基于神經(jīng)網(wǎng)絡(luò)和小生境遺傳算法的風(fēng)電場(chǎng)短期功率預(yù)測(cè)研究.pdf

1、風(fēng)力發(fā)電一直是比較熱門(mén)的發(fā)電技術(shù),當(dāng)前中國(guó)風(fēng)電已經(jīng)進(jìn)入大規(guī)模發(fā)展階段。由于風(fēng)電的間隙性,隨機(jī)性和難預(yù)測(cè)性,特別是大規(guī)模風(fēng)電并網(wǎng)的時(shí)候,會(huì)對(duì)整個(gè)電網(wǎng)的穩(wěn)定性和安全性產(chǎn)生很大的影響,這是目前制約風(fēng)電發(fā)展的瓶頸。為了解決風(fēng)電的上述問(wèn)題,有必要對(duì)風(fēng)電進(jìn)行功率預(yù)測(cè)研究。
　　本文針對(duì)風(fēng)電場(chǎng)風(fēng)力發(fā)電機(jī)組功率出力特點(diǎn)總結(jié)并進(jìn)行相關(guān)的預(yù)測(cè)研究,主要工作如下:
　　分析國(guó)內(nèi)外研究背景和現(xiàn)狀,掌握風(fēng)速和風(fēng)電機(jī)組模型。基于反饋神經(jīng)網(wǎng)絡(luò)(Back-

2、Propagation Neural Network,BPNN)和徑向基函數(shù)(Radial-Basis Function,RBF)方法,進(jìn)行短時(shí)風(fēng)速預(yù)測(cè)。通過(guò)預(yù)測(cè)出的風(fēng)速,進(jìn)行功率的間接預(yù)測(cè)。同時(shí)采用了根據(jù)風(fēng)速和功率數(shù)據(jù)進(jìn)行功率的直接預(yù)測(cè)。功率BPNN訓(xùn)練的均方誤差MSE=0.3375,功率預(yù)測(cè)的均方誤差MSE=0.4239;風(fēng)速BPNN訓(xùn)練的均方誤差MSE=0.0969,風(fēng)速預(yù)測(cè)的均方誤差MSE=0.0169;功率經(jīng)過(guò)RBF預(yù)測(cè)的均方

3、誤差MSE=0.0595。
　　基于小生境遺傳算法對(duì)風(fēng)電預(yù)測(cè)進(jìn)行分析。風(fēng)電二維函數(shù)和小生境遺傳算法(Niched Genetic Algorithms,NGA),得出小生境算法、罰函數(shù)算法和預(yù)選擇算法相結(jié)合的算法可以得到較好結(jié)果,得出最終適應(yīng)度值。在選取的規(guī)律性最強(qiáng)的部分為風(fēng)速段4-16(m/s)的部分,誤差帶呈現(xiàn)帶狀分布,誤差分布在-30％至30%段最為集中。其中也有一大部分?jǐn)?shù)據(jù)誤差異常,表明風(fēng)電預(yù)測(cè)呈現(xiàn)的間歇性,隨機(jī)性以及不穩(wěn)