基于主成分與果蠅神經(jīng)網(wǎng)絡(luò)的酒泉基地短期風(fēng)電功率預(yù)測(cè).pdf

1、風(fēng)力發(fā)電具有隨機(jī)性、間歇性等特點(diǎn)，導(dǎo)致風(fēng)電場(chǎng)輸出電能產(chǎn)生較大的波動(dòng)，直接接入電網(wǎng)，會(huì)嚴(yán)重威脅電網(wǎng)的穩(wěn)定性、連續(xù)性和可調(diào)性。尤其是酒泉等超大規(guī)模風(fēng)電基地采用集中式并網(wǎng)，進(jìn)一步放大了風(fēng)電波動(dòng)性對(duì)電網(wǎng)造成的劇烈沖擊，產(chǎn)生巨大的安全隱患。因此，針對(duì)風(fēng)電出力的波動(dòng)性，提出研究精確的風(fēng)電功率預(yù)測(cè)方法，對(duì)實(shí)現(xiàn)風(fēng)場(chǎng)發(fā)電量的高精度預(yù)測(cè)和安全、經(jīng)濟(jì)調(diào)度具有重要的實(shí)際價(jià)值。本文根據(jù)酒泉風(fēng)電基地的對(duì)風(fēng)電預(yù)報(bào)的現(xiàn)實(shí)需求，以酒泉風(fēng)電基地內(nèi)某風(fēng)電場(chǎng)及周邊測(cè)風(fēng)塔的實(shí)測(cè)

2、數(shù)據(jù)為基礎(chǔ)，采用新型自適應(yīng)果蠅算法優(yōu)化改進(jìn)的動(dòng)態(tài)Elman神經(jīng)網(wǎng)絡(luò)對(duì)風(fēng)電場(chǎng)進(jìn)行未來24h內(nèi)短期風(fēng)電功率預(yù)測(cè)研究。具體工作如下:
　　首先根據(jù)對(duì)風(fēng)功率公式的分析確定本文采用的原始輸入變量，針對(duì)原始數(shù)據(jù)的采集、傳輸以及存儲(chǔ)的過程中導(dǎo)致的數(shù)據(jù)缺失、錯(cuò)誤等問題，對(duì)數(shù)據(jù)進(jìn)行完整性、合理性的檢測(cè)，并對(duì)檢測(cè)出的異常數(shù)據(jù)進(jìn)行分類，并進(jìn)行均值填補(bǔ)和非線性回歸填補(bǔ)。根據(jù)對(duì)當(dāng)前甘肅地區(qū)各風(fēng)電場(chǎng)誤差數(shù)據(jù)分布和誤差產(chǎn)生原因的分析，選擇合適的誤差評(píng)價(jià)指標(biāo)對(duì)本

3、文的預(yù)測(cè)效果進(jìn)行合理的評(píng)價(jià)。其次，針對(duì)Elman神經(jīng)網(wǎng)絡(luò)本身的梯度下降學(xué)習(xí)算法收斂速度慢、易陷入局部最優(yōu)的劣勢(shì)，提出通過具有良好全局尋優(yōu)性能和計(jì)算性能的自適應(yīng)果蠅優(yōu)化算法(FOA)優(yōu)化Elman神經(jīng)網(wǎng)絡(luò)模型權(quán)值、閾值，建立改進(jìn)的FOA-Elman神經(jīng)網(wǎng)絡(luò)模型。最后，從提高功率預(yù)測(cè)精度的角度出發(fā)，考慮到影響預(yù)測(cè)精度的因素中除了模型選擇、學(xué)習(xí)算法之外，輸入數(shù)據(jù)的有效性也是至關(guān)重要的，所以采用主成分分析法(PCA)對(duì)短期風(fēng)電功率預(yù)測(cè)模型的輸入

4、特征分析處理，經(jīng)過對(duì)輸入數(shù)據(jù)的主成分分析，得到四種互不相關(guān)的主成分，使用處理完的四種主成分作為輸入變量代入改進(jìn)的FOA-Elman神經(jīng)網(wǎng)絡(luò)模型，建立PCA-FOA-Elman神經(jīng)網(wǎng)絡(luò)模型通過測(cè)試數(shù)據(jù)進(jìn)行預(yù)測(cè)分析。
　　通過實(shí)驗(yàn)仿真，將PCA-FOA-Elman模型與基于自適應(yīng)果蠅算法的FOA-Elman神經(jīng)網(wǎng)絡(luò)模型以及改進(jìn)Elman神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)效果圖和預(yù)測(cè)誤差分別進(jìn)行比較分析。結(jié)果顯示:在短期風(fēng)電功率預(yù)測(cè)中，建立的PCA-F