基于正态分布噪声神经网络的风电场超短期风速预测方法研究

摘要

风力发电受到其间歇性、波动性及不确定性等因素的制约，使得风电接入对电网的安全和稳定运行带来严峻挑战。超短期风电功率预测，主要应用于短期内发电机组运行调整控制，缓解风电对电网带来的不利影响，有效提高风电并网容量。而风速与风电功率关系密切，精准的风速预测是功率预测的基础和前提，这使得风电场风速的超短期预测研究意义重大。
　　本文基于宁夏某风电场测风塔历史风速数据，通过对NDN神经网络模型进行优化，开展了风电场超短期风速预测的方法研究。
　　1）建立了一种风速输入矩阵(Wind Input Matrix,WIM)，使得相邻时间点风速具有较强的时间相关性，矩阵相邻维数上具有较强的空间相关性。这一点通过与传统形式的风速输入矩阵在（Back Propagation,BP）神经网络模型下的超短期风速预测对比进行说明。引入了正态分布的随机噪声对BP神经网络模型进行了改进，构建了正态分布噪声（Normal Distribution Noise，NDN）神经网络，基于WIM开展了BP、NDN两种神经网络模型下的超短期风速预测。研究发现NDN神经网络模型的风速预测精度较BP模型有所提高，但均存在预测时间上的延迟。
　　2）分别引入粒子群（Particle Swarm Optimization，PSO）算法、萤火虫算法（Firefly Algorithm，FA）对NDN神经网络权值、阈值进行优化。仿真实验结果显示，PSO-NDN预测效果较NDN模型有所改善，但预测曲线与实测曲线相比依然存在延迟现象。而混合优化FA-NDN神经网络模型预测精度表现不佳，实验结果表明，其预测精度甚至不如NDN模型的预测精度，仅比传统BP神经网络模型的预测精度略高。
　　3）进而引入小波分解（Wavelet Decomposition，WD）技术，并结合PSO-NDN、FA-NDN两种混合优化模型形成了组合优化模型WD-PSO-NDN、WD-FA-NDN，进行风速的超短期预测，均得到了比较满意的结果。其中WD-FA-NDN的预测曲线与实测曲线吻合更好，在有效捕捉风速变化趋势的同时，能够较大程度改善局部时间延迟的现象，是一种有效的超短期风速预测方法。

目录

声明

第1章 绪 论

1.1 课题意义

1.2 国内外研究现状

1.3 主要研究内容

第2章 基于正态分布噪声神经网络模型的超短期风速预测研究

2.1 BP神经网络

2.2风速数据预处理

2.3风速输入矩阵的建立

2.4正态分布噪声神经网络超短期风速预测研究

2.5本章小结

第3章 基于NDN神经网络的混合优化模型超短期风速预测研究

3.1基于粒子群优化NDN神经网络超短期风速预测研究

3.2基于萤火虫算法优化NDN神经网络超短期风速预测研究

3.3本章小结

第4章 基于小波分解的组合模型超短期风速预测研究

4.1 小波及小波分析简介

4.2 小波变换原理

4.3 基于小波分解的PSO-NDN神经网络模型

4.4 基于小波分解的FA-NDN模型超短期风速预测

4.5 本章小结

第5章 结论与展望

5.1 结论

5.2 展望

参考文献

致谢

附录A 攻读学位期间所发表的学术论文目录