基于相似數據的人工神經網絡短期風速預測模型

宋人杰　劉賀軍

摘 要：提出基于相似數據并結合小波分析的數據預處理模型，并運用基于反向傳播（BP）神經網絡風速預測模型預測風速。該方法從大量的歷史數據樣本中提取相似數據創建訓練樣本，采用小波分解將風速信號分解成低頻趨勢信號和高頻隨機信號，采用BP神經網絡建模，合成得到風速預測數據。通過某風電場的實際風速數據驗證結果表明，相似數據有效地提高了數據的相關度，小波分解使BP神經網絡模型更好地擬合風速信號的低頻和高頻特性，提高了預測精度。

關鍵詞：風速；短期預測；相似數據；小波分析；人工神經網絡

1 引言

隨著風電場并網運行規模的增大，國內外對于風力發電并網各種課題的研究越來越深入，但關于風電場發電功率預測的研究還達不到令人滿意的程度，預測誤差一般都在15%以上[1]。

采用的方法通常包括持續法、卡爾曼濾波法、隨機時間序列法、神經網絡法。其中，人工神經網絡法進行風速或風電功率預測應用得最廣。文獻[2-3]都利用小波—BP神經網絡進行建模，但訓練樣本沒有相關性，預測精度偏低。文獻[4-5]利用改進的BP神經網絡建模，雖然運行時間縮短，但是在數據相關性和數據去噪處理方面欠缺，導致精度不高。因此，本文建立了基于相似數據并結合小波分析的BP神經網絡建模。

2 基于相似數據并結合小波分析的BP神經網絡建模

2.1 相似數據選擇辦法

2.3 反向傳播（BP）神經網絡

2.4 仿真實驗建模

3 算法對比分析

從圖4可得出，BP神經網絡模型的平均相對誤差為20.77%，而本模型為10.21%。因此，采用本模型建模得到的相對誤差較傳統的BP神經網絡模型預測精度有很大的提高。

4 結論

針對風力發電中風速預測問題，本文在BP神經網絡理論的基礎上引入相似數據并結合小波分解進行短期風速預測，得到如下結論：

⑴相似數據的選取增強了數據的相關性，提高了模型預測精度。

⑵小波分解降低了信號的非平穩性，使模型更好地擬合了風速信號的低頻和高頻特性，可進一步提高算法精度。

⑶通過對算法對比分析，表明本模型較傳統BP神經網絡模型誤差小，充分地說明此方法在工程應用上具有可行性。

[參考文獻]

[1]楊秀媛，肖洋，陳樹勇.風電場風速和發電功率預測研究[J].中國電機工程學報，2005，25（11）：1-5.

[2]師洪濤，楊靜玲，丁茂生，王金梅.基于小波—BP神經網絡的短期風電功率預測方法[J].電力系統自動化，2011，35（16）：44-48.

[3]厲衛娜，蘇小林.基于小波- 神經網絡的短期風電功率預測研究[J].電力學報，2011，26（6）：458-461.

[4]王德明，王莉，張廣明.基于遺傳BP神經網絡的短期風速預測模型[J]. 浙江大學學報（工學版），2012，46（5）：837-841.

[5]楊剛，陳鳴.基于BP神經網絡的風速預測和風能發電潛力分析[J].華東電力，2010，38（2）：304-309.

[6]陳明.神經網絡模型[M].大連：大連理工大學出版社，1995：85-100.

摘 要：提出基于相似數據并結合小波分析的數據預處理模型，并運用基于反向傳播（BP）神經網絡風速預測模型預測風速。該方法從大量的歷史數據樣本中提取相似數據創建訓練樣本，采用小波分解將風速信號分解成低頻趨勢信號和高頻隨機信號，采用BP神經網絡建模，合成得到風速預測數據。通過某風電場的實際風速數據驗證結果表明，相似數據有效地提高了數據的相關度，小波分解使BP神經網絡模型更好地擬合風速信號的低頻和高頻特性，提高了預測精度。

關鍵詞：風速；短期預測；相似數據；小波分析；人工神經網絡

1 引言

隨著風電場并網運行規模的增大，國內外對于風力發電并網各種課題的研究越來越深入，但關于風電場發電功率預測的研究還達不到令人滿意的程度，預測誤差一般都在15%以上[1]。

采用的方法通常包括持續法、卡爾曼濾波法、隨機時間序列法、神經網絡法。其中，人工神經網絡法進行風速或風電功率預測應用得最廣。文獻[2-3]都利用小波—BP神經網絡進行建模，但訓練樣本沒有相關性，預測精度偏低。文獻[4-5]利用改進的BP神經網絡建模，雖然運行時間縮短，但是在數據相關性和數據去噪處理方面欠缺，導致精度不高。因此，本文建立了基于相似數據并結合小波分析的BP神經網絡建模。

2 基于相似數據并結合小波分析的BP神經網絡建模

2.1 相似數據選擇辦法

2.3 反向傳播（BP）神經網絡

2.4 仿真實驗建模

3 算法對比分析

從圖4可得出，BP神經網絡模型的平均相對誤差為20.77%，而本模型為10.21%。因此，采用本模型建模得到的相對誤差較傳統的BP神經網絡模型預測精度有很大的提高。

4 結論

針對風力發電中風速預測問題，本文在BP神經網絡理論的基礎上引入相似數據并結合小波分解進行短期風速預測，得到如下結論：

⑴相似數據的選取增強了數據的相關性，提高了模型預測精度。

⑵小波分解降低了信號的非平穩性，使模型更好地擬合了風速信號的低頻和高頻特性，可進一步提高算法精度。

⑶通過對算法對比分析，表明本模型較傳統BP神經網絡模型誤差小，充分地說明此方法在工程應用上具有可行性。

[參考文獻]

[1]楊秀媛，肖洋，陳樹勇.風電場風速和發電功率預測研究[J].中國電機工程學報，2005，25（11）：1-5.

[2]師洪濤，楊靜玲，丁茂生，王金梅.基于小波—BP神經網絡的短期風電功率預測方法[J].電力系統自動化，2011，35（16）：44-48.

[3]厲衛娜，蘇小林.基于小波- 神經網絡的短期風電功率預測研究[J].電力學報，2011，26（6）：458-461.

[4]王德明，王莉，張廣明.基于遺傳BP神經網絡的短期風速預測模型[J]. 浙江大學學報（工學版），2012，46（5）：837-841.

[5]楊剛，陳鳴.基于BP神經網絡的風速預測和風能發電潛力分析[J].華東電力，2010，38（2）：304-309.

[6]陳明.神經網絡模型[M].大連：大連理工大學出版社，1995：85-100.

摘 要：提出基于相似數據并結合小波分析的數據預處理模型，并運用基于反向傳播（BP）神經網絡風速預測模型預測風速。該方法從大量的歷史數據樣本中提取相似數據創建訓練樣本，采用小波分解將風速信號分解成低頻趨勢信號和高頻隨機信號，采用BP神經網絡建模，合成得到風速預測數據。通過某風電場的實際風速數據驗證結果表明，相似數據有效地提高了數據的相關度，小波分解使BP神經網絡模型更好地擬合風速信號的低頻和高頻特性，提高了預測精度。

關鍵詞：風速；短期預測；相似數據；小波分析；人工神經網絡

1 引言

隨著風電場并網運行規模的增大，國內外對于風力發電并網各種課題的研究越來越深入，但關于風電場發電功率預測的研究還達不到令人滿意的程度，預測誤差一般都在15%以上[1]。

采用的方法通常包括持續法、卡爾曼濾波法、隨機時間序列法、神經網絡法。其中，人工神經網絡法進行風速或風電功率預測應用得最廣。文獻[2-3]都利用小波—BP神經網絡進行建模，但訓練樣本沒有相關性，預測精度偏低。文獻[4-5]利用改進的BP神經網絡建模，雖然運行時間縮短，但是在數據相關性和數據去噪處理方面欠缺，導致精度不高。因此，本文建立了基于相似數據并結合小波分析的BP神經網絡建模。

2 基于相似數據并結合小波分析的BP神經網絡建模

2.1 相似數據選擇辦法

2.3 反向傳播（BP）神經網絡

2.4 仿真實驗建模

3 算法對比分析

從圖4可得出，BP神經網絡模型的平均相對誤差為20.77%，而本模型為10.21%。因此，采用本模型建模得到的相對誤差較傳統的BP神經網絡模型預測精度有很大的提高。

4 結論

針對風力發電中風速預測問題，本文在BP神經網絡理論的基礎上引入相似數據并結合小波分解進行短期風速預測，得到如下結論：

⑴相似數據的選取增強了數據的相關性，提高了模型預測精度。

⑵小波分解降低了信號的非平穩性，使模型更好地擬合了風速信號的低頻和高頻特性，可進一步提高算法精度。

⑶通過對算法對比分析，表明本模型較傳統BP神經網絡模型誤差小，充分地說明此方法在工程應用上具有可行性。

[參考文獻]

[1]楊秀媛，肖洋，陳樹勇.風電場風速和發電功率預測研究[J].中國電機工程學報，2005，25（11）：1-5.

[2]師洪濤，楊靜玲，丁茂生，王金梅.基于小波—BP神經網絡的短期風電功率預測方法[J].電力系統自動化，2011，35（16）：44-48.

[3]厲衛娜，蘇小林.基于小波- 神經網絡的短期風電功率預測研究[J].電力學報，2011，26（6）：458-461.

[4]王德明，王莉，張廣明.基于遺傳BP神經網絡的短期風速預測模型[J]. 浙江大學學報（工學版），2012，46（5）：837-841.

[5]楊剛，陳鳴.基于BP神經網絡的風速預測和風能發電潛力分析[J].華東電力，2010，38（2）：304-309.

[6]陳明.神經網絡模型[M].大連：大連理工大學出版社，1995：85-100.