基于ANFIS模型的风功率超短期预测研究.pdf

《基于ANFIS模型的风功率超短期预测研究.pdf》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、控制理论与应用自动化技术与应用》2016年第35卷第l期ControlTheowandApplications基于ANFIS模型的风功率超短期预测研究★王艳艳，尹少平．王灵梅，张志华(山西大学，山西太原030013)摘要：提出一种基于自适应神经模糊推理系统(ANFIs)模型的风功率超短期预测方法。该方法以测风塔在层高70m测得的风向、风速和在层高20m测得的气温为输入，以风场的实际有功出力为输出，选取山西某风场的历史数据进行训练，建立了风功率超短期ANFIS预测模型。最后将ANFIS预测结果与基于B

2、P神经网络的预测结果进行了对比分析，结果表明本文提出的预测方法预测精度较高。关键词：风功率；超短期预测；BP神经网络；ANFIS中图分类号：TP273文献标识码：A文章编号：1003—7241(2016)01—0017—05StudyofUltra-Short-Tem1ForecastingMethodforWindPOWerW：dNGYan-yan，YINShao-ping，WANGLing-mei，ZHANGZhi—hua(ShanxiUniversity,Taiyuan030013China)

3、Abstract：Anultra-short-termforecastingmethodisproposedbasedonANFISforwindpower．Thewinddirection，windspeedwhichal'emeasuredinheightof70mfromanemometertowerandtemperaturewhichismeasuredinheightof20mfromanemometertower,takethesedataasinputandactualactivep

4、owerofthewindfarmasoutput．Theultra—short—termforecastingmodelisestablishedonthebasisofANFISforwindpowerbytrainingthehistoricaldataofawindfarminShanxi．TheexperimentalresultsarecomparedwiththatofBPneuralnetworks．AndresultfromthestudyshowsthatANFISmaygive

5、ahighprecision．Keywords：windpower；ultra-short-termforecasting；BPnetwork；ANTIS1引言国家电网公司调度通信中心制定的风电功率预测系统随着风电规模的进一步扩大，其输出功率的波动性功能规范(试行)，风电功率预测模型计算时间应小于和间歇性对电网的影响日益加重。而风功率超短期预测5rain，超短期预测第4h预测值月均方根误差(RMSE)正是解决风电有功功率稳定性问题的关键技术之一u】，应小于15％。目前国内已经做了大量的风功率预测研高

6、精度的超短期风功率预测也为风电与其他电源协调运究，其中风功率超短期预测方面的研究有：文献[1】行提供可靠前提。结合小波降噪和弱化算子，提出了一种基于时间序列风功率预测在时间尺度上可分为长期预测、中期预测模型的风电机组有功功率预测算法；文献[2】基预测、短期预测和超短期预测u】。其中，超短期风电功于ARIMA时间序列模型建立了超短期风电功率预测率预测是指0到4小时的风电输出功率预测，且时间模型，并将该方法应用在了安全稳定预警系统中；文分辨率不小于15rain，其主要用于运行和控制。根据献【3】改进了现

7、场投运的风电场超短期预测系统的多层前馈神经网络模型结构，且预测结果的均方根误差约为14％15％；文献【4】采用人工神经网络对风电场超短·基金项目：山西省煤基重点科技攻关项目(MD2014-06)收稿日期：2Ol5-05-05((自动化技术与应用》2016年第35卷第1期控制理论与应用ControlTheoryandApplications期功率进行了预测；文献[5】提出了基于相空间重构的theny=P2Xl+q2x2+r2；风速和风功率超短期预测；文献[6】利用神经网络和时Rule3：fXlisA2

8、andX2isB1间序列对NwP风速和功率进行了预测；文献[7】提出theny=p3Xl+q3x2+r3；了一种基于在线序贯极限学习机(OS-ELM)的超短期Rule4：ifX1isA2andX2isB2风电功率预测方法；文献[8】提出了基于多模型的预测theny=p4Xl+q4x2+r4。MS—RBF神经网络的组合模型；文献[9】建立了遗传图2的网络结构分为5层：模糊化层、规则推理层、算法优化支持向量机的模型。归一化层、逆模糊化层和输出层。针对目前的研究现状，并结合