付桐林, 楊明霞

(隴東學(xué)院數(shù)學(xué)與統(tǒng)計學(xué)院，745000，甘肅省慶陽市)

0 引 言

風(fēng)能是可再生的清潔能源,儲量大、分布廣,具有調(diào)整能源結(jié)構(gòu)和減輕環(huán)境污染的雙重功效,已經(jīng)成為一種最具活力的可再生能源之一. 從全球風(fēng)電行業(yè)總體上來看,總裝機量逐年保持增長的趨勢,截止2018年年底,我國新增裝機容量達(dá)25.9 GW,全球新增53.9 GW的風(fēng)電裝機,全球風(fēng)電累計裝機首次突破600 GW大關(guān)[1].風(fēng)力發(fā)電具有間歇性和波動性以及能量密度低等缺點,這些缺點導(dǎo)致風(fēng)電并網(wǎng)時會對電網(wǎng)產(chǎn)生沖擊,因此風(fēng)速預(yù)測是風(fēng)電并網(wǎng)管理中風(fēng)功率預(yù)測和電力負(fù)荷預(yù)測的基礎(chǔ).

目前,國內(nèi)外諸多學(xué)者根據(jù)歷史風(fēng)速時間序列提出了多種預(yù)測方法,這些風(fēng)速預(yù)測方法可以歸類為物理方法,傳統(tǒng)的統(tǒng)計方法、神經(jīng)網(wǎng)絡(luò)模型、基于數(shù)據(jù)預(yù)處理和神經(jīng)網(wǎng)絡(luò)相結(jié)合的混合模型以及基于智能算法優(yōu)化目標(biāo)函數(shù)的組合模型[2-17]. 物理方法如數(shù)值天氣預(yù)報(NWP),能夠準(zhǔn)確的給出短期風(fēng)速預(yù)測結(jié)果,但是囿于預(yù)測時需要輸入的氣象參數(shù)難以測定,該方法在實施起來有一定的困難[3-7]. 傳統(tǒng)的統(tǒng)計方法如ARIMA、GARCH,SARIMA等是在線性假設(shè)的前提下預(yù)測風(fēng)速,而風(fēng)速的變化蘊含著顯著的非線性和混沌特性,因此,應(yīng)用這些方法或模型預(yù)測未來風(fēng)速必然導(dǎo)致預(yù)測精度不高[8,9]. 近年來,神經(jīng)網(wǎng)絡(luò)模型如BPNN、支持向量機、卡爾曼濾波器、極值學(xué)習(xí)機等在各學(xué)科領(lǐng)域內(nèi)的應(yīng)用取得了極大的成功,能夠通過訓(xùn)練和測試來很好的實現(xiàn)風(fēng)速非線性變化的擬合[2-7,10-17]. 神經(jīng)網(wǎng)絡(luò)如BPNN具有較好的非線性擬合優(yōu)勢和較強的自學(xué)習(xí)能力,但是BPNN存在易振蕩、收斂速度慢、易陷于局部最優(yōu)值,同時其包括隱含層數(shù)目等在內(nèi)的網(wǎng)絡(luò)結(jié)構(gòu)難以確定的缺陷[6,7,10];SVM 具有很好的稀疏性和泛化能力,能很好的解決非線性、高維數(shù)和局部極小點等實際問題,但是其關(guān)鍵參數(shù)主要依靠人工選擇[5,13,14];卡爾曼濾波器在精確已知系統(tǒng)的數(shù)學(xué)模型和噪聲統(tǒng)計特性的條件下可以處理多維時變的非平穩(wěn)時間序列,但風(fēng)速時間序列的變化和噪聲統(tǒng)計特征都是部分已知、近似已知或完全未知的,此時卡爾曼濾波器的結(jié)果就會變壞甚至發(fā)散[8,10,12]. 鑒于此,又有學(xué)者提出了基于經(jīng)驗?zāi)Ｊ椒纸狻⑿〔ń翟氲娘L(fēng)速時間序列數(shù)據(jù)預(yù)處理和遺傳算法、粒子群算法優(yōu)化BPNN和SVM等神經(jīng)網(wǎng)絡(luò)模型參數(shù)和閾值相結(jié)合的混合模型,很好的克服了單個模型預(yù)測精度不高的問題,實現(xiàn)了風(fēng)速預(yù)測[3,4,9-17].

由于風(fēng)速會受到地形地貌、氣溫氣壓等復(fù)雜因素的影響,收集到的風(fēng)速時間序列會不同程度受到噪聲污染而降質(zhì),所以直接利用收集到的風(fēng)速數(shù)據(jù)做預(yù)測,會導(dǎo)致預(yù)測精度不高,這就需要選擇恰當(dāng)?shù)臄?shù)據(jù)預(yù)處理方法對收集到的風(fēng)速數(shù)據(jù)集做降噪處理. 離散小波變換(DWT)[18]是常用的也是有效的信號去噪方法,其基本思想是對時間序列信號做小波分解,將分解后的高頻系數(shù)采用閾值量化處理,對得到的小波系數(shù)進(jìn)行重構(gòu)來獲得清洗后的數(shù)據(jù). 但是小波去噪方法對小波基函數(shù)和閾值的選擇十分敏感,這就導(dǎo)致不同信噪比下的風(fēng)速數(shù)據(jù)預(yù)測效果差異很大,預(yù)測精度也有待進(jìn)一步提高[12,21]. 由于傅里葉變換和小波變換是建立在先驗的諧波基函數(shù)和小波基函數(shù)的基礎(chǔ)上,為了克服傅里葉變換和小波變換的缺陷,Huang N E等人在1998 年依據(jù)時間序列數(shù)據(jù)的時間尺度特征提出了經(jīng)驗?zāi)B(tài)分解(EMD). EMD不需要預(yù)先設(shè)定任何基函數(shù),在處理非平穩(wěn)及非線性數(shù)據(jù)集時具有非常明顯的優(yōu)勢[19,20]. 但是EMD得到的每個本征模函數(shù)(IMF)都含有不同的頻率分量,這就導(dǎo)致混頻現(xiàn)象的發(fā)生.針對EMD存在混頻的缺陷,Huang N E等人提出了一種噪聲輔助數(shù)據(jù)分析方法EEMD[19,20],能夠有效的克服EMD的缺陷,并在預(yù)測領(lǐng)域得到了廣泛的應(yīng)用.

在本文中,分別采用集合經(jīng)驗?zāi)Ｊ椒纸?EEMD)和DWT來實現(xiàn)風(fēng)速時間序列數(shù)據(jù)降噪的目的.并采用改進(jìn)的布谷鳥(MCS)算法優(yōu)化BPNN神經(jīng)網(wǎng)絡(luò)中的權(quán)值和閾值,構(gòu)建了多個混合風(fēng)速預(yù)測模型來預(yù)測中國環(huán)縣風(fēng)電場2017年日平均風(fēng)速,并采用多個評價標(biāo)準(zhǔn)對風(fēng)速預(yù)測模型的精度進(jìn)行評價.

1 混合風(fēng)速預(yù)測模型

1.1 集合經(jīng)驗?zāi)B(tài)分解(EEMD)

經(jīng)驗?zāi)B(tài)分解(EMD)的主要思路是將時間序列分解為有限個本征模函數(shù)(IMF),IMF滿足給定時間段內(nèi)局部極值點和過零點的數(shù)目相等或最多相差一個;在每個時間點,局部最大值的包絡(luò)和局部最小值的包絡(luò)的平均值為零[19,20]. EMD得到的各IMF包含了原始時間序列不同時間尺度的局部特征,從而達(dá)到將非平穩(wěn)變化的時間序列平穩(wěn)化的目的. 由于EMD是基于信號序列時間尺度的局部特性,因此具有自適應(yīng)性.

由于EMD分解方法得到的每個IMF都含有不同的頻率分量,這就導(dǎo)致混頻現(xiàn)象的發(fā)生. 針對EMD數(shù)據(jù)預(yù)處理方法的不足,Huang N E等人提出了一種噪聲輔助數(shù)據(jù)分析方法EEMD[19,20],EEMD數(shù)據(jù)預(yù)處理技術(shù)具體步驟如下:

1)向風(fēng)速時間序列中加入正態(tài)分布白噪聲,生成新的時間序列X(t).

2)對時間序列X(t)用EMD處理得到各IMF分量.

3)重復(fù)步驟1)和2),每次加入新的噪聲序列.

4)將每次得到的IMF集成均值作為最終結(jié)果.

1.2 離散小波變換

DWT是行之有效的數(shù)據(jù)清洗方法[18],其基本思想是對信號序列做小波分解,將分解后的高頻系數(shù)采用不同的方法進(jìn)行閾值量化處理,對得到的小波系數(shù)進(jìn)行重構(gòu)來獲得清洗后的數(shù)據(jù),具體計算公式如下

由于小波基函數(shù)ψ(·)具有自相關(guān)性,而且去噪效果與閾值的選擇密切相關(guān),這就導(dǎo)致不同信噪比下的風(fēng)速數(shù)據(jù)去噪效果差異很大[12-14,21].

1.3 改進(jìn)布谷鳥算法(MCS)

布谷鳥算法(CS)是2009年學(xué)者Yang和Deb根據(jù)布谷鳥繁殖和飛行特征提出的一種新型啟發(fā)式優(yōu)化算法[11]. Yang提出的CS算法采用Lévy飛行搜索機制,并基于如下三條假設(shè)：1)每只布谷鳥隨機選擇鳥巢產(chǎn)蛋,且每次只產(chǎn)一個蛋;2)最好的鳥巢中的高質(zhì)量的蛋會被保留并孵化出下一代;3)宿主發(fā)現(xiàn)外來鳥蛋的概率為P,一旦發(fā)現(xiàn),宿主會將這個蛋破壞或者直接放棄巢穴.以此為前提,布谷鳥算法位置更新公式為

(1)

本文中,改進(jìn)的CS(MCS)算法分別對調(diào)節(jié)路徑長短的量α進(jìn)行自適應(yīng)動態(tài)調(diào)整,調(diào)整步長策略為

αi=αmin+(αmax-αmin)di，

(2)

其中αmin和αmax分別表示最小步長和最大步長,

式中Pmax和Pmin分別表示最大、最小發(fā)現(xiàn)概率；I和M分別表示當(dāng)前迭代次數(shù)和最大迭代次數(shù).

1.4 BP神經(jīng)網(wǎng)絡(luò)(BPNN)

BPNN由Rumelhart和McCelland在1986年提出,是一種按誤差逆?zhèn)鞑ニ惴ㄓ?xùn)練的多層前饋網(wǎng)絡(luò). BPNN的優(yōu)點在于無需事前給定描述映射關(guān)系的方程,網(wǎng)絡(luò)能夠按照最速下降法通過反向傳播來不斷調(diào)整網(wǎng)絡(luò)的權(quán)值和閾值,自主學(xué)習(xí)和存貯大量的輸入-輸出映射關(guān)系,使網(wǎng)絡(luò)的誤差平方和最小[6,7,10].

設(shè)xj表示輸入層第j個節(jié)點的輸入,j=1,…,M;wij表示隱含層第i個節(jié)點到輸入層第j個節(jié)點之間的權(quán)值,θi表示隱含層第i個節(jié)點的閾值,φ(x)表示隱含層的激活函數(shù),wki表示輸出層第k個節(jié)點到隱含層第i個節(jié)點之間的權(quán)值,i=1,…,q;ak是輸出層第k個節(jié)點的閾值,k=1,…,L;ψ(x)表示輸出層的激活函數(shù),Ok表示輸出層第k個節(jié)點的輸出,則

誤差反向傳播過程的計算思路是：從輸出層開始逐層計算各層神經(jīng)元的輸出誤差,然后根據(jù)誤差采用梯度下降法來調(diào)整各層的權(quán)值和閾值,使得修正后的輸出結(jié)果與期望值接近.BPNN對P個訓(xùn)練樣本的總誤差定義為

(3)

本文中,輸入層的神經(jīng)元個數(shù)是n,中間層的神經(jīng)元根據(jù)Kolmogorov定理確定為2n+1,采用Levenberg-Marquardt算法訓(xùn)練BPNN[10],神經(jīng)元傳遞函數(shù)采用S型正切函數(shù).

1.5 EEMD-MCS-BPNN風(fēng)速預(yù)測模型

本文中,我們分別采用EEMD和DWT對風(fēng)速時間序列進(jìn)行數(shù)據(jù)預(yù)處理.為了克服BPNN易振蕩、收斂速度慢、易陷于局部最優(yōu)值的缺陷,我們采用改進(jìn)布谷鳥(MCS)算法優(yōu)化BPNN神經(jīng)網(wǎng)絡(luò)中的權(quán)值和閾值,構(gòu)建了一系列混合風(fēng)速預(yù)測模型來預(yù)測環(huán)縣風(fēng)電場2017年日平均風(fēng)速,并將不同預(yù)測模型的預(yù)測結(jié)果相互比較. 具體步驟如下:

1) 對風(fēng)速時間序列分別用EEMD和DWT做數(shù)據(jù)預(yù)處理,將去噪后的風(fēng)速時間序列數(shù)據(jù)集按照Min-max歸一化方法標(biāo)準(zhǔn)化后作為BPNN的輸入層輸入網(wǎng)絡(luò).

3)保留上一代最優(yōu)鳥巢位置Xt(0),按照式(7)更新發(fā)現(xiàn)概率Pt,按照式(1)和式(2)更新鳥巢位置Xt(0),同時根據(jù)式(3)計算更新后鳥巢的適應(yīng)度值,并與上一代的適應(yīng)度值進(jìn)行比較.若更優(yōu),則更新位置,否則,保留上一代鳥巢的位置.

對混合風(fēng)速預(yù)測模型的預(yù)測精度評價指標(biāo)包括均方誤差(MSE)

絕對平均誤差(MAE)

和相對平均誤差(MAPE)

將DWT和MCS算法優(yōu)化BPNN神經(jīng)網(wǎng)絡(luò)參數(shù)相結(jié)合的混合模型記為DWT-MCS-BPNN. 其余混合模型如EEMD-BPNN,DWT-BPNN,MCS-BPNN的構(gòu)建過程與EEMD-MCS-BPNN類似. 采用構(gòu)建的混合預(yù)測模型EEMD-MCS-BPNN,DWT-MCS-BPNN,EEMD-BPNN,DWT-BPNN,MCS-BPNN以及BPNN模型分別對黃土高原隴東區(qū)風(fēng)電場2017年日平均風(fēng)速做出預(yù)測,并以MSE,MAE,MAPE作為評價標(biāo)準(zhǔn)對所有預(yù)測模型的預(yù)測精度進(jìn)行評價.

2 數(shù)值結(jié)果

黃土高原隴東區(qū)地處北緯35°15′～37°10′,東經(jīng)106°20′～108°45′之間,屬黃土高原丘陵溝壑區(qū),地勢西北高、東南低,海拔在1136至2089米之間[22],氣候?qū)贉貛Т箨懶约撅L(fēng)氣候,風(fēng)速均衡,適宜風(fēng)電場建設(shè). 目前,投資數(shù)百億的多個大型風(fēng)電場已在黃土高原隴東區(qū)環(huán)縣開工建設(shè),截止2016年10月環(huán)縣風(fēng)電場累計發(fā)電超過19億度并同步接入主電網(wǎng)[23]. 為合理調(diào)度電能和風(fēng)電并網(wǎng)的優(yōu)化管理,需要對黃土高原隴東區(qū)風(fēng)電場風(fēng)速進(jìn)行預(yù)測. 將風(fēng)電場采集到的風(fēng)速數(shù)據(jù)作為原始數(shù)據(jù)集,數(shù)據(jù)集的數(shù)據(jù)包含兩部分:第1部分?jǐn)?shù)據(jù)2009年1月-2016年12月的日平均風(fēng)速數(shù)據(jù)集(m/s),第2部分?jǐn)?shù)據(jù)2017年1月-12月的日平均風(fēng)速值作為測試集. 風(fēng)電場的運行計算和決策支持系統(tǒng)都依賴于大量現(xiàn)場實測數(shù)據(jù),但是由于各種原因,風(fēng)電場運行過程中不可避免的會出現(xiàn)實測數(shù)據(jù)的失真,因此分別采用EEMD和DWT對風(fēng)速數(shù)據(jù)做數(shù)據(jù)預(yù)處理.根據(jù)N. E.Huang等的方法[19,20],在本案例中,將原始風(fēng)速數(shù)據(jù)集分解為9個IMF,其中IMF1作為噪聲剔除,并將IMF2至IMF9相加,所得結(jié)果作為EEMD的去噪結(jié)果. DWT的實現(xiàn)借助于Matlab(R2019a,MathWorks,USA)的小波工具箱實現(xiàn). DWT將風(fēng)速時間序列分解為低通濾波A和高通濾波B,低通濾波A反映了風(fēng)速時間系列變化的主要特征,高通濾波B代表隨機因素導(dǎo)致的噪聲序列. EEMD和DWT提取的噪聲時間序列如圖1和圖2所示,由于小波基函數(shù)存在相關(guān)性,而且閾值的選擇直接影響了去噪效果.EEMD能夠有效的去除風(fēng)速時間序列中的噪聲,從而達(dá)到有效的數(shù)據(jù)清洗效果,EEMD和DWT的數(shù)據(jù)預(yù)處理結(jié)果如下頁圖3所示.從圖3看出,EEMD的去噪效果優(yōu)于DWT的去噪效果.

圖1 EEMD提取的噪聲序列

圖2 DWT提取的噪聲序列

將數(shù)據(jù)預(yù)處理后的時間序列按照Min-max歸一化方法進(jìn)行標(biāo)準(zhǔn)化,所得結(jié)果神經(jīng)網(wǎng)絡(luò)模型進(jìn)行預(yù)測.混合預(yù)測模型EEMD-MCS-BPNN,DWT-MCS-BPNN,EEMD-BPNN,DWT-BPNN,MCS-BPNN 以及單個神經(jīng)網(wǎng)絡(luò)模型 BPNN對黃土高原隴東區(qū)風(fēng)環(huán)縣電場2017年日平均風(fēng)速做出預(yù)測,并根據(jù)預(yù)測值和真實值作圖如圖4所示.從圖4可以看出,EEMD-MCS-BPNN模型的預(yù)測結(jié)果總體上優(yōu)于DWT-MCS-BPNN模型的預(yù)測結(jié)果,盡管有部分時間段內(nèi) DWT-MCS-BPNN的模型的預(yù)測效果比EEMD-MCS-BPNN的預(yù)測效果好. 圖5顯示了EEMD-BPNN,DWT-BPNN,MCS-BPNN 以及單個神經(jīng)網(wǎng)絡(luò)模型 BPNN的預(yù)測值與真實值. 對比圖4和圖5的預(yù)測結(jié)果圖,顯然,EEMD-MCS-BPNN模型和DWT-MCS-BPNN模型的預(yù)測結(jié)果明顯優(yōu)于EEMD-BPNN,DWT-BPNN,MCS-BPNN 以及單個神經(jīng)網(wǎng)絡(luò)模型BPNN的預(yù)測結(jié)果. 從圖4看出,EEMD-BPNN的預(yù)測結(jié)果明顯優(yōu)于DWT-BPNN,MCS-BPNN 以及單個神經(jīng)網(wǎng)絡(luò)模型 BPNN的預(yù)測結(jié)果.

圖3 風(fēng)電場日平均風(fēng)速數(shù)據(jù)集

圖4 EEMD-MCS-BPNN和 DWT-MCS-BPNN模型預(yù)測結(jié)果

圖5 EEMD-BPNN,DWT-BPNN,MCS-BPNN和BPNN模型的預(yù)測結(jié)果

為了量化比較不同模型的預(yù)測效果,分別采用MSE、MAE和MAPE去評估EEMD-MCS-BPNN,DWT-MCS-BPNN,EEMD-BPNN,DWT-BPNN,MCS-BPNN和BPNN模型的預(yù)測精度,將這六個模型的預(yù)測精度結(jié)果匯總?cè)绫?所示.從表1可以看出,EEMD-MCS-BPNN和DWT-MCS-BPNN模型的MSE,MAE和MAPE都顯著的比EEMD-BPNN,DWT-BPNN,MCS-BPNN和BPNN模型的MSE,MAE和MAPE要小,混合風(fēng)速預(yù)測模型EEMD-MCS-BPNN和DWT-MCS-BPNN的MAPE值分別為16.03%和17.35%,比EEMD-BPNN,DWT-BPNN,MCS-BPNN和BPNN的MAPE要小0.87%到7.67%,而BPNN、DWT-BPNN 和EEMD-BPNN模型的MSE,MAE和MAPE則相差不大,但風(fēng)速時間序列去噪后的預(yù)測效果明顯優(yōu)于BPNN模型和MCS-BPNN模型的預(yù)測效果.比較DWT-BPNN和EEMD-BPNN的MSE,MAE和MAPE,EEMD-BPNN模型的預(yù)測精度的比DWT-BPNN模型的預(yù)測精度高,說明DWT去噪受到閾值的選擇,影響了去噪效果,從而導(dǎo)致風(fēng)速預(yù)測精度有待提高．而EEMD有效的克服了DWT的缺點,因而在處理非平穩(wěn)及非線性數(shù)據(jù)上具有非常明顯的優(yōu)勢,適合于分析非線性、非平穩(wěn)風(fēng)速數(shù)據(jù)集的去噪,具有很好的去噪效果.

表1 EEMD-MCS-BPNN,DWT-MCS-BPNN,EEMD-BPNN,DWT-BPNN,MCS-BPNN和BPNN預(yù)測模型的MSE,MAE和MAPE

表2 不同季度EEMD-MCS-BPNN,DWT-MCS-BPNN,EEMD-BPNN,DWT-BPNN,MCS-BPNN和BPNN預(yù)測模型的MSE,MAE和MAPE

為了進(jìn)一步比較EEMD-MCS-BPNN,DWT-MCS-BPNN,EEMD-BPNN,DWT-BPNN,MCS-BPNN和BPNN模型在不同時間尺度上的預(yù)測效果,分別計算出上述預(yù)測模型在2017年每個季度的MSE、MAE和MAPE,計算結(jié)果如表2所示. 從表2可以看出,在不同的季度,EEMD-MCS-BPNN和DWT-MCS-BPNN都有相當(dāng)高的預(yù)測精度,預(yù)測效果均比EEMD-BPNN,DWT-BPNN,MCS-BPNN和BPNN模型的預(yù)測效果好. 但是在不同的季度,EEMD-MCS-BPNN的相對平均誤差MAPE變化較大,但是總體上EEMD-MCS-BPNN的MAPE比DWT-MCS-BPNN,EEMD-BPNN,DWT-BPNN,MCS-BPNN和BPNN模型的MAPE值要小,說明對非平穩(wěn)的風(fēng)速變化,EEMD-MCS-BPNN具有良好的預(yù)測效果.表2還顯示恰當(dāng)?shù)臄?shù)據(jù)去噪技術(shù)對模型的預(yù)測精度也有著重要的影響,用去噪后的數(shù)據(jù)預(yù)測效果明顯優(yōu)于未去噪數(shù)據(jù). 表1和表2 中MCS-BPNN模型的MAPE值均小于單個神經(jīng)網(wǎng)絡(luò)模型BPNN的MAPE,說明選取改進(jìn)的MCS算法對BPNN的參數(shù)和閾值進(jìn)行優(yōu)化,能夠克服 BPNN易于陷入局部最小值和過度訓(xùn)練的缺陷,并提高預(yù)測精度.

綜上所述,采取EEMD對原始風(fēng)速數(shù)據(jù)集去噪后,再采用MCS算法優(yōu)化BPNN的參數(shù)和閾值,構(gòu)建的EEMD-MCS-BPNN混合預(yù)測模型的預(yù)測精度比混合預(yù)測模型DWT-MCS-BPNN,EEMD-BPNN,DWT-BPNN,MCS-BPNN及單個神經(jīng)網(wǎng)絡(luò)模型BPNN的預(yù)測精度高. 而采用小波去噪方法對風(fēng)速時間序列消除噪聲后,再采用MCS-BPNN和BPNN預(yù)測風(fēng)速,預(yù)測精度提高的幅度比較小. 這說明EEMD在本案例研究中去噪效果明顯的優(yōu)于DWT的效果,而且預(yù)測精度很高. 而DWT-MCS-BPNN、MCS-BPNN、DWT-BPNN的預(yù)測精度比BPNN的預(yù)測精度略高,但總體而言,精度提高的幅度不大. 本文構(gòu)建的混合模型EEMD-MCS-BPNN、EEMD-BPNN 、DWT-MCS-BPNN、DWT-BPNN 、MCS-BPNN和單個神經(jīng)網(wǎng)絡(luò)模型BPNN預(yù)測黃土高原隴東區(qū)環(huán)縣風(fēng)電場2017年的日平均風(fēng)速,相對平均誤差MAPE均未超出 26%,這意味著EEMD-MCS-BPNN、EEMD-BPNN 、DWT-MCS-BPNN、DWT-BPNN 、MCS-BPNN和BPNN神經(jīng)網(wǎng)絡(luò)均可以用來預(yù)測風(fēng)速,只是EEMD-MCS-BPNN的預(yù)測效果更好.

3 結(jié) 論

風(fēng)電場中風(fēng)電機組的運行特征隨風(fēng)速的隨機波動而變化,準(zhǔn)確的預(yù)測風(fēng)電場的風(fēng)速可以減小風(fēng)電并網(wǎng)對電網(wǎng)造成的影響,提高電網(wǎng)的經(jīng)濟性和穩(wěn)定性.因此,準(zhǔn)確的預(yù)測風(fēng)電場的風(fēng)速就顯得尤為重要.一般情況下,風(fēng)速變化越平穩(wěn),預(yù)測時間越短,絕對平均誤差和相對平均誤差越小. 本文給出混合EEMD-MCS-BPNN預(yù)測模型能夠有效實現(xiàn)年度日平均風(fēng)速的準(zhǔn)確預(yù)測,模型的計算過程簡單且易于實現(xiàn),并以環(huán)縣風(fēng)電場作為案例,對模型進(jìn)行了驗證.數(shù)值結(jié)果表明,相對傳統(tǒng)的小波去噪方法,采用EEMD對風(fēng)速數(shù)據(jù)做降噪處理和采用MCS算法對BPNN神經(jīng)網(wǎng)絡(luò)參數(shù)和閾值進(jìn)行優(yōu)化均能夠有效提高預(yù)測精度.