基于NWP与改进神经网络短时风电功率预测探究.docVIP

基于NWP与改进神经网络短时风电功率预测探究 　　摘要：风电场功率预测对电力系统稳定运行起着决定性作用。首先对传统BP神经网络进行改进，以某一风电场获取的2月1日-10日的天气预报（NWP）数据和功率数据作为改进后BP神经网络的训练数据，对神经网络进行训练；其次以2月11号3小时的数值天气预报数据作为改进后BP神经网络的输入数据，对未来3小时的输出功率进行预测。预测过程和结果显示，改进后的BP神经网络在满足低预测误差的同时，能够提高BP神经网络的稳定性和收敛速度。 关键词：风电场功率预测；天气预报（NWP）；BP神经网络；预测误差 中图分类号：TP301文献标识码：A文章编号2013）004003103 0引言 能源是支撑人类文明进步的物质基础，是现代社会发展不可或缺的基本条件。在中国实现现代化和全体人民共同富裕的进程中，能源始终是一个重大战略问题。大力发展新能源和可再生能源，是推进能源多元清洁发展、培育战略性新兴产业的重要战略举措，也是保护生态环境、应对气候变化、实现可持续发展的迫切需要， 到“十二五”末，非化石能源消费占一次能源消费比重将达到11.4%，非化石能源发电装机比重达到30%＼[1＼]。 风电作为可再生能源中最具开发价值的能源，在世界范围内得到了广泛的开发利用。但是由于风速的随机性，导致风电功率具有很大的波动性和不确定性，这给电力系统的稳定运行带来了影响，从而限制了电力系统对风电功率的吸纳。据国家能源局最新统计报告中指出：内蒙古风电装机容量占该地区所有能源总量的30%左右，但是并到电网上的风电机组容量份额不到总风电装机容量的2%。要提高对风电的开发利用，需要进一步提高风电功率预测的准确性。文献＼[2，3＼]介绍了利用传统BP神经网络来对风电场短时功率进行预测，在预测过程中考虑了风速的季节性变化，预测结果满足应用要求；文献＼[4＼]给出利用历史功率信息进行预测和利用历史气象信息与功率信息进行预测的不同，并指出利用历史气象信息和功率信息的预测结果要高；文献＼[57＼]介绍由多种预测算法组合而成的风电场功率预测算法，并指出这些组合预测算法的预测精度比单一预测算法的精度有所提高，但是计算时间比单一预测算法要长。 本文首先对传统BP神经网络进行了改进，然后利用过去10天的NWP数据和功率数据，作为改进后BP神经网络的输入数据对神经网络进行训练。以未来3小时的NWP数据作为改进后BP神经网络的输入数据对输出功率进行预测，预测结果既确保了较低的预测误差，又提高了系统的稳定性和收敛速度。 1BP神经网络算法改进 1.1BP神经网络理论 BP网络又称为误差逆传播算法，典型的BP网络由输入层、隐含层和输出层组成，各层之间实行全连结。BP网络的学习过程，由模式顺传播、误差逆传播、记忆训练、学习收敛4个过程组成。 1.1.1模式顺传播 模式顺传播是由输入模式提供给网络的输入层开始，输入层各单元对应于输入模式向量的各个元素。设输入模式向量Xz=（x1，x2，…，xn）（z=1，2，…，m），其中，z为学习模式对，n为输入层单元个数。对应输入模式的希望输出向量Yz=（y1，y2，…，yq），其中，q为输出层单元个数。根据BP网络的计算原理，隐含层各单元的输入为： sj=∑n[]i=1wijai-θj（1） 式（1）中：s＼-j为隐含层输入值；θ＼-j为隐含层阈值，j=1，2，…，p；p为隐含层单元个数；w＼-＼{ij＼}为输入层和隐含层的连接权值；a＼-i为输入层的第i个神经元，i=1，2，…，n。 为模拟生物神经元的非线性特性，以s＼-j为S函数的自变量，计算隐含层各单元的输出，S函数的数学表达式为： bj=f（sj）=1[]1+e-sj（2） 式（2）中：b＼-j为隐含层第j个神经单元的输出值。 单元输出阈值θ＼-j为模拟生物神经元的阈值电位而设置，它在训练过程中不断被修改。输出层各单元的输入为： Lt=∑p[]j=1vjt-γ＼-t（3） Ct=f（Lt）（4） 式（3）、（4）中：v＼-＼{jt＼}为隐含层神经元j至输出层神经元t的连结权值；γ＼-t为输出层神经元的阈值，t为输出层神经元个数，t=1，2，…，q；f为S函数；L＼-t为输出层神经的输入值。 1.1.2误差逆传播 误差逆传播的第一步是进行误差计算，误差逆传播过程是由输出层的误差d＼-j向隐含层的误差e＼-j传递的过程，输出层的校正误差为： dkt=（ykt-Ckt）f′（Lt）（5） 式（5）中：（y＼+k＼-t-c＼+k＼-t）表示网络希望输出与实际输出的绝对误差，k=1，2，…，m；f′（L＼-t）是根据