基于混沌時(shí)間序列的短期風(fēng)電功率組合預(yù)測(cè)方法研究.pdf

1、風(fēng)電功率具有波動(dòng)性、間歇性和隨機(jī)性等特點(diǎn)，大規(guī)模風(fēng)電的接入嚴(yán)重影響電網(wǎng)運(yùn)行的安全性、穩(wěn)定性和經(jīng)濟(jì)性。實(shí)踐證明，高精度的風(fēng)電功率預(yù)測(cè)能夠有力緩解大規(guī)模風(fēng)電并網(wǎng)產(chǎn)生的不利影響，尤其是短期風(fēng)電功率的精確預(yù)測(cè)，對(duì)于電力調(diào)度部門安排調(diào)度計(jì)劃，保證電能質(zhì)量和電力系統(tǒng)安全經(jīng)濟(jì)運(yùn)行有重要作用。
　　首先，選擇混沌理論來挖掘風(fēng)電功率時(shí)間序列的特性，并利用相空間重構(gòu)理論對(duì)其進(jìn)行分析。將重構(gòu)相空間相量作為風(fēng)電功率時(shí)間序列預(yù)測(cè)模型的訓(xùn)練樣本，為后面建立預(yù)

2、測(cè)模型以實(shí)現(xiàn)對(duì)風(fēng)電功率混沌系統(tǒng)相空間運(yùn)動(dòng)軌跡預(yù)測(cè)提供支持。
　　然后，提出了一種基于混沌時(shí)間序列的改進(jìn)型BP神經(jīng)網(wǎng)絡(luò)。該模型利用綜合法對(duì)基本BP神經(jīng)網(wǎng)絡(luò)的不足進(jìn)行改進(jìn):在最速下降法中同時(shí)引入自適應(yīng)學(xué)習(xí)速率和動(dòng)量項(xiàng)對(duì)其本身進(jìn)行改進(jìn);利用遺傳算法從全局開始搜索，找到權(quán)值系數(shù)最優(yōu)解所在區(qū)域的某一解;再利用改進(jìn)的最速下降法去調(diào)整權(quán)值系數(shù)，經(jīng)過少量樣本訓(xùn)練的訓(xùn)練，就能夠得到權(quán)值系數(shù)的最優(yōu)解。此外，將模型的輸入維數(shù)取為相空間最小嵌入維數(shù)，從而

3、減少了建模的盲目性。實(shí)例仿真表明，本文提出的改進(jìn)型BP神經(jīng)網(wǎng)絡(luò)收斂速度快，預(yù)測(cè)精度高，不易陷入局部極小值點(diǎn)。
　　其次，提出了一種基于混沌時(shí)間序列的自適應(yīng)遺傳算法-Volterra神經(jīng)網(wǎng)絡(luò)模型。該預(yù)測(cè)模型是基于自適應(yīng)Vo lterra級(jí)數(shù)和三層BP神經(jīng)網(wǎng)絡(luò)的等價(jià)性建立的，其截?cái)囗?xiàng)數(shù)取為重構(gòu)相空間的最小嵌入維數(shù)，大大提高了預(yù)測(cè)模型的自適應(yīng)性。自適應(yīng)遺傳算法-Volterra神經(jīng)網(wǎng)絡(luò)模型將自適應(yīng)Vo lte rra級(jí)數(shù)精準(zhǔn)建模能力、改

4、進(jìn)的BP算法訓(xùn)練學(xué)習(xí)能力、遺傳算法全局搜索能力結(jié)合起來，實(shí)現(xiàn)了對(duì)風(fēng)電功率混沌系統(tǒng)相空間運(yùn)動(dòng)軌跡的精確預(yù)測(cè)，應(yīng)用于實(shí)際短期風(fēng)電功率預(yù)測(cè)中，預(yù)測(cè)精度顯著提高。
　　最后，采用經(jīng)驗(yàn)?zāi)B(tài)分解降低風(fēng)電功率數(shù)據(jù)的非平穩(wěn)性，分別建立了經(jīng)驗(yàn)?zāi)B(tài)分解-遺傳算法-Volterra神經(jīng)網(wǎng)絡(luò)和經(jīng)驗(yàn)?zāi)B(tài)分解-改進(jìn)型BP神經(jīng)網(wǎng)絡(luò)模型兩種組合預(yù)測(cè)模型。將兩種組合預(yù)測(cè)模型應(yīng)用于實(shí)際短期風(fēng)電功率預(yù)測(cè)的仿真實(shí)驗(yàn)中，結(jié)果表明，利用經(jīng)驗(yàn)?zāi)B(tài)分解可以有效降低風(fēng)電功率數(shù)據(jù)的