基于异常数据处理改进的BP神经网络风速预测模型.docVIP

基于异常数据处理改进的BP神经网络风速预测模型 【摘 要】由于不可再生能源逐渐耗尽，世界各地越来越多的关注风能开发和利用，近年来，风力发电的发展非常迅速，风力发电机装机容量的年平均增长率超过30%，风力发电成为21世纪最有前途的绿色能源。此外，中国的风力发电装机容量增长年率为100%。因此，准确预测风速，是一个重要的工作。在本文中，一种用于风速预测的改进的BP神经网络被提出，并且经过数值模拟，取得了高精度的结果。 【关键词】风能；风速预测；改进的BP神经网络；高精度 0.引言 风能作为一种清洁的可再生能源，具有价格低和无污染，不产生温室气体排放，造成酸性降雨等优点，越来越受到世界各国的重视。其蕴量巨大，比地球上可开发利用的水能总量还要大10倍。而中国的风能资源非常丰富，若能充分利用，则可以有效的调整我国的能源结构，缓解环境污染。美国大学和清华大学环境科学家发布了最新的研究报告，重点分析了中国的风力资源。他们认为，到 2030年，如果中国能够用风力发电满足其23%的电力增长需求，中国足以实现自己的低碳发展目标。虽然目前风能发电只占中国总发电量的0.4%，但是中国已经成为世界上发展最快的风力发电市场。风力发电厂产生的电能主要取决于风速的随机性质，而风速意想不到的变化在风力发电输出中增加了电力系统的运营成本。因此，提高风速预测算法的准确性对于风力发电有很大的影响。目前，风速预测的方法有卡尔曼滤波、时间序列、人工神经网络、支持向量机等等。其中，BP（Back Propagation）神经网络实质上实现了一个从输入到输出的映射功能，具有较强的非线性映射能力。此外，BP神经网络有许多功能，如自学，联想记忆，和高速度的优化解决方案，它可以不需要清楚和明确当前值和过去值的函数关系的条件下预测未来值，因此BP神经网络成为最广泛的风速预测模型之一。但是传统的BP会有算法的收敛速度慢，局部极小化等问题。所以，如果采用引入动量引子的BP学习算法进行局部寻优，有利于BP 网络迅速收敛到全局最优解。本文采用经过异常数据检测和处理的风速数据，运用改进的BP神经网络建立风电场风速预测模型来进行风速预测。 1.异常值检测和处理 在实际的收集数据过程中，由于数据测量技术的不完善，测量仪器的磨损或者疏忽大意等问题，常常会产生异常数据，这直接影响到了收集的数据的质量，进而导致预测结果的不准确，甚至是更加严重的后果。对于这种异常数据，我们应尽可能检查其出现原因，这对于我们取舍数据提供充分的根据。但是如果找不到原因，也不能随意取舍，而是通过合适的方法发现并处理这些数据。由于风速数据一般较多，我们在这里采取“五数概括法”来从表2可知，在站点1，传统的BP神经网络的MAPE为39.24%，RMSE为1.554；改进的BP神经网络为31.46%，RMSE为1.381，而在站点2，结果也同样如此，这说明改进的BP神经网络在在精度和稳定性方面明显优于传统的神经网络。 4.结论 本文先采用了异常值检测和处理，找出并处理了原始风速数据中的异常值，从而为预测未来的风速提供了坚实的基础。随后采用动量引子的BP学习算法，这样可以让BP神经网络具有更快的收敛速度和更高的精度。最后利用500组处理后的风速数据建立并训练神经网络，预测230组风速数据，其结果明显优于传统BP神经网络，精度和稳定性有明显的提高，这说明了新模型的有效性。 [科] 【参考文献】 [1]王德明，王莉，张广明.基于遗传BP神经网络的短期风速预测模型[J].浙江大学学报，2012，46（5）：837-841. [2]丁明，张立军，吴义纯.基于时间序列分析的风电场风速预测模型[J].电力自动化设备，2005，25（8）：32-34. [3]杨秀媛，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）：1-5.