《基于小波神经网络的风电功率预测》由会员分享，可在线阅读，更多相关《基于小波神经网络的风电功率预测（3页珍藏版）》请在金锄头文库上搜索。
1、l8 0 (1) (2011No4) l9 上式可以等效为： l ，+ (口， )= I-f ( ) (口 ) d口0 (2) 4a 一 其中，7-是相当于目标平行移动；口相当于使镜头 向目标推进或远离。 小波分析能通过小波基函数的变换分析信号的局 部特征，并且在二维情况下具有信号方向的选择性能 力，因此，该方法作为一种数学理论和分析方法，引起 了广泛关注。 3小波神经网络建模 小波神经网络是一种以BP神经网络拓扑结构为 基础，把小波基函数作为隐含层结点的传递函数，信号 前向传播的同时误差反向传播的神经网络 。小波 神经网络的拓扑结构如图l所示。 Y Y2 Y 图1 小波神经网络拓扑结构 图l
2、中， ， ， 是小波神经网络的输入参 数；yI，y2，y皿是小波神经网络的预测输出；toi；和 ； 是小波神经网络权值。 在输人信号序列为 i( =1，2，后)时，隐含层 输出计算公式如式(3)所示： ()：hif刍 i 1_：l，2，z (3) 式中，h(j)为隐含层第 个结点的输出值； i为输 入层和隐含层的连接权值；6；为小波基函数的平移因 子；aj为小波基函数hi的伸缩因子； i为小波基函数。 小波基函数采用Morlet母小波基函数，数学表达 式为： Y=cos(175x)e (4) 小波网络输出层计算公式为： f y(k)= ikh(i)，k=1，2，rn (5) 式中， 为隐含层到
3、输出层权值； (i)为第i个 隐含层节点的输出；Z为隐含层节点数；m为输出层节 点数。 小波神经网络权值参数修正算法类似于BP神经 网络权值修正算法，采用梯度修正法修正网络的权值 和小波基函数参数，使小波神经网络预测输出不断逼 近期望输出。小波神经网络算法步骤如下： 步骤1：网络初始化。随机初始化小波函数伸缩因 子a 、平移因子b 以及网络的连接权重cc，Ij和ik，设置 网络学习速率 。 步骤2：样本分类。把风电功率样本分为训练样本 和测试样本，训练样本用于训练网络，测试样本用于测 试网络预测精度。 步骤3：预测输出。把训练样本输入网络，计算网 络预测输出并计算网络输出和期望输出的误差e。
4、步骤4：权值修正。根据误差e修正网络权值和小 波函数参数，使网络预测值逼近期望值。 步骤5：判断算法是否结束，如果没有结束，返回 步骤3。 4算例分析 风电功率某个时刻的输出与前几个时段的功率有 关。并且风电功率具有24小时内准周期的特性。程 序采用某风电场350个风电功率数据进行仿真验证。 为方便处理，对输人输出数据进行了归一化处理，本文 采用了式(6)进行处理： =x-_mm (6) 一 、V， maxml13 处理后，使得输人输出数据都在(0，1)的范围内， 满足函数的具体要求。归一化处理后，利用小波神经 网络进行功率预测，具体过程如下： 首先，构建小波神经网络，神经网络的各个参数由 仿
5、真对比逐步确定，根据风电功率的特性设计小波神 经网络分为输入层、隐含层和输出层三层。其中，输入 层输人为当前时间点的前r,个时间点的风电功率；隐 含层节点由小波基函数构成；输出层输出为当前时间 点的风电功率输出。 其次，小波神经网络训练。利用前300个风电功 率进行小波神经网络训练，利用训练好的神经网络。 网络结构采用581结构，表示预测时间节点前5 个风电功率值，隐含层有8个节点，输出层有1个节 点，为网络预测的风电功率值。网络权值和小波基函 数在参数初始化时对比获取，用训练数据训练小波神 经网络，网络反复训练100次。 最后，利用上述所训练出的小波神经网络对进行 风电功率预测。所得的预测值
6、与实际值的对比如图2 所示。误差分布图如图3所示。 (2011No4) 妻 九 h r V。 ： y 图2 小波神经网络 图3小波神经网络 预测结果图 预测误差图 由图2和图3可以看出，采用小波神经网络预测 的方法对最后的5O个数据进行预测，预测精度高，能 够很好地满足工程需求。其中，图2表征的是风电功 率预测的绝对值误差，有曲线可以看出，采用本文所述 方法得到的预测曲线与实际的功率曲线吻合度很高， 绝对误差的绝对值之和为1376，反归一化后绝对误 差的绝对值之和为18727kW，平均绝对误差为 3745kW。图3表征的是风电功率预测的相对误差曲 线图，由图及原始数据可以看出，采用本方法平均相
7、对 值为29l，所有的数据误差均小于15，其中，误差 小于10的数据占94，误差小于5的数据占 86，能够很好的满足预测的需求。这也验证了程序 的正确性及有效性。 5 结论 本文通过建立小波神经网络，对风电功率进行预 测，仿真结果表明：所有的预测数据与实际数据的相对 误差均在15以内，其中有94的数据误差在10 以内。该方法能够很好地满足预测精度的需求。 风电输出预测作为其中一个重要的环节具有重要 的意义，在未来的研究中，风电功率预测仍然是研究的 重点和热点。本文从仿真的角度对风电功率预测进行 初步研究，可以利用实时天气预报、地理信息等资源， 组合预测技术等方法进行进一步研究，以提高预测精 度
8、，利于提前做好调度计划，利于电力系统稳定，提高 风电的经济效益和社会效益。 参考文献 1】 姜绍倪中鹤电力规划M】北京：中国电力出版社，2OO7，155一l62 【2】尹明，王成山，葛旭波等中德风电发展与比较J】电工技术学 报，2010，25(9)：157162 3Fd,asmo Cadenas，Wilfrido RiveraShort Term Wind Speed Forecasting in La Venta，Oaxaca，Mexico，Using AneiM Neural NetworksJRenew able Energy，2OO9，34(1)：274278 4 刘振亚加强建设坚强国
9、家电网促进中国能源可持续发展J】电 力建设，2010。27(10)，I一3 5】扬秀媛，肖洋，陈树勇风电场风速和发电功率预测研究J】中国 电机工程学报。2005。25(11)：15 6】 牛东晓，曾树华，等电力系统负荷预测技术及其应用M】北京： 中国电力出版社，1998 7 吴昌友，王福林，董志贵改进柱子群优化算法在电力负荷组合预 测模型中的应用J电网技术，2009。32(2)：273O 8 雷明，韩崇昭，郭文艳非线性时间序列的小波分频预测J】物理 学报，2005，54(5)：19881996 9 王丽婕，冬雷，廖晓钟基于小波分析的风电场短期发电功率预测 J中国电机学报，2009，29(28)
10、：3O一33 收稿日期：201lo423 作者简介：齐放I 1975一)男学士。工程师主要从事电力系统中的风电及电暇 研究。 (上接第l7页) 300 雩25250200 I-150O0 I-500 05 卜 一h机 呻 H崎脚 ，nL ，l 卜 I I I ，r 卜 HH - w f，V甲_。-Vrr- ， O LLLL_L_L_-JLLk_ 图l5电压dq变换 解耦直流分量图 5 结论 图16电流dq变换 解耦直流分量图 本文分析三相逆变器输出电压对称性原理，分析 了三相逆变器在静止坐标系下和dq坐标系下的数 学模型，并分析了基于dq坐标系下的电压和电流耦 合关系，并利用解耦的策略和方法，
11、采用基于PI调节 器的电压和电流双闭环控制策略，并利用MatlabSim- ulink建立仿真模型，分别在容性负载和感性负载下进 行验证，提高了输出三相电压对称性，证明了本方法是 口J行的。 参考文献 1】 周胜灵，丁殊玉，孙耕，等模糊PI控制技术在逆变输出电压调节 中的应用J】西南师范大学学报(自然科学版)，2008，33(2)：1392142 2J 白丹，蔡志凯，彭力，等三相逆变电；暮不平衡负载研究JJ电力 系统自动化，2004，28(9)：53257 3】 孙驰，马伟明，鲁军勇三相逆变器输出电压不平衡的产生机理分 析及其矫正j中国电机工程学报，2006，26(21)：57264 4毛鸿昊兆辟基于三相PWM变流器的无死区空间矢量调I策略 J中国电机工程学报2001，21(11) 5】 张纯江。顾和荣王宝诚等基于新型相位幅值控耕的三相PWM 整流器教学模型J中国电机工程学报，2003(7)：102105 6张索巍，张兴PWM整流嚣夏其控制M】北京：机械工业出版 社2003：23 7 董晓鹛王兆安具有快速动态响应的单位功率因数PWM整流器 J西安交通大学学报，1997，3l(11)：7782 8赵仁德，贺益康，刘其辉提高PWM整流器抗负戢扰动性能研究 J电工技术学报，2004，19(8)：6772 收稿日期：201104-24 卿撕啪啪鲫伽抛
