基于RBF—BP组合神经网络的短期风电功率预测研究.pdf

《基于RBF—BP组合神经网络的短期风电功率预测研究.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、第32卷第9期可再生能源V0l-32No．92014年9月RenewableEnergyResourcesSept．2014基于RBF—BP组合神经网络的短期风电功率预测研究张靠社，罗钊(西安理工大学水利水电学院，陕西西安710048)摘要：为提高风电输出功率预测精度，提出一种基于RBF—BP组合神经网络模型的短期风电功率预测方法。在考虑尾流等因素影响的基础上，对风速进行预处理。根据相关历史数据，建立RBF—BP组合神经网络短期风电功率预测模型，对风电输出功率进行预测。仿真分析结果表明，该预测方法能有效提高风电输出功率预测精度。关键词：尾流；地势；RBF—BP组合神经网络；短期风电功率预测中

2、图分类号：TK83文献标志码：A文章编号：1671—5292(2014)09—1346-060引言径为R，自然风速和后排风机位置受尾流影响的随着我国能源结构的调整，风力发电得到了风速分别为VO,。根据动量理论及理想风机一维快速发展『l1。风电在电网中所占的比重越来越大，动量理论，可以得到在平坦地势尾流影响下的风风电的强随机性增大了电力调度的难度。风电功速模型：率的准确预测有利于调度部门及时调整计划，从-'／30tl_f1一CT)]()j而减轻风电对电网的不利影响。风速及风电功率的预测精度取决于预测算法、预测对象本身的特式中：CT是风机的推力系数；k是尾流下降系数。性、数据预处理技术等。目前，

3、常用的风速预测方风电场所处地势可能较复杂，部分风机安装法有时间序列法[21、卡尔曼滤波法[31、神经网络在山上，风速会随高度变化而变化，导致风电场的法、支持向量机法同目、组合预测法[91。文献『3]基风速分布不均。由Lissaman提出的针对各台风机于时间序列法和卡尔曼滤波法相结合的方法，首的位置高低不同建立的Lissaman尾流模型[12】能较先利用时间序列分析理论，对风电场风速信号进好地近似模拟有损耗的非均匀风速场。假设距离行非平稳建模，得到符合其变化规律的模型方程，为的两台风机所在地势不平坦，前排风机的海然后采用卡尔曼预测递推方程进行预测，最后得拔高度为基准0高度，后排风机的相对海拔高

4、度到预测结果。文献[10】建立径向基函数(RBF)神经为H，当前排位置未安装风机时，则相对海拔高度网络短期预测模型，运用该模型进行预测，预测误为H的风机处的风速v’。为差约为12％。(本文在考虑风机尾流及地势因素对风速产生式中：h为风机的塔筒高度：a为风速随高度变化的影响的基础上，重新计算风速。再应用RBF—BP系数．一般取a=1／7。组合神经网络建立风电功率预测模型。有效地提当前排位置安装风机后，受尾流影响，结合高了风电功率预测精度。Jensen模型，并设m=xJR，则后排风机处的风速为1考虑尾流等因素的风速预处理1．1风机排列及地势因素影响下的尾流模型。1-【l’(一GT)()jJens

5、en尾流模型较好地模拟了平坦地势下的综合利用Jensen模型和Lissaman模型就能风机尾流情况『11】，设是两个风机的距离，叶轮半收稿日期：2013～12—03。基金项目：国家电网公司科技资助项目(5227221302A2；5227221303A0)。作者简介：张靠社(1965一)，男，博士，副教授，研究方向为电力系统稳定控制。通讯作者：罗钊(1988一)，男，硕士研究生，研究方向为电力系统分析与优化运行。E-mail：xunh1314@163-com·1346·张靠社。等基于RBF—BP组合神经网络的短期风电功率预测研究得到较为精确的尾流综合模型，从而计算位于不同位置的风机在受尾流影响

6、后所接收到的风速。1．2在尾流影响下下游风机所接收到的风速[13]风通过风机向下游方向传播的途径可以用如图1所示的圆锥来表示。图1中风机安装在x=0处，其中，为风机叶轮半径；r()为上游风机尾流在处圆锥面的投影半径，r()=慨。(b)r()一r

7、的特征，k有两种取值：当风机A}ladl+A2=r(x)2arccos[dl／r(x)]+接收到的是自然风时，k等于0．04，否则等于r2arccos[(d-df『dZ0．08。图2(b)中风轮的重叠面积A为根据处风机的扫风面(设为，即半径为42=r()2arcc。s[]+r的圆)与其上游风机在处尾流投影面『设为r2A()]的重叠程度，可以把不同风机之间的相互影r'~=arccos[l———一i-dZ响分为4