基于人工神经网络的风电场建模及仿真研究

摘要

由于洁净、经济等优点，风电事业一直以来在各国迅猛发展。但近两年发展速度放缓，这是由于技术进步赶不上规模发展，而风电模型的建立是各技术研究的基础，所以此研究领域在当下显得异常重要。现有的风电建模常采用机理法，然而风电系统的强非线性和强耦合性决定了这种建模方法欠精准欠简便，因此考虑基于人工神经网络的测试法建模。此方法不仅可以以任意精度逼近非线性函数，而且也无需考虑子系统的解耦问题，简单易于实现，从而提供准确而有利于分析和控制的模型。论文的主要研究内容及结论有以下三部分：
　　 (1)运用误差反向传播(Back-Propagation，BP)神经网络初步拟合风电场的静态特性模型。这种神经网络是适于建模的最基本的网络模型，但是标准BP网络存在很多问题。因此运用网络结构更加复杂的Elman神经网络建立动态实时仿真模型，同时修改了算法，使得权值容易收敛。此模型更加精准，风场的动态特性也能够表达出来，不会被某参数牵绊，改善了局部极小值的状况。
　　 (2)尝试采用基于统计学习理论的新型神经网络-支持向量机建立系统模型。虽然这是一个前馈网络，但改进了输入输出模式，加入了延迟算子，也可作为一种动态模型。选择局部性强的径向基核函数，能更精确地预测输出。最后的仿真结果说明支持向量机可以使用更少的数据建立精确的模型，并能避免传统神经网络结构复杂、易陷于局部极小值等问题。
　　 (3)本文把基于贝叶斯统计的权值评估作为一项不确定性指标，来评价网络性能。由于用于建模的神经网络种类繁多，没有统一的评价模型好坏的标准，因此提出了基于权值的质量判据，将前两章得到的网络权值通过贝叶斯统计方法，得到后验概率分布，将此数据作为评定标准。最后发现支持向量机网络的性能明显优于BP和Elman两种传统神经网络。