基于灰狼优化算法的风电场短期风速区间预测

发布时间：2020-07-24 13:07

【摘要】：随着环境污染、能源安全以及全球气候变暖等问题的日趋严重,风电作为重要的清洁能源,以其可再生、环保等优点蓬勃发展。但风速具有强波动性,对电网的安全稳定运行带来了很大影响,所以准确地预测风速或给出风速可能的波动范围具有重要的意义。现有的风速预测方法多为点预测,但对风速可能的变化范围研究的学者很少,技术尚不太成熟。对于点预测方法,误差是不可避免的,但如果可以根据点预测的原理,对风速进行区间预测,则能够为风力发电部门提供更多的风速不确定性信息,为风力发电的决策者提供更科学的参考。基于此,本文以综合目标函数PPA作为优化准则,提出了基于灰狼优化算法(GWO)和BP神经网络的混合区间预测模型CEEMD-GWO-PPA-BP。该预测模型主要包括三个步骤:(1)使用互补集合经验模态分解(CEEMD)算法,对原始的短期风速时间序列进行分解,获得若干IMFs以及一列残差;(2)利用GWO算法优化的BP神经网络对所有IMFs和残差进行预测;(3)以包括了预测区间覆盖率、预测区间平均带宽和累计带宽偏差三个指标的综合目标函数PPA为优化准则,根据经过GWO算法优化的多输入双输出的BP神经网络,对得到的每个IMF和残差的预测值进行集成预测,得到预测区间的上界和下界。同时,本文还从数据分解方法、优化算法和优化准则三方面进行了模型对比分析。分析结果表明,本篇文章提出的CEEMD-GWO-PPA-BP混合模型综合效果比对比模型具有更好的表现,在保证预测区间覆盖率和预测区间平均带宽无太大变化的前提下,能够明显的减小累计带宽偏差,获得更清晰准确的预测区间。
【学位授予单位】：兰州大学
【学位级别】：硕士
【学位授予年份】：2017
【分类号】：TM614;P457.5
【图文】：

拓扑结构图,区间预测,BP神经网络,拓扑结构

兰州大学硕士研究生学位论文基于灰狼优化算法的风电场短期风速区间预测此外， 1 j j jf I H H，故： 11 ,mj j j k jkk H H (2-15)2.2 BP 神经网络区间预测网络拓扑结构本文基于多输入双输出的 BP 算法区间预测模型，以 sigmoid 函数作为转移函数。利用灰色关联分析确定输入层的节点数 N，根据公式法和试凑法确定隐含层的节点数 k。在 IMFs 分量和残差的预测中采用常规的多输入单输出的 BP 神经网络，即其 BP 神经网络结构为 N-k-1；而对 IMFs 和残差进行集成预测时，本文采用多输入双输出的 BP 神经网络直接输出短期风速的上界和下界，即其 BP神经网络的结构为 N-k-2，其网络拓扑结构如图 2-1。

风速,预测区间,维度,残差

在给定名义置信水平下，温克勒总体得分的绝对值越小，表明预测区间效果越好。4.3 基于 CEEMD-GWO-PPA-BP 的短期风速区间预测本部分将简要介绍本文提出的混合模型 CEEMD-GWO-PPA-BP,该模型的预测基本框架如图 4-1.其预测的基本步骤如下：（1）利用灰色关联分析对短期风速原始时间序列进行关联性分析，确定模型的输入维度（2）对原始短期风速数据进行小幅上下浮动（15%），作为预测输出的初始上下限；（3）采用 CEEMD方法对原始短期风速时间序列进行分解，得到3个频率依次从高到低排列的IMFs分量以及一个残差序列 Residual；（4）根据灰色关联度确定的模型输入维度和基于 GWO 算法的多输入单输出 BP 神经网络（3-7-1）对每个 IMFs 和残差进行单独预测；（5）对 IMFs 和残差采用基于 GWO 算法以及 PPA 优化准则的多输入双输出 BP 神经网络（结构为 4-5-2）进行集成预测，得到风速预测区间。

【相似文献】