神經(jīng)網(wǎng)絡(luò)算法在風(fēng)電場(chǎng)功率預(yù)測(cè)中的應(yīng)用研究.pdf

1、準(zhǔn)確的風(fēng)電場(chǎng)功率預(yù)測(cè)，可以有效地減輕或避免風(fēng)電場(chǎng)接入電網(wǎng)對(duì)電力系統(tǒng)造成的不利影響，同時(shí)提高風(fēng)電在電力市場(chǎng)中的競(jìng)爭(zhēng)能力?；跉v史數(shù)據(jù)的方法只能用于超短期的風(fēng)電場(chǎng)功率預(yù)測(cè)（1～6小時(shí)），對(duì)于0～24小時(shí)或者更長(zhǎng)時(shí)間的0～72小時(shí)預(yù)測(cè)必須使用數(shù)值天氣預(yù)報(bào)。本文借助數(shù)值天氣預(yù)報(bào)，進(jìn)行了基于神經(jīng)網(wǎng)絡(luò)方法的風(fēng)電場(chǎng)功率預(yù)測(cè)中研究，主要工作包括：
　　 1．?dāng)?shù)據(jù)前處理方法的研究。
　　 對(duì)數(shù)值天氣預(yù)報(bào)和風(fēng)電場(chǎng)測(cè)量數(shù)據(jù)進(jìn)行預(yù)處理并建立了比

2、較完備的數(shù)據(jù)庫，研究了數(shù)據(jù)的前期處理原則。
　　 2．風(fēng)電場(chǎng)功率預(yù)測(cè)中神經(jīng)網(wǎng)絡(luò)算法的研究。
　　 首先對(duì)應(yīng)用廣泛的BP神經(jīng)網(wǎng)絡(luò)在風(fēng)電場(chǎng)功率預(yù)測(cè)中的應(yīng)用進(jìn)行研究；然后考慮RBF具有擅長(zhǎng)處理非線性復(fù)雜問題的能力，探索將其應(yīng)用于風(fēng)電場(chǎng)功率預(yù)測(cè)中。通過實(shí)例驗(yàn)證，比較了兩者的優(yōu)劣。結(jié)果表明RBF神經(jīng)網(wǎng)絡(luò)更加適合基于數(shù)值天氣預(yù)報(bào)的風(fēng)電場(chǎng)功率預(yù)測(cè)。
　　 3．影響風(fēng)電場(chǎng)功率預(yù)測(cè)精度的主要因素分析。
　　 ①數(shù)據(jù)的影響：

3、輸入變量和訓(xùn)練樣本。②神經(jīng)網(wǎng)絡(luò)模型參數(shù)：BP神經(jīng)網(wǎng)絡(luò)模型中網(wǎng)絡(luò)結(jié)構(gòu)、隱層神經(jīng)元以及權(quán)值和閾值的選取是構(gòu)建模型的關(guān)鍵因素；RBF神經(jīng)網(wǎng)絡(luò)模型中隱節(jié)點(diǎn)數(shù)據(jù)中心、擴(kuò)展常數(shù)和輸出層權(quán)值的調(diào)節(jié)是關(guān)鍵因素。
　　 4．BP和RBF神經(jīng)網(wǎng)絡(luò)模型優(yōu)化算法研究。
　　 用遺傳算法對(duì)BP神經(jīng)網(wǎng)絡(luò)模型的權(quán)值和閾值進(jìn)行了全局尋優(yōu)；提出用正交最小二乘和梯度下降訓(xùn)練算法分別優(yōu)化RBF神經(jīng)網(wǎng)絡(luò)模型。應(yīng)用于實(shí)際算例的結(jié)果表明，經(jīng)上述方法優(yōu)化后的兩種模型