首页 > 

风电场风速预测模型研究

来源:
时间:2018-09-04 20:21:00
热度:

风电场风速预测模型研究  摘要本文介绍了两种风电场风速预测的模型,分别是BP神经网络模型和小波-BP神经网络组合模型。BP神经网络模型是风速预测中常用的模型之一,小波技术和BP神经

  摘要本文介绍了两种风电场风速预测的模型,分别是BP神经网络模型和小波-BP神经网络组合模型。BP神经网络模型是风速预测中常用的模型之一,小波技术和BP神经网络结合,即为组合模型。小波技术将风速时间序列按时间和频率两个方向展开,体现了各成分对预测值贡献率的不同。将BP神经网络模型和小波-BP神经网络组合模型分别应用到我国朱日和风电场的逐时风速预测中,从预测结果对比二者,可以得出组合模型更适合该风电场的逐时风速的预测。

  关键词风电场;风速;预测模型;BP神经网络;小波

  中图分类号TM614 文献标识码A

  1引言

  我国的风能资源非常丰富,风能资源在我国能源结构中占有重要的地位。作为一种清洁的可再生能源,近年来风能资源正得到广泛地开发和利用。21世纪,人类对能源需求空前高涨,尤其是我国,人口众多,电力需求很大,大力发展风电技术具有极其重要的意义。

  风速是风能资源计算评估的关键内容,准确的预测风速对风电场和电力系统的运行管理具有重要意义。预测风速的模型众多,除数值天气预报模式等复杂的数学物理模式预测方法外,常见的统计预测方法主要有持续预测法、时间序列预测法、人工神经网络法等[1][2]。其中,持续预测法是最简单、最传统的预测方法,常作为其他预测方法的比较基准。时间序列预测法是一种历史资料的延伸预测法,常用的模型有自回归(AR)模型、滑动平均(MA)模型、自回归滑动平均(ARMA)模型、自回归滑动平均求和(ARIMA)模型等。在目前的人工神经网络中,应用较多的是BP(Back Propagation)神经网络,随着BP神经网络技术的不断发展,该技术在风速预测中的优势和潜力已逐渐显现。

  本文主要研究BP神经网络模型在风速预测中的应用,先建立单纯的BP神经网络模型,再建立基于小波技术的BP神经网络模型,并对二者进行了对比分析。

  2方法研究

  2.1BP神经网络

  人工神经网络(Artificial Neural Network,简称ANN)是在人类对其大脑及大脑神经网络认识理解的基础上,人工构造的能够实现某种功能的网络,它具有高度的非线性。BP神经网络是人工神经网络中常用的一种,该网络是一种单向传播的多层前向网络,其结构图如图1[3]。该网络具有一个输入层,一个输出层和至少一个隐(中间)层,各层之间实现全链接,而层内神经元之间无链接。当一对学习样本提供给网络后,神经元的激活值从输入层经各中间层向输出层传播,在输出层的各神经元获得网络的输入响应。按照减少目标输出与实际误差的方向,从输出层经过中间层逐层修正各连接权值,最后回到输入层,这种算法称为“误差逆传播法”,即BP算法。随着这种误差逆的传播修正不断进行,网络对输入模式响应的正确率也不断上升[4]。

  图1 三层BP网络结构图

  2.2小波分析

  小波分析(Wavelet Analysis)是法国科学家Morlet于20世纪80年代初提出,具有时频多分辨功能[5]。小波分析是一种调和分析方法,是傅里叶(Fourier)分析发展史上的一个里程碑,被人们誉为数学“显微镜”。多分辨分析(multi-resolution analysis,MRA)亦称多尺度分析,是小波分析中最重要的概念之一,它从函数空间的高度研究函数的多分辨表示[6]将一个函数表示为一个低频成分和不同分辨率下的高频成分,即多分辨分析[7]只是对低频部分进一步分解,而高频部分则不予考虑。图2表示的是一个三层多分辨分析分解图,分解的关系为 。多分辨分析随着尺度由大到小的变化,对信号可以由粗到精地观察,既可以看到“森林”,又可以看到“树木”。

34    首页   下一页   上一页   尾页 
Baidu
map