文档介绍：第卷第期
35 16
年月日
2011 8 25 ,2011
基于小波神经网络的短期风电功率预测方法
—BP
师洪涛1,杨静玲1,丁茂生2,王金梅3
北方民族大学宁夏回族自治区银川市
(1. , 750021;
宁夏电力公司宁夏回族自治区银川市宁夏大学宁夏回族自治区银川市
2. , 750021;3. , 750021)
摘要:建立风电功率预测系统并提高其预测精度是大规模开发风电的关键技术之一。基于数值天
气预报建立了反向传播神经网络风电功率预测模型并采用某风电场实际数据分析了影响
, (BP) ,
该模型预测精度的因素针对原始风速及功率序列日特性不明显神经网络不能完全映射其特
。、BP
性的缺陷提出了一种基于小波神经网络的预测模型该模型利用小波将风速与功率序列在
, —BP 。
不同尺度上进行分解并使用多个神经网络对各频率分量进行预测最后重构得到完整的预测
, BP ,
结果。研究表明该模型可有效提高预测精度。
关键词风电功率预测神经网络小波变换频率分解
: ;BP ; ;
引言网络的预测模型该模型利用小波将风速与功率序
0 。
列在不同尺度上进行分解并用多个神经网络
, BP
随着节能减排压力的增加,风电受到越来越多
对不同频率的分量进行预测,最后重构得到完整的
的关注[1],装机容量急速增加。但因风电输出功率
预测结果。研究表明,该模型可有效提高预测精度。
的波动性,给系统调峰带来了严峻挑战,所以急需研
究风电功率预测算法开发预测系统国外对风电神经网络预测模型
, 。 1 BP
功率预测方法的研究较早提出了各种不同机理的
, 神经网络结构
预测方法[2-7] 大致可分为物理方法和统计方法物 BP
, 。神经网络的输入与输出之间是一种高度非
理方法是利用数值天气预报的预测结果考虑整个 BP
, 线性映射关系如果输入节点数是输出节点数
风电场区域的等高线地形障碍物利用风电机组, N,
、、, 是则网络是从维欧式空间到维欧式空间
M, N M
的功率曲线进行预测,典型的有德国奥尔登堡大学
的映射。通过调整神经网络的连接权值和网络
开发的[3] 统计方法不考虑这些物理信 BP
Previento 。的规模包括和隐层节点数可以以任意精
( N,M ),
息,而是利用统计的办法,直接建立起系统输入与输
度逼近任何非线性函数[9]
出之间的一种线性或者非线性映射典型的有丹麦。
, 神经网络泛化能力分析
技术大学开发的基于自回归统计的模型[4]
WPPT 。对神经网络进行训练的目的是使神经网络学****br/> 如果同时应用物理和统计的方法则称之为综合方
, 样本的内在规律建立一个输入与输出间的非线性
法如[5]模型物理方法进行预测不需,
, ANEMOS 。,
映射。这个非线性映射对训练数据以外的其他样本
要风电场的大量实测数据,更适合地形复杂的区域,
的适应能力称为神经网络的泛化能力。该能力与样
但预测精度较差;统计方法进行预测,预测精度较
本特性隐层节点数等密切相关[10