基于IPSO-GA神經網絡的風電場功率短期預測方法研究.pdf

1、風電存在間歇性和隨機波動性等固有缺點，隨著其大規(guī)模接入電網，將會給電力系統(tǒng)的安全、穩(wěn)定運行及電能質量帶來嚴峻的挑戰(zhàn)，在一定程度上制約著風電的大范圍推廣。解決該問題的有效途徑之一是對風電場輸出功率進行短期預測，目前國內的相關研究近幾年才剛剛展開，無論是在預測精度還是適應性等方面都存在許多亟待改進的地方。本文采用基于歷史數據的功率預測模式，進行了基于微粒群遺傳神經網絡的風電場功率短期預測方法研究，主要研究工作包括以下幾個方面：
　　

2、 對風電場測量數據進行預處理并建立了比較完備的數據庫，研究了數據的前期處理原則。鑒于神經網絡的優(yōu)良特性，提出了將神經網絡應用于風電場功率預測中，用于對風電場1-6小時的輸出功率預測。將RBF網絡和BP網絡進行對比研究，認為RBF神經網絡比BP網絡更適合風電場功率預測，建立了基于RBF神經網絡的風電場輸出功率的預測模型，該模型具有明確的物理意義，網絡的預測能力較高。
　　 由于RBF神經網絡的參數較難確定，且參數選擇的好壞直接決定

3、著網絡性能，鑒于微粒群算法原理簡單，收斂快，考慮用微粒群算法對網絡參數進行優(yōu)化。但微粒群算法中微粒更新形式較為單一的不足，引入遺傳算法中的交叉、變異等操作，提出了一種基于實數編碼的微粒群遺傳混合優(yōu)化算法，提高了算法的收斂性能和優(yōu)化能力。采用該算法對三個非線性的目標函數進行仿真實驗，結果表明了該算法適用于非線性的目標函數優(yōu)化，收斂速度更快，精度更高。
　　 采用改進的粒子群遺傳優(yōu)化算法對RBF網絡進行全結構優(yōu)化，RBF網絡的參數編