基于信度分配的改進型超閉球小腦神經(jīng)網(wǎng)絡風速預測模型.pdf

1、開發(fā)與利用新能源是我國乃至全世界21世紀的重要能源戰(zhàn)略。風能作為一種無污染、可再生能源，已受到越來越廣泛的重視，并迅速發(fā)展成為新型能源之一。目前，開發(fā)利用風能的主要形式是大規(guī)模并網(wǎng)發(fā)電。由于風具有間歇性、隨機性和不確定性的特點，給風力發(fā)電的并網(wǎng)、輸電網(wǎng)的安全、穩(wěn)定運行及電量負荷的調度帶來很大的困難，限制了風力發(fā)電的大規(guī)模開發(fā)。準確預測風速有助于調度人員對電網(wǎng)的正常的調度，是解決該問題的有效途徑之一。
　　 研究并提出了一種基于信

2、度分配的改進型超閉球小腦神經(jīng)網(wǎng)絡(CA-IHCMAC:Improved Hyperball Cerebellar Model Articulation Controller with Credibility Assignment)風速預測模型。信度分配算法根據(jù)存儲單元激活的次數(shù)求出存儲單元的可信度，在神經(jīng)網(wǎng)絡訓練過程中根據(jù)存儲單元的可信度來調整存儲單元的權值。本文采用CA-HCMAC神經(jīng)網(wǎng)絡建立了風速預測模型，預測未來1h的風速。

3、>　　 本文的主要研究內容如下:
　　 (1)闡述課題研究的背景和意義，分析了風速預測建模的研究現(xiàn)狀，總結了目前風速預測建模的主要方法及風速預測存在的問題。
　　 (2)本文在超閉球小腦神經(jīng)網(wǎng)絡(HCMAC:Hyperball Cerebellar ModelArticulation Controller)基礎上引入信度分配的概念，提出了基于信度分配的超閉球小腦神經(jīng)網(wǎng)絡(CA-HCMAC)。研究發(fā)現(xiàn)HCMAC在訓練過程

4、中，最小方差算法(LSM)存在后面存儲單元權值的調整對前面已經(jīng)學習過的存儲單元的權值產(chǎn)生“腐蝕現(xiàn)象”。為了避免“腐蝕現(xiàn)象”，本文引入了一種信度分配算法。該算法根據(jù)存儲單元的可信度來調整存儲單元在權值調整中得到的誤差。根據(jù)可信度公式可知，存儲單元激活的次數(shù)越多，其可信度越高，誤差調整就越小。
　　 (3)為了避免基于信度分配超閉球神經(jīng)網(wǎng)絡參數(shù)選取的盲目性，本文提出CA-IHCMAC神經(jīng)網(wǎng)絡。本文采用粒子群優(yōu)化算法來確定CA-HCM

5、AC參數(shù)σ和ρ的最優(yōu)值，提出了一種基于信度分配的改進型超閉球小腦神經(jīng)網(wǎng)絡(CA-IHCMAC: Improved Hyperball Cerebellar Model Articulation Controller withCredibility Assignment)，不僅減少了選擇參數(shù)σ和ρ最優(yōu)值的時間，而且粒子群優(yōu)化確定的參數(shù)σ和ρ的值更精確，提高了神經(jīng)網(wǎng)絡預測精度。
　　 (4) CA-IHCMAC神經(jīng)網(wǎng)絡輸入變量的確定

6、。本文以山西神池風電場風速數(shù)據(jù)作為訓練樣本來訓練神經(jīng)網(wǎng)絡，并驗證神經(jīng)網(wǎng)絡預測精度。本文利用時間序列模型來分析未來風速與跟其鄰近歷史風速的內在規(guī)律，找出歷史風速數(shù)據(jù)與預測風速的內在聯(lián)系。利用時間序列建立的平穩(wěn)時間序列模型來確定CA-IHCMAC輸入變量個數(shù)。
　　 (5)采用基于信度分配的改進型超閉球小腦神經(jīng)網(wǎng)絡建立風速預測模型。利用MATLAB仿真平臺進行仿真，結果表明，基于信度分配的改進型超閉球小腦神經(jīng)網(wǎng)絡預測模型對風速進行預