基于径向基神经网络的风电场风速预测

《基于径向基神经网络的风电场风速预测》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。

1、2010TheSecondChinaEnergyScientistForumWindSpeedPredictionBasedonRBFNeuralNetworkShoudaoHuang,LangDai,KeyuanHuang,ShengYeCollegeofelectricalandinformationengineering,Hunanuniversity,Changsha,China,410082Email:shoudaohuang@tom.com,langzi3025@163.comAbst

2、ract:Windspeedforecastingisveryimportanttowindfarmsandpowersystemoperation.Byuseofradialbasisfunction(RBF)neuralnetworktheshort-termwindspeedforecastingisresearched.Onthepremiseofwithouttakingintoaccountnumericalweatherpredictiondata,withwindspeedsequ

3、encesisusedastheinputvariable,themodelwasconstructedbasedonthenonlinearapproachabilityofradialbasisfunctionneuralnetworksthatwasusedfortheshort-termwindspeedprediction.Usingthemodel,wehaveachieved1haheadforecastingofthewindspeedanditspredictionerroran

4、alysis.Theresultsshowthatneuralnetworkstructureandtheselectionofinputsamplehaveacertainimpactonthepredictionresults.TheforecastingaccuracyofthemethodisbetterthanBPnetwork.Keywords:short-termwindspeedforecasting;artificialneuralnetworks;radialbasisfunc

5、tion;windfarm基于径向基神经网络的风电场风速预测黄守道，戴浪，黄科元，叶盛湖南大学电气与信息工程学院，长沙,中国，410082Email:shoudaohuang@tom.com,langzi3025@163.com摘要：风速预测对风电场和电力系统的运行都具有重要意义。利用径向基函数（RBF）神经网络研究短期风速预测。在不考虑数值天气预报数据的前提下，以风速序列作为模型输入变量，建立了基于径向基函数神经网络的非线性逼近功能的风速短期预测模型。利用该模型实现了对风速的提前1h预测，并对其

6、预测误差进行分析。研究结果表明，神经网络的结构和输入样本选择对预测结果有一定的影响，和BP网络比较，该方法具有更好的预测精度。关键词：短期风速预测；人工神经网络；径向基函数；风电场数学模型不同可分为持续预测法、自回归滑动平均模1引言型法、卡尔曼滤波法和智能方法等。其中持续预测法风能是一种可再生能源，利用风能发电日益受到是最简单的预测模型，即把最近一点的风速或功率观人们的重视，尤其是在欧美发达国家，风力发电在电测值作为下一点的预测值[4]。改进的方法主要有力系统中所占比重越来越大。随着近年风力发电规

7、模ARMA模型[9]和卡尔曼滤波算法或时间序列法和卡尔的不断扩大，当风电穿越功率超过一定值后，风电场曼滤波算法的结合[7]。除此之外，还有一些智能方法，并网及并网后的稳定和安全问题成为亟待解决的问也是近来应用热点，如人工神经网络方法、模糊逻辑题，对电力系统的功率平衡和经济调度有非常重要的法等。这些方法的引入使用，使得风电场风速预测的意义。精确度有了很大的提高。根据预测时间尺度分类，可风电场风速预测误差不仅与预测方法有关，而且分为超短期预测和短期预测以及中长期预测。所谓超与预测周期以及预测地点的风速

8、特性有关。一般来说，短期预测一般认为是不超过30min的预测；短期预测预测周期越短，预测地点的风速变化越缓和，预测误一般可认为是30min～72h的预测；主要用于电力系统[1]差就越小；反之，预测误差就越大。根据所采用的的功率平衡和调度、暂态稳定评估等。中长期预测还存在很大困难，因为风速、风向等天气情况是由大气基金项目:自然科学基金(50907020)运动决定的，这使得中长期预测难以得到较好的预测731978-1-935068-37-2©2010SciRes.2010TheSeco