基于神经网络的风电机有功功率预测及误差订正方法技术
Active power prediction and error correction method of wind turbine based on Neural Network
The invention discloses a wind motor active power prediction and error correction method based on neural network, wavelet power spectrum analysis method to extract significant periodic sequence implicit wind motor active power in time series and isolated residual sequence, then the significant periodic sequence and the residual sequence using neural network model to predict. The significant periodic sequence predicted by BP neural network and particle swarm optimization algorithm and superposition error correction based on RBF neural network residual sequence is optimized by using particle swarm optimization and superposition error correction prediction, prediction by significant periodic sequences and the residual sequence results can predict the results obtained the final wind motor active power. The invention realizes the fine prediction of the active power of each typhoon motor in a wind farm, thereby effectively improving the short-term output prediction level of the whole wind farm.
【技术实现步骤摘要】
基于神经网络的风电机有功功率预测及误差订正方法
本专利技术属于风能预报领域，具体涉及一种基于神经网络的风电机有功功率预测及误差订正方法。
技术介绍
为了有效地将风能并入电网中，对于风电场的出力进行准确预报是极其必要和关键的，这其中，0至6小时的短期预报对于电网实时调度，确保电网频率、功率和电压平衡等涉及电网安全的技术参数具有重要意义。风能作为一种可再生的清洁能源，具有装机规模灵活、风电发电机组可靠性高、造价低、运行维护简单等优点。据2015年2月国家能源局公布的《2014年风电产业监测情况》，截至2014年底，我国风电累计装机容量已达到9637万千瓦，占全部发电装机容量的7％，占全球风电装机的27％。2014年风电上网电量1534亿千瓦时，占全部发电量的2.78％。2014年12月国家能源局发布《能源发展战略行动计划(2014-2020年)》，预计到2020年，风电装机将达到2亿千瓦。截至目前，风电已经继火电和水电之后成为我国第三大主力电源。随着装机容量的不断增加，风电的弃电问题一直较为突出，据国家能源局统计，2012年全国弃风电量约200亿千瓦时，平均弃风率达到...
【技术保护点】
一种基于神经网络的风电机有功功率预测及误差订正方法，其特征在于，包括以下步骤：(1)读入风电机的原始采样有功功率时间序列p＝{p(i),i＝1,2,...,N}，其中N为原始风电机有功功率采样点个数；将p调整为按预报间隔要求的平均有功功率时间序列p’＝{p’(j),j＝1,2,...,M}，其中M为按预报间隔要求调整后的风电机平均有功功率序列的采样点个数，p’的平均值为
【技术特征摘要】
1.一种基于神经网络的风电机有功功率预测及误差订正方法，其特征在于，包括以下步骤：(1)读入风电机的原始采样有功功率时间序列p＝{p(i),i＝1,2,...,N}，其中N为原始风电机有功功率采样点个数；将p调整为按预报间隔要求的平均有功功率时间序列p’＝{p’(j),j＝1,2,...,M}，其中M为按预报间隔要求调整后的风电机平均有功功率序列的采样点个数，p’的平均值为令(2)采用多尺度小波功率谱分析方法，提取P中的显著周期序列{P1,P2,…,Pk,…,PK}，其中K为P中的显著周期序列的个数，Pk＝{Pk(1),Pk(2),…,Pk(M)}，由此P＝P1+P2+…+PK+R，其中R＝P-P1-P2-…-PK，为P中剔除显著周期序列后的残差序列；(3)对P中的显著周期序列{P1,P2,…,Pk,…,PK}，分别采用粒子群优化并叠加误差订正的BP神经网络进行预测，设定预测步长为l，则各显著周期序列{P1,P2,…,Pk,…,PK}的预测结果为其中(4)对残差序列R的一阶差分序列D采用粒子群优化并叠加误差订正的RBF神经网络进行预测，后经差分反运算得到残差序列的预测结果，设定预测步长为l，则残差序列R的预测结果为YR＝{YR(1),YR(2),...,YR(l)}；(5)将与各显著周期序列、残差序列的预测结果相加，得到最终的预测结果Y，2.根据权利要求1所述的一种基于神经网络的风电机有功功率预测及误差订正方法，其特征在于：所述步骤(3)中所采用的粒子群优化的BP神经网络的具体过程为：(1)依据Kolmogorov定理，建立3层BP神经网络模型，设输入层神经元个数为I，隐含层神经元个数为H，输出层神经元个数为O；其中，H＝2*I+1，O＝1；(2)确定需要优化的参数，包括：BP神经网络的输入层神经元个数I和训练集的长度L，还包括：一组对象W＝(w(1),w(2),...,w(q))，q＝I*H+H*O+H+O，其中，w(1)～w(I*H)为BP神经网络的输入层至隐含层神经元的连结权值，w(I*H+1)～w(I*H+H*O)为BP神经网络的隐含层至输出层神经元的连结权值，w(I*H+H*O+1)～w(I*H+H*O+H)为BP神经网络隐含层神经元的阈值，w(I*H+H*O+H+1)～w(I*H+H*O+H+O)为BP神经网络输出层神经元的阈值；(3)初始化种群其中Q1为粒子的总数，第i个粒子为Xi＝(Ii,Wi,Li)，粒子速度为Vi＝(v_Ii,v_Wi,v_Li)，其中Ii、Wi、Li为参数I、W、L一组备选解；(4)对群体中的每个粒子Xi＝(Ii,Wi,Li)确定的参数，构造BP神经网络训练集的输入和输出矩阵，其中针对显著周期序列Pk及BP神经网络输入层神经元个数Ii首先建立矩阵Z1和Z2，其中：针对待优化神经网络训练集长度L，Z1中最后的Li列作为训练集的输入矩阵Itrain，Z2中最后的Li列作为训练集的输出矩阵Otrain；将预报步长l作为测试步长，Z1中最后的l列作为测试集的输入矩阵Itest，Z2中最后的l列作为测试集的输出矩阵Otest；根据训练集构造的BP神经网络对测试集模拟结果的误差平方和作为其适应度值，以适应度值最小为优化方向作为评价标准评判各个粒子的优劣，记录粒子Xi当前个体极值为Pbest(i)，取群体中Pbest(i)最优的个体作为整体极值Gbest；(5)群体中的每个粒子Xi，分别对其位置和速度进行更新；式中：ω为惯性权重，c1、c2为加速度因子，g为当前迭代次数，而r1、r2为分布于[0,1]的随机数；(6)重新计算各个粒子此时的目标函数值，更新Pbest(i)和Gbest；(7)判断是否达到最大迭代次数，如满足则结束优化过程，获得BP神经网络最佳参数Ibest、Wbest(wbest(1),wbest(2),...,wbest(q))、Lbest，否则返回步骤(4)。3.根据权利要求2所述的一种基于神经网络的风电机有功功率预测及误差订正方法，其特征在于：所述步骤(3)中所采用的叠加误差订正方法的具体过程为：(1)首先按优化的BP神经网络参数Ibest、Wbest(wbest(1),wbest(2),...,wbest(q))、Lbest构造神经网络训练集Z3和测试集Z4并初始化BP神经网络连结权值和阈值，其中：
【专利技术属性】
技术研发人员：彭丽霞，杜杰，孙泓川，王雷，陆金桂，曹一家，朱伟军，曾刚，
申请(专利权)人：南京信息工程大学，
类型：发明
国别省市：江苏,32
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。