小世界網(wǎng)絡(luò)理論及其在風(fēng)電功率短期預(yù)測(cè)中的應(yīng)用研究.pdf

1、風(fēng)電功率預(yù)測(cè)是新能源領(lǐng)域的一個(gè)重要前沿課題，對(duì)風(fēng)電并網(wǎng)及智能電網(wǎng)建設(shè)具有重要的意義。小世界網(wǎng)絡(luò)是一種具有高信息傳遞效率的復(fù)雜網(wǎng)絡(luò)，小世界優(yōu)化和小世界神經(jīng)網(wǎng)絡(luò)是其應(yīng)用的一個(gè)重要方面。研究表明，小世界神經(jīng)網(wǎng)絡(luò)比規(guī)則神經(jīng)網(wǎng)絡(luò)具有更強(qiáng)的泛化能力，這使得利用其建立風(fēng)電場(chǎng)的功率預(yù)測(cè)模型成為可能。本文旨在深入探究小世界網(wǎng)絡(luò)理論及在風(fēng)電功率預(yù)測(cè)中的應(yīng)用等關(guān)鍵問(wèn)題，建立基于小世界網(wǎng)絡(luò)的短期風(fēng)電功率預(yù)測(cè)理論體系，主要取得了如下成果:
　　1.提出了禁

2、忌實(shí)數(shù)編碼小世界優(yōu)化算法(TRSWA)，并通過(guò)Markov鏈理論對(duì)所提算法幾乎處處強(qiáng)收斂性給出了證明，這為后續(xù)該算法的應(yīng)用研究打下了堅(jiān)實(shí)基礎(chǔ)。通過(guò)對(duì)5個(gè)復(fù)雜多模測(cè)試函數(shù)的仿真分析，驗(yàn)證了TRSWA算法的強(qiáng)收斂性，TRSWA算法可快速收斂到全局最優(yōu)值。最后建立了基于TRSWA的BP神經(jīng)網(wǎng)絡(luò)模型(TRSWA-BP)。
　　2.借鑒復(fù)雜網(wǎng)絡(luò)的研究成果，提出兩種小世界神經(jīng)網(wǎng)絡(luò)改進(jìn)模型-WSBP及NWBP模型，并給出其模型構(gòu)建、拓?fù)浣Y(jié)構(gòu)及網(wǎng)

3、絡(luò)模型描述，同時(shí)推導(dǎo)了上述小世界神經(jīng)網(wǎng)絡(luò)模型的算法公式，探討了其收斂特性。仿真結(jié)果表明，兩模型的逼近性能均比原規(guī)則BP網(wǎng)絡(luò)有所提高。
　　3.根據(jù)風(fēng)電功率動(dòng)態(tài)特性及預(yù)測(cè)機(jī)理，研究小世界神經(jīng)網(wǎng)絡(luò)應(yīng)用于風(fēng)電功率預(yù)測(cè)模型的優(yōu)化機(jī)制，提出基于NWBP小世界神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)補(bǔ)差方法。首先，在對(duì)實(shí)際風(fēng)場(chǎng)數(shù)據(jù)中實(shí)測(cè)風(fēng)速、風(fēng)向、功率、溫度的10min數(shù)據(jù)按小時(shí)進(jìn)行預(yù)處理后，通過(guò)NWBP小世界神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)補(bǔ)差方法對(duì)查找到的不合理、奇異點(diǎn)數(shù)據(jù)進(jìn)行了處理

4、。然后，將TRSWA-BP、WSBP、NWBP小世界神經(jīng)網(wǎng)絡(luò)模型用于風(fēng)電場(chǎng)功率短期預(yù)測(cè)，并建立了上述神經(jīng)網(wǎng)絡(luò)與經(jīng)驗(yàn)?zāi)B(tài)分解、相空間重構(gòu)以及經(jīng)驗(yàn)?zāi)B(tài)分解-相空間重構(gòu)的短期功率預(yù)測(cè)模型?；趯?shí)際風(fēng)場(chǎng)數(shù)據(jù)的仿真實(shí)驗(yàn)表明，上述方法的引入提高了基本BP模型對(duì)風(fēng)電功率的預(yù)測(cè)精度，使預(yù)測(cè)誤差有明顯減小，且運(yùn)算時(shí)間實(shí)際可行。
　　4.建立基于小世界優(yōu)化的變權(quán)組合預(yù)測(cè)模型。提出灰關(guān)聯(lián)度γi＜0.7剔除準(zhǔn)則，通過(guò)對(duì)6種單項(xiàng)模型進(jìn)行灰關(guān)聯(lián)分析、單位根檢

5、驗(yàn)、協(xié)整性判斷等檢驗(yàn)，篩選出1h、4h、6h、24h不同時(shí)間尺度的冗余方法，并結(jié)合風(fēng)電場(chǎng)的實(shí)際情況，對(duì)篩選產(chǎn)生的模型進(jìn)行變權(quán)組合預(yù)測(cè)。仿真分析表明，經(jīng)過(guò)篩選后的小世界優(yōu)化的變權(quán)組合預(yù)測(cè)模型能增強(qiáng)預(yù)測(cè)系統(tǒng)的預(yù)測(cè)精度，提升系統(tǒng)預(yù)測(cè)性能。
　　5.對(duì)風(fēng)電功率不確定性進(jìn)行分析，提出了應(yīng)用蒙特卡羅原理的概率性預(yù)測(cè)及基于NWBP小世界神經(jīng)網(wǎng)絡(luò)的分位數(shù)不確定性分析方法。通過(guò)仿真分析了置信水平為95％、90％、85％時(shí)預(yù)測(cè)模型的有效性，給出相應(yīng)置