Please wait a minute...
浙江大学学报(工学版)
浙江大学学报(工学版)  2021, Vol. 55 Issue (3): 594-600    DOI: 10.3785/j.issn.1008-973X.2021.03.021
计算机与控制工程     
基于组合损失函数的BP神经网络风力发电短期预测方法
刘芳1(),汪震1,*(),刘睿迪1,王锴2
1. 浙江大学 电气工程学院，浙江 杭州 310027
2. 中国科学院大学 计算机学院，北京 100049
Short-term forecasting method of wind power generation based on BP neural network with combined loss function
Fang LIU1(),Zhen WANG1,*(),Rui-di LIU1,Kai WANG2
1. College of Electrical Engineering, Zhejiang University, Hangzhou 310027, China
2. Department of Computer Science, University of Chinese Academy of Science, Beijing 100049, China
 全文: PDF(937 KB)   HTML
摘要：

为了改善风电大规模并网带来的电力系统功率平衡问题，提高系统的风电消纳能力，构建了基于组合损失函数的风电功率预测神经网络模型. 为了提高原始数据信息的利用率，在模型中将数据进行分类，提出以最小化组合损失函数为目标的BP神经网络风力发电短期预测模型，由均方差损失函数、交叉熵损失函数和排序损失函数按照不同的权重比构成组合损失函数. 基于实际风场数据，对基于组合损失函数的预测模型效果进行训练和仿真验证，结果表明相较于基于单一的均方差损失函数的预测方法，提出的组合损失函数可有效提高预测精度.
关键词： 风电预测;  人工神经网络;  功率分段;  特征提取;  损失函数    
Abstract:

A short-term forecasting model of neural network for wind power generation with the combined loss function was proposed, in order to reduce the side effect of large-scale wind power integration on power system energy balance and increase system’s wind power accommodation ability. A classification method was introduced into the model, and a BP neural network short-term wind power prediction model with the goal of minimizing the combined loss function was proposed, in order to improve the utilization of raw data information. The combined loss function was constructed by the mean square error loss function, the cross-entropy loss function and the rank loss function according to different weight ratios. Compare to the prediction method based on separate loss functions, the combined loss function proposed can effectively improve the prediction accuracy from real wind farm data test.
Key words: wind power forecast    artificial neural network    power segment    feature extraction    loss function
收稿日期: 2020-02-28 出版日期: 2021-04-25
CLC:  TM 614  
基金资助: 国家重点研发计划（2017YFB0902000）；国家电网公司科技项目（SGXJ0000KXJS1700841）
通讯作者: 汪震     E-mail: ee_lf@zju.edu.cn;eezwang@ieee.org
作者简介: 刘芳（1995—），女，硕士生，从事新能源预测研究. orcid.org/0000-0002-3709-3699. E-mail： ee_lf@zju.edu.cn
服务　　
把本文推荐给朋友
加入引用管理器
E-mail Alert
作者相关文章　　
刘芳
汪震
刘睿迪
王锴

引用本文:

刘芳,汪震,刘睿迪,王锴. 基于组合损失函数的BP神经网络风力发电短期预测方法[J]. 浙江大学学报(工学版), 2021, 55(3): 594-600.

Fang LIU,Zhen WANG,Rui-di LIU,Kai WANG. Short-term forecasting method of wind power generation based on BP neural network with combined loss function. Journal of ZheJiang University (Engineering Science), 2021, 55(3): 594-600.

链接本文:

http://www.zjujournals.com/eng/CN/10.3785/j.issn.1008-973X.2021.03.021    或    http://www.zjujournals.com/eng/CN/Y2021/V55/I3/594

图 1  基于BP-ANN和组合损失函数的风电预测模型示意图
风电功率/kW 类别 样本数
<50 1 2094
50~110 2 2120
110~180 3 2008
180~290 4 2356
290~500 5 2169
>500 6 2165
表 1  风电功率、类别及样本数的列表
图 2  Softmax层示意图
图 3  排序损失函数示意图
图 4  实际功率曲线与采用BP-ANN模型、本文模型得到的预测功率曲线
训练集样本数 模型 $ {{{\varepsilon}} _{{\bf{MAE}}}} $ /kW $ {{{\varepsilon}} _{{\bf{RMSE}}}} $ /kW 训练时间/s
900 BP-ANN 131.9 150.5 1.8
LSTM 154.0 179.1 5
本文 110.0 133.9 3.1
1800 BP-ANN 126.2 144.4 3.0
LSTM 222.9 259.7 16.5
本文 131.7 141.6 4.5
4500 BP-ANN 152.6 186.8 5.4
LSTM 120.9 147.5 26.6
本文 118.1 144.1 8.8
7200 BP-ANN 133.3 185.2 8.3
LSTM 131.6 161.5 42.9
本文 94.5 105.2 13.8
9000 BP-ANN 125.9 187.7 10.2
LSTM 109.2 130.9 78.8
本文 103.2 128.9 16.6
表 2  模型的预测性能对比
训练集样本数 ${{\varepsilon } }_{{{\rm{MAE}}} }$/ ${{\varepsilon } }_{{{\rm{RMSE}}} }$
MSE MSE+CE MSE+CE+RK
900 121.7/145.0 119.5/138.3 110.0/133.9
1800 153.9/162.6 146.1/155.1 131.7/141.6
4500 134.3/161.0 128.5/150.9 118.1/144.1
7200 104.2/113.3 98.5/108.7 94.5/105.2
9000 146.6/171.9 134.0/159.3 103.2/128.9
表 3  训练后的模型的预测功率误差对比
${{\alpha } }$/ ${{\beta } }$/ ${{\gamma } }$ ${{\varepsilon } }_{{{\rm{RMSE}}} }$/kW ${{\alpha } }$/ ${{\beta } }$/ ${{\gamma } }$ ${{\varepsilon } }_{{{\rm{RMSE}}} }$/kW ${{\alpha } }$/ ${{\beta } }$/ ${{\gamma } }$ ${{\varepsilon } }_{{{\rm{RMSE}}} }$/kW
1/0.5/0.001 138.9 1/1/0.0005 144.1 1/1/0.005 142.3
1/1/0.002 144.2 1/1/0.01 126.4 1/5/0.001 148.8
1/10/0.001 133.9 2/1/0.001 130.5 10/1/0.001 166.7
表 4  不同损失函数权重系数的预测误差对比
1 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, 2016, 36 (23): 6315- 6326
PENG Xiao-sheng, XIONG Lei, WEN Jin-yu, et al A summary of the state of the art for short-term and ultra-short-term wind power prediction of regions[J]. Proceedings of the CSEE, 2016, 36 (23): 6315- 6326
2 钱政, 裴岩, 曹利宵, 等 风电功率预测方法综述[J]. 高电压技术, 2016, 42 (4): 1047- 1060
QIAN Zheng, PEI Yan, CAO Li-xiao, et al Review of wind power forecasting method[J]. High Voltage Engineering, 2016, 42 (4): 1047- 1060
3 BARBOUNIS T G, THEOCHARIS J B, ALEXIADIS M C, et al Long-term wind speed and power forecasting using local recurrent neural network models[J]. IEEE Transactions on Energy Conversion, 2006, 21 (1): 273- 284
4 王焱, 汪震, 黄民翔, 等 基于OS-ELM和Bootstrap方法的超短期风电功率预测[J]. 电力系统自动化, 2014, 38 (6): 14- 19
WANG Yan, WANG Zhen, HUANG Min-xiang, et al Ultra-short-term wind power prediction based on OS-ELM and bootstrap method[J]. Automation of Electric Power Systems, 2014, 38 (6): 14- 19
doi: 10.7500/AEPS20130830010
5 王依宁, 解大, 王西田, 等 基于PCA-LSTM模型的风电机网相互作用预测[J]. 中国电机工程学报, 2019, 39 (14): 4070- 4081
WANG Yi-ning, XIE Da, WANG Xi-tian, et al Prediction of interaction between grid and wind farms based on PCA-LSTM model[J]. Proceedings of the CSEE, 2019, 39 (14): 4070- 4081
6 冯双磊, 王伟胜, 刘纯, 等 风电场功率预测物理方法研究[J]. 中国电机工程学报, 2010, 30 (2): 1- 6
FENG Shuang-lei, WANG Wei-sheng, LIU Chun, et al Study on the physical approach to wind power prediction[J]. Proceedings of the CSEE, 2010, 30 (2): 1- 6
7 AHMED A, KHALID M A review on the selected applications of forecasting models in renewable power systems[J]. Renewable and Sustainable Energy Reviews, 2019, 100: 9- 21
8 薛禹胜, 郁琛, 赵俊华, 等 关于短期及超短期风电功率预测的评述[J]. 电力系统自动化, 2015, 39 (6): 141- 151
XUE Yu-sheng, YU Chen, ZHAO Jun-hua, et al A review on short-term and ultra-short-term wind power prediction[J]. Automation of Electric Power Systems, 2015, 39 (6): 141- 151
doi: 10.7500/AEPS20141218003
9 范高锋, 王伟胜, 刘纯, 等 基于人工神经网络的风电功率预测[J]. 中国电机工程学报, 2008, 28 (34): 118- 123
FAN Gao-feng, WANG Wei-sheng, LIU Chun, et al Wind power prediction based on artificial neural network[J]. Proceedings of the CSEE, 2008, 28 (34): 118- 123
doi: 10.3321/j.issn:0258-8013.2008.34.019
10 师洪涛, 杨静玲, 丁茂生, 等 基于小波—BP神经网络的短期风电功率预测方法[J]. 电力系统自动化, 2011, 35 (16): 44- 48
SHI Hong-tao, YANG Jing-ling, DING Mao-sheng, et al A short-term wind power prediction method based on wavelet decomposition and BP neural network[J]. Automation of Electric Power Systems, 2011, 35 (16): 44- 48
11 王增平, 赵兵, 纪维佳, 等 基于GRU-NN模型的短期负荷预测方法[J]. 电力系统自动化, 2019, 43 (5): 53- 62
WANG Zeng-ping, ZHAO Bing, JI Wei-jia, et al Short-term load forecasting method based on GRU-NN model[J]. Automation of Electric Power Systems, 2019, 43 (5): 53- 62
12 朱乔木, 李弘毅, 王子琪, 等 基于长短期记忆网络的风电场发电功率超短期预测[J]. 电网技术, 2017, 41 (12): 3797- 3802
ZHU Qiao-mu, LI Hong-yi, WANG Zi-qi, et al Short-term wind power forecasting based on LSTM[J]. Power System Technology, 2017, 41 (12): 3797- 3802
13 BESSA R J, MIRANDA V, GAMA J Entropy and correntropy against minimum square error in offline and online three-day ahead wind power forecasting[J]. IEEE Transactions on Power Systems, 2009, 24 (4): 1657- 1666
14 RUBINSTEIN R Y Optimization of computer simulation models with rare events[J]. European Journal of Operational Research, 1997, 99 (1): 89- 112
15 李航, 统计学习方法[M], 北京: 清华大学出版社, 2012: 7-9.
16 陈宁, 沙倩, 汤奕, 等 基于交叉熵理论的风电功率组合预测方法[J]. 中国电机工程学报, 2012, 32 (4): 29- 34
CHEN Ning, SHAO Qian, TANG Yi A combination method for wind power predication based on cross entropy theory[J]. Proceedings of the CSEE, 2012, 32 (4): 29- 34
17 CHEN W, LIU T Y, LAN Y, et al. Ranking measures and loss functions in learning to rank [C]// Advances in Neural Information Processing Systems 22. [s.l.]: Curran Associates, Inc., 2009: 315-323.
18 WEN Y, ZHANG K, LI Z, et al. A Discriminative feature learning approach for deep face recognition [C]// ECCV 2016. Amsterdam: Springer International Publishing, 2016: 499-515.
19 YANG J, WANG K, PENG X, et al. Deep recurrent multi-instance learning with spatio-temporal features for engagement intensity prediction [C]// ICMI 2018. [s.l.]: ACM, 2018: 594-598.
20 WANG K, YANG J, GUO D, et al. Bootstrap model ensemble and rank loss for engagement intensity regression [C]// ICMI 2019. [s.l.]: ACM, 2019.
[1] 张师林,马思明,顾子谦. 基于大边距度量学习的车辆再识别方法[J]. 浙江大学学报(工学版), 2021, 55(5): 948-956.
[2] 程鸿,胡佳杰,刘勇,叶远青. 强度传输方程和神经网络融合的三维重构算法[J]. 浙江大学学报(工学版), 2021, 55(4): 658-664.
[3] 冯毅雄,李康杰,高一聪,郑浩,谭建荣. 基于特征与形貌重构的轴件表面缺陷检测方法[J]. 浙江大学学报(工学版), 2020, 54(3): 427-434.
[4] 乔美英,汤夏夏,闫书豪,史建柯. 基于改进稀疏滤波与深度网络融合的轴承故障诊断[J]. 浙江大学学报(工学版), 2020, 54(12): 2301-2309.
[5] 赵小虎,尹良飞,赵成龙. 基于全局?局部特征和自适应注意力机制的图像语义描述算法[J]. 浙江大学学报(工学版), 2020, 54(1): 126-134.
[6] 赫贵然,李奇,冯华君,徐之海,陈跃庭. 基于CNN特征提取的双焦相机连续数字变焦[J]. 浙江大学学报(工学版), 2019, 53(6): 1182-1189.
[7] 董月,冯华君,徐之海,陈跃庭,李奇. Attention Res-Unet: 一种高效阴影检测算法[J]. 浙江大学学报(工学版), 2019, 53(2): 373-381.
[8] 赵祥龙,陈捷,洪荣晶,王华,李媛媛. 基于Wavelet leader和优化的等距映射算法的回转支承自适应特征提取[J]. 浙江大学学报(工学版), 2019, 53(11): 2092-2101.
[9] 童水光, 张依东, 徐剑, 从飞云. 频带多尺度复合模糊熵及其在轴承故障诊断中的应用[J]. 浙江大学学报(工学版), 2018, 52(8): 1509-1516.
[10] 于勇, 周阳, 曹鹏, 赵罡. 基于MBD模型的工序模型构建方法[J]. 浙江大学学报(工学版), 2018, 52(6): 1025-1034.
[11] 黄赠, 王锐, 赵宇, 魏振磊. 隐伏断层地震诱发滑坡易发性评价[J]. 浙江大学学报(工学版), 2017, 51(11): 2136-2143.
[12] 江衍铭, 张建全, 明焱. 集合神经网络的洪水预报[J]. 浙江大学学报(工学版), 2016, 50(8): 1471-1478.
[13] 谭海龙, 刘康玲, 金鑫, 石向荣, 梁军. 基于μσ-DWC特征和树结构M-SVM的多维时间序列分类[J]. 浙江大学学报(工学版), 2015, 49(6): 1061-1069.
[14] 刘凯, 张立民, 张超. 受限玻尔兹曼机的新混合稀疏惩罚机制[J]. 浙江大学学报(工学版), 2015, 49(6): 1070-1078.
[15] 白帆, 郑慧峰, 沈平平, 王成, 喻桑桑. 基于花朵特征编码归类的植物种类识别方法[J]. 浙江大学学报(工学版), 2015, 49(10): 1902-1908.