基于神经网络的风力发电功率预测

摘要我国风能资源丰富，可开发利用的风能储量约10亿kW，风力发电占比在能源占比中不断提高，风力发电因其清洁可再生，环境效益好，建设周期短，装机规模灵活等优点而被各国广泛推广。由于风力的不确定性，导致风力发电功率具有随机性、间歇性、波动性。风电生产的稳定性将降低风电的竞争力，对风力发电功率准确预测，有助于提高竞争力，减少能源浪费，帮助发电部门合理制定发电计划，有助于提高风能的能源竞争力，改善能源结构。本文了中国风力发电规模以及未来的前景，以及国内外研究现状，并说明了了风力发电的两种分类。阐述了使用自适应线性网络和BP神经网络预测风力发电功率。将风速作为预测模型的变量输入，并根据经验公式确定隐含层层数，输出层为风力发电功率的预测。通过MATLAB仿真结果对比自适应线性网络算法和BP神经网络算法的输出结果，BP神经网络模型的预测精度更高。对BP神经网络算法的输出结果进行分析，提出减小误差的措施。综上所述，本文的研究对风力发电预测均有一定的帮助。关键字：自适应线性网络;BP神经网络;风力发电功率预测;AbstractChinahasabundantwindenergyresources,withaexploitablewindenergyreserveofabout1billionkW.Theproportionofwindpowergenerationisconstantlyincreasingintheenergyproportion.Windpowergenerationiswidelypromotedbycountriesduetoitsadvantagessuchascleanandrenewable,goodenvironmentalbenefits,shortconstructionperiod,andflexibleinstalledcapacity.Duetotheuncertaintyofwindpower,windpowergenerationhasrandomness,intermittency,andvolatility.Thevolatilityofwindpowergenerationleadstoadecreaseinthecompetitivenessofwindenergyinenergycompositioncompetition.Realizingaccuratepredictionofwindpowergenerationpowercanhelpimprovetheenergycompetitivenessofwindenergy.ThisarticleintroducesadaptivelinearnetworksandBPneuralnetworks,andusesthemtopredictwindpowergenerationpower.Selectwindpowergenerationdataandwindspeeddataforacertaintimeperiodinacertainlocation,usewindspeedastheinputvariableofthepredictionmodel,determinethenumberofhiddenlayerneuronsbasedonexperienceandformulas,andoutputthepredictedvalueofwindpowergenerationpowerintheoutputlayer.BycomparingthepredictionresultsofadaptivelinearnetworkandBPneuralnetwork,itisconcludedthattheBPneuralnetworkmodelpredictsmoreaccurately.Finally,conducterroranalysisonthepredictionresultsoftheBPneuralnetworkandprovidemeasurestoreduceerrors.Insummary,theresearchinthisarticleishelpfulforwindpowergenerationprediction.Keywords:Adaptivelinearnetwork;BPneuralnetwork;windpowergenerationpowerprediction;

目录摘要 3Abstract 4前言 91绪论 101.1研究背景及意义 101.2国内外研究现状 121.3主要研究内容与章节安排 122风力发电系统介绍 142.1风力发电原理 142.2风力发电机结构 142.3风力发电系统种类 152.3.1独立型风力发电系统 152.3.2并网型风力发电系统 172.4风力发电影响因素 182.4.1风速 182.4.2风向 192.4.3温度 192.3.4湍流 192.3.5海拔高度 203线性神经网络算法与BP神经网络算法 203.1自适应线性网络 203.2BP神经网络算法 234基于BP神经网络风力发电功率预测 274.1数据预处理 274.2模型构建 274.2.1输入层神经元节点 274.2.2隐含层神经元节点 284.3风力发电功率预测 284.3.1BP神经网络预测风力发电功率 284.3.2自适应线性网络预测风力发电功率 295预测结果分析与模型优化 315.1预测结果及误差分析 315.2模型优化 325.2.1确定训练次数 325.2.2优化BP算法 325.3预测结论 33结论 34致谢 35参考文献 36前言随着国家经济、工业生产的高速发展，对电能的需求不断扩大；减少化石燃料的使用，大力发展新能源的发展理念深入人心。环保无污染的发电方式成为人们日益关注的对象。开发风能、太阳能、潮汐能等清洁能源可以减少环境污染，保护环境。电能是当今社会至关重要的二次能源，最大限度地将新能源转化成电能是能源革命的重要目标。风力发电是一种无害的能源，它可以通过直接利用风能来生产电力，不产生二氧化碳等温室气体的排放，是电能生产的重要组成部分。与传统的火力发电相比，风力发电不仅能够节约大量的煤炭和天然气等化石燃料的使用，还能够有效减少大气中的温室气体排放，降低全球气候变化的风险。利用风能发电可以提高资源利用率，减少有限的资源消耗，还可以避免有毒废弃物的产生。传统的化石燃料发电过程需要大量的煤炭、天然气等化石燃料，并同时产生大量有毒的废弃物，这对于环境和人类健康都造成了极大的影响。风力发电在消耗能源的同时，不会产生任何有毒废弃物，所以在环保方面具有很多的优势。但风力发电存在间歇性和波动性，生产电能不稳定。精准预测风力发电功率有助于合理安排电厂生产计划，减小对并入电网的影响，减少能源浪费，有助于提高清洁能源在能源结构中的占比。本文阐述了预测风力发电功率的研究背景和研究价值，介绍了当前风力发电功率预测的研究现状，对风力发电系统进行了详细说明，其中包括风力发电机的结构、风力发电的基本原理、风力发电的几种分类以及影响风力发电的主要因素。对自适应线性网络算法与BP神经网络算法进行了阐述，使用公式与流程图对自适应线性网络和BP神经网络做了详细说明，解释了自适应线性网络算法与BP神经网络的概念，理解了BP算法实质上就是误差反向后传算法。搜集风力数据，将现有数据分为训练组和预测组进行模型训练，调整模型的隐含层数与学习率，使用优化后的模型对风力发电进行预测，利用MATLAB对输入样本数据进行了训练，与期望值进行对比，利用BP神经网络和自适应线性网络两种算法进行对比，进行了初步总结，对预测数据进行误差分析，提出了模型优化方法，总结了可能造成误差的几个原因，并提出了模型优化方案。1绪论1.1研究背景及意义当今，随着人类社会活动增加、科技日益发达,煤和石油等化石燃料是被人们广泛使用,环保问题也日益突出,同时不可再生能源数量也在逐步下降,因此世界各国都开始将更多视线投入可再生能源,特别是以风能为代表的高洁净再生技术能源[1]。大量使用化石燃料造成的环境污染与温室效应导致了极端气候日益增多。根据最新的调查，约80%的温室气体排放源于人为，而的排放量则达到60%。自21世纪以来，世界各国的年平均气温都在不断升高，引起了巨大的生态挑战。其中，因发电产生的二氧化碳占比巨大。图1.1为各种发电方式碳排放率的比较。图1.1为各种发电方式碳排放率的比较Figure1.1comparesthecarbonemissionratesofvariouspowergenerationmethods风力发电具有突出的优点，但缺点也很明显。第一，风力发电与气候密切相关，季节性差异明显，发电功率不稳定，风能的起伏变化大，导致能量不稳定。第二，风力发电联合其他发电方式保障供电较复杂，从而带来一定的不稳定因素。第三，风力发电具有间歇性和波动性特定，并网电量随机波动较大，容易引起电网电压、频率的波动。当风电大规模并网时对整个系统的供电平衡造成极大干扰，电网安全运行不确定性显著增加，电力部门调度难度加大。风能具有在短时间内替代一次能源的潜力,因其分散、无污染和可再生的特点被广泛研究.随着风力发电在供电构成中的占比越来越高，对风力发电功率准确预测愈发重要。精准预测风电功率，有助于电力系统的配电部门制定不同的发电计划，减少能源浪费，提高电网的运行稳定性，减少弃风现象，提高能源利用率。截至2022年底，全球风电装机容量906GW，2012-202年的年均复合增长率12.30%；目前，风力发电主要以陆上发电为主，2022年底全球风电累计装机容量中陆上风电占比约为92.94%。我国地域面积广大,地貌复杂多变,海陆热力性质差别很大,季风气候特征明显,风能资源丰富,具有巨大的风能发展潜力[2]。2022年底全球累计风电装机容量如图1.2所示。图1.22022年底全球累计风电装机容量经过多年发展，中国国内的风电产业进入稳定持续增长的新阶段，2022年中国风电新增装机3763万千瓦，累计装机36544万千瓦，其中，陆上风电约占91.65%，海上风电约占8.35%，与此同时，发电量也在持续增长，2022年中国风电发电量再创历史新高，突破7600亿千瓦时，风电工程投资额完成2145亿元。清洁能源在整体能源结构中的比重不断提升：一方面，可再生能源的发展迅速，风电、太阳能等发电能力显著提升。精准预测风力发电功率，可以根据风力变化情况,第一时间对调度计划进行调整,最大限度地减小系统备用容量和系统运行成本,从而减弱风电给电网带来的负面影响,并尽量提高风电装机在系统中所占的比重[3]。1.2国内外研究现状风电场的功率预测，按时间尺度划分，包括长期预测、中期预测和短期预测，长期预测一般以“年”为预测单位，主要是平衡年、月发电量及制定电网设备检修计划、制订燃料计划等[4]；中期预测一般以“月或周”为预测单位，主要是对提前若干周或月的发电量进行预测，用于安排检修，风电场储能和备用容量的优化；短期预测以“小时或分钟”为预测单位，一般是提前数分钟到几十个小时的发电量预测[5]。丹麦、美国、德国等国的风电预测理论研究始于20世纪90年代左右起初，一些相对完善的软件预测已经完成。例如用物理风力发电预测方法，其时间尺度可提前48小时，该方法建立在一种从天气预报模型中接收输入数据的物理方法之上[6]。但是由于物理模型计算量大，短期预测效果不理想[7]。早期的统计学方法多用于线性序列预测,无法有效应对复杂的风速序列。利用改进的灰狼算法对卷积神经网络的超参数进行寻优，利用改进的灰狼算法结合卷积神经网络对风力发电功率预测[8]。针对因自然界中风力不稳定、环境变化快等因素导致的风功率存在波动大、难以预测的问题，提出了基于LSTM的短时风功率预测模型[9]。采用Pearson相关性分析首先降低数据复杂度，筛选出与风功率相关性较高的时间序列，然后进行超短期预测，利用CNN的序列特征提取能力提高预测精度[10]。使用LSTM-TCN模型，有效提高了对风速骤变工况预测的准确性[11]。一些风力发电占比比较高的国家对风力发电功率预测的研究较早，技术已经比较成熟。然而，我国的风预测理论研究还不成熟，目前正处于发展和研究阶段。近年来，风力发电的预测仅限于非常短期和短期，中长期风预测的发展和研究尚未取得重大进展。1.3主要研究内容与章节安排由于风力发电会受到多种环境因素影响，风力发电系统通常并入常规发电系统，作为分布式能源参与供电[12]。不稳定的发电功率会对电网的运行稳定造成影响。准确预测风力发电系统的输出功率，对于电能调度、电网运行管理意义重大[13]。本文搜集某地多段时间的气象数据和风力发电数据，综合考虑风速、温度等对风力发电功率的影响，借助MATLAB神经网络工具箱建立神经网络模型，最后分析预测结果。本论文的研究内容主要分为五个章节，内容如下：第一章：阐述预测风力发电功率的研究背景及意义，阐述了风力发电功率预测的研究现状。第二章：阐述了风力发电系统的原理、结构、种类，以及影响因素。第三章：通过流程图和公式，对自适应神经网络算法和BP神经网络算法进行介绍，对神经网络的原理有了更深理解。第四章：对输入数据进行数据处理，确定网络参数，最后建立神经网络后，对某地区风力发电功率进行了预测，并对两种神经网络算法做出对比。第五章：对预测结果进行误差分析，并找出可能产生误差的原因，为提高预测准确性提供可实施的模型优化方案。

2风力发电系统介绍2.1风力发电原理风力发电过程中，风车叶片通常设计为翼型形状，当风吹过叶片时，叶片上表面受到的升力大于下表面的，这种压力差使叶片旋转。叶片的旋转通过齿轮箱传递到发电机，发电机内部通过电磁感应原理产生电能。风力发电机输出的是交流电，需要将交流电通过整流成直流电充入电池中，通过逆变电路将电池中的化学能转换为220V交流电，供给负荷使用。2.2风力发电机结构风力发电机由机头、转体、尾翼、叶片、发电机、机舱、配电装置、塔、电力供应系统等组成。风力发电机结构图如图2.1所示。图2.1风力发电机结构图2.3风力发电系统种类根据风力发电模式分类，它可以分为两种类型：独立型发电系统和并网型风力发电系统。2.3.1独立型风力发电系统通常，独立风力发电的单机容量通常在10kW或以下，规模较小。它通常通过与储能设备等相结合来解决欠发达地区的电力供应问题。独立型风力发电系统可分为独立型直流发电系统和独立型交流发电系统两种。（1）直流发电系统独立的直流风力发电系统由小型直流发电提供动力，该小型直流发电由通过电池存储设备连接到负载进行供电。如果风速降低，转速降低，迫使直流发电机电压小于电池电压，则发电机无法对电池充电，但电池必须向发电机发送电力。为了防止这种情况发生，安装了一个动态连接点，用于控制系统中的防止反向供电的继电器。如果电池组电压高于发电机电压，反向继电器将断开连接，防止电池对发电机反向供电。如图2.2所示。图2.2直流发电系统结构图（2）交流发电系统如果直流负载直接连接到电池的正极和负极端子，交流发电机产生的电能经过整流器整流后，为电池充电并向直流负载供电。如图2.3所示。图2.3交流发电机向直流负载供电如果在蓄电池的正负极接上逆变器，则可向交流负载供电。如图2.4所示。图2.4交流发电机向交流负载供电2.3.2并网型风力发电系统（1）恒速恒频发电机的并网运行恒速恒频风力发电系统的基本结构如图2.5所示。发电机的输出功率较稳定时时，叶片转速变化小，叶片几乎以不变速度旋转。目前常用于这种恒速风力机系统的功率控制方式为变桨距控制。优点有桨叶受力较小，叶片轻巧，可以最大程度利用风能，提高电能生产量;但其故障率较高，结构复杂。图2.5恒速恒频发电系统（2）变速恒频发电机的并网运行变速恒频风力发电系统主要有两种类型，一种是双馈型异步发电机，一种是风力机直接驱动同步发电机。变速恒频风力发电系统的转速随风速变化，风力机与同步发电机直接连接，发出的电能通过变换器并入电网。如图2.6为变速恒频发电风轮机直接驱动的同步发电机系统。图2.6变速恒频发电系统2.4风力发电影响因素2.4.1风速气象因素最显著的特征就是具有较强的随机性与波动性,导致风力发电系统的输出功率呈现出很大的随机性、间歇性与波动性。风速是影响风力发电量最主要的因素，风速越大，风力发电量就越高。这是由于风力发电机的工作原理所决定的。风力发电机中的叶轮受到风的推动而旋转，旋转的速度越快，发电机就会产生越多的电能。当风速在每秒4-25米之间时，风力发电量最高。如果风速小于每秒4米，风力发电机就不会转动，不会产生电能。如果风速大于每秒25米，可能会导致风力发电机损坏，风力发电机会自动停止运行。在风速超出运行范围的情况下，风力发电机无法恢复到最佳速度，因此无法产生最大能量。2.4.2风向风向会直接影响风力发电机的发电效率。风向的改变会导致叶片受风力推动的变化。在风向稳定的情况下，风力发电机的发电量和效率会更高。当风向变化较大时，风力发电机的叶轮需要不断地调整角度，这会影响到发电机的效率和发电量。此外，风向的变化也可能影响风力发电站的安全。如果风向突然改变，可能会导致转速过高或过低，导致机械故障或安全事故。2.4.3温度温度是影响风力发电量和效率的因素之一。温度变化会导致空气密度变化，对风力发电机的叶轮旋转速度和方向造成影响，影响风力发电机的效率。一般来说，空气的密度会随着温度的升高而降低，导致风力发电机叶轮受到的阻力减小，旋转速度变快，电能生产效率提高。相反，当气温降低时，从风力发电机叶轮受到的阻力增加，旋转速度变慢，电能生产效率降低。故温度会对风力发电的电能生产量有影响。2.4.4海拔高度海拔高度是影响风力发电量和效率的因素之一。气温和气压会随着海拔高度的增加而下降，会对空气密度造成影响，进而影响风力发电机叶轮的转速和方向，影响风力发电机的发电效率。这是因为在高海拔地区，空气稀薄，风力涡轮机的叶轮会受到较小的阻力，导致转速变快，但由于空气密度小，叶轮所受的推力也相应减小，无法产生更多的发电量。在运营风力发电站时，需要随时关注海拔高度和气温的变化，及时调整风力涡轮机的工作状态，以保证风力发电机的效率和发电量。3线性神经网络算法与BP神经网络算法3.1自适应线性网络神经网络模型包含三个主要模块：人工神经元数学模型、人工神经网络的拓扑结构和人工神经网络的学习训练算法[13].Widrow和Hoff在20世纪50年代末提出自适应线性元件，主要用途是通过线性逼近一个函数式而进行模式联想以及信号滤波、预测、模型识别和控制等。线性神经网络的传输函数是线性函数，输出可以是任意值。线性神经网络采用Widrow-Hoff学习规则。但其算法的局限性决定了它只能解决线性可分问题。线性神经网络在结构上与感知器网络非常相似，只是神经元传输函数不同[14]。线性神经网络的结构如图3.1所示。图3.1线性神经网络结构如图3.1所示，线性神经网络除了产生二值输出以外，还可以产生模拟输出——即采用线性传输函数，使输出可以为任意值。若一个N维向量为输入时，，从输入到神经元的权值为，则该神经元的输出为：即 写成矩阵的形式，假设输入向量为其中，表示偏置。则输出可以表示为解决线性神经网络线性不可分问题的另一个方法是，将非线性成分引入神经元中，这样做会使等效的输入维度变大，如图3.2所示。图3.2线性网络解决非线性问题自适应线性网络优点：（1）权值变化量正比于网络的输出误差及网络的输入矢量。它不需求导数，所以算法简单。（2）具有收敛速度快和精度高的优点。自适应线性网络缺点：（1）自适应线性网络仅可以学习输入输出矢量之间的线性关系，所以对某些问题，自适应线性网络是不能得到满意的结果的。（2）一个线性网络的误差表面是抛物线型的，既然抛物线只有唯一最小值。（3）自适应线性网络学习率设置较为复杂，偏大偏小都会大幅降低算法效率。当学习速率取得较大时，可导致训练过程的不稳定。当学习速率取得较小时，可能导致训练精度差。3.2BP神经网络算法BP算法是一种有效的机器学习技术，它能够有效地把输出的信息以一种与输入信息完全不同的方式来实现信息的有效地传播，提高模拟的准确性和可靠性。1985年，Minsky开发的误差反向后传（BackPropagation）网络，为人类带来了一种全新的、高效的机器学习方法，它可以从一层误差中推断到另一层误差，从而使人类能够准确地预测和处理复杂的网络结构。BP网络可以有效地模拟复杂的系统，从而实现对复杂系统的有效控制。尽管“向后传播”的准确性可以在一定程度上受到影响，但其仍可以为多层神经网络的训练带来更高的准确性，同时也可以更好地模拟任何非线性函数。其网络模型如图3.5所示。图3.5BP神经网络模型对一个神经元来说，它的网络输入可表示为：式中——该神经元所接受的输入——神经元对应的连接权值该神经元的输出为：为了算法描述方便，先定义一下向量和变量：输入向量；隐含层输入向量；隐含层输出向量；输出层输入向量；输出层输出变量；期望输出向量d；输入层与隐含层的连接权值；隐含层与输出层的连接权值；隐含层各神经元的阈值；输出层各神经元的阈值；样本数据个数；激活函数。实现BP神经网络算法步骤如下；(1)为各分配一个区间[-1,1]内的随机数，确定误差函数定义计算精度值ɛ和最大学习次数M。(2)选择1组历史风速数据输入样本x，以及其对应的输出值d。计算隐含层各神经元输入，然后利用隐含层输入和激活函数计算隐含层的输出值： （3）利用网络期望输出矢量d，网络的实际输出，计算误差函数对输出层各神经元的偏导数：（4）利用隐含层到输出层的连接权值、输出层的和隐含层的输出计算误差函数对隐含层各神经元的偏导数：（5）利用输出层各神经元的和隐含层各神经元的输出来修正连接权值和阈值：式中：N——调整前N+1——调整后——学习率，在（0，1）之间取值。（6）使用隐含层各神经元的和输入层各神经元的输入修正连接权值和阈值：（7）计算全局误差E（8）判断误差是否满足或学习次数大于设定的最大次数M，若满足，则结束这一轮学习训练。否则，就随机选取另一样本进入下一轮的学习训练。BP神经网络算法流程图如图3.6所示图3.6BP神经网络算法流程BP神经网络优点：（1）非线性映射能力：BP神经网络可以将非线性连续函数的复杂性转换为可预测的结果，它可以通过三层的模型，在不影响模型准确性的前提下，快速地将模型转换为可预测的结果，并且可以在不影响模型准确性的情况下继续运行。（2）自学习和自适应能力：BP神经网络在学习训练时，可以实现对模型的快速、准确的调整，从而实现对模型的高效运行。（3）泛化能力：BP神经网络它不仅可以准确地识别出目标物体，而且可以根据不同的情况，调整其参数，以达到最佳的性能。此外，它的泛化功能也非常重要，可以帮助它们更好地识别出那些没有被充分利用的特征，以及那些可能存在噪音的特征。（4）容错能力：BP神经网络既能够从旧的模型中获得信息，又能够从中提取出更多的信息，从而更好地理解和掌握新的概念。此外，它们的模型本身的性质和功能都非常稳定，因此，它们的模型在遭遇局部性的损害时仍然保持良好的运行状态。BP神经网络缺点：（1）学习效率低，收敛速度缓慢，通常需要进行数万次训练。当训练样本变得复杂时，网络性能会逐渐下降。（2）提高训练能力可能会对预测能力产生不利影响。多次训练会导致训练效率降低和收敛速度变慢。（3）没有明确的理论支撑来确定隐含层节点数。

4基于BP神经网络风力发电功率预测4.1数据预处理在进行风力发电功率预测时，数据处理十分重要，通过排除与实际情况不符的信息，可以更准确地预测未来的发电量变化。由于样本各组数据大小差异很大，会造成最终的预测误差较大，因此需对网络训练样本数据进行归一化处理。常见的数据归一化处理方法有以下几种。（1）线性函数归一化。对数据进行线性处理，使其能够映射到介于[0，1]的范围内。公式如下：其中x为数据归一化后所得的结果，x为原始数据，分别为数据的最小值和最大值。（2）零均值归一化。将原始数据映射到均值为0、标准差为1的分布上。定义样本数据的均值为、标准差为，那么归一化公式为：（3）Premnmx函数。经处理后，数据能够均匀地分布在[-1，1]之间。其公式如下：表示进行归一化之后得到的值，为归一化前的值，和分别代表所输入变量的最小值与最大值。利用三种不同的数据处理方法将本文所需数据进行多次实验，结果显示利用Premnmx函数对其进行归一化处理所得模型拟合相关系数最高，即利用Premnmx函数拟合效果最好，得到的预测值最准确。故本文所采取的数据预处理方法为利用Premnmx函数对样本数据进行归一化处理。4.2模型构建4.2.1输入层神经元节点根据本文2.4可知，影响风力发电功率的因素有四种。风速对风力发电功率的结果影响最大。本文选取风速为主要参数作为BP神经网络的输入，故输入层的神经元个数为1，输出为对应的风力发电功率，故输出层的神经元个数为1。4.2.2隐含层神经元节点隐含层节点数对BP神经网络的学习训练十分重要。若神经元节点太少，将导致预测准确率降低。相反，若神经元节点太多，则会由于网络结构太复杂，收敛变缓，而且消耗的资源也更加庞大，因此其适应范围也将受到影响。本文采用公式（3.15）来确定隐含层神经元节点数，由上文可得，=1，=1，故隐含层神经元个数m∈[2,13]。取隐含层为10时，BP神经网络模型如图4.1所示。图4.1BP神经网络模型图4.3风力发电功率预测4.3.1BP神经网络预测风力发电功率确定了网络输入层以及隐含层神经元节点数，由此可通过神经网络工具箱建立BP神经网络。利用网络进行发电量预测，多次训练与预测分析，找出最佳模型。在对模型进行重复训练和预测时会发现预测结果不是很理想，与实际值的差距较大，有时误差最大可达到10%。为解决这种问题，选择剔除其中差距较大的几组数据重新训练，建立最优模型。因天气极易多变，故气象数据会出现变化幅度较大的情况，或因传输设备出现故障而气象数据采集缺失，这种数据成为不良数据，对这种数据的处理的方法就是剔除数据后利用均值插入法，对此类数据进行替换或填充，从而保证了训练和预测数据的完整性。在找到最优模型后进行数据预测，会发现仍然会存在预测值与实际值相差较大的情况。因本文采用某地一年之中前11个月的数据建立训练模型，对第12月进行发电量预测，预测时间较长，故预测精度会下降，某几组数据会出现预测偏差。对这几组数据采用短期预测的方法进行修正，即利用前一天的某几个时段数据重新建立模型，训练后重新预测，因连续两天的气象数据接近，故训练精度会很理想，预测结果也会较为准确。图4.2为BP神经网络图。图4.2BP神经网络图将以上所有结果全部代入BP神经网络中进行120次训练和仿真，取31组数据作为预测，与实际结果做对比。预测值与期望值如图4.3所示。预测值与期望值误差如图4.4所示。图4.3风力发电功率预测值与期望值曲线图图4.4BP神经网络预测误差图采用BP神经网络进行预测隐含层节点数为10时的误差结果如下：平均绝对误差MAE为：0.015624；均方误差MSE为：8.7109e-05；均方根误差RMSE为：0.0093332。误差较小。4.3.2自适应线性网络预测风力发电功率将自适应线性网络的期望误差设置为0.0001，网络最终训练后的权值和偏差为[1,1]，设置120组训练数据，设置31组预测数据，进行预测。期望值与预测值如图4.5所示，期望值与预测值误差如图4.6所示。图4.5预测输出与实际输出差异曲线图图4.6自适应线性网络预测误差图采用自适应线性网络预测风力发电功率，与期望结果差距较大，预测不准确，该模型存在问题，与BP神经网络算法相比，BP神经网络算法预测模型精度更高。5预测结果分析与模型优化5.1预测结果及误差分析借助神经网络工具箱预测得到的风力发电功率如表5.1所示，与实际值进行比较，进而求取其绝对误差与相对误差。观察相对误差，发现最大误差可达到12.015%，31组数据中，误差大于5%的共有5组，占比达到16.12%%，由此可见预测结果不是很理想，预测准确性还有待提高。时间序号发电功率实际值（MW）发电功率预测值（MW）绝对误差相对误差10.97260.9605-0.01211.244%20.89840.8872-0.01121.246%30.82540.8051-0.02032.459%40.72460.73530.01071.476%50.69580.70500.00921.322%60.89770.8562-0.04154.623%70.73710.73720.00010.013%80.48640.4744-0.0122.467%90.28690.28970.00280.967%100.19390.19570.00180.928%110.15910.15910.00000.000%120.11440.11510.00070.612%130.10530.10640.00111.045%140.10920.11090.00171.556%150.10460.10560.0010.956%160.11170.11280.00110.985%170.08990.0848-0.00424.672%180.08950.0825-0.0077.821%190.09510.0900-0.00515.363%200.10450.1026-0.00191.818%210.11770.1167-0.0010.849%220.15920.1558-0.00342.135%230.19400.1919-0.00211.082%240.18670.1848-0.00191.017%250.17560.1732-0.00241.367%260.14130.1361-0.00523.680%270.10660.1039-0.00272.533%280.08540.0758-0.009611.24%290.06780.0626-0.00527.762%300.06350.0612-0.00233.622%310.07990.0703-0.009612.015%下面给出可能造成误差的几个原因。（1）不良数据。在某些特殊条件下，模型的性能会受到一定的局限，一旦模型的性能超越了一定的阈值，其预测准确性就会受到严重的损害。因此，在进行模型建模的同时，必须确保模型的性能得到充分的发挥，以避免由于传输、存储和处理问题导致的数据的异常、损坏、错误和偏离，从而产生不可靠的结果。当使用未经处理的历史数据进行预测建模时，由于其中包含了未经处理的天气特征，因此，如果这些未经处理的历史数据被用来进行模拟，那么它们的初始权重会受到很大的影响，从而导致模拟的准确性受到一定程度的损害[36]。（2）输入变量选择不严谨。风力发电功率预测结果受多种因素影响，各种气象条件之间可能会有关联，且与发电功率的关系也十分复杂，它不是一个非线性关系。例如，风向对风力发电功率的影响是相对复杂的。风向可以决定风力发电机的叶片旋转速度。（3）BP算法的自身缺陷。在进行模型训练过程中，如果训练数据量不足，算法的反向传播可能会将权重和阈值困在局部最优值中，导致无法满足期望值，建立神经网络模型需要大量的数据训练。当训练数据中存在少量异常数据时，才能证明该BP神经网络模型具有容错性。若训练数据量不大，且异常数据较多时，BP神经网络的精度将会大打折扣。5.2模型优化5.2.1确定训练次数在一般情况下，BP神经网络训练能力差时，即训练次数过于少，网络拟合效果太差，从而预测能力也不会太好因此，一旦模型建立起来，需要多次训练以达到最高的训练能力。随着训练时间的不断增加，可能会出现所谓的“过度拟合”现象，即预测能力随着训练容量的增加而下降。因此，梯度下降经过最低点时，实际上可能会降低训练的准确性。如果网络训练次数过多的话，会导致训练效率降低并且网络后期的收敛速度也会很慢。建立网络模型后，进行多次训练，记录每次训练后的均方误差和相关系数，可以发现均方误差呈下降趋势，相关系数呈上升趋势，随着训练次数的不断增大，均方误差开始上升，相关系数开始下降。发现趋势规律后，再重新建立模型进行训练，反复建立模型后，找到能够得到最佳结果的训练次数的区间，从而优化模型，提高预测能力，找到全局最优点。5.2.2优化BP算法标准BP算法通常通过最快的梯度来调整权重，并通过不断地调整来将误差减少至零。然而，当处理复杂的网络时，误差的变化会呈现出多个平行的曲线，其中每个平行的平均误差都会有一个极限。尽管BP网络学习算法具备一些明显的优势，如提高模型的精确性、减少模型的复杂性、提高模型的稳定性和抗干扰性，但它仍然难以解决模型的问题，比如模型的稳定性受到模型复杂性的影响，从而导致模型的精确度受到限制。标准的BP网络学习算法有一些缺点，如与输入样本的顺序有关，收敛速度慢，容易出现局部最小值。为了克服这些缺点，现将一些改进的算法介绍如下。比如遗传优化算法（GA）、鲸鱼优化算法（WOA）、海洋捕食者优化算法、多元宇宙优化算法、蜻蜓优化算法等。（1）遗传优化算法。遗传算法通过对生物的遗传学特征及其演化历史的研究，构建出一种具备全局优化概率搜索能力的算法。它能够跨越多个点，不受局限，能够更好地避免搜索结果只能达到局部最优的结果。通过应用遗传算法的全局搜索特征，我们可以有针对性地采取激励措施，从而有效地实现对解的有序求取，有助于减少局部极值的出现。具体的做法是，根据遗传算法的全局特征，确定出最佳的求取范围，然后通过误差的反向传递，寻求出更加有效的求取结果。（2）鲸鱼优化算法。将鲸鱼优化算法和BP神经网络算法结合找寻找的初始权值和阈值，可以避免BP神经网络算法陷入局部最优解的问题。鲸鱼算法是一种模拟鲸鱼捕食行为的新型智能优化算法。鲸鱼算法结构简单，易于操作，适应性较好，通过使用鲸鱼算法来找到BP神经网络的初始权值和阈值。5.3预测结论本文采用BP神经网络对某地风力发电量进行短期预测，将一年中一个月份的风力数据作为网络模型的输入变量，实际发电功率作为输出变量，建立训练模型。选择某地某时间段的风速作为输入，利用神经网络模型对未来的风力发电功率进行预测。因本文预测方法属于中短期预测，再加上数据处理、BP算法缺陷等问题，导致预测准确度较低。在建立网络模型前期做了一系列工作来尽量提高其准确度。首先对本文所需的数据进行预处理，数据预处理的目的是为了防止各输入变量之间大小相差较大而带来的误差，将不良数据剔除并利用均值来将其替代。将样本数据归一化后就是要确定输入层和隐含层的节点数，最后建立BP神经网络训练模型。利用经过大量数据训练后的最优模型用来预测风力发电功率，预测结果中有接近20%的数据误差较大，预测结果不是很理想，预测准确性还有待提高。即使已经进行了一些初步工作来提高预测准确度，但仍会有一些因素导致误差增大。例如输入变量选取不够严谨，因为各输入变量之间互相影响，故有些输入变量与输出变量的并没有很强的相关性，但也将其作为输入变量用来建立训练模型。在中短期预测中，气象数据是极易发生变化的，气象突变是影响预测准确度的重要因素，一年四季中，风向、风速等都有较明显的变化，预测月份属于冬季，冬季的气象数据与春季和秋季有较明显的差距，与夏季相较而言差距则更大，即依据12月的数据建立的网络模型对预测1月份发电量的适配度不是很高。针对本论文出现的一些问题，也即时给出相应的解决方案，例如中长期预测与短期预测相结合、在传统BP算法的基础上利用一些优化算法来避免其自身的缺陷、重新选取输入变量、根据天气类型来预测等方案。结论风能是一种存储量极其巨大的清洁能源，具有十分广阔的发展前景和应用场景。但由于风能自身的局限性，风力发电存在不稳定、间歇型等缺点。精确的预测可以帮助相关部门合理制定发电计划，减少能源浪费，提高能源利用率。本文分析了风力发电的研究现状，了解了风力发电系统的几种类别。本文基于神经网络模型对风力发电功率进行了预测，主要研究成果如下：（1）研究了风力发电的相关知识，说明了不同的气象条件对风力发电功率的影响。（2）研究自适应线性网络和BP神经网络的原理，对自适应线性网络和BP神经网络算法进行了阐述。（3）对相关的历史数据进行归一化处理，在预处理数据时，一般选用插补法来处理极少数的遗失数据，对神经网络模型的学习率、输入层和隐含层数进行了设定，搭建了两种风力发电功率预测模型。（4）对BP神经网络预测结果进行了数据分析，自适应线性网络做对比，虽然已经采取了一些措施来提高模型的拟合程度，但仍有误差，找出可能影响误差的原因，提出了几种可以优化模型并提高准确度的方案本论文模型的一些不足之处：（1）训练B