基于小波分析与神经网络的风电场短期风速预测
基于BP神经网络的风电场短期功率预测
据纵向对 比法 、 绝对均值法ｆ ７ 】 等。 将异常数据看作预测数 据处理的人工智能算法ｆ ８ Ｊ 】 在异常数据处理 中的应用解决
了数据处理粗糙 、 修正效果不理想的缺点 ， 也减少 了运行 人员的工作量 ， 避免了人工干预带来 的误差。本文将失真 数据修正看作空缺数据一样处理 ， 所以异常数据 的处理 可 分为失真数据的查找和空缺数据 的补全 。
Hale Waihona Puke 收稿 日期２ ０ １ ３ 一 Ｏ １ — ２ ８
作者简介
所
丽（ １ ９ ８ ６ 一） ， 女， 黑龙 江人 ， 在读硕 士， 研究方向 ： 分布 式电源、 电动汽车充电站规 划。
２ ０ １ ３ ． ０ ４Ｂ
总第 ２ ６ Ｏ期
雌们
叭。
差跳跃 ｌ 生 较大， 个别点不能满足要求。相 比较而言， 一元线 性回归方程将空缺值作为预测值进行补全 ，提高了数据补 全的精度 ， 为负荷 的预测提供 了相对真实可信的数据。
系， 本文运用 Ｓ Ｐ Ｓ Ｓ 中的相关性分析 ， 研究功率与风速和功率 之间的关系 ， 从而确定神经 网络的输入层神经元个数。 选取 当前功率点 ｙ 、当前功率点前 ５个点 的功率 值 （ ， ， 凰， ， 。 ） 和当前点风速 与之前 ４ 个 点的风速 值（ ， ： ， 。 ， ） 作为研究对象 ， 进行相关性分析。从结果 可以看出 ， 所有的 自变量与因变量功率之间的相关系数在 ０ ． Ｏ １ 的水平上相关显著 ， 且均是正相关。 其 中， 当前功率序 列 ｙ与风速 。 ， ， ，功 率 和 ， 。 之 间的相关 系数 均 大于 ０ ． ８ ， 说 明 ， ， ， 和 。 。 与 ｙ之间均具 有高度相 关性 ， 而且都在 ０ ． ０ １ 的水平上相关显著 。
分析如何提高风电场风功率预测准确率
分析如何提高风电场风功率预测准确率摘要：风力发电虽然创造出了可观的经济效益，但其间隙性、随机性和波动性的特点给整个电力系统的安全与稳定运行带来了挑战，同时直接影响了风电厂在电力行业的竞争力。
因此，加快风功率预测的研究、提高功率预测的精确度就显得尤为重要。
关键词：功率预测；风力发电；组合预测强调了风功率预测研究对确保电力系统安全、提升经济运行和改善电能质量的重要性。
探讨了当前风功率预测方法，并详细阐述了其中的关键技术步骤，同时展望了对短期和实时风功率预测的未来发展趋势。
1风功率预测的主要方法1.1按照预测时间划分风电预测可细分为长期、中期、短期和超短期。
长期预测在选址和规划阶段中起到重要作用，以年为单位。
中期预测以月为单位，可更合理地安排风场的大规模检修计划。
短期预测主要用于优化电网调度，通常提前1~2天进行。
超短期预测则针对控制风电机组，一般提前数十分钟或数小时进行预测。
当下的实时预测也属于超短期预测的范畴。
1.2按照预测模型的对象不同风速预测可分为间接法和直接法。
间接法通过对风速的精准预测，进而根据风功率曲线得到预测功率。
直接法则研究功率，不考虑风速的变化过程进行风功率预测。
1.3按照所用预测模型差异功率预测方法可分为统计模型预测和物理模型预测两种。
统计模型预测方法利用统计学原理，通过寻找历史数据与机组输出功率之间的映射关系来进行预测，忽略了风速物理变化过程。
常见的预测模型包括卡尔曼滤波、时间序列等统计模型，以及基于智能类模型的人工神经网络、小波分析、SVM回归法、模糊逻辑等方法。
统计方法受限于历史数据，在长期预测中面临数据处理和历史数据统计的挑战。
1.4按照功率预测模型个数划分功率预测可以被分类为单一预测和组合预测两种方法。
单一预测方法主要采用小波分析、时间序列和神经网络等数学模型或者物理模型来进行功率预测。
而组合预测方法则是通过选取适当的组合方式将单一模型集成起来进行功率预测。
单一功率预测通常忽略了物理影响因素，导致预测的准确度不佳。
总目录 第一期
— —
以安徽 省为例 …… ………… …… ……… ……… ……… ……… …… ……… ……… … 胡效 英（ 一ｌ６ １ １）
公正司法语境下的刑事司法制度创新
— — 一
个刑 事被害 人视 角 的审视 …… ……… …… ………… ……… …… ……… ……… … 宣
微生物发酵床对育肥猪生产性能及猪 肉品质的影响 ………………… 周玉刚， 闻爱友 ， 宁康健 ， １ ９ 等（ — ）
墨田
不同灌浆阶段弱光对小麦产量与籽粒灌浆速率 的影响 …………… 李文阳， 闰素辉，时侠清， Ｉ ｌ） 等（ — ３ 灌浆期高温对小麦旗叶净光合速率及籽粒生长 的影响 ………………… 闰素辉 ， 李文阳， 邵庆勤（ — ８ １ １） 不同密度对直播油菜生长及产量的影响 …………………………………………………… 李盂 良（ — ３ １ ２） 微量元素对烟草幼苗生长及其保护酶表达的影响 ………………………………………… 罗育淮（ — ７ １ ２）
不 同配 比基 质对悬 铃木 生长 的 比较 ……… ……… ……… …… ……… 张远 兵 ， 刘爱 荣 ， 刘 勇 ， （ ２ ） 等 ２— ４
交互 式语 言教学 原理在 公共 英语教 学 中的应用
…… ……… ……… ……… …… ……… … 李 芙蓉（ —８ ） １ ３
构建和谐师生关系 ， 促进高职英语教学……………………………………………………… 孙雪梅（ — ８ １ ８）
基于 Ｃ Ｅ Ｌ Ｃ分 析 中 国英语 学 习者 ｑｉ ｕｅ和 ｒｔｅ 的使用 特征 ……… ………… …… 盂繁 旭 ， ｔ ａ ｒ ｈ 刘 萍（ — １ １ ９）
刚（ —１ １ １ ２）
短期风电功率的预测方法
短期风电功率的预测方法短期风电功率预测是指对未来1-48小时内的风速变化进行预测，并从中推导出未来的风电功率。
在风电发电方面，预测未来的风电功率具有重要意义，这有助于降低风电发电的成本，优化风电发电的规划，增强风电系统的运行效率。
以下是短期风电功率预测的几种常用方法。
1.统计学方法先将历史气象数据和风电功率数据表格化，再进行数据处理和分析。
通过建立一个统计模型来预测未来的风速，并通过这个模型得到未来的风能利用率和风电功率。
2.神经网络方法神经网络是一种模拟大脑的计算方法，该方法可以处理大量数据，发现数据中的未知关系，进而进行预测。
首先，通过历史气象数据和风电功率数据训练神经网络的参数，然后将训练好的神经网络应用于新的预测场景。
3.时间序列方法时间序列法是一种通过观察历史数据来进行未来预测的方法。
首先将历史数据统计分析，得到趋势、季节性等信息。
然后建立数学模型进行预测。
例如，可以使用ARMA模型，预测未来的风速。
4.物理模型方法这种方法是基于风能转换的物理原理进行预测的。
先将历史数据与风机性能和气象条件相关的物理模型相结合，再运用一些经验公式和气象学规律，建立预测模型。
最终，计算模型可以给出未来1-48小时的风能利用率和风电功率。
短期风电功率预测方法的选择取决于多种因素，如该地区风电系统的规模、历史数据可靠程度、气象条件等。
对于较小规模的风电系统，统计学方法和时间序列方法是最适合的预测方法。
但是针对以太阳能和风能资源为主的多元可再生能源电力系统，结合多模型综合预测可能更加完善，同时可以包括多个子模型的结果，以提高预测精度。
无论选用哪种方法，关键是要收集足够可靠的历史数据，建立准确的预测模型，以确保风电系统在未来的发电中能够更有效率、高效稳定。
基于神经网络的风电功率预测技术
基于神经网络的风电功率预测技术随着清洁能源和环保意识的不断加强，风电作为一种新型的能源形式，得到了越来越广泛的应用和发展。
但是，风电系统的不稳定性和不可控性，给其使用和维护带来了很大的挑战。
很多研究者尝试使用神经网络技术来预测风电功率，以提高风电系统的可靠性和实用性。
一、神经网络的基本原理神经网络是一种模拟人脑神经元的计算模型。
它由一个由多个简单的处理节点（神经元）组成的网络构成。
神经元之间的连接具有可调权重，并对输入数据进行加工处理，以产生输出。
神经网络通过反向传播算法进行训练，不断优化节点之间的权重值，从而提高网络的准确性和泛化能力。
二、神经网络在风电功率预测中的应用神经网络的优势在于可以处理大量的输入和输出数据，具有较强的适应性和学习能力。
因此，越来越多的风电功率预测系统采用神经网络技术。
基于神经网络的风电功率预测技术可以更精准地预测出下一时刻的功率输出，提高风电系统的可靠性和实用性。
以下是一些常用的神经网络技术：1. BP神经网络BP神经网络是一种最常见的前向反馈神经网络，具有广泛的应用。
在风电功率预测中，BP神经网络可以利用历史的功率输出数据，建立一个具有多层神经元的模型，然后根据输入的气象数据进行训练，预测下一时刻的功率输出。
2. RBF神经网络RBF神经网络是一种基于径向基函数的神经网络，常用于非线性的数据建模和预测。
在风电功率预测中，RBF神经网络可以通过建立一个具有一层隐藏层的模型，利用输入的气象数据进行训练，预测下一时刻的功率输出。
3. Elman神经网络Elman神经网络是一种递归神经网络，它将输出反馈到神经元的输入端，实现时间序列数据的处理和预测。
在风电功率预测中，Elman神经网络可以利用历史的功率输出数据和气象数据，建立一个具有隐藏层和反馈层的模型，预测下一时刻的功率输出。
三、神经网络在风电功率预测中的应用案例1. 基于BP神经网络的风电功率预测系统某研究机构开发了一个基于BP神经网络的风电功率预测系统。
基于相似数据的人工神经网络短期风速预测模型
研究还达不到令人满意的程度 ， 预测误差一般都在 １ ５ ％ 以上“ 。 采用 的方法通常包 括持续法 、 卡尔曼滤波法 、 随机 时间序 列法、 神经 网络法 。 其中， 人工神经网络法进行风速或风 电功率 预测应用得最广。 文献 。 “ 都利用小波—Ｂ Ｐ 神经 网络进行建模，
得到完整 的预 测结果。 从 可
以某风 电场２ ０ １ ２ 年９ 月和 １ ０ 月的观测数据 及其相似 日的风 ㈤ 速等数 据作为训练样本 ， 以训练 出Ｂ Ｐ 神经 网络对 该风电场风速 进 行预测 。 每 个历史 日的相似 日个数选 为５ 个， 每３ ０ ｍ ｉ ｎ 对采 样
一
其中：Ｐ 是分辨系数 ， 一般取０ ． ５ 。
Ｂ Ｐ 神经 网络的学习算法如图２ 所示。
２ ． ４仿真实验建模
本模 型预 测步骤是：
（ １ ） 选 取 相似 数 据 的天 数 ｎ … 般要大于５ 灭。 之后采 用小 波分解把样本分解成低频趋 势
ｚ ＝ ［ ， ‘ ， ， ， ｃ ｏ ｓ Ｏ ， ｓ ｉ ｎ Ｏ ， Ｐ ￣， ， ， ， ， ， ‘ Ｊ （ １ ）
神经网络建 模， 虽然运行时间缩短， 但是在数据相关性和数据 号
． ３反向传播 （ Ｂ Ｐ ） 神经网络 去噪处理方面欠缺 ， 导致精度不 高。因此， 本文建立 了基于相似 ２ Ｂ Ｐ 神 经网络的最基本 算法思想 就是通 过信息的正 向传 递 数据并结合小波分析的Ｂ Ｐ ￣ ｇ ｇ 经 网络建模 。
与高频 随机信号。 （ ２ ） 将相似数据样本作为Ｂ Ｐ
网络 的输 入，以其所对应 的历
低和最高气温 ， ￡ 、 ￡ 分别为最低和最高气温出现 的时刻。
Ｘ ｉ （ ） ＝ ［ Ｚ ｉ （ ） 一 （ ） 】 ／ ［ Ｍ（ ｊ ） 一 （ 朋
基于ga-bp和小波-svm算法的风电场短期功率预测
石家庄铁道大学学报（自然科学版）
Ｖｏｌ．３３ Ｎｏ．１
２０２０年３月 ＪｏｕｒｎａｌｏｆＳｈｉｊｉａｚｈｕａｎｇＴｉｅｄａｏＵｎｉｖｅｒｓｉｔｙ（ＮａｔｕｒａｌＳｃｉｅｎｃｅＥｄｉｔｉｏｎ） Ｍａｒ．２０２０
基于 犌犃犅犘 和小波犛犞犕 算法的 风电场短期功率预测
陈 祖 成１，２ ， 王 硕 禾１，３， 赵 绍 策１， 刘 治 聪１ ， 王 刚１
１ 犌犃犅犘 网络预测模型
遗传算法是美国密歇根大学约翰．霍兰德（Ｊｏｈｎ Ｈｏｌｌａｎｄ）教 授 提 出 的。 该 算 法 是 在 综 合 考 虑 了 遗 传
收稿日期：２０１８ ０６ ２６ 责任编辑：车轩玉 ＤＯＩ：１０．１３３１９／ｊ．ｃｎｋｉ．ｓｊｚｔｄｄｘｘｂｚｒｂ．２０１８０６２６００３ 基 金 项 目 ：天 津 市 科 技 局 科 技 攻 关 项 目 （１９ＹＦＺＧＱＹ０００４０）；河 北 省 分 布 能 源 应 用 技 术 创 新 中 心 资 助 项 目 （ＳＧ２０１８２０５０） 作 者 简 介 ：陈 祖 成 （１９９１— ），男 ，硕 士 研 究 生 ，研 究 方 向 为 电 力 系 统 的 自 动 化 。Ｅｍａｉｌ：１２２５２８６５４２＠ｑｑ．ｃｏｍ 陈祖成，王硕禾，赵绍策，等．基于 ＧＡＢＰ 和小波ＳＶＭ 算 法 的 风 电 场 短 期 功 率 预 测 ［Ｊ］．石 家 庄 铁 道 大 学 学 报：自 然 科 学 版，２０２０，３３（１）： １０４１０９．
关 键 词 ：风 电 场 功 率 预 测 ；遗 传 算 法 ；小 波ＳＶＭ；信 息 熵 中图分类号：ＴＭ６１４ 文献标志码：Ａ 文章编号：２０９５ ０３７３（２０２０）０１ ０１０４ ０６
０ 引言
风力发电的功率预测和传 统 能 源 发 电 有 着 较 大 的 不 同，影 响 风 功 率 的 主 要 因 素 是 天 气 预 报 的 准 确 性，风速和风向的变化都 可 能 导 致 风 电 场 发 电 功 率 的 变 化 。 ［１］ 这 导 致 了 风 功 率 的 准 确 预 报 有 着 一 定 的 难度。
风电场短期风速预测方法研究
风电场短期风速预测方法研究风电场短期风速预测方法研究一、引言自然资源的日益枯竭和环境问题的加剧，使可再生能源近年来备受关注，其中风能作为重要的一种可再生能源之一，在全球范围内得到了广泛的应用。
风电场作为利用风能发电的重要设施，其发电效率和稳定性直接关系到风能的利用程度和经济效益。
而风速作为风电场发电量的主要影响因素之一，其准确预测对于风电场的日常运行和经济运营具有重要意义。
二、短期风速预测方法的研究现状目前，针对风速预测存在多种方法，如统计模型、物理模型和人工智能模型等。
统计模型主要利用历史观测数据，通过时间序列分析、回归分析等方法进行预测。
物理模型基于风场的数学模型以及大气环流动力学理论，通过计算机模拟和数值模拟等方法进行预测。
人工智能模型则依赖于神经网络、模糊理论等技术，通过学习和训练建立预测模型。
三、常用的短期风速预测方法及其特点1. 时间序列分析方法时间序列分析方法在风速预测中广泛应用，其特点是简单易懂，模型参数易获取。
基于ARIMA模型的时间序列预测方法通过分析历史风速数据的自相关性和趋势性，预测未来一段时间内的风速。
然而，由于该方法只考虑历史数据本身，对于风速预测的准确性和稳定性有一定局限性。
2. 物理模型方法物理模型方法基于大气风场的数学模型，通过计算机模拟和数值模拟等手段，预测未来一段时间内的风速。
该方法依赖于大气环流动力学理论，准确性较高。
然而，物理模型方法的建立和参数优化较为复杂，对计算机计算能力和数据精度要求较高。
3. 人工智能模型方法人工智能模型方法利用神经网络、模糊理论等技术，通过学习和训练建立预测模型。
该方法具有较强的适应性和自适应能力，能够对风速预测问题中的非线性和不确定性进行较好的处理。
然而，搭建和训练人工智能模型需要大量的数据和计算资源，且对模型参数优化和效果评估存在一定的困难。
四、未来发展方向及建议1. 综合多种模型方法短期风速预测涉及多个因素和变量之间的复杂关联，可以通过综合利用统计模型、物理模型和人工智能模型等不同方法，充分利用各模型的优势和适用范围，提高预测的准确性和稳定性。
基于神经元网络方法的风电场风电功率预报研究
场风 电功率预报精度相 当。
关键词 ： 神经元 网络方法 ； 风电功率 ； 功率预报
此， 对风 电场风 电功率报 问题进 行 了初 步研究 。
风力发电是 目前技术最为成熟 、 最具有大规模
开发和 商业化发 展前景的 清洁可再生能源利 １ 数 据 和 方 法 用方
式 ， １年来发展极为迅 速 ， 近 Ｏ 在一些 国家已经成 为
１ ０ ８ ，ｈｎ ； ． ｍａ ｅ ｌ ｎ ａ ｄＣ ｖ ｎ ｉｅ ｒ ｇ Ｘ ’ｎＪ ｏ ｎ ｎｖ ｒｉ Ｘ ’ｎ７ ０ ４ ， ｈ ａ ｘ Ｐｏ ｉｃ ， ｈｎ ） ０ ０ １ ｉａ ３ Ｈｕ ｎ Ｓ ｔｅ ｔ ｎ ｉ ｌ ｇｎ ｅ ｎ ， ｉａ ｉ ｔ ｇＵ ｉ ｓ ｙ， ｉａ １ ０ ９ Ｓ ａ ｎ ｉ ｒ ｎ ｅ Ｃ ｉａ Ｃ ｔ ｍｅ ｉＥ ｉ ａｏ ｅ ｔ ｖ
Ｖｏ ．７ Ｎｏ １ １ ２ ．２
Ｄｅ ．２ ｃ ０１１
中图分 类号 ：Ｍ６ ４ Ｔ １
文献标 志码 ： Ａ
基于神经元 网络方法的风 电场风 电功率预报研 究
孙川永１陶树 旺２彭友兵３魏磊１ ， ， ，
（． １ 西北电网有限公司， 陕西 西安 ７０４ ；． １０ ８２ 国家气候 中心， 北京 １０ ８ ；． ０ ０ １３ 西安交通大学 人居环境与
采 用 美 国 科 罗 拉 多 大 学 的 三 维 区 域 模 式
基金项目： 国家高技术研究发展计￣ （６ 项 目） ０ ７ Ａ ５ ４ ５ Ｊ ｔ ３ ８ （ ０ Ａ ０Ｚ ２ ） ２
Ｎａｉｎ ｌＨｉｈ Ｔｅ ｈＲｅ ｅ ｒｈａ ｄ Ｄｅ ｅｏ ｍｅ ｔＰ ｏｒ ｍ （ ６ ｒ ｇａ ） ｔ ａ ｇ － ｃ ｓａｃ ｎ ｖ ｌｐ ｎ ｒｇａ ｏ ８ ３Ｐ ｏ ｍ ｒ
风电场中的风速预测技术及应用
风电场中的风速预测技术及应用随着能源环保意识的逐渐加深，风能作为一种可再生能源备受关注。
作为风能利用的重要环节之一，风电场的建设成为了当今热门的话题。
但是，风力发电存在着稳定性不足的问题，部分风电场常年在低效运转状态，造成了巨大的浪费。
针对这种情况，提高风电场的风速预测能力，极大程度上可以提高自然资源利用效率，减少环境污染。
本文将对风电场中的风速预测技术及其应用进行一定的深入分析。
一、风速预测技术简介风速预测技术是指通过相关模型或算法对气象数据进行分析和预处理，以预测将来一段时间内的风速状态。
主要包括物理建模、计算机模拟、统计预测和神经网络预测等几种方法。
1.物理建模法物理建模法主要是基于大气物理学的理论，通过运用范畴方程式、Navier-Stokes 方程组等模型对风场进行模拟和分析。
具体可分为大气模型和风机模型。
大气模型是将风速预测问题转化为大气物理学中的多元非线性问题，可描述气象场中的温度、气压、湿度和风向风速等多个参数。
风机模型是对风机的机械元件、电控系统、空气流动以及非线性振动进行综合分析，从而对风机装置进行建模分析和风机输出功率进行预测模拟。
2.计算机模拟法计算机模拟法是通过计算机程序对大气场进行模拟，利用计算结果进行风速预测。
其中较重要的有美国NCEP（National Centers for Environmental Prediction）计算机程序和欧洲ECMWF（European Centre for Medium Range Weather Forecasts）计算机程序。
这两种计算机模拟程序都具有一定的数值天气预测能力，可为风电场提供未来天气预测信息。
但计算机模拟方法预测效果较弱，气象数据的精度对预测质量会产生较大的影响。
3.统计预测法统计预测法是基于大量观测到的风速数据进行回归分析，并根据时间序列和概率分布对未来风速进行预测。
具体包括基于趋势回归算法、ARIMA模型等预测方法。
小波分解和ARIMA模型相结合的短期风速预测
ｏ
．
ｖ
公 式 （— ） ２１
Ｊ ＝１
小波分解与重构实质上是通过不同的带通滤波器将含有综合信息 的一组原始信号 Ｖ ｋ ｉ） 分解成了 Ｎ Ｉ （ ＋ 组特征不同的时间序列信号。其中 组概貌信号反映了该时间序列内在 的变换趋势 ，而 Ｎ组 细节信号反 映 的是随机扰动带来的影响 ， 二者 的规律是不 同的， 因此这 样分 别预测 的结果再合成 ， 其效果要 比整体做 预测的精度高 。
０ 引言 ．
２ 世纪 ７ ０ ０年代世界性 能源 危机 以来 ， 风能 以其无 污染 、 利用 方法 简单 、 可再生等优 良特性 而受到广泛重视 ， 应风电也得到 了大规模 开 相 发利用【 ｌ Ｊ 。因此 ， 风电场风速进行短期 预测 具有重要的理论意义 和应 对 用价值 。 风 电场风速短 期预测 的研 究方法较 多 ， 比较 常见的有持 续法 ， 卡 尔 曼滤 波 法（ Ａ Ｍ Ｎ ｆ ｅ ） ， 工 神 经 网络 法 （Ｎ ） ， 间序 列 法 Ｋ Ｌ Ａ ｌ ｒ ｔ 人 ｉ ｓ３ ｔ １ Ａ Ｎ 时 （Ｒ Ａ ｔ 空 间相关法 （ ａａ ｃｒ ｌ ｉ ） 等 ， Ａ Ｍ ）， ａ Ｓ ｔｌｏｅ ｔｎ ｐ ｉ ｒ ａ ｏ 这些模 型各有优 缺点 ， 近 年来基于小波分析理论 的组合预测模 型被 陆续提出 ，如小波与 时间序 列 的结合Ｉ 小波与 Ｂ 神 经网络 的结合 小波 与卡尔曼滤 波的结合 Ｖ ］ 、 Ｆ 、 ， 组合模型利用 了各类模型 的优点 ， 预测效果更 为理想。 论文提 出小波分解理论 与时间序列结合 的风电场风速短期预测模 型 ， 对风速序 列的非平稳 性 ， 针 利用小 波分析对其 进行消 噪处 理 ， 然后 利用求和 自回归滑动平均 ｆＲ Ｍ ） 型对未来时段 风速进行预测 ， Ａ Ｉ Ａ模 最后 对 比传统 Ａ Ｉ Ａ模 型和小 波 Ａ Ｉ Ａ对相 同样本 风速的预测效 果 ， ＲＭ ＲＭ 给
风电功率的预测总结
风电功率的预测一、风电功率预测风速、风向、气温、气压等的SCADA实时数据，等高线、障碍物、粗糙度等数据，数值天气预报数据，把上面的某些数据通过一定的方法转换到风电机组轮毂高度的风速、风向，然后根据功率曲线得到风电场的出力，并根据风电场的效率进行修正。
二、预测的意义风电功率预测的意义如下：①用于经济调度，根据风电场预测的出力曲线优化常规机组的出力，达到降低运行成本的目的。
②根据风电出力变化规律增强系统的安全性、可靠性和可控性。
③在风电参与电力市场的系统中，优化电力市场中电力的价值。
在电力市场中，风电场对风电功率进行预测，参与电力市场竞价；电网公司对风电功率进行预测，保证系统安全经济运行。
①优化电网调度,减少旋转备用容量,节约燃料,保证电网经济运行对风电场出力进行短期预报,将使电力调度部门能够提前为风电出力变化及时调整调度计划；从而减少系统的备用容量、降低电力系统运行成本。
这是减轻风电对电网造成不利影响、提高系统中风电装机比例的一种有效途径。
②满足电力市场交易需要,为风力发电竞价上网提供有利条件从发电企业（风电场）的角度来考虑,将来风电一旦参与市场竞争,与其他可控的发电方式相比,风电的间歇性将大大削弱风电的竞争力,而且还会由于供电的不可靠性受到经济惩罚。
提前一两天对风电场出力进行预报,将在很大程度上提高风力发电的市场竞争力。
③便于安排机组维护和检修,提高风电场容量系数风电场可以根据预报结果,选择无风或低风时间段,即风电场出力小的时间,对设备进行维修,从而提高发电量和风电场容量系数。
三、预测方法的分类风功率预测方法可以分为2类：一种方法是根据数值天气预报的数据，用物理方法计算风电场的输出功率；另一种方法是根据数值天气预报与风电场功率输出的关系、在线实测的数据进行预测的统计方法。
考虑了地形、粗糙度等信息，采用物理方程进行预测的方法则称之为物理方法，根据历史数据进行统计分析，找出其内在规律并用于预测的方法称之为统计方法(如神经网络方法、模糊逻辑方法等)。
基于小波分解的神经网络组合风速预测
新能源发电控制技术The New Enercjy Power Control Technology《电气自动化》2021年第43卷第1期基于小波分解的神经网络组合风速预测刘辉，李岩，曹权(南京理工大学能源与动力工程学院，江苏南京210094)摘要：短期风速预测对于风电机组一次调频有着重要意义，而风速的随机性和波动性会直接影响到风速预测的精度。
针对风速的上 述特点提出了一种基于小波分解的网络组合风速预测方法。
首先通过小波分解将不 的风速信号进行分解，从而 ！不同频率的分量并进行重构;然后对高频分量分别采用\r n a n、B P神经网络预测并选取合适的权重比进行加权平均，低频分量 采用E lm an网络进行预测;最后将每一个预测的值进行叠加获得最终的预测值。
算例分析表明:基小波分解的网络组合预测方法的预 度有很大提高，预 更具有 。
关键词：短期预测;小波分解;E lm an网络;B P神经网络;组合预测D O I：10.3969/j.issn.1000 -3886.2021.01.014[中图分类号]T M614 [文献标志码]A[文章编号]1000 -3886(2021)01 -0045 -03Wind Speed Prediction Through Neural NetworkCombination Based on Wavelet DecompositionLiu H u i, Li Y an, Cao Quan"College of Energy and Power Engineering!Nanjing University of Science and Technology!Nanjing Jiangsu210094 , China)A b s tr a c t:Short-term w in d speed p re d ictio n is o f great significa nce fo r the p rim a ry frequency m oduand flu c tu a tio n o f w in d speed w ill d ire c tly a fe c t tlie accuracy o f w in d speed p re d ic tio n.In view o f the above m entioned characteristics o f w in d speed，a w in d speed p re d ictio n m ethod through neural netw ork com bination based on w avelet decom position was presented inth is paper.F ir s tly，unstable w in d s peed signal was decomposed through w avelet decom position so as to obtain d iffe re n t frequencycom ponents and com plete re construction.T h e n，high-fre que ncy com ponents were p redicted by use o f E lm an and BP neural networksre s p e c tiv e ly，and appropriate w eigh t ratios were selected to obtain w eighted average.Low-frequency com ponents were predicted by use o f E lm an neural ne tw ork.F in a lly，each predicted value was superim posed so as to obtain the fin a l predicted value.The analysis o f examples in d ica te d th a t the accuracy o f the neural netw ork com bination p re d ictio n m ethod base greatly im proved and p re d ictio n results became more re lia b le.K e y w o r d s:short-term p re d ic tio n;w avelet d e com po sition;E lm an neural n e tw o rk;BP neural n e tw o rk;com bination pre d ictio n________________0引言随着风电在电力系统中比重的不断增大，风能具有的波动性 和随机性等特点会在大规模风电并网时引起电力系统内发电机 组出力与负荷功率之间的失衡，从而导致频率失去稳定，危及电 力系统的安全运行。
基于小波-BP神经网络的风电场短期风速预测
Ｂ Ｐ学 习 过 程 中 的 误 差 反 向传 播 过 程 是 通 过 使 一
性 系 统 的模 型 建 立和 预 测ｆ］ Ｐ神 经 网 络 是 基 于 误 差 ８。Ｂ 反 向传 播 算 法 的 人 工 神 经 网 络 ， 含 了输 入 层 、 间 层（ 包 中 隐含层） 输 出层。Ｂ 和 Ｐ神 经 网 络 学 习过 程 分 正 向传 播 和 反 向传 播 ， 即信 息 的 正 向 传 播 和 误 差 的 反 向传 播 两 个过程 组成。Ｂ Ｐ神 经 网 络 可 以 有 多 层 ， 以 三 层 最 为 但
络 法在 风 速预 测 中 表 现 出较 好 的性 能 ， 此 是 当前 数 学 中一 个迅 速 发 展 的 新领 域 ， 它 同 时具 有 理 论 深 刻 和 应 用 广 泛 的 双 重 意 义 。 小 波 变 换 是 一 个 时 间 和 频 率 的 局 域 变换 ， 因 而 能 有 效 地 从 信 号 中提 取 信 息 。通 过 伸 缩 和 平 移 对 函数 或 信 号 进 行 多
义 和 应 用 价 值 的重 要 成 果 。
由于 风 速 时 间 序 列 波 动 较 大 ，采 用 单 一 的 神 经 网
ｎＵ ｉ ｅ－ ｏ ｔ∑ ｉ
ｉ
（） １
（ ２）
络 模 型 预 测 精 度 较 低 。 将 小 波 技 术 和 神 经 网络 相 结 合 可 以有 效 提 高 风 速 预 测 精 度 。 本 文 将 小 波 多 分 辨 率 分
中 图 分类 号 ：Ｔ １ Ｍ６ ４
文献 标 识 码 ：Ａ
文 章 编 号 ：１ ７ — ５ ７ ２ １ ）４ ０ ０ — ３ ６ ２ ０ ４ （０ ２０ — １７ ０
由于 风 能 的 随 机 性 和 不 可控 性 。风 电 厂 出力 也 在 随 机 的 变 化 。随 着 风 电装 机 容 量 的 日益 加 大 ， 力 发 电 风 的随机 性和 波动性 必然 会对 地 区 电网产 生 不 良影 Ⅱ 向。
基于小波变换的短期风速预测综合模型
型， 其余 序列 采 用 Ａ Ｍ Ｒ Ａ模 型 进 行 预 测 ， 准 确 地 更
描 述 了风 速序 列 的客 观 特性 ， 著 地 提 高 了风 速 预 显 测 的精度 。
风速 预测模 型的研 究 ， 但预 测效 果都不是 很理想 。
由于风 速 受 温 度 、 压 、 形 等 多 种 因 素 的影 气 地
第３ １卷 第 ３期
２１ ０ ２年 ７月
电 工 电 能 新 技 术
Ａｄ ａ ｃ ｄ Ｔｅ ｈ ｏｏ ｙ ｏ ｅ ｔｉａ ｇ ｎ ｅ ｉ ｇ ａ ｄ Ｅｎｅ ｇ ｖ ｎ ｅ ｃ ｎ ｌ ｇ ｆＥｌ ｃｒｃ ｌＥｎ ｉ ｅ ｒｎ ｎ ｒｙ
Ｖｏ ． １ ３１， Ｎｏ． ３
后通 过 实例验 证 该文 方 法能够有 效提 高预 测精 度 。
关 键 词 ： 方 差 ；风 速 序 列 ；小 波 变 换 ； 测 精 度 异 预
中 图 分 类 号 ： Ｍ６ ４ Ｔ １ 文献标识码 ： Ａ 文 章 编 号 ： ０ ３３ ７ （ ０ ２ ０ － ７ － １ ０ —０ ６ ２ １ ） ３０ ３０ ０ ４
发展起 来 的一种 时频 局 部 化 信 号 分析 方 法 ， 些 年 近
在 电力 系 统 中 的应 用 逐 渐 增 多 。
设 函数 （ ） 一平 方 可积 函数 ， ｔ为 即 （ ）∈Ｌ ｔ
信 息成 分进 行逐 渐 精 细 地 时 域 与频 域 处 理 ， 达 到 能 平 滑 原始 风速 时 间序列 和有效 挖 掘历 史风 速数据 特 性 的 目的。值 得注 意 的是 ， 典 的 自 回归滑 动 平 均 经
进 行 多分辨 率 分析 ， 并对 其 系数进行 单 支重 构 ， 到表征 风 速序 列 内在 特性 不 同频 段上 的概 貌风速 得 与细 节风速 ； 次对 不 同频 段上 的风 速序 列建 立 时 间序 列 主模 型 ， 用 Ｌ 其 采 Ｍ检 验 法 分析 所建 模 型 的
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
２ ｅａ ｍ ｎ ｏ ｌ ｔｃｌ ｎ ｉｅｒ ｇ Ｔ ｎｌ ｇＣ ｌ ｇ ，ｏ ｇ ｉｇ ４ ０ ０ Ｃ ｉ ．Ｄ ｐ ｒ ｅ ｔ ｆ ｅ ｒ ａ Ｅ ｇｎｅ ｎ ， ｏ ｇ ｎ ｏ ｅｅ Ｔ ｎ Ｌｎ ｔ Ｅ ｃ ｉ ｉ ｉ ｌ ２ ０ ， ｈｎ ａ）
Ａｂ ｔ ａ ｔ： ｃ ｕ ａｅ ｆｒ ｃ ｓｉ ｇｏ ｎ ｐ ｅ ｎ ｗｉ ｄ ｆ ｒ ｃ ｎ ｄ ｃ ｅ ｓ ｉ ｉｕ ｔ ｆｄ ｓ ａｃ ｉ ｇ ｓｒ ｃ Ａｎ ａ ｃ ｒ ｔ ｏ ｅ ａ ｔｎ ｆｗｉ ｄ ｓ ｅ ｄ ｉ ｎ ａ ｍ ａ ｅ ｒ ａ ｅｔ ｄ ｆ ｃ ｌ ｏ ｉｐ ｔ ｈｎ ．Ｔｈ ｉ— ｈｅ ｙ ｅ ｈ ｓ ｔ ｒｅ ｌｗｉｄ ｓ ｅ ｄ ｓ ｑ ｅ ｃ ｓａ ｅ ｄ ｃ ｍｐ ｓ ｄ ｂ ｖ ｌ ｔｔａ ｆｒ ｒｄｙ ｏ ｉａ ｎ ｐ ｅ ｅ ｕ ｎ ｅ ｒ ｅ ｏ ｏ ｅ ｙｗａ ｅｅ ｒｎｓｏ ｍ ｆ ｓ ．Ｔｈ ｎ ｗａ ｅｅ ｏ ｏ ｅ ｔ ｒ ｅ ａａ ｅ ｉ ｅ ｖ ｌ ｔ ｍｐ ｎ ｎ ｓａ ｅｓ ｐ ｒ ｔ— ｃ ｌ ｏ ｅ ａ ｔ ｄ ｗｉ ｙ ｆ ｒ ｃ ｓｅ ｔ ＢＰ ｅ ｒ ｌｎ ｔ ｒ ｄ ｌ．Ｆｉ ａｌ ｈｅ ｆｒ ｃ ｓｉ ｇ ｒ ｓ ｔ ｆｏ ｇｎａ ｎｄ ｓ ｅ ｄ ｓ ｒｅ ｒ — ｈ ｎ ｕ ａ ｅｗｏ ｋ ｍｏ ｅ ｓ ｎｌ ｙ，ｔ ｏ ｅ ａ ｔｎ ｅ ｕｌ ｏ ｒ ｉ ｌｗｉ ｐ ｅ ｅｉ ｓａ ｅ ａ ｓ ｉ ｃ ｉｖ ｄ ｂ ｖ ｌ ｔｒ ｃ ｎ ｔｕ ｔ ｎ ． ｈｅ ｓｍｕ ａｉｎ ｒ ｓ ｌ ｒ ｖ ａ ｉ ｔ ｏ ａｌｉ ｒ ｖ ｈｅｆ ｒ ｃ ｓｉ ｇ ａ — ｈ ｅ ｅ ｙ ｗａ ｅｅ ｅ ｏ ｓｒ ｃ ｉ ｏ Ｔ ｉ ｌｔｏ ｅ ｕ ｔ ｐ ｏ ｅ ｔ ｔｔ ｓｍｅ ｄ Ｃ ｌ ｍｐ ｏ ｅ ｔ ｏ ｅ ａ ｔ ｅ ｓ ｈ ｈ ｈ ｎ ｃ ｒ ｃ ｆｗｉ ｐｅ ｄ． ｕ ａ ｙ ｏ ｎｄ ｓ ｅ Ｋｅ ｙ ｗｏｒ ｓ： ａ ｅ ｅ ｃ ｍｐ ｓｔ ｎ；ＢＰ ｕ ａ ｅ ｏ ｋ；Ｗ ａ ｅ ｅ ｏ ｆ ｅ ｅ ｄ Ｗ ｖ ｌｔｄｅ ｏ ｏ ｉｉ ｏ ｎｅ ｒ ｌｎ ｔ ｒ ｗ ｖ ｌｔｅ ｅ ｉｎ￣；Ｆｏ ｅ ａ ｔｎ ｃ ｕ ａ ｙ ｉ ｒ ｃ ｓｉ ｇ ａ ｃ ｒ ｃ
中图分类号 ：Ｋ １ Ｔ ８
文献标 识码 ： Ａ
文章 编号 ：６ ３— ７２ ２ １ ）１ ０ ３ ０ １７ ８７ （０ １０ — ０ ５— ４
Ｓ ｏ ｔ— ｅ ｍ ｉ ｄ Ｓ ｅ ｄ Ｆｏ ｅ ａ ｔｎ ｓ ｄ ｏ ａ ｅ ｅ ａ ｙ ｉ ｎ ｈ ｒ —ｔ ｒ Ｗ ｎ ｐ ｅ ｒ ｃ ｓｉ ｇ Ｂａ ｅ ｎ Ｗ ｖ ｌｔ Ａｎ ｌ ｓｓ ａ ｄ
Ｎｅ ｒ ｌＮｅ ｗｏ ｋ ｕ ａ ｔ ｒ
ＣＨＵ ａ —ｄ ， ＺＨＯＵ ｏ ｇ— ｌ Ｍ ｏ ｅ Ｓｎ ｉ ｎ
（ ． ｈ ａ ｅ ｖｒ ｇＤ ｐ ｒ ｅ ｔ ｆ ｕ ｓａ ｏｐ ｒ Ａ ｑｎ ，４ １ ， ｈｎ ； １Ｔ ｅＭ ｎｕ ｅ ｎ ｅａｔ ｎ ｏ ｅｈｎ Ｃ ｐ ｅ ， ｎ ｉｇ２ ６ １ Ｃ ｉａ ｉ ｍ Ｙ ３
各 小渡分 量分 别建立 改进 型 Ｂ Ｐ神 经 网络模 型进行 预 测 ， 最后 通 过 小波 重 构得 到 原 始风 速 预测 值 。仿 真
结果 表 明 ， 所提 方法能 够有效 地提 高风速 预测精 度 。
关键 词 ： 小波分 解 ； Ｐ神 经 网络 ； Ｂ 小波 系数 ； 测精度 预
储 茂得 周 松 林 ，
（ １安庆 市月 山铜 矿
摘
机 动科 ， 安徽
安庆
２ ６３ ；． 陵学 院 ４ １１２ 铜
电气 工程 系 ， 安徽
铜陵
２４ ０ ） ４００
Байду номын сангаас
要： 对风 力发 电进 行 有效 的预测 ， 可降低 电网调 度 的难 度 。先对 风速 历 史数 据 进行 小波 分解 ， 再针 对
对风 电场 风速进 行较 为准确 的预测 ， 对于 电力部 门及 时调整 调 度计 划具 有 重要 的现 实意 义 。持 续 预 测方 法是最 简单 的预 测方 法 ， 该方 法认 为风速 预测值 等于 最近几 个风 速值 的滑动平 均值 ， 通常认 为最 近一 点 的风速值 为下 一点 的风 速预测 值 ， 方 法 的预 测 误 差较 大 ， 预 测 结果 不 稳 定 。其 它方 法 有 时 问序 列 该 且 法、 卡尔曼 滤波 算法 、 工 神经 网络法 、 持 向量 机 法 等 Ｊ 人 支 。其 中 ， Ｐ神 经 网 络法 在风 速 预测 中表现 出 Ｂ 较好 的性 能 ， 因此得到 了广泛 的应 用 。 小波分 析理 论 ， 生 于 ２ 诞 ０世 纪 ８ ０年代 末 ， 已在信 号 处 理 、 现 图像 压缩 、 语音 编码 、 式 识别 、 震勘 模 地
安徽科技学院学报 ，０ １２ （ ） ３ ２ １ ，５ １ ：５～３ ８
Ｊ ｕ ｎ ｌ ｆＡｎ ｕ ｃ ｅ ｃ ｎ ｅ ｈ ｏｏ ｙ Ｕｎｖ ｒｉ ｏ ｒ ａ ｈ ｉ ｉ ｎ ｅ ａ ｄ Ｔ ｃ ｎ ｌｇ ｉｅ ｓｔ ｏ Ｓ ｙ
基 于 小 波 分 析 与 神 经 网 络 的 风 电 场 短 期 风 速 预 测
探、 大气科学 以及 许多 非线性 科学 领域 内取得 了大 量 的研 究 成 果 Ｊ 。其 中在 时 间序 列 分 析 预测 方 面 ， 利
用小 波分析 的多分 辨率 功能 ， 将非平 稳 时间序列 分解 为较原 始序 列平稳 得多 的时 间序列 ， 进行 多种方法 再 交叉 的组合 预测模 型是 提高预 测精 度 的一个 重要 研究 方 向。