基于人工神经网络的风电功率预测.pdf

《基于人工神经网络的风电功率预测.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、第28卷第34期中国电机工程学报Vol.28No.34Dec.5,20081182008年12月5日ProceedingsoftheCSEE©2008Chin.Soc.forElec.Eng.文章编号：0258-8013(2008)34-0118-06中图分类号：TM743文献标志码：A学科分类号：470⋅40基于人工神经网络的风电功率预测范高锋，王伟胜，刘纯，戴慧珠(中国电力科学研究院，北京市海淀区100192)WindPowerPredictionBasedonArtificialNeural

2、NetworkFANGao-feng,WANGWei-sheng,LIUChun,DAIHui-zhu(ChinaElectricPowerResearchInstitute,HaidianDistrict,Beijing100192,China)ABSTRACT:Windpowerpredictionisimportanttothe些新问题，其中很重要的一方面是对电力系统运行operationofpowersystemwithcomparativelylargemountof调度的影响[1-4]

3、。风电功率预测对电力系统的功率平windpower.Thewindpowerpredictionmethodswere衡和经济调度具有非常重要的意义。国外风电装机classifiedintoseveralkinds.Anartificialneuralnetwork(ANN)容量较大的国家都进行了风电功率预测系统的研modelforwindpowerpredictionwasconstructedaccordingto究与开发。风电功率预测方法根据预测的物理量来thewindpowerinflue

4、ncefactors.Thentheimpactsofrealtime分类，可以分为2类：第1类为对风速的预测，然measuredpowerandtheatmosphericdataatdifferentheights后根据风电机组或风电场的功率曲线得到风电场onpredictionresultswereanalyzed.Besides,anotherANNmodelforerrorbandpredictionwasalsobuilt.Theresults功率输出；第2类为直接预测风电场的输出功率

5、。indicatethattheANNstructureandthetrainingsamplehave根据所采用的数学模型不同可分为持续预测法、自someimpactonthepredictionprecision.Therealtime回归滑动平均(autoregressivemovingaverage,measuredpowerasinputwillimprovetheprecisionof30minARMA)模型法、卡尔曼滤波法和智能方法等。持续aheadprediction,howeve

6、rwilldecreasetheprecisionof1h预测方法[5]是最简单的预测模型，这种方法认为风aheadprediction.Theresultswhichusingtheatmosphericdata速预测值等于最近几个风速值的滑动平均值，通常atalldifferentheightsasinputhaveahigheraccuracywhen[6]认为最近1点的风速值为下1点的风速预测值，comparedwiththeresultsusinghubheightdataonly.Th

7、e该模型的预测误差较大，且预测结果不稳定。改进designedANNcanforecasttheerrorband.[7-9][10]的方法有ARMA模型和向量自回归模型、卡KEYWORDS:windfarm;power;prediction;artificialneural尔曼滤波算法[11-12]或时间序列法和卡尔曼滤波算networks[13]法相结合。另外还有一些智能方法，如人工神经[6,14-15]摘要：风电场输出功率预测对接入大量风电的电力系统运行网络方法等。根据预测系统输入数据来分类

8、有重要意义。对风速和风电场输出功率预测的方法进行了分也可以分为2类：1类不采用数值天气预报的数据，类。根据风电场输出功率的影响因素，建立了风电功率预测1类采用数值天气预报的数据。根据预测的时间尺度的神经网络模型。分析了实测功率数据、不同高度的大气数来分类，可分为超短期预测和短期预测。所谓的超据对预测结果的影响。建立了基于神经网络的误差带预测模短期并没有一致的标准，一般可认为不超过30min型，实现了误差带预测。研究结果表明，神经网络的结构和的预测为超短期预测。而对于时间更短的数分钟