基于正態(tài)分布噪聲神經(jīng)網(wǎng)絡(luò)的風(fēng)電場超短期風(fēng)速預(yù)測方法研究.pdf

1、風(fēng)力發(fā)電受到其間歇性、波動性及不確定性等因素的制約，使得風(fēng)電接入對電網(wǎng)的安全和穩(wěn)定運(yùn)行帶來嚴(yán)峻挑戰(zhàn)。超短期風(fēng)電功率預(yù)測，主要應(yīng)用于短期內(nèi)發(fā)電機(jī)組運(yùn)行調(diào)整控制，緩解風(fēng)電對電網(wǎng)帶來的不利影響，有效提高風(fēng)電并網(wǎng)容量。而風(fēng)速與風(fēng)電功率關(guān)系密切，精準(zhǔn)的風(fēng)速預(yù)測是功率預(yù)測的基礎(chǔ)和前提，這使得風(fēng)電場風(fēng)速的超短期預(yù)測研究意義重大。
　　本文基于寧夏某風(fēng)電場測風(fēng)塔歷史風(fēng)速數(shù)據(jù)，通過對NDN神經(jīng)網(wǎng)絡(luò)模型進(jìn)行優(yōu)化，開展了風(fēng)電場超短期風(fēng)速預(yù)測的方法研究。

2、
　　1）建立了一種風(fēng)速輸入矩陣(Wind Input Matrix,WIM)，使得相鄰時間點(diǎn)風(fēng)速具有較強(qiáng)的時間相關(guān)性，矩陣相鄰維數(shù)上具有較強(qiáng)的空間相關(guān)性。這一點(diǎn)通過與傳統(tǒng)形式的風(fēng)速輸入矩陣在（Back Propagation,BP）神經(jīng)網(wǎng)絡(luò)模型下的超短期風(fēng)速預(yù)測對比進(jìn)行說明。引入了正態(tài)分布的隨機(jī)噪聲對BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行了改進(jìn)，構(gòu)建了正態(tài)分布噪聲（Normal Distribution Noise，NDN）神經(jīng)網(wǎng)絡(luò)，基于WIM開

3、展了BP、NDN兩種神經(jīng)網(wǎng)絡(luò)模型下的超短期風(fēng)速預(yù)測。研究發(fā)現(xiàn)NDN神經(jīng)網(wǎng)絡(luò)模型的風(fēng)速預(yù)測精度較BP模型有所提高，但均存在預(yù)測時間上的延遲。
　　2）分別引入粒子群（Particle Swarm Optimization，PSO）算法、螢火蟲算法（Firefly Algorithm，F(xiàn)A）對NDN神經(jīng)網(wǎng)絡(luò)權(quán)值、閾值進(jìn)行優(yōu)化。仿真實(shí)驗(yàn)結(jié)果顯示，PSO-NDN預(yù)測效果較NDN模型有所改善，但預(yù)測曲線與實(shí)測曲線相比依然存在延遲現(xiàn)象。而混合

4、優(yōu)化FA-NDN神經(jīng)網(wǎng)絡(luò)模型預(yù)測精度表現(xiàn)不佳，實(shí)驗(yàn)結(jié)果表明，其預(yù)測精度甚至不如NDN模型的預(yù)測精度，僅比傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)模型的預(yù)測精度略高。
　　3）進(jìn)而引入小波分解（Wavelet Decomposition，WD）技術(shù)，并結(jié)合PSO-NDN、FA-NDN兩種混合優(yōu)化模型形成了組合優(yōu)化模型WD-PSO-NDN、WD-FA-NDN，進(jìn)行風(fēng)速的超短期預(yù)測，均得到了比較滿意的結(jié)果。其中WD-FA-NDN的預(yù)測曲線與實(shí)測曲線吻合更好，在