《基于神经网络的风电功率预测方法研究》由会员分享，可在线阅读，更多相关《基于神经网络的风电功率预测方法研究（52页珍藏版）》请在金锄头文库上搜索。
1、 中华人民共和国北京市清华大学附属中学 BEIJING / THE PEOPLE REPUBLIC OF CHINA / THE HIGH SCHOOL ATTACHED TO TSINGHUA UNIVERSITY 基于神经网络的风电功率 预测方法研究 The Study on Wind Power Forecasting Method Based on Netural Network 蒲蒲舒舒桐桐 Shutong PuShutong Pu 指导老师指导老师 李李劲劲松松 Supervisor / Supervisor / Jingsong LiJingsong Li 二二一七一七年年八月八
2、月 I 摘 要 随着可再生能源的大力发展，大规模风电接入电网，相较于常规能源，风力 发电具有间歇性、波动性和随机性，给电网的安全、稳定运行带来了巨大的挑战， 而功率预测对风力的合理、安全、有效的利用至关重要，所以能够及时、精确地 对风电功率进行预测的意义尤为重大。 风电功率短期预测误差主要是内在随机性因素和外在随机性因素造成的。内 在随机性因素是指预测系统本身存在缺陷或不完善，外在随机性因素是指系统输 入的数据不完善或输入数据存在误差。要解决在风电功率短期预测中随机性因素 带来误差的问题，引入性能更为优越的人工神经网络算法来改进以及设计新的预 测系统是目前主要研究方向。目前国内外该领域研究逐步
3、深入，国外已有多套成 熟的预测系统投入实际使用，而国内在此领域还未到达令人满意的程度。 本文综述了国内外风力发电的发展状况，风电功率预测技术的研究现状、基 本原理，阐述了不同分类标准下的风电功率预测方法，分析了基于历史数据和数 值天气预报的功率预测方法。 在此基础上，采用人工神经网络算法进行风电功率短期预测，构建了 BP 神经 网络和卷积神经网络风电功率预测模型，探讨了建模过程中学习精度的确定、隐 含层节点数以及训练函数的选取，得到最优的神经网络预测模型。仿真结果显示 BP 神经网络模型的预测精度和稳定性都不够理想。 针对于 BP 神经网络的易陷入局 部极小值、稳定性差的问题，建立卷积神经网络
4、风电功率短期预测模型，仿真结 果显示预测系统的预测精度和稳定性有了明显的提高，卷积神经网络算法弥补了 BP 神经网络算法的不足，验证了该算法的有效性、可行性。 关键词：关键词： 风电场功率预测，短期预测，数值天气预报，BP 神经网络，卷积神经网 络 II ABSTRACT With the development of renewable energy, large-scale wind power access to the grid, compared to conventional energy, wind power is intermittent, volatility and ra
5、ndomness, which has brought great challenges to the safe and stable operation of the grid. It is very important to predict the reasonable, safe and effective use of wind power, so it is very significant to predict the wind power in time and accurately. The short-term prediction error of wind power i
6、s mainly caused by the internal randomness factor and the external randomness factor. The inherent randomness factor means that the prediction system itself is defective or imperfect, and the external randomness factor means that the system input data is not perfect or the input data is in error. To
7、 solve the problem of random error in wind power short-term prediction,it is the main research direction to introduce the artificial neural network algorithm with superior performance to improve and design new forecasting system. At home and abroad in this field research gradually in-depth, there ar
8、e several sets of mature foreign forecast system put into practical use, the domestic in this area has not yet reached a satisfactory level. This paper summarizes the development status of wind power generation at home and abroad, the research status and basic principles of wind power forecasting te
9、chnology, expatiates on the wind power forecasting method under different classification standards, and analyzes the power forecasting method based on historical data and numerical weather forecast. Based on the artificial neural network (ANN) algorithm, the BP neural network and Convoluted neural n
10、etwork wind power forecasting model are constructed. The modeling process is selected to determine the learning accuracy, the number of hidden layer nodes and the selection of training function,to get the optimal neural network prediction model. The simulation results show that the BP neural network
11、 model has generic prediction accuracy and stability. Aiming at the problem that the BP neural network is easy to fall into the local minimum and poor stability, the short - term wind power model of Convolution neural network is established. The simulation results show that the prediction accuracy a
12、nd stability of the prediction system are obviously improved, which effectively solves the shortcomings of BP neural network algorithm. The validity and reliability of the Convolution neural network algorithm are verified. KEY WORDS: Wind farm power prediction, Short-term forecast, Numerical weather
13、 forecast, BP neural network，Convolutional neural network 目 录 摘 要 I ABSTRACT . II 第 1 章 绪论 1 1.1 课题研究背景及其意义 1 1.1.1 课题研究背景 1 1.1.2 课题研究目的与意义 2 1.2 国内外风电功率预测研究现状 3 1.2.1 国外风电功率预测研究现状 . 3 1.2.2 国内风电功率预测研究现状 . 5 1.3 本文的主要工作. 6 第 2 章 风电功率短期预测方法 7 2.1 引言 . 7 2.2 风电功率预测方法分类 7 2.2.1 按预测时间长短分类 7 2.2.2 按预测对象
14、范围分类 8 2.2.3 时间和区域的几种组合方式 . 8 2.3 风电场功率的预测方法和原理 9 2.3.1 基于历史数据的风电场功率预测 . 9 2.3.2 基于数值气象预报的风电场功率预测. 9 2.3.3 不同预测方法在风速测试中的应用比较 11 2.4 本章小结 . 11 第 3 章 神经网络算法原理及其预测模型 12 3.1 BP 神经网络的基本原理 12 3.1.1 BP 神经网络的数学模型 12 3.1.2 BP 神经网络参数的设定 14 3.1.3 BP 神经网络的预测模型 14 3.2 卷积神经网络简介 15 3.3 卷积神经网络的基本特性 16 3.3.1 卷积运算 16
15、 3.3.2 稀疏连接 17 3.3.3 权重共享 18 3.3.4 卷积神经网络的整体构架 18 3.4 反向传导算法 . 20 3.5 基于卷积神经网络算法的风电场功率预测模型 23 3.6 本章小结 . 24 第 4 章 风电功率预测影响因素及数据选择 . 25 4.1 引言 . 25 4.2 风电场输出功率的影响因素及参数选择 . 25 4.2.1 输出功率与风速的关系 25 4.2.2 输出功率与风向的关系 26 4.2.3 输出功率与空气密度的关系 . 27 4.2.4 输出功率与地表粗糙度的关系 . 28 4.3 风电场预测模型建立 29 4.3.1 输入数据的选择 29 4.3
16、.2 数据归一化 29 4.4 本章小结 . 31 第 5 章 算例仿真及结果分析 32 5.1 算例简介及原始数据处理 32 5.1.1 风电场功率数据分析与处理 . 33 5.1.2 数值天气预报数据分析与处理 . 34 5.2 预测结果及其分析 34 5.2.1 不同学习精度的预测结果 . 34 5.2.2 不同隐含层节点数的预测结果 . 36 5.2.3 不同训练函数的预测结果 . 37 5.2.4 卷积神经网络算法的预测结果 . 37 5.3 本章小结 . 40 第 6 章 结论与展望 . 41 参 考 文 献 42 附录 1 BP 神经网络代码 . 44 附录 2 卷积神经网络部分代码 . 46 风电预测报告 1 第第 1 1 章章 绪论绪论 1.1 1.1 课题研究背景及其意义课题研究背景及其意义 1.1.1 1.1.1 课题研究背景课题研究背景 众所周知，电能的应用极其广泛，在生产技术上引起划时代的革命，在现代工业、农 业及国民经济的各部门中，电力作为主要的动力来源，其重要性不言而喻。 首先由发电厂产生电能，经过输电线路将电能传递给用户，供用
