【《风电场发电功率的预测分析案例》2000字】

III风电场发电功率的预测分析案例目录TOC\o"1-3"\h\u20537风电场发电功率的预测分析案例 1249561.1引言 1311851.2基于风速功率曲线的预测 181661.3基于历史数据的直接预测 297501.3.1基于BP神经网络的预测 264411.3.2基于支持向量机的预测 3引言前面两章的重点是对风速预测的研究，这一章主要介绍风力发电功率的预测问题。对于风力发电功率预测，可以有两种方法，第一个是基于风速功率曲线的预测方法，我们可以通过预测未来一段特定时间内的风速等参数，然后根据风速功率曲线来求取各台发电机组的输出功率，最后进行加和得到风电场的总输出功率；第二个方法是根据风电场的发电功率历史数据来进行预测，称为基于历史数据的直接预测法。基于风速功率曲线的预测对于单台风电机组，风力机发出的功率可以用下式表示：P=1式中，P为风力机的输出功率（KW）；Cp是风力机的风能利用系数；A是风力机的扫风面积（m2），ρ为空气密度（kgm3由式（4-1）可以看出，风电输出功率与风速的三次方成正比关系，所以当已知风速数据的情况下，我们再代入风轮机参数，然后根据风速功率预测曲线即可对单台风电机组的风电功率进行预测，进而对整个风电场的发电功率进行预测。基于历史数据的直接预测前面介绍了基于风速功率曲线的风电功率预测，本课题中，主要使用的是基于风电场历史数据的发电功率预测。在第三第四章中，我们已经介绍了两种方法的风速预测模型并进行应用仿真，取得了一定的成果，在本章中，我们也将用同样的方法对发电功率进行模型的建立、训练和预测。我们取国内某风电场5月11日00:00到5月13日24:00的发电功率数据作为训练样本集，每隔15分钟取样一次，用5月14日00:00到24:00一日96个时刻的发电功率数据作为预测验证数据。在BP神经网络和支持向量机的功率预测中，发电功率预测的输入模型可以有两种形式[42]：1）输入风速、风向、气压等气象参数数据。2）输入实测功率数据。鉴于所获数据均为发电功率历史数据，我们采用第二种输入模型。发电功率预测模型的建立与风速预测模型的建立基本一样，输入数据均为预测时刻前8个时刻的发电功率数据，输出时刻均为该时刻的预测数据。基于BP神经网络的预测因为发电功率模型的建立与风速预测模型的建立一致，因此其隐含层数量也相同，BP神经网络结构拓扑图也相同，如图4-1所示。图4-1发电功率预测的BP网络拓扑图建立好输入输出矩阵后，设置参数，在MATLAB平台下，对发电功率进行训练和预测仿真，所得到的实验结果图对比如图4-2所示，从图中我们可以看出，利用3层BP神经网络对发电功率进行预测数据与原数据拟合程度是比较好的，其预测效果是比较理想的。用平均相对误差（MAPE）对其精度和性能进行评价，通过计算我们得出BP网络的发电功率预测模型的MAPE：MAPE=1误差计算结果在40%以内。图4-2BP神经网络预测96个时刻功率数据对比基于支持向量机的预测支持向量机的发电功率预测模型与风速预测方法模型一样，对于已知的发电功率数据的时间序列Pt,t=1,2,…m，第t时刻的风速数据Pt在MATLAB下，将数据代入建立好的模型之后，首先利用网格搜索和交叉验证对两个参数gam和sig2进行寻优，然后对发电功率进行预测。预测得到的仿真实验结果如图4-3所示。从图4-3可以看出，支持向量机预测结果拟合效果也比较好，个别数据相差较大。用平均相对误差（MAPE）对该模型的精度和性能进行评价，通过计算我们得出LS-SVM的发电功率预测模型的MAPE：MAPE=1图4-3支持向量机预测96个时刻发电功率数据对比将BP神经网络和支持向量机两种方法的预测结果放在一起进行对比分析，如图4-4所示。我们可以发现，除了个别数据与原始实测数据差别较大之外，两种方法的预测数据与原始数据拟合都比较好，其中，BP神经网络法的仿真拟合效果比支持向量机要显著。图4-4不同方法的功率预测数据对比表4-1对两种方法的误差进行对比分析，可以发现，BP神经网络预测模型的误差略小于支持向量机模型，但总的来说，两种方法预测发电功率的平均相对误差（MAPE）相差不大，均取得了40%以内的误差。表4-1不同方法预测发电功率的误差预测方法MAPEBP神经网络35.48%支持向量机36.79%通过平均相对误差结果我们可以看出，两种方法对发电功率的预测性能要较风速预测性能差，存在几方面的因素对其造成影响：首先是数据方面的影响，风速和发电功率数据不同，风速数据只有正数据，且相差不是太大，而发电功率的数据有正有负，并且相差较大，有时会从一个很大的正数数据跳为一个负数数据，导致数据跨度大，预测精度受到影响；第二个可能是程序没有