Spiking神经网络在风电场风速预测中的应用研究

发布时间：2020-06-26 01:23

【摘要】：近年来,随着清洁能源的迅速发展,风能以其无污染、可再生、分布广的特点受到了广泛关注,风力发电是风能开发利用的主要手段,随着风电场的规模化、产业化以及大规模风力发电的并网,风电自身所固有的不可控性、间歇性和随机性等缺点,对电力系统的安全稳定运行和电能质量造成了恶劣影响。风速是影响风电场输出功率的最主要因素,因此,风速预测是电力系统运行研究的重要内容,能够为电力负荷预测提供重要参考。本文主要对风电场风速预测进行研究,概述了风速预测的发展现状及风速预测研究的现实意义,以某风电场风速测量的历史数据为研究对象,根据测风数据检验标准进行检查,对测风数据中存在的坏数据和缺测数据利用滑动均值法和插值法进行优化和补全。详细介绍了 Spiking神经网络的神经元模型、网络结构、时间编码方法和网络学习算法,提出以Spiking神经网络为核心,结合改进的SpikeProp学习算法建立风速预测模型,在基本的SpikeProp网络学习算法的基础上加入学习速率自适应调整和动量项的方法来提高风速训练过程的收敛速度和改善动态性能。为证明Spiking神经网络风速预测模型的有效性,利用BP神经网络和RBF神经网络与其进行对比,利用优化后的测风数据作为试验样本数据进行仿真预测。对仿真结果分别采用平均绝对误差(MAE)、平均绝对百分比误差(MAPE)和均方跟误差(RSME)三种评价指标进行评估,结果表明Spiking神经网预测模型具有更高的精度,然而收敛速度较慢。为证明基于改进的SpikeProp算法的有效性,将其仿真结果与基本SpikeProp算法的仿真结果对比分析,在隐含层神经元个数相同的条件下,改进的预测模型收敛速度更快,预测精度也进一步提高,证明了 Spiking神经网络建立风速预测模型的有效性和可行性。
【学位授予单位】：华北电力大学(北京)
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：TM614;TP183
【图文】：

装机容量,风电

■累计装机逦２５４逦５８５逦１２００逦２Ｓ８１逦４４７３逦６２３６逦７５３２逦９１４１逦１１４６１逦１４５３８逦１６８７３逡逑图１－１邋２００６年至２０１６年中国新增加累计风电装机容量逡逑由图１－１可见，近三年来新增装机容量均超过了邋２０００万千瓦，截至２０１６年逡逑底，中国风电装机总量达到１６８７３．２万千瓦，占全球风电累计装机总量的３４．７％。逡逑根据国家能源局最新发布的《电力发展“十三五”规划（２０１６－２０２０）》，“十三逡逑五期间”，风电新增投产０．７９亿千瓦以上，２０２０年全国风电装机达到２．１亿千逡逑瓦以上。随着风电装机容量的大幅增加，风电在电网中的比重曰益增大，为人逡逑们提供清洁能源的同时，也严重威胁着电力系统的安全稳定运行。风能虽然具逡逑有很多优点，但是具有波动性、间歇性的特点，而风力发电机的出力和风速的逡逑三次方成正比，因此决定了风电机组输出功率也具有波动性和间歇性［５］。当风逡逑力发电在电网中所占比例很小时

坏数据,示例,风速,检验内容

华北电力大学硕士学位论文逡逑表２－４合理性检验结果逡逑检验内容逦测风参数逦超出范围次数逡逑Ｒｌ逦２５逡逑风向逦０逡逑范围检验逦气压逦１４逡逑温度逦０逡逑湿度逦２２逡逑ｌｈ平均风速变化逦１７逡逑趋势检验逦ｌｈ平均温度变化逦０逡逑ｌｈ平均气压变化逦７逡逑

【参考文献】