基于人工神经网络的风电功率短期预测系统

发布时间：2016-08-12 12:18

本文关键词：基于相似日和人工神经网络的风电功率短期预测，由笔耕文化传播整理发布。

当前位置：文库下载 > 所有分类 > 工程科技 > 能源/化工 > 基于人工神经网络的风电功率短期预测系统

基于人工神经网络的风电功率短期预测系统

简要介绍资料的主要内容,以获得更多的关注

74 范高锋等：基于人工神经网络的风电功率短期预测系统 Vol. 32 No.22

风向、气压、气温等天气数据。然后根据风电场周围等高线、粗糙度、障碍物、温度分层等信息，采用类似与WAsP程序的计算方法，计算得到风电机组轮毂高度的风速、风向、气温、气压等信息。然后根据风电场的功率曲线计算得到风电场的输出功率。因为在不同的风向下，不同的温度条件下，即使风速相同，风电场输出功率也不相等，因此，风电场功率曲线是一族曲线。对整个区域的风电功率预测，预测的方法有2种：1）对所有的风电场输出功率进行预测，然后求和得到；2）只对几个风电场进行预测，然后用一种扩展算法得到整个区域的风电场输出功率。 1.3 统计方法

统计方法不考虑风速变化的物理过程，而根据历史统计数据找出天气状况与风电场出力的关系，然后根据实测数据和数值天气预报数据对风电场输出功率进行预测，常用的预测方法有时间序列法、BP神经网络方法(BP neural networks)[20]、径向基函数神经网络(RBF neural networks)和支持向量机(support vector machines，SVM)[7]等。

2 BP神经网络算法及预测系统

2.1 BP神经网络

BP神经网络是指基于误差反向传播算法的多层前向神经网络，采用有导师的训练方式[21]。它能够以任意精度逼近任何非线性映射；可以学习和自适应未知信息；具有分布式信息存储与处理结构，具有一定的容错性，因此构造出来的系统具有较好的鲁棒性，适合处理复杂问题。 2.2 BP神经网络的学习算法

BP神经网络的学习算法如图3所示。首先初始

基于人工神经网络的风电功率短期预测系统

图3 BP网络的学习流程

Fig. 3 Flow chart of BP network learning

化网络的结构和权值，然后根据输入样本前向计算

BP网络每层神经元的输入信号和输出信号，根据期望输出计算反向误差，对权值进行修正，如果误差小于给定值或迭代次数超过设定值，，则结束学习。2.3 用于风电功率预测的神经网络模型

风电场输出功率的影响因素主要有风速、风向、气温、气压、湿度等，因此这些数据构成BP神经网络的基本输入数据空间，神经网络的输出是风电场的功率。

为了提高神经网络的学习效率，提高预测精度，需要对数据进行归一化处理：

1）风速归一化。采用多年统计的极限风速对风速数据进行归一化为

vvg=

tv (1)

max

式中：vg为归一化后的风速值；vt为数值天气预报系统预测的风速值；vmax为气象观测的历史最大风速。

2）风向归一化。风向指风的方向，是把圆周分成360°，正北方向是0°。为了区分所有的风向，需要取风向的正弦和余弦2个值作为输入。

3）气温、气压、湿度的归一化采用和风速归一化类似的方法，取气象观测的最大值进行归一化。

神经网络的基本结构如图4所示。

基于人工神经网络的风电功率短期预测系统

风向余弦

气温气压湿度

图4 BP神经网络结构

Fig. 4 Structure of BP neural networks

2.4 预测系统的结构

目前电网对风电功率预测的基本要求是当天预测次日的风电场输出功率，时间分辨率为15 min。要求不但能够预测单个风电场的输出功率，而且能够预测整个区域的风电场输出功率。风电功率预测系统要与EMS系统有很好的接口。同时，风电功率预测系统需要在调度系统的网络中运行，其网络结构和安全防护方案要满足二次系统安全防护规定的要求。

Word文档免费下载：基于人工神经网络的风电功率短期预测系统（下载1-5页，共5页）

我要评论