【一种风电、光伏功率预测方案分析案例2900字】

一种风电、光伏功率预测方案分析案例目前在实际应用中，较常用的风力、光伏发电短期预测方法主要包括物理预测方法、统计预测方法、学习预测方法等[44]。学习预测方法中的人工神经网络是目前应用最广泛、最可靠、最成熟的人工智能算法之一。人工神经网络主要包括BP神经网络、径向基函数神经网络等[45]。BP神经网络是目前最常用的神经网络，它的特点是具备高度的自学习和自适应能力[46]。构建神经网络主要包括以下流程：（1）风向与风速的规范化处理训练基础数据一般可以使用两种简单方法来进行标准化，即使输入数据位于0到1之间和-1到1之间，这两种方法分别叫做最大/最小规整[47]。使用最大规整来对输入参数进行预处理。根据公式（3-1）将所有数据规范化在0.0到1.0范围。x1其中，x1t和xt分别表示规范化之后和规范化之前的数据（包括历史发电功率数据，风速和风向等三种信息）；xmaxt（2）输入数据的主成分分析在对原始数据进行规范化处理以获得大量样本数据之后，需要选择包含所有样本特征的最小子集作为神经网络预测模型的输入，从而使神经网络学习效率得到迅速提高。使用主成分分析来压缩输入的训练数据集数量[48]。在神经网络预测模型中，变量太多会使模型训练变得愈发复杂性[49]。主成分分析是为最初选择的所有变量建立最少的新变量，以使这些新变量之间互不关联，并且新变量尽可能包含原始信息[50]。主成分分析对于压缩输入数据集或减小输入数据的维数，提高训练速度具有重要意义[51]。（3）风电功率信号的经验模态分解风电场产生的功率受多种因素影响，例如风速、风向和环境温度等。使风电场产生的功率成为极其复杂、频繁变化的非线性和非平稳信号[52]。因此如果直接预测原始发电功率，则难以实现高精度。所以使用经验模态方法将风电发电出力分解为从高频到低频的多个本征模分量以及剩余分量，然后根据每个分量自身特点建立神经网络预测模型，最后汇总所有分量的预测值以获得最终的预测发电出力。（4）构建RBF神经网络预测模型风电场发电是一个复杂的非线性且不稳定的信号，使用常规的线性预测方法很难获得令人满意的预测精度[53]。而神经网络具有较强的非线性拟合能力，可以映射任意特殊的非线性关系。RBF神经网络拓扑结构紧密，可以分离学习结构参数，收敛速度快[54]。对于预测模型，其信息表达式为：设有一组数据对神经网络进行训练，训练的目的是使样本的输出误差最小或者达到所需的精度，对于风电机组发电出力预测模型，其特征可以表示为：一组数据用于训练神经网络，以样本的输出误差最小化或达到所需的精度作为训练目，输出误差如公式（3-2）所示：e=1其中，tk为预测模型的发电功率输出值，y（5）预测模型网络结构：RBF神经网络是一种三层前馈网络，包含有输入层，隐藏层和输出层。确定RBF神经网络的结构就是要确定输入层、隐藏层的径向基函数中心和输出层的神经元数量[55]。为了确定隐藏层的径向基函数中心，选择RBF关联神经元中心向量的基本原理是所有RBF关联神经元中心向量的位置不能一致[56]。假设训练数据或样本点足以代表问题，则可以从训练数据中选择RBF关联神经元的中心向量，或者通过聚类分析获得该中心向量。聚类方法的核心思想是将训练数据进行聚类，并且可以选择K个类的中心作为RBF关联神经元的中心向量。即使用K-均值聚类算法确定神经网络中隐层神经元的中心位置。均值聚类算法的具体步骤如下：网络初始化。随机选择h个样本作为聚类中心ci(k),i=1,2,…,h其中k是迭代次数。计算所有样本点到聚类中心的距离xj（2）所有的输入样本根据最近邻原则进行分组。根据此分类原则分组，则可以认为，ixj=minxj−ci调节聚类中心。cik+1=其中，ni（4）如果ci对于神经网络中输出层的神经元数目则较为明确，就是风电场发动机发电功率的预测值。因此所构建的神经网络预测模型的网络结构如图3-6所示：图3-6风电出力预测模型神经网络结构光伏发电功率是一个受多种气象参数和地形条件影响的非线性和非平稳信号[57]。当发生意外原因或维护而关闭设备等情况，光伏电站也会记录相应的发电电力数据。这些用于训练预测模型的异常数据将干扰模型的预测准确度，因此需要对发电电力和气象参数进行预处理。BP神经网络的性能主要取决于对输入数据的预处理。如果对输入数据执行某个预处理步骤，则神经网络的训练变得更加流畅、更加高效，使得性能可以大大提高[58]。因此，需要对异常或冗余数据进行预处理，使其更加适合于神经网络训练。（1）预测模型输入数据规范化处理：使用最大规整来对光伏发电电力预测模型的输入参数进行预处理[59]。根据公式（3-4）将所有数据规范化到0.1到0.9的范围。x(t)=其中，x(t)和x(t)分别是规范化之前和规范化之后的输入数据；其中xmax和xmin分别是（2）剔除异常数据：目前人们主要使用物理判别法和统计判别法来区分和清除异常数据[60]。本章选择统计判别方法中的原理以消除异常数据。如公式（3-5）所示。其基本思想是如果数据的总体是服从正态分布的，则此时，在实验数据中出现大于μ+3δ或小于μ−3δ数据的概率是很小的。因此，根据上式对于大于μ+3δ或小于μ−3δ的实验数据作为异常数据，予以剔除。P(|x−μ|>3δ)≤0.003（3-5）公式中，μ与δ分别表示正态总体的数学期望和标准差。具体计算方法如下：对于实验数据x1，x2，x3，……，xn先计算其均值x，如公式（3-6）所示：x=xn2）再计算剩余差vivi从而得到标准差如公式（3-8）所示：δ=1（3）提取特征子集：在人工智能领域的众多实际应用中（例如训练分类器和构建回归模型），找到一组合适特征量作为输入数据对提高训练效率、简化模型、优化使用范围具有关键的作用[61]。特征选择是降低特征空间维数的重要方法。下面是主成分分析的主要步骤：1）原始标准化。为消除由于原变量的量纲不同、数值差异过大带来的影响，对原变量作标准化处理，如公式（3-9）、（3-10）、（3-11）所示：xij∗=xjδj公式N为样本个数；m为变量个数。2）建立相关矩阵并计算其特征值和特征向量，如公式（3-12）所示。R=1公式中X∗3）求得R的特征值为λ1≥λ2≥⋯≥λmη=ληp选取主成分的个数取决于累计方差贡献率，通常累计方差贡献率大于。对应的前P个主成分便包含m个原始变量所能提供的绝大部分信息，则主成分个数就是P个。4）P个主成分对应的特征向量为UmxpZNxp（4）光伏功率信号的经验模态分解：光伏电站产生的功率受各种因素影响，例如太阳辐射强度、环境温度、设备质量等[62]。经验模式分解的主要步骤如下所述：1）初始化：r02）获得本征模函数初始化：h0找出hj−1对hj−1计算上下包络线的平均值mj−1