基于信度分配的改進(jìn)型超閉球小腦神經(jīng)網(wǎng)絡(luò)風(fēng)速預(yù)測(cè)模型.pdf

1、開(kāi)發(fā)與利用新能源是我國(guó)乃至全世界21世紀(jì)的重要能源戰(zhàn)略。風(fēng)能作為一種無(wú)污染、可再生能源，已受到越來(lái)越廣泛的重視，并迅速發(fā)展成為新型能源之一。目前，開(kāi)發(fā)利用風(fēng)能的主要形式是大規(guī)模并網(wǎng)發(fā)電。由于風(fēng)具有間歇性、隨機(jī)性和不確定性的特點(diǎn)，給風(fēng)力發(fā)電的并網(wǎng)、輸電網(wǎng)的安全、穩(wěn)定運(yùn)行及電量負(fù)荷的調(diào)度帶來(lái)很大的困難，限制了風(fēng)力發(fā)電的大規(guī)模開(kāi)發(fā)。準(zhǔn)確預(yù)測(cè)風(fēng)速有助于調(diào)度人員對(duì)電網(wǎng)的正常的調(diào)度，是解決該問(wèn)題的有效途徑之一。
　　 研究并提出了一種基于信

2、度分配的改進(jìn)型超閉球小腦神經(jīng)網(wǎng)絡(luò)(CA-IHCMAC:Improved Hyperball Cerebellar Model Articulation Controller with Credibility Assignment)風(fēng)速預(yù)測(cè)模型。信度分配算法根據(jù)存儲(chǔ)單元激活的次數(shù)求出存儲(chǔ)單元的可信度，在神經(jīng)網(wǎng)絡(luò)訓(xùn)練過(guò)程中根據(jù)存儲(chǔ)單元的可信度來(lái)調(diào)整存儲(chǔ)單元的權(quán)值。本文采用CA-HCMAC神經(jīng)網(wǎng)絡(luò)建立了風(fēng)速預(yù)測(cè)模型，預(yù)測(cè)未來(lái)1h的風(fēng)速。

3、>　　 本文的主要研究?jī)?nèi)容如下:
　　 (1)闡述課題研究的背景和意義，分析了風(fēng)速預(yù)測(cè)建模的研究現(xiàn)狀，總結(jié)了目前風(fēng)速預(yù)測(cè)建模的主要方法及風(fēng)速預(yù)測(cè)存在的問(wèn)題。
　　 (2)本文在超閉球小腦神經(jīng)網(wǎng)絡(luò)(HCMAC:Hyperball Cerebellar ModelArticulation Controller)基礎(chǔ)上引入信度分配的概念，提出了基于信度分配的超閉球小腦神經(jīng)網(wǎng)絡(luò)(CA-HCMAC)。研究發(fā)現(xiàn)HCMAC在訓(xùn)練過(guò)程

4、中，最小方差算法(LSM)存在后面存儲(chǔ)單元權(quán)值的調(diào)整對(duì)前面已經(jīng)學(xué)習(xí)過(guò)的存儲(chǔ)單元的權(quán)值產(chǎn)生“腐蝕現(xiàn)象”。為了避免“腐蝕現(xiàn)象”，本文引入了一種信度分配算法。該算法根據(jù)存儲(chǔ)單元的可信度來(lái)調(diào)整存儲(chǔ)單元在權(quán)值調(diào)整中得到的誤差。根據(jù)可信度公式可知，存儲(chǔ)單元激活的次數(shù)越多，其可信度越高，誤差調(diào)整就越小。
　　 (3)為了避免基于信度分配超閉球神經(jīng)網(wǎng)絡(luò)參數(shù)選取的盲目性，本文提出CA-IHCMAC神經(jīng)網(wǎng)絡(luò)。本文采用粒子群優(yōu)化算法來(lái)確定CA-HCM

5、AC參數(shù)σ和ρ的最優(yōu)值，提出了一種基于信度分配的改進(jìn)型超閉球小腦神經(jīng)網(wǎng)絡(luò)(CA-IHCMAC: Improved Hyperball Cerebellar Model Articulation Controller withCredibility Assignment)，不僅減少了選擇參數(shù)σ和ρ最優(yōu)值的時(shí)間，而且粒子群優(yōu)化確定的參數(shù)σ和ρ的值更精確，提高了神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)精度。
　　 (4) CA-IHCMAC神經(jīng)網(wǎng)絡(luò)輸入變量的確定

6、。本文以山西神池風(fēng)電場(chǎng)風(fēng)速數(shù)據(jù)作為訓(xùn)練樣本來(lái)訓(xùn)練神經(jīng)網(wǎng)絡(luò)，并驗(yàn)證神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)精度。本文利用時(shí)間序列模型來(lái)分析未來(lái)風(fēng)速與跟其鄰近歷史風(fēng)速的內(nèi)在規(guī)律，找出歷史風(fēng)速數(shù)據(jù)與預(yù)測(cè)風(fēng)速的內(nèi)在聯(lián)系。利用時(shí)間序列建立的平穩(wěn)時(shí)間序列模型來(lái)確定CA-IHCMAC輸入變量個(gè)數(shù)。
　　 (5)采用基于信度分配的改進(jìn)型超閉球小腦神經(jīng)網(wǎng)絡(luò)建立風(fēng)速預(yù)測(cè)模型。利用MATLAB仿真平臺(tái)進(jìn)行仿真，結(jié)果表明，基于信度分配的改進(jìn)型超閉球小腦神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型對(duì)風(fēng)速進(jìn)行預(yù)