基于主成分與果蠅神經(jīng)網(wǎng)絡的酒泉基地短期風電功率預測.pdf

1、風力發(fā)電具有隨機性、間歇性等特點，導致風電場輸出電能產生較大的波動，直接接入電網(wǎng)，會嚴重威脅電網(wǎng)的穩(wěn)定性、連續(xù)性和可調性。尤其是酒泉等超大規(guī)模風電基地采用集中式并網(wǎng)，進一步放大了風電波動性對電網(wǎng)造成的劇烈沖擊，產生巨大的安全隱患。因此，針對風電出力的波動性，提出研究精確的風電功率預測方法，對實現(xiàn)風場發(fā)電量的高精度預測和安全、經(jīng)濟調度具有重要的實際價值。本文根據(jù)酒泉風電基地的對風電預報的現(xiàn)實需求，以酒泉風電基地內某風電場及周邊測風塔的實測

2、數(shù)據(jù)為基礎，采用新型自適應果蠅算法優(yōu)化改進的動態(tài)Elman神經(jīng)網(wǎng)絡對風電場進行未來24h內短期風電功率預測研究。具體工作如下:
　　首先根據(jù)對風功率公式的分析確定本文采用的原始輸入變量，針對原始數(shù)據(jù)的采集、傳輸以及存儲的過程中導致的數(shù)據(jù)缺失、錯誤等問題，對數(shù)據(jù)進行完整性、合理性的檢測，并對檢測出的異常數(shù)據(jù)進行分類，并進行均值填補和非線性回歸填補。根據(jù)對當前甘肅地區(qū)各風電場誤差數(shù)據(jù)分布和誤差產生原因的分析，選擇合適的誤差評價指標對本

3、文的預測效果進行合理的評價。其次，針對Elman神經(jīng)網(wǎng)絡本身的梯度下降學習算法收斂速度慢、易陷入局部最優(yōu)的劣勢，提出通過具有良好全局尋優(yōu)性能和計算性能的自適應果蠅優(yōu)化算法(FOA)優(yōu)化Elman神經(jīng)網(wǎng)絡模型權值、閾值，建立改進的FOA-Elman神經(jīng)網(wǎng)絡模型。最后，從提高功率預測精度的角度出發(fā)，考慮到影響預測精度的因素中除了模型選擇、學習算法之外，輸入數(shù)據(jù)的有效性也是至關重要的，所以采用主成分分析法(PCA)對短期風電功率預測模型的輸入

4、特征分析處理，經(jīng)過對輸入數(shù)據(jù)的主成分分析，得到四種互不相關的主成分，使用處理完的四種主成分作為輸入變量代入改進的FOA-Elman神經(jīng)網(wǎng)絡模型，建立PCA-FOA-Elman神經(jīng)網(wǎng)絡模型通過測試數(shù)據(jù)進行預測分析。
　　通過實驗仿真，將PCA-FOA-Elman模型與基于自適應果蠅算法的FOA-Elman神經(jīng)網(wǎng)絡模型以及改進Elman神經(jīng)網(wǎng)絡模型的預測效果圖和預測誤差分別進行比較分析。結果顯示:在短期風電功率預測中，建立的PCA-F