基于ELMAN神经网络的短期风速预测.pdfVIP

第 32卷第 1期 东 北 电 力 大 学 学 报 Vo1．32．No．1 2012年2月 JournalOfNortheastDianiiUniversity Feb．．2012 文章编号：1005—2992(2012)O1—0030—05 基于 ELMAN神经网络的短期风速预测 孙 斌 ，姚海涛 ，齐城龙2 (1．东北电力大学 能源与动力工程学院，吉林 吉林 132012；2．内蒙古大唐国际红牧风电场，内蒙古乌兰察布 012000) 摘 要：为了提高风电场风速短期预测的精确性，本文提出了基于Elman神经网络的预测。首先求 出风速时间序列的嵌入维数和延迟时间，进而对混沌风速时间序列进行相空间重构。然后利用 Elman 神经网络对相空间重构后的风速时间序列进行预测，预测结果表明基于Elman神经网络的预测效果满 足了精度要求。本文同时运用BP神经网络进行预测。仿真结果表明，基于ELMAN神经网络的预测模 型能够较为准确的进行短期风速的预测，具有很高的工程实际应用意义。 关 键 词：风速时间序列；Elman神经网络；相空间重构；BP神经网络 中图分类号：O359．2 文献标识码：A 能源与环境是当今人类生存和发展所急需解决的问题。常规能源以煤、石油、天然气为主，它不仅 资源有限，而且还造成了严重的大气污染。因此，对可再生能源的利用，尤其是对风能的开发利用，已受 到各个国家的高度重视。随着风能利用的加速发展，越来越多的大型风电场将纳入统调电网，风电在电 网中的比重越来越大，但是由于系统的最大负荷受限于风电场穿透功率极限，所以当负荷超过一定值的 后，就会严重影响电能的质量以及电网运行的安全稳定。而对风速的准确预测可以减少风电场的旋转 设备和运行成本，提高风电穿透功率极限，可以帮助调度部门及时调整计划，从而减轻风能对电网的 冲击 卜 。 目前，风速预测的方法有卡尔曼滤波法_3]、时间序列法 J、空间相关性法 等。用神经网络处理时 间序列是一个热点问题。Elman网络是一种典型的动态神经网络，它在前馈人工神经网络基本结构的 基础上，通过存储 内部状态使其具有映射动态特征的功能，从而使系统具有适应时变特性的能力。在 Elman网络中的前馈权值通常采用BP算法调整，而反馈权值设定为常数。因此，为了保证收敛性，在网 络的训练过程中需要反复调整前馈的权值，寻找其最优解。 同时，用混沌动力学处理时间序列是一个热点问题，在很多领域开始得到应用，如信号检测 j、两 相流 ]、环境 ]、交通 等领域。本文尝试用运算速度更快，运算精度更高的Elman神经网络模型同混 沌理论相结合进行预测，同时与BP神经网络的预测结果做了比较，预测结果表明Elman神经网络模型 在短期风速时间序列的预测中取得了较好的预测结果。 1 Elman神经网络原理 Elman型回归神经元网络一般分为4层：输入层，中间层 (隐含层)，承接层和输出层，见图1。其输 收稿 日期 ：2011—11—14 作者简介：孙 斌 (1972一)，男，吉林省永吉市人，东北电力大学能源与动力工程学院教授，博士，主要研究方向：多相流参数检测及 其应用． 第1期 孙 斌等：基于ELMAN神经网络的短期风速预测 31 入层，隐含层和输出层的连接类似于前馈网络，输入层的单元仅起信号传输作用。隐含层单元的传递函 数可采用线性或非线性函数。承接层又称上下文层或状态层，它用来记忆隐含单元前一时刻的输出值， 可以认为是一个一步延时算子。其特点是隐含层的输出通过承接层的延时与存储，自联到隐含层的输 入，这种 自联方式使其对历史状态的数据具有敏感 性，内部反馈网络的加入增加了网络本 处理动态 输入层 信息的能力，从而达到了动态建模 的 目的_110一-一127。~埋rM 论证明，具有三层计算单元的神经网络可以实现任 意复杂的映射。因此一般情况下，只采用含有一个 隐含层 承接层 隐层的网络。基于以上思想，本文亦采用只含有一 个输入层