练集中的第一个训练样本移出，以保证训 网络迟滞参数的选择应当适中，本文中迟滞参数的 练集中训练样本对数量不变.然后利用训练集重新 初始范围选择在±0.01之间. 对网络的参数进行训练，训练完成后可再次实现下 一次预测分析，以此循环完成风速序列的预测分析 5结论 BP神经网络和迟滞神经网络实现风速序列预测的 本文通过引入迟滞特性对BP神经网络进行改 计算时间如表3所示 进，构造出新型的迟滞神经网络.采用该网络对风 表3预测时间统计 速序列进行预测分析，并结合卡尔曼滤波方法对预 Table 3 Comparison results of calculation cost 测结果进行融合，改善了风速预测的性能.实验结 预测方法 分析方法1次预测时间/s 50次预测时间/s 果表明，迟滞神经网络具有更灵活的网络结构，能够 一步预测 0.175 8.752 改善传统BP网络的不足，提高网络的泛化能力和 BP神经网铬 三步预测 0.178 8.887 预测精度.采用卡尔曼滤波方法对预测结果进行融 一步预测 0.182 9.110 合后，可进一步改善预测性能，降低预测误差. 迟滞神经网络 三步预测 0.183 9.157 参考文献 由表3可见，由于迟滞神经网络需要训练迟滞 [1]Wu D L,Wang Y,Guo C X,et al.Shortterm wind speed fore- 参数，因此与BP神经网络相比，其计算量略有增 casting in wind farm based on improved GMDH network.Power 加，但增加并不大，与BP神经网络的计算时间在同 Syst Prot Control,2011,39 (2)88 (吴栋梁，王扬，郭创新，等.基于改进GMDH网络的风电场 一数量级上，完成1次预测所需时间小于0.2s.由 短期风速预测.电力系统保护与控制，2011,39(2)：88) 于风速序列的采样时间为l0min,因此上述各种方 2] Luo W,Wang L N.Short-term wind speed forecasting for wind 法都可满足风速序列在线预测的要求. farm.Trans China Electro Tech Soc,2011,26(7):68 4.2迟滞参数初值范围选择 (罗文，王莉娜.风场短期风速预测研究.电工技术学报， 迟滞特性的引入可使神经元对原状态具有一定 2011,26(7):68) B] 的保持能力，从而可减少神经元状态的错误变化，增 Jing T J,Ruan R,Yang M H.Wind power forecast based on equivalent average wind speed.Autom Electr Pocer Syst,2009 加网络的记忆能力，但引入迟滞特性的程度应适中， 33(24):83 太小的迟滞参数对神经元的影响较小，对网络性能 (井天军，阮容，杨明皓.基于等效平均风速的风力发电功率 的改善不大：太大的迟滞参数会降低神经元对当前 预测.电力系统自动化，2009,33(24)：83) 状态变化响应的灵敏度，从而降低网络的泛化能力 4] Chen P,Chen H Y,Ye R.et al.Wind speed forecasting based 由于迟滞参数的训练采用梯度寻优的方式，网 on combination of wavelet packet analysis with support vector re- gression.Power Syst Technol,2011,35(5):177 络最终的迟滞参数与其初值选取范围有较大的关 (陈盼，陈皓勇，叶荣，等.基于小波包和支持向量回归的风 系.图10给出了不同的迟滞参数初始范围与网络 速预测.电网技术，2011,35(5)：177) 平均预测误差的关系图.由图可见，在原前向型的 5] Wang X L,Wang M W.Short-term wind speed forecasting based 神经网络中引入迟滞特性，能够改善网络的预测性 on wavelet decomposition and least square support vector machine. Pocer Syst Technol,2010,34(1):179 能。但是，当随机赋予网络的初始迟滞参数范围太 (王晓兰，王明伟.基于小波分解和最小二乘支持向量机的短 2.6 期风速预测.电网技术，2010,34(1)：179) g2.4 一步预测的平均误差 三步预测的平均误差 [6] Li R,Chen Q.Xu H R.Wind speed forecasting method based on 2.2 1S-VM considering the related factors.Power Syst Prot Control, 2010,38(21):146 2.0 (栗然，陈侍，徐宏锐.考虑相关因素的最小二乘支持向量机 1.8 风速预测方法.电力系统保护与控制，2010,38(21)：146) 7]Gao S,Dong L,Gao Y,et al.Mid-ong term wind speed predic- ±0.005 ±0.010±0.015±0.020±0.025±0.030 迟滞参数初始范围 tion based on rough set theory.Proc CSEE,2012,32(1):32 (高爽，冬雷，高阳，等.基于粗糙集理论的中长期风速预测， 图10迟滞参数对网络预测结果的影响 中国电机工程学报，2012,32(1)：32) Fig.10 Relationship between prediction error and initial scope of [8]Du Y,Lu J P,Li Q,et al.Shortterm wind speed forecasting of hysteretic parameters wind farm based on least square-support vector machine.Powcer第 8 期 李艳晴等: 基于卡尔曼滤波的迟滞神经网络风速序列预测 集到预测值对应的实际测量值之后，将该测量值作 为已知数据构造一个新的训练样本对加入到训练集 中，并将训练集中的第一个训练样本移出，以保证训 练集中训练样本对数量不变． 然后利用训练集重新 对网络的参数进行训练，训练完成后可再次实现下 一次预测分析，以此循环完成风速序列的预测分析． BP 神经网络和迟滞神经网络实现风速序列预测的 计算时间如表 3 所示． 表 3 预测时间统计 Table 3 Comparison results of calculation cost 预测方法 分析方法 1 次预测时间/ s 50 次预测时间/ s BP 神经网络 一步预测 0. 175 8. 752 三步预测 0. 178 8. 887 迟滞神经网络 一步预测 0. 182 9. 110 三步预测 0. 183 9. 157 由表 3 可见，由于迟滞神经网络需要训练迟滞 参数，因此与 BP 神经网络相比，其计算量略有增 加，但增加并不大，与 BP 神经网络的计算时间在同 一数量级上，完成 1 次预测所需时间小于 0. 2 s． 由 于风速序列的采样时间为 10 min，因此上述各种方 法都可满足风速序列在线预测的要求． 4. 2 迟滞参数初值范围选择 迟滞特性的引入可使神经元对原状态具有一定 的保持能力，从而可减少神经元状态的错误变化，增 加网络的记忆能力，但引入迟滞特性的程度应适中． 太小的迟滞参数对神经元的影响较小，对网络性能 的改善不大; 太大的迟滞参数会降低神经元对当前 状态变化响应的灵敏度，从而降低网络的泛化能力． 图 10 迟滞参数对网络预测结果的影响 Fig． 10 Ｒelationship between prediction error and initial scope of hysteretic parameters 由于迟滞参数的训练采用梯度寻优的方式，网 络最终的迟滞参数与其初值选取范围有较大的关 系． 图 10 给出了不同的迟滞参数初始范围与网络 平均预测误差的关系图． 由图可见，在原前向型的 神经网络中引入迟滞特性，能够改善网络的预测性 能． 但是，当随机赋予网络的初始迟滞参数范围太 大时，神经元的活性将降低，造成对当前输入变化的 响应不够灵敏，反而破坏了网络的泛化能力． 因此， 网络迟滞参数的选择应当适中，本文中迟滞参数的 初始范围选择在 ± 0. 01 之间． 5 结论 本文通过引入迟滞特性对 BP 神经网络进行改 进，构造出新型的迟滞神经网络． 采用该网络对风 速序列进行预测分析，并结合卡尔曼滤波方法对预 测结果进行融合，改善了风速预测的性能． 实验结 果表明，迟滞神经网络具有更灵活的网络结构，能够 改善传统 BP 网络的不足，提高网络的泛化能力和 预测精度． 采用卡尔曼滤波方法对预测结果进行融 合后，可进一步改善预测性能，降低预测误差． 参 考 文 献 ［1］ Wu D L，Wang Y，Guo C X，et al． Short-term wind speed fore￾casting in wind farm based on improved GMDH network． Power Syst Prot Control，2011，39( 2) : 88 ( 吴栋梁，王扬，郭创新，等． 基于改进 GMDH 网络的风电场 短期风速预测． 电力系统保护与控制，2011，39( 2) : 88) ［2］ Luo W，Wang L N． Short-term wind speed forecasting for wind farm． Trans China Electro Tech Soc，2011，26( 7) : 68 ( 罗文，王莉娜． 风场短期风速预测研究． 电 工 技 术 学 报， 2011，26( 7) : 68) ［3］ Jing T J，Ｒuan Ｒ，Yang M H． Wind power forecast based on equivalent average wind speed． Autom Electr Power Syst，2009， 33( 24) : 83 ( 井天军，阮睿，杨明皓． 基于等效平均风速的风力发电功率 预测． 电力系统自动化，2009，33( 24) : 83) ［4］ Chen P，Chen H Y，Ye Ｒ，et al． Wind speed forecasting based on combination of wavelet packet analysis with support vector re￾gression． Power Syst Technol，2011，35( 5) : 177 ( 陈盼，陈皓勇，叶荣，等． 基于小波包和支持向量回归的风 速预测． 电网技术，2011，35( 5) : 177) ［5］ Wang X L，Wang M W． Short-term wind speed forecasting based on wavelet decomposition and least square support vector machine． Power Syst Technol，2010，34( 1) : 179 ( 王晓兰，王明伟． 基于小波分解和最小二乘支持向量机的短 期风速预测． 电网技术，2010，34( 1) : 179) ［6］ Li Ｒ，Chen Q，Xu H Ｒ． Wind speed forecasting method based on LS-SVM considering the related factors． Power Syst Prot Control， 2010，38( 21) : 146 ( 栗然，陈倩，徐宏锐． 考虑相关因素的最小二乘支持向量机 风速预测方法． 电力系统保护与控制，2010，38( 21) : 146) ［7］ Gao S，Dong L，Gao Y，et al． Mid-long term wind speed predic￾tion based on rough set theory． Proc CSEE，2012，32( 1) : 32 ( 高爽，冬雷，高阳，等． 基于粗糙集理论的中长期风速预测． 中国电机工程学报，2012，32( 1) : 32) ［8］ Du Y，Lu J P，Li Q，et al． Short-term wind speed forecasting of wind farm based on least square-support vector machine． Power · 3111 ·