風(fēng)電場風(fēng)速預(yù)測模型研究

　　摘要本文介紹了兩種風(fēng)電場風(fēng)速預(yù)測的模型，分別是BP神經(jīng)網(wǎng)絡(luò)模型和小波-BP神經(jīng)網(wǎng)絡(luò)組合模型。BP神經(jīng)網(wǎng)絡(luò)模型是風(fēng)速預(yù)測中常用的模型之一，小波技術(shù)和BP神經(jīng)網(wǎng)絡(luò)結(jié)合，即為組合模型。小波技術(shù)將風(fēng)速時間序列按時間和頻率兩個方向展開，體現(xiàn)了各成分對預(yù)測值貢獻率的不同。將BP神經(jīng)網(wǎng)絡(luò)模型和小波-BP神經(jīng)網(wǎng)絡(luò)組合模型分別應(yīng)用到我國朱日和風(fēng)電場的逐時風(fēng)速預(yù)測中，從預(yù)測結(jié)果對比二者，可以得出組合模型更適合該風(fēng)電場的逐時風(fēng)速的預(yù)測。

　　關(guān)鍵詞風(fēng)電場；風(fēng)速；預(yù)測模型；BP神經(jīng)網(wǎng)絡(luò)；小波

　　中圖分類號TM614 文獻標識碼A

　　1引言

　　我國的風(fēng)能資源非常豐富，風(fēng)能資源在我國能源結(jié)構(gòu)中占有重要的地位。作為一種清潔的可再生能源，近年來風(fēng)能資源正得到廣泛地開發(fā)和利用。21世紀，人類對能源需求空前高漲，尤其是我國，人口眾多，電力需求很大，大力發(fā)展風(fēng)電技術(shù)具有極其重要的意義。

　　風(fēng)速是風(fēng)能資源計算評估的關(guān)鍵內(nèi)容，準確的預(yù)測風(fēng)速對風(fēng)電場和電力系統(tǒng)的運行管理具有重要意義。預(yù)測風(fēng)速的模型眾多，除數(shù)值天氣預(yù)報模式等復(fù)雜的數(shù)學(xué)物理模式預(yù)測方法外，常見的統(tǒng)計預(yù)測方法主要有持續(xù)預(yù)測法、時間序列預(yù)測法、人工神經(jīng)網(wǎng)絡(luò)法等［1］［2］。其中，持續(xù)預(yù)測法是最簡單、最傳統(tǒng)的預(yù)測方法，常作為其他預(yù)測方法的比較基準。時間序列預(yù)測法是一種歷史資料的延伸預(yù)測法，常用的模型有自回歸（AR）模型、滑動平均（MA）模型、自回歸滑動平均（ARMA）模型、自回歸滑動平均求和（ARIMA）模型等。在目前的人工神經(jīng)網(wǎng)絡(luò)中，應(yīng)用較多的是BP（Back Propagation）神經(jīng)網(wǎng)絡(luò)，隨著BP神經(jīng)網(wǎng)絡(luò)技術(shù)的不斷發(fā)展，該技術(shù)在風(fēng)速預(yù)測中的優(yōu)勢和潛力已逐漸顯現(xiàn)。

　　本文主要研究BP神經(jīng)網(wǎng)絡(luò)模型在風(fēng)速預(yù)測中的應(yīng)用，先建立單純的BP神經(jīng)網(wǎng)絡(luò)模型，再建立基于小波技術(shù)的BP神經(jīng)網(wǎng)絡(luò)模型，并對二者進行了對比分析。

　　2方法研究

　　2.1BP神經(jīng)網(wǎng)絡(luò)

　　人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Network，簡稱ANN）是在人類對其大腦及大腦神經(jīng)網(wǎng)絡(luò)認識理解的基礎(chǔ)上，人工構(gòu)造的能夠?qū)崿F(xiàn)某種功能的網(wǎng)絡(luò)，它具有高度的非線性。BP神經(jīng)網(wǎng)絡(luò)是人工神經(jīng)網(wǎng)絡(luò)中常用的一種，該網(wǎng)絡(luò)是一種單向傳播的多層前向網(wǎng)絡(luò)，其結(jié)構(gòu)圖如圖1［3］。該網(wǎng)絡(luò)具有一個輸入層，一個輸出層和至少一個隱（中間）層，各層之間實現(xiàn)全鏈接，而層內(nèi)神經(jīng)元之間無鏈接。當(dāng)一對學(xué)習(xí)樣本提供給網(wǎng)絡(luò)后，神經(jīng)元的激活值從輸入層經(jīng)各中間層向輸出層傳播，在輸出層的各神經(jīng)元獲得網(wǎng)絡(luò)的輸入響應(yīng)。按照減少目標輸出與實際誤差的方向，從輸出層經(jīng)過中間層逐層修正各連接權(quán)值，最后回到輸入層，這種算法稱為“誤差逆?zhèn)鞑シ?rdquo;，即BP算法。隨著這種誤差逆的傳播修正不斷進行，網(wǎng)絡(luò)對輸入模式響應(yīng)的正確率也不斷上升［4］。

　　圖1 三層BP網(wǎng)絡(luò)結(jié)構(gòu)圖

　　2.2小波分析

　　小波分析（Wavelet Analysis）是法國科學(xué)家Morlet于20世紀80年代初提出，具有時頻多分辨功能［5］。小波分析是一種調(diào)和分析方法，是傅里葉（Fourier）分析發(fā)展史上的一個里程碑，被人們譽為數(shù)學(xué)“顯微鏡”。多分辨分析（multi-resolution analysis，MRA）亦稱多尺度分析，是小波分析中最重要的概念之一，它從函數(shù)空間的高度研究函數(shù)的多分辨表示［6］將一個函數(shù)表示為一個低頻成分和不同分辨率下的高頻成分，即多分辨分析［7］只是對低頻部分進一步分解，而高頻部分則不予考慮。圖2表示的是一個三層多分辨分析分解圖，分解的關(guān)系為 。多分辨分析隨著尺度由大到小的變化，對信號可以由粗到精地觀察，既可以看到“森林”，又可以看到“樹木”。