劉曉楠，王勝輝 ，金月新

(沈陽(yáng)工程學(xué)院a.電力學(xué)院 b.產(chǎn)業(yè)管理處,遼寧 沈陽(yáng) 110136)

?

基于附加動(dòng)量的小波神經(jīng)網(wǎng)絡(luò)風(fēng)電功率短期預(yù)測(cè)

劉曉楠a，王勝輝b，金月新b

(沈陽(yáng)工程學(xué)院a.電力學(xué)院 b.產(chǎn)業(yè)管理處,遼寧 沈陽(yáng) 110136)

摘要：以風(fēng)電功率預(yù)測(cè)為背景，將小波理論與神經(jīng)網(wǎng)絡(luò)結(jié)合，在BP神經(jīng)網(wǎng)絡(luò)模型的結(jié)構(gòu)基礎(chǔ)上構(gòu)造了小波神經(jīng)網(wǎng)絡(luò)，并提出了基于附加動(dòng)量法改進(jìn)的小波神經(jīng)網(wǎng)絡(luò)。利用附加動(dòng)量的小波神經(jīng)網(wǎng)絡(luò)建立天氣預(yù)報(bào)數(shù)據(jù)與發(fā)電功率的映射模型，并進(jìn)行實(shí)際預(yù)測(cè)。利用MATLAB進(jìn)行仿真，驗(yàn)證了設(shè)計(jì)預(yù)測(cè)模型的實(shí)際可行性，并且預(yù)測(cè)精度滿足相關(guān)要求。

關(guān)鍵詞：風(fēng)力發(fā)電；功率預(yù)測(cè)；BP神經(jīng)網(wǎng)絡(luò)；小波分析；小波神經(jīng)網(wǎng)絡(luò)

在電力方面，用于火力發(fā)電的天然氣、煤炭、石油的化石燃料的消耗日益增多，不僅使得這些不可再生的資源面臨枯竭的問題，也使得全球的環(huán)境問題日益增多，這些無(wú)疑都限制了火力發(fā)電的發(fā)展。為了解決能源危機(jī)以及環(huán)境問題，世界各國(guó)近幾十年來(lái)在努力尋找能夠替代化石能源的新能源，風(fēng)能、太陽(yáng)能、核能、生物質(zhì)能等等紛紛登上歷史舞臺(tái)，對(duì)清潔的可再生的新能源的研究、開發(fā)及利用應(yīng)運(yùn)而生。其中風(fēng)能憑借其清潔、可再生、分布廣等眾多優(yōu)點(diǎn)而受到世界各國(guó)青睞，許多國(guó)家已經(jīng)把發(fā)展風(fēng)電作為解決能源和環(huán)境問題的重要措施。根據(jù)研究顯示，每10 MW風(fēng)電入網(wǎng)可節(jié)約3.73 t煤炭，同時(shí)減少排放粉塵0.498 t、CO 29.35 t、NOx0.049 t和SO20.078 t[1]。無(wú)論從短期還是從長(zhǎng)期來(lái)看，風(fēng)力發(fā)電都是電力可持續(xù)發(fā)展戰(zhàn)略的最佳選擇。

根據(jù)全球風(fēng)能理事會(huì)(GWEC)2014年2月5日發(fā)布的2013年全球風(fēng)電統(tǒng)計(jì)數(shù)據(jù)顯示，截至2013年底，全球風(fēng)電累計(jì)裝機(jī)容量達(dá)到3.18億kW，排名前五位依次為中國(guó)、美國(guó)、德國(guó)、西班牙、印度，在過(guò)去的五年(2009~2013年)全球風(fēng)電市場(chǎng)規(guī)模擴(kuò)大了幾乎200 GW。新增裝機(jī)容量排名前五位國(guó)家分別是中國(guó)、德國(guó)、英國(guó)、印度、加拿大。中國(guó)風(fēng)電事業(yè)正經(jīng)歷著由分散小規(guī)模開發(fā)，向集中大規(guī)模遠(yuǎn)距離輸送方向發(fā)展。中國(guó)已經(jīng)成為世界風(fēng)電大國(guó)，正在向風(fēng)電強(qiáng)國(guó)轉(zhuǎn)變。

傳統(tǒng)的火力發(fā)電方式是根據(jù)負(fù)荷的需求來(lái)安排發(fā)電計(jì)劃，但由于風(fēng)具有隨機(jī)性、波動(dòng)性和間歇性等特點(diǎn)，使得風(fēng)電場(chǎng)的發(fā)電功率具有很大的隨機(jī)性且可控性相對(duì)較差。因此當(dāng)大容量的風(fēng)電接入電網(wǎng)時(shí)會(huì)嚴(yán)重影響電力系統(tǒng)的安全性、穩(wěn)定行以及電能的質(zhì)量。對(duì)風(fēng)電場(chǎng)的發(fā)電功率進(jìn)行比較準(zhǔn)確可靠的預(yù)測(cè)，可以有效地降低風(fēng)力發(fā)電對(duì)電網(wǎng)所帶來(lái)的不利影響，并且能使電力調(diào)度部門合理安排調(diào)整調(diào)度計(jì)劃，從而減少電力系統(tǒng)運(yùn)行成本和旋轉(zhuǎn)備用，使之獲得更多的經(jīng)濟(jì)效益和社會(huì)效益。目前，在國(guó)家電網(wǎng)公司的發(fā)電計(jì)劃制定中都應(yīng)用了風(fēng)電功率預(yù)測(cè)系統(tǒng)，這對(duì)解決大規(guī)模風(fēng)電接入電網(wǎng)后的調(diào)度運(yùn)行問題提供了強(qiáng)有力的技術(shù)支撐。

現(xiàn)在丹麥 、德國(guó) 、西班牙、英國(guó)以及美國(guó)等風(fēng)電發(fā)展較為成熟的國(guó)家已經(jīng)研發(fā)出多個(gè)用于風(fēng)電場(chǎng)輸出功率短期預(yù)測(cè)的系統(tǒng)，并成功應(yīng)用于多個(gè)風(fēng)電場(chǎng)[2]。與歐洲相比，由于我國(guó)風(fēng)資源的分布特點(diǎn)致使大部分風(fēng)電場(chǎng)建設(shè)較為集中，風(fēng)能的間歇性對(duì)風(fēng)電并網(wǎng)的影響更為突出。因此，開展適合我國(guó)風(fēng)電情況的風(fēng)電功率短期預(yù)測(cè)的研究與預(yù)測(cè)軟件的開發(fā)對(duì)于我國(guó)實(shí)現(xiàn)大規(guī)模風(fēng)電場(chǎng)的建設(shè)是非常必要的。

1小波神經(jīng)網(wǎng)絡(luò)方法

根據(jù)所參考查詢的國(guó)內(nèi)外文獻(xiàn)資料，目前關(guān)于風(fēng)電功率預(yù)測(cè)的方法研究比較成熟、使用較多的是神經(jīng)網(wǎng)絡(luò)法。神經(jīng)網(wǎng)絡(luò)具有學(xué)習(xí)能力，可以以任意精度逼近任意非線性映射。但神經(jīng)網(wǎng)絡(luò)容易出現(xiàn)對(duì)數(shù)據(jù)學(xué)習(xí)不夠或者過(guò)擬合的現(xiàn)象，預(yù)測(cè)精度不太穩(wěn)定等缺點(diǎn)。為此，有必要將更加優(yōu)秀的預(yù)測(cè)方法引入到風(fēng)電功率的預(yù)測(cè)當(dāng)中來(lái)。由于小波變換對(duì)分析的信號(hào)具有時(shí)間和頻率局部特性和自適應(yīng)的聚焦特性，而神經(jīng)網(wǎng)絡(luò)具有自學(xué)習(xí)、自適應(yīng)性、強(qiáng)魯棒性和推廣能力，如何把小波分析和神經(jīng)網(wǎng)絡(luò)兩者的優(yōu)勢(shì)結(jié)合起來(lái)用于分析非平穩(wěn)信號(hào)，一直是人們所關(guān)注的問題。

1.1　小波變換理論

1.1.1小波變換的發(fā)展

小波變換的概念是由法國(guó)工程師J.Morlet在20世紀(jì)70年代首先提出的，并于20世紀(jì)80年代開發(fā)出了連續(xù)小波變換。1986年著名數(shù)學(xué)家Y.Meyer構(gòu)造了第一個(gè)正交小波—Meyer小波，這是一個(gè)真正的小波基。從1988年Stephane Mallat提出了Mallat快速算法(塔式分解和重構(gòu)算法)之后，小波分析開始蓬勃發(fā)展起來(lái)，并在各個(gè)工程領(lǐng)域中得到了廣泛的應(yīng)用。目前，小波分析已成為信號(hào)處理的強(qiáng)有力工具，典型的如語(yǔ)音信號(hào)處理、醫(yī)學(xué)信號(hào)處理、圖像信息處理、機(jī)械故障診斷等。

1.1.2小波變換的原理

(1)

則稱ψ(t)為一個(gè)基小波或母小波函數(shù)，它一般是時(shí)域上以t=0為中心的帶通函數(shù)，在時(shí)域和頻域都必須是局部化(緊支撐)的，且其平均值為零，即∫ψ(t)=0。小波可以簡(jiǎn)單的描述為一種函數(shù)，這種函數(shù)在有限時(shí)間范圍內(nèi)變化，并且平均值為0。

將母小波函數(shù)ψ(t)進(jìn)行平移和伸縮得到ψa,b(t)，設(shè)其伸縮因子為a，平移因子為b，則

(2)

稱ψa,b(t)為依賴于參數(shù)a，b的小波基函數(shù)。當(dāng)a，b取值連續(xù)變化時(shí)，ψa,b(t)稱為連續(xù)小波基函數(shù)。小波基函數(shù)的窗口隨尺度因子的不同而伸縮，當(dāng)a逐漸增大時(shí)，基函數(shù)ψa,b(t)的時(shí)間窗口也逐漸變大，而其對(duì)應(yīng)的頻域窗口也相應(yīng)減小，中心頻率逐漸變低。相反，當(dāng)a逐漸減小時(shí)，基函數(shù)ψa,b(t)的時(shí)間窗口逐漸減小，而其頻域窗口相應(yīng)增大，中心頻率逐漸升高。

小波變換通過(guò)平移基小波(mother wavelet)可獲得信號(hào)的時(shí)間信息，而通過(guò)縮放小波的寬度(或者叫做尺度)可獲得信號(hào)的頻率特性。對(duì)基小波的縮放和平移操作是為了計(jì)算小波的系數(shù)，這些系數(shù)代表小波和局部信號(hào)之間的相互關(guān)系[3]。

1.2　小波神經(jīng)網(wǎng)絡(luò)的原理

最早研究小波變換與神經(jīng)網(wǎng)絡(luò)結(jié)合的是Pati和Krishnaprasad，并且首次提出了離散仿射小波網(wǎng)絡(luò)的模型[4]。目前小波與神經(jīng)網(wǎng)絡(luò)的結(jié)合主要分為兩種方式：一個(gè)是分離式結(jié)合，比較典型的是利用小波分析對(duì)信號(hào)進(jìn)行預(yù)處理，然后將處理所得的各個(gè)信號(hào)分別用神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)與訓(xùn)練；另一個(gè)是嵌套式結(jié)合，即把小波變換的運(yùn)算融入到神經(jīng)網(wǎng)絡(luò)中去，將小波函數(shù)作為神經(jīng)元的傳遞函數(shù)，形成所謂的小波神經(jīng)網(wǎng)絡(luò)(WNN)或小波網(wǎng)絡(luò)。這是兩者結(jié)合的主要方式，其中小波與前饋神經(jīng)網(wǎng)絡(luò)的嵌套式結(jié)合又是最主要的研究方向。小波神經(jīng)網(wǎng)絡(luò)是在小波分析研究基礎(chǔ)上提出的一種前饋網(wǎng)絡(luò)，它結(jié)合了小波分析與BP神經(jīng)網(wǎng)絡(luò)的優(yōu)點(diǎn)，可以被認(rèn)為是BP神經(jīng)網(wǎng)絡(luò)的推廣，它在神經(jīng)網(wǎng)絡(luò)領(lǐng)域中具有良好的發(fā)展?jié)摿?。建立的小波神?jīng)網(wǎng)絡(luò)以BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)為框架，將傳遞函數(shù)選用Morlet小波函數(shù)，其表達(dá)式為

h(x)=cos(1.75)e-x2/2

(3)

圖1　WNN模型

其中：xi表示輸入層第i個(gè)節(jié)點(diǎn)的輸入，i=1,2,……,M；

ωij表示輸入層第i個(gè)節(jié)點(diǎn)到隱含層第j個(gè)節(jié)點(diǎn)之間的權(quán)值；

aj表示隱含層第j個(gè)節(jié)點(diǎn)小波基函數(shù)的伸縮因子；

bj表示隱含層第j個(gè)節(jié)點(diǎn)小波基函數(shù)的平移因子；

h表示隱含層的小波函數(shù)；

ωj表示隱含層第j個(gè)節(jié)點(diǎn)和輸出節(jié)點(diǎn)之間的權(quán)值，j=1,2,……,N;

Y表示輸出節(jié)點(diǎn)的輸出。

中間隱含層的處理函數(shù)為小波基函數(shù)，則隱含層的輸出為

(4)

小波神經(jīng)網(wǎng)絡(luò)輸出層輸出計(jì)算公式為

(5)

其中，n為隱含層節(jié)點(diǎn)數(shù)。

小波神經(jīng)網(wǎng)絡(luò)權(quán)值參數(shù)和小波基函數(shù)參數(shù)的修正算法跟BP神經(jīng)網(wǎng)絡(luò)一樣，從而使小波神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)輸出不斷逼近期望輸出。

網(wǎng)絡(luò)對(duì)K個(gè)訓(xùn)練樣本的總誤差函數(shù)為

(6)

根據(jù)預(yù)測(cè)誤差E的梯度下降法修正小波神經(jīng)網(wǎng)絡(luò)權(quán)值和小波基函數(shù)的參數(shù)，第p+1次修正值為

(7)

其中Δωij，Δaj，Δbj，Δωj是根據(jù)網(wǎng)絡(luò)預(yù)測(cè)誤差計(jì)算得到

(8)

BP網(wǎng)絡(luò)算法的各種改進(jìn)學(xué)習(xí)算法同樣適用于小波神經(jīng)網(wǎng)絡(luò)訓(xùn)練和學(xué)習(xí)。針對(duì)傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)而言，其學(xué)習(xí)速率的不變性導(dǎo)致網(wǎng)絡(luò)收斂速度很慢，容易陷入局部極小且訓(xùn)練時(shí)間加長(zhǎng)。提出采用基于附加動(dòng)量法的小波神經(jīng)網(wǎng)絡(luò)來(lái)進(jìn)行風(fēng)電功率預(yù)測(cè)。

帶有附加動(dòng)量因子的權(quán)值和閾值調(diào)節(jié)公式為

(9)

(10)

其中，p為訓(xùn)練次數(shù)，δj為局部梯度，Oi為上一層的輸出，η為學(xué)習(xí)速率，mc為動(dòng)量因子，一般取0.95左右。

改進(jìn)后的小波神經(jīng)網(wǎng)絡(luò)的第p+1次的權(quán)值和小波函數(shù)參數(shù)修正值為

(11)

3基于附加動(dòng)量法的小波神經(jīng)網(wǎng)絡(luò)實(shí)例分析

根據(jù)國(guó)家能源局發(fā)布的《風(fēng)電場(chǎng)功率預(yù)測(cè)預(yù)報(bào)管理暫行辦法》規(guī)定[5]：風(fēng)電功率預(yù)測(cè)報(bào)告風(fēng)日預(yù)報(bào)和實(shí)時(shí)預(yù)報(bào)兩種方式。日預(yù)報(bào)是指對(duì)次日0時(shí)至24時(shí)的預(yù)測(cè)報(bào)告，實(shí)時(shí)預(yù)報(bào)是指自上報(bào)時(shí)刻起未來(lái)15min。日預(yù)報(bào)要求并網(wǎng)電場(chǎng)每日在規(guī)定時(shí)間前按規(guī)定要求向調(diào)度部門提交次日0是至24時(shí)每15min共96個(gè)點(diǎn)風(fēng)電有功功率預(yù)測(cè)數(shù)據(jù)和開機(jī)容量。實(shí)時(shí)預(yù)測(cè)要求并網(wǎng)風(fēng)電場(chǎng)按規(guī)定要求每15min滾動(dòng)上報(bào)未來(lái)15min至4h風(fēng)電功率預(yù)測(cè)數(shù)據(jù)。風(fēng)電場(chǎng)功率預(yù)測(cè)系統(tǒng)提供的日預(yù)測(cè)曲線最大誤差不超過(guò)25%；實(shí)時(shí)預(yù)測(cè)誤差不超過(guò)15%；全天預(yù)測(cè)結(jié)果的均方根誤差應(yīng)小于20%。

風(fēng)電場(chǎng)發(fā)電功率的評(píng)價(jià)指標(biāo)可以分為誤差評(píng)價(jià)指標(biāo)和預(yù)測(cè)考核指標(biāo)。誤差評(píng)價(jià)指標(biāo)主要包括平均絕對(duì)誤差(MAE)和均方根誤差(RMSE)，主要用來(lái)衡量預(yù)測(cè)效果的好壞；預(yù)報(bào)考核指標(biāo)主要包括合格率和準(zhǔn)確率，主要用于判斷預(yù)測(cè)系統(tǒng)是否滿足并網(wǎng)對(duì)預(yù)測(cè)結(jié)果的要求。

MAE、RMSE、準(zhǔn)確率和合格率的計(jì)算公式如下：

(12)

(13)

(14)

(15)

其中，Bt的取值條件為

其中，Pt實(shí)際為t時(shí)刻的實(shí)際功率；Pt預(yù)測(cè)為t時(shí)刻的預(yù)測(cè)功率；Cap為裝機(jī)容量；T為樣本個(gè)數(shù)。

所選取的數(shù)據(jù)均來(lái)源自位于內(nèi)蒙古通遼市開魯縣義和塔拉的深能北方(通遼)能源開發(fā)有限公司的深能義和風(fēng)電場(chǎng)。該風(fēng)電場(chǎng)一總裝機(jī)容量為150MW，共安裝了100臺(tái)由東方汽輪機(jī)有限公司生產(chǎn)的單機(jī)容量為1.5MW的FD77B型風(fēng)力發(fā)電機(jī)。該風(fēng)電場(chǎng)提供的數(shù)據(jù)包括兩類，一類是提前24h的時(shí)間間隔為15min的數(shù)值天氣預(yù)報(bào)數(shù)值，包括風(fēng)速、風(fēng)向、溫度、濕度、壓力；一類是風(fēng)電場(chǎng)通過(guò)SCADA系統(tǒng)采集的時(shí)間間隔為15min的實(shí)測(cè)風(fēng)速、風(fēng)向等天氣數(shù)據(jù)以及風(fēng)電場(chǎng)的發(fā)電功率。實(shí)例中應(yīng)用的數(shù)據(jù)樣本為深能義和風(fēng)電場(chǎng)4月份2號(hào)至30號(hào)29天的數(shù)值天氣預(yù)報(bào)數(shù)據(jù)與風(fēng)電場(chǎng)實(shí)際輸出功率，其中12號(hào)、15號(hào)、29號(hào)的數(shù)據(jù)缺失。數(shù)值天氣預(yù)報(bào)數(shù)據(jù)與風(fēng)電場(chǎng)實(shí)際輸入功率均為每15min采樣數(shù)據(jù)，因此共2 496 個(gè)樣本。其中前2 400個(gè)數(shù)據(jù)為訓(xùn)練樣本，后96個(gè)樣本為測(cè)試樣本。

利用MATLAB進(jìn)行預(yù)模型的建立，分別采用BP神經(jīng)網(wǎng)絡(luò)和附加動(dòng)量的小波神經(jīng)網(wǎng)絡(luò)方法來(lái)建立風(fēng)電場(chǎng)發(fā)電功率預(yù)測(cè)模型。輸入樣本在輸入樣本之前利用MATLAB的mapminmax函數(shù)默認(rèn)將數(shù)據(jù)歸一化到[-1,1]。利用該函數(shù)將風(fēng)速、溫度，壓力以及實(shí)測(cè)功率進(jìn)行歸一化處理，風(fēng)向的歸一化采用其正弦值和余弦值。在得到歸一化后的預(yù)測(cè)值之后，把預(yù)測(cè)值還原為原來(lái)的量綱后與目標(biāo)值進(jìn)行比較來(lái)分析兩種模型的誤差大小。

把預(yù)測(cè)模型設(shè)計(jì)為由輸入層、隱含層和輸出層三層構(gòu)成的BP神經(jīng)網(wǎng)絡(luò)。如果輸入變量將數(shù)值天氣預(yù)報(bào)的所有預(yù)報(bào)項(xiàng)都考慮進(jìn)去，則輸入層神經(jīng)元數(shù)量為6個(gè)。按照神經(jīng)網(wǎng)絡(luò)構(gòu)建經(jīng)驗(yàn)選擇隱含層神經(jīng)元個(gè)數(shù)為輸入層神經(jīng)元個(gè)數(shù)的2倍加1，所以取隱含層神經(jīng)元個(gè)數(shù)為13個(gè)。輸出層的輸出主要是風(fēng)電場(chǎng)的發(fā)電功率，所以輸出層神經(jīng)元個(gè)數(shù)為1個(gè)，建立的模型如圖2。

分別利用BP神經(jīng)網(wǎng)絡(luò)和附加動(dòng)量的小波神經(jīng)網(wǎng)絡(luò)來(lái)對(duì)該風(fēng)電場(chǎng)的發(fā)電功率進(jìn)行預(yù)測(cè)，得到的各評(píng)價(jià)指標(biāo)結(jié)果如表1所示。

BP神經(jīng)網(wǎng)絡(luò)得到的預(yù)測(cè)功率與實(shí)際功率的對(duì)比圖如圖3和圖4和所示。通過(guò)采用附加動(dòng)量法的小波神經(jīng)網(wǎng)絡(luò)得到的預(yù)測(cè)功率與實(shí)際功率的對(duì)比圖如圖5和圖6所示。

圖2　模型結(jié)構(gòu)

表1　各種模型的評(píng)價(jià)指標(biāo)

圖3　BP神經(jīng)網(wǎng)絡(luò)結(jié)果對(duì)比圖

從上面4個(gè)圖中可以直觀看出不同時(shí)間段風(fēng)電功率預(yù)測(cè)功率值與實(shí)際功率的偏差。通過(guò)觀察可以發(fā)現(xiàn)當(dāng)實(shí)際的風(fēng)電功率比較平穩(wěn)或者波動(dòng)不太大時(shí)，預(yù)測(cè)功率與實(shí)際功率的變化情基本相似。但當(dāng)實(shí)際風(fēng)電功率突變時(shí)，此時(shí)預(yù)測(cè)功率往往出現(xiàn)比較大的偏差，預(yù)測(cè)功率不太穩(wěn)定可靠。

圖4　BP神經(jīng)網(wǎng)絡(luò)結(jié)果誤差圖

圖5　采用附加動(dòng)量法的小波神經(jīng)網(wǎng)絡(luò)結(jié)果對(duì)比圖

圖6　采用附加動(dòng)量法的小波神經(jīng)網(wǎng)絡(luò)對(duì)比圖和誤差圖

所建立的附加動(dòng)量法小波神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型的預(yù)測(cè)結(jié)果基本符合國(guó)家頒布的風(fēng)電場(chǎng)功率預(yù)報(bào)管理暫行辦法的通知中的相關(guān)要求，因此利用該模型來(lái)預(yù)測(cè)未來(lái)一天的風(fēng)電場(chǎng)發(fā)電輸出功率具有實(shí)際可行性。

4結(jié)語(yǔ)

利用某風(fēng)電場(chǎng)提供的數(shù)值天氣預(yù)報(bào)數(shù)據(jù)和實(shí)測(cè)功率數(shù)據(jù)，將理論模型用于實(shí)際的預(yù)測(cè)中去。分別利用傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)和改進(jìn)過(guò)后的基于附加動(dòng)量的小波神經(jīng)網(wǎng)絡(luò)進(jìn)行建模預(yù)測(cè)，結(jié)果表明所提出的基于附加動(dòng)量的小波神經(jīng)網(wǎng)絡(luò)具有更好的預(yù)測(cè)精度。但是，有個(gè)別預(yù)測(cè)點(diǎn)的誤差還是不盡如人意，預(yù)測(cè)精度有待于進(jìn)一步提高。目前，風(fēng)力發(fā)電功率預(yù)測(cè)仍然存在著許多的困難，預(yù)測(cè)精度還是能夠進(jìn)一步得到提高的。應(yīng)該在不斷學(xué)習(xí)國(guó)外先進(jìn)方法的同時(shí)，立足本國(guó)的實(shí)際情況進(jìn)行改善，從而更好地促進(jìn)新能源的開發(fā)以及新興電力事業(yè)的發(fā)展。

參考文獻(xiàn)

[1]潘廣德,張鐵,林子超.淺談風(fēng)力發(fā)電及其發(fā)展[J].科技向?qū)?2013(14):72.

[2]GiebelG,LandbergL,KariniotakisG,etal.State-of-the-artonMethodsandSoftwareToolsofShort-TermPredictionofWindEnergyProduction[C]//EuropeanWindEnergyConference&ExhibitionEWEC2003,Marid,2003.

[3]孔瑩瑩.微小衛(wèi)星JPEG2000圖像壓縮與遙測(cè)信息復(fù)合編碼的設(shè)計(jì)與實(shí)現(xiàn)[D].南京：南京航空航天大學(xué)，2006.

[4]PatiYC,KrishnaprasadPS.Analysisandsynthesisoffeedforwardneuralnetworkusingdiscreteaffinewavelet.IEEEtransonNN,1993,4(1):73-75.

(責(zé)任編輯佟金鍇校對(duì)張凱)

WindPowerShortTermForecastingBasedontheAdditional

MomentumofWaveletNeuralNetwork

LIUXiao-nana,WANG Sheng-huia,JIN Yue-xinb

(a.SchoolofElectricalEngineering,b.IndustryManagementOffice,ShenyangInstituteof

Engineering,Shenyang110136,LiaoningProvince)

Abstract：Against the background of the wind power forecasting,the wavelet theory and neural network were combined to set up the WNN model based on the BPNN structure,and the WNN was put forward based on the additional momentum method in this paper.A model was set up with the method based on the numerical weather prediction data and wind power data from a wind farm in Inner Mongolia Autonomous Region.The MATLAB was used to simulate and verify the feasibility of this prediction model.Simulation had shown the precision of the model can meet the requirements.

Key words：Wind power;Wind power forecasting;BPNN;Wavelet analysis;WNN

通訊作者：王勝輝(1964-)，男，遼寧本溪人，教授，博士，碩士生導(dǎo)師，主要從事電機(jī)與電器方面的研究。

作者簡(jiǎn)介：劉曉楠(1989-)，女，四川綿陽(yáng)人，碩士研究生。

基金項(xiàng)目：國(guó)家自然基金資助項(xiàng)目(61372195)

收稿日期：2014-11-12

中圖分類號(hào)：TM715

文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1673-1603(2015)02-0101-06

DOI：10.13888/j.cnki.jsie(ns).2015.02.002