宋人杰　劉賀軍

摘 要：提出基于相似數(shù)據(jù)并結(jié)合小波分析的數(shù)據(jù)預(yù)處理模型，并運(yùn)用基于反向傳播（BP）神經(jīng)網(wǎng)絡(luò)風(fēng)速預(yù)測(cè)模型預(yù)測(cè)風(fēng)速。該方法從大量的歷史數(shù)據(jù)樣本中提取相似數(shù)據(jù)創(chuàng)建訓(xùn)練樣本，采用小波分解將風(fēng)速信號(hào)分解成低頻趨勢(shì)信號(hào)和高頻隨機(jī)信號(hào)，采用BP神經(jīng)網(wǎng)絡(luò)建模，合成得到風(fēng)速預(yù)測(cè)數(shù)據(jù)。通過(guò)某風(fēng)電場(chǎng)的實(shí)際風(fēng)速數(shù)據(jù)驗(yàn)證結(jié)果表明，相似數(shù)據(jù)有效地提高了數(shù)據(jù)的相關(guān)度，小波分解使BP神經(jīng)網(wǎng)絡(luò)模型更好地?cái)M合風(fēng)速信號(hào)的低頻和高頻特性，提高了預(yù)測(cè)精度。

關(guān)鍵詞：風(fēng)速；短期預(yù)測(cè)；相似數(shù)據(jù)；小波分析；人工神經(jīng)網(wǎng)絡(luò)

1 引言

隨著風(fēng)電場(chǎng)并網(wǎng)運(yùn)行規(guī)模的增大，國(guó)內(nèi)外對(duì)于風(fēng)力發(fā)電并網(wǎng)各種課題的研究越來(lái)越深入，但關(guān)于風(fēng)電場(chǎng)發(fā)電功率預(yù)測(cè)的研究還達(dá)不到令人滿意的程度，預(yù)測(cè)誤差一般都在15%以上[1]。

采用的方法通常包括持續(xù)法、卡爾曼濾波法、隨機(jī)時(shí)間序列法、神經(jīng)網(wǎng)絡(luò)法。其中，人工神經(jīng)網(wǎng)絡(luò)法進(jìn)行風(fēng)速或風(fēng)電功率預(yù)測(cè)應(yīng)用得最廣。文獻(xiàn)[2-3]都利用小波—BP神經(jīng)網(wǎng)絡(luò)進(jìn)行建模，但訓(xùn)練樣本沒(méi)有相關(guān)性，預(yù)測(cè)精度偏低。文獻(xiàn)[4-5]利用改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)建模，雖然運(yùn)行時(shí)間縮短，但是在數(shù)據(jù)相關(guān)性和數(shù)據(jù)去噪處理方面欠缺，導(dǎo)致精度不高。因此，本文建立了基于相似數(shù)據(jù)并結(jié)合小波分析的BP神經(jīng)網(wǎng)絡(luò)建模。

2 基于相似數(shù)據(jù)并結(jié)合小波分析的BP神經(jīng)網(wǎng)絡(luò)建模

2.1 相似數(shù)據(jù)選擇辦法

2.3 反向傳播（BP）神經(jīng)網(wǎng)絡(luò)

2.4 仿真實(shí)驗(yàn)建模

3 算法對(duì)比分析

從圖4可得出，BP神經(jīng)網(wǎng)絡(luò)模型的平均相對(duì)誤差為20.77%，而本模型為10.21%。因此，采用本模型建模得到的相對(duì)誤差較傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)精度有很大的提高。

4 結(jié)論

針對(duì)風(fēng)力發(fā)電中風(fēng)速預(yù)測(cè)問(wèn)題，本文在BP神經(jīng)網(wǎng)絡(luò)理論的基礎(chǔ)上引入相似數(shù)據(jù)并結(jié)合小波分解進(jìn)行短期風(fēng)速預(yù)測(cè)，得到如下結(jié)論：

⑴相似數(shù)據(jù)的選取增強(qiáng)了數(shù)據(jù)的相關(guān)性，提高了模型預(yù)測(cè)精度。

⑵小波分解降低了信號(hào)的非平穩(wěn)性，使模型更好地?cái)M合了風(fēng)速信號(hào)的低頻和高頻特性，可進(jìn)一步提高算法精度。

⑶通過(guò)對(duì)算法對(duì)比分析，表明本模型較傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)模型誤差小，充分地說(shuō)明此方法在工程應(yīng)用上具有可行性。

[參考文獻(xiàn)]

[1]楊秀媛，肖洋，陳樹(shù)勇.風(fēng)電場(chǎng)風(fēng)速和發(fā)電功率預(yù)測(cè)研究[J].中國(guó)電機(jī)工程學(xué)報(bào)，2005，25（11）：1-5.

[2]師洪濤，楊靜玲，丁茂生，王金梅.基于小波—BP神經(jīng)網(wǎng)絡(luò)的短期風(fēng)電功率預(yù)測(cè)方法[J].電力系統(tǒng)自動(dòng)化，2011，35（16）：44-48.

[3]厲衛(wèi)娜，蘇小林.基于小波- 神經(jīng)網(wǎng)絡(luò)的短期風(fēng)電功率預(yù)測(cè)研究[J].電力學(xué)報(bào)，2011，26（6）：458-461.

[4]王德明，王莉，張廣明.基于遺傳BP神經(jīng)網(wǎng)絡(luò)的短期風(fēng)速預(yù)測(cè)模型[J]. 浙江大學(xué)學(xué)報(bào)（工學(xué)版），2012，46（5）：837-841.

[5]楊剛，陳鳴.基于BP神經(jīng)網(wǎng)絡(luò)的風(fēng)速預(yù)測(cè)和風(fēng)能發(fā)電潛力分析[J].華東電力，2010，38（2）：304-309.

[6]陳明.神經(jīng)網(wǎng)絡(luò)模型[M].大連：大連理工大學(xué)出版社，1995：85-100.

摘 要：提出基于相似數(shù)據(jù)并結(jié)合小波分析的數(shù)據(jù)預(yù)處理模型，并運(yùn)用基于反向傳播（BP）神經(jīng)網(wǎng)絡(luò)風(fēng)速預(yù)測(cè)模型預(yù)測(cè)風(fēng)速。該方法從大量的歷史數(shù)據(jù)樣本中提取相似數(shù)據(jù)創(chuàng)建訓(xùn)練樣本，采用小波分解將風(fēng)速信號(hào)分解成低頻趨勢(shì)信號(hào)和高頻隨機(jī)信號(hào)，采用BP神經(jīng)網(wǎng)絡(luò)建模，合成得到風(fēng)速預(yù)測(cè)數(shù)據(jù)。通過(guò)某風(fēng)電場(chǎng)的實(shí)際風(fēng)速數(shù)據(jù)驗(yàn)證結(jié)果表明，相似數(shù)據(jù)有效地提高了數(shù)據(jù)的相關(guān)度，小波分解使BP神經(jīng)網(wǎng)絡(luò)模型更好地?cái)M合風(fēng)速信號(hào)的低頻和高頻特性，提高了預(yù)測(cè)精度。

關(guān)鍵詞：風(fēng)速；短期預(yù)測(cè)；相似數(shù)據(jù)；小波分析；人工神經(jīng)網(wǎng)絡(luò)

1 引言

隨著風(fēng)電場(chǎng)并網(wǎng)運(yùn)行規(guī)模的增大，國(guó)內(nèi)外對(duì)于風(fēng)力發(fā)電并網(wǎng)各種課題的研究越來(lái)越深入，但關(guān)于風(fēng)電場(chǎng)發(fā)電功率預(yù)測(cè)的研究還達(dá)不到令人滿意的程度，預(yù)測(cè)誤差一般都在15%以上[1]。

采用的方法通常包括持續(xù)法、卡爾曼濾波法、隨機(jī)時(shí)間序列法、神經(jīng)網(wǎng)絡(luò)法。其中，人工神經(jīng)網(wǎng)絡(luò)法進(jìn)行風(fēng)速或風(fēng)電功率預(yù)測(cè)應(yīng)用得最廣。文獻(xiàn)[2-3]都利用小波—BP神經(jīng)網(wǎng)絡(luò)進(jìn)行建模，但訓(xùn)練樣本沒(méi)有相關(guān)性，預(yù)測(cè)精度偏低。文獻(xiàn)[4-5]利用改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)建模，雖然運(yùn)行時(shí)間縮短，但是在數(shù)據(jù)相關(guān)性和數(shù)據(jù)去噪處理方面欠缺，導(dǎo)致精度不高。因此，本文建立了基于相似數(shù)據(jù)并結(jié)合小波分析的BP神經(jīng)網(wǎng)絡(luò)建模。

2 基于相似數(shù)據(jù)并結(jié)合小波分析的BP神經(jīng)網(wǎng)絡(luò)建模

2.1 相似數(shù)據(jù)選擇辦法

2.3 反向傳播（BP）神經(jīng)網(wǎng)絡(luò)

2.4 仿真實(shí)驗(yàn)建模

3 算法對(duì)比分析

從圖4可得出，BP神經(jīng)網(wǎng)絡(luò)模型的平均相對(duì)誤差為20.77%，而本模型為10.21%。因此，采用本模型建模得到的相對(duì)誤差較傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)精度有很大的提高。

4 結(jié)論

針對(duì)風(fēng)力發(fā)電中風(fēng)速預(yù)測(cè)問(wèn)題，本文在BP神經(jīng)網(wǎng)絡(luò)理論的基礎(chǔ)上引入相似數(shù)據(jù)并結(jié)合小波分解進(jìn)行短期風(fēng)速預(yù)測(cè)，得到如下結(jié)論：

⑴相似數(shù)據(jù)的選取增強(qiáng)了數(shù)據(jù)的相關(guān)性，提高了模型預(yù)測(cè)精度。

⑵小波分解降低了信號(hào)的非平穩(wěn)性，使模型更好地?cái)M合了風(fēng)速信號(hào)的低頻和高頻特性，可進(jìn)一步提高算法精度。

⑶通過(guò)對(duì)算法對(duì)比分析，表明本模型較傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)模型誤差小，充分地說(shuō)明此方法在工程應(yīng)用上具有可行性。

[參考文獻(xiàn)]

[1]楊秀媛，肖洋，陳樹(shù)勇.風(fēng)電場(chǎng)風(fēng)速和發(fā)電功率預(yù)測(cè)研究[J].中國(guó)電機(jī)工程學(xué)報(bào)，2005，25（11）：1-5.

[2]師洪濤，楊靜玲，丁茂生，王金梅.基于小波—BP神經(jīng)網(wǎng)絡(luò)的短期風(fēng)電功率預(yù)測(cè)方法[J].電力系統(tǒng)自動(dòng)化，2011，35（16）：44-48.

[3]厲衛(wèi)娜，蘇小林.基于小波- 神經(jīng)網(wǎng)絡(luò)的短期風(fēng)電功率預(yù)測(cè)研究[J].電力學(xué)報(bào)，2011，26（6）：458-461.

[4]王德明，王莉，張廣明.基于遺傳BP神經(jīng)網(wǎng)絡(luò)的短期風(fēng)速預(yù)測(cè)模型[J]. 浙江大學(xué)學(xué)報(bào)（工學(xué)版），2012，46（5）：837-841.

[5]楊剛，陳鳴.基于BP神經(jīng)網(wǎng)絡(luò)的風(fēng)速預(yù)測(cè)和風(fēng)能發(fā)電潛力分析[J].華東電力，2010，38（2）：304-309.

[6]陳明.神經(jīng)網(wǎng)絡(luò)模型[M].大連：大連理工大學(xué)出版社，1995：85-100.

摘 要：提出基于相似數(shù)據(jù)并結(jié)合小波分析的數(shù)據(jù)預(yù)處理模型，并運(yùn)用基于反向傳播（BP）神經(jīng)網(wǎng)絡(luò)風(fēng)速預(yù)測(cè)模型預(yù)測(cè)風(fēng)速。該方法從大量的歷史數(shù)據(jù)樣本中提取相似數(shù)據(jù)創(chuàng)建訓(xùn)練樣本，采用小波分解將風(fēng)速信號(hào)分解成低頻趨勢(shì)信號(hào)和高頻隨機(jī)信號(hào)，采用BP神經(jīng)網(wǎng)絡(luò)建模，合成得到風(fēng)速預(yù)測(cè)數(shù)據(jù)。通過(guò)某風(fēng)電場(chǎng)的實(shí)際風(fēng)速數(shù)據(jù)驗(yàn)證結(jié)果表明，相似數(shù)據(jù)有效地提高了數(shù)據(jù)的相關(guān)度，小波分解使BP神經(jīng)網(wǎng)絡(luò)模型更好地?cái)M合風(fēng)速信號(hào)的低頻和高頻特性，提高了預(yù)測(cè)精度。

關(guān)鍵詞：風(fēng)速；短期預(yù)測(cè)；相似數(shù)據(jù)；小波分析；人工神經(jīng)網(wǎng)絡(luò)

1 引言

隨著風(fēng)電場(chǎng)并網(wǎng)運(yùn)行規(guī)模的增大，國(guó)內(nèi)外對(duì)于風(fēng)力發(fā)電并網(wǎng)各種課題的研究越來(lái)越深入，但關(guān)于風(fēng)電場(chǎng)發(fā)電功率預(yù)測(cè)的研究還達(dá)不到令人滿意的程度，預(yù)測(cè)誤差一般都在15%以上[1]。

采用的方法通常包括持續(xù)法、卡爾曼濾波法、隨機(jī)時(shí)間序列法、神經(jīng)網(wǎng)絡(luò)法。其中，人工神經(jīng)網(wǎng)絡(luò)法進(jìn)行風(fēng)速或風(fēng)電功率預(yù)測(cè)應(yīng)用得最廣。文獻(xiàn)[2-3]都利用小波—BP神經(jīng)網(wǎng)絡(luò)進(jìn)行建模，但訓(xùn)練樣本沒(méi)有相關(guān)性，預(yù)測(cè)精度偏低。文獻(xiàn)[4-5]利用改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)建模，雖然運(yùn)行時(shí)間縮短，但是在數(shù)據(jù)相關(guān)性和數(shù)據(jù)去噪處理方面欠缺，導(dǎo)致精度不高。因此，本文建立了基于相似數(shù)據(jù)并結(jié)合小波分析的BP神經(jīng)網(wǎng)絡(luò)建模。

2 基于相似數(shù)據(jù)并結(jié)合小波分析的BP神經(jīng)網(wǎng)絡(luò)建模

2.1 相似數(shù)據(jù)選擇辦法

2.3 反向傳播（BP）神經(jīng)網(wǎng)絡(luò)

2.4 仿真實(shí)驗(yàn)建模

3 算法對(duì)比分析

從圖4可得出，BP神經(jīng)網(wǎng)絡(luò)模型的平均相對(duì)誤差為20.77%，而本模型為10.21%。因此，采用本模型建模得到的相對(duì)誤差較傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)精度有很大的提高。

4 結(jié)論

針對(duì)風(fēng)力發(fā)電中風(fēng)速預(yù)測(cè)問(wèn)題，本文在BP神經(jīng)網(wǎng)絡(luò)理論的基礎(chǔ)上引入相似數(shù)據(jù)并結(jié)合小波分解進(jìn)行短期風(fēng)速預(yù)測(cè)，得到如下結(jié)論：

⑴相似數(shù)據(jù)的選取增強(qiáng)了數(shù)據(jù)的相關(guān)性，提高了模型預(yù)測(cè)精度。

⑵小波分解降低了信號(hào)的非平穩(wěn)性，使模型更好地?cái)M合了風(fēng)速信號(hào)的低頻和高頻特性，可進(jìn)一步提高算法精度。

⑶通過(guò)對(duì)算法對(duì)比分析，表明本模型較傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)模型誤差小，充分地說(shuō)明此方法在工程應(yīng)用上具有可行性。

[參考文獻(xiàn)]

[1]楊秀媛，肖洋，陳樹(shù)勇.風(fēng)電場(chǎng)風(fēng)速和發(fā)電功率預(yù)測(cè)研究[J].中國(guó)電機(jī)工程學(xué)報(bào)，2005，25（11）：1-5.

[2]師洪濤，楊靜玲，丁茂生，王金梅.基于小波—BP神經(jīng)網(wǎng)絡(luò)的短期風(fēng)電功率預(yù)測(cè)方法[J].電力系統(tǒng)自動(dòng)化，2011，35（16）：44-48.

[3]厲衛(wèi)娜，蘇小林.基于小波- 神經(jīng)網(wǎng)絡(luò)的短期風(fēng)電功率預(yù)測(cè)研究[J].電力學(xué)報(bào)，2011，26（6）：458-461.

[4]王德明，王莉，張廣明.基于遺傳BP神經(jīng)網(wǎng)絡(luò)的短期風(fēng)速預(yù)測(cè)模型[J]. 浙江大學(xué)學(xué)報(bào)（工學(xué)版），2012，46（5）：837-841.

[5]楊剛，陳鳴.基于BP神經(jīng)網(wǎng)絡(luò)的風(fēng)速預(yù)測(cè)和風(fēng)能發(fā)電潛力分析[J].華東電力，2010，38（2）：304-309.

[6]陳明.神經(jīng)網(wǎng)絡(luò)模型[M].大連：大連理工大學(xué)出版社，1995：85-100.