基于投影寻踪和BP神经网络的稳健型风场功率预测算法.pdf

《基于投影寻踪和BP神经网络的稳健型风场功率预测算法.pdf》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、第40卷第23期电力系统保护与控制Vl01．40NO．232012年12月1日PowerSystemProtectionandControlDec．1，2012基于投影寻踪和BP神经网络的稳健型风场功率预测算法刘文霞，高丹丹，赵天阳，张建华(新能源电力系统国家重点实验室(华北电力大学)，北京102206)摘要：为排除测风数据中数据坏点及突变信号对风场输出功率预测的影响，增强预测模型的稳健性，提出一种基于投影寻踪神经网络的风场输出功率预测模型。模型采用中位绝对偏差作为投影指标函数，有效排除了离群点对预测结果的干扰。采用投影寻

2、踪法提取风场输出功率各影响因素的主成分，将各主成分作为BP网络的输入变量，进行网络的训练，用完成训练的网络进行风电场输出功率的预测。实验结果表明，所提模型具有较高的预测精度。关键词：风场输出功率；预测；投影寻踪法；BP神经网络ArobustalgorithmforwindpowerforecastingbasedOUprojectionpursuitandbackpropagationneuralnetworkLIUWen-xia，GAODan-dan，ZHAOTian-yang，ZHANGJian-hua(StateKe

3、yLaboratoryofAlternateElectricalPowerSystemwithRenewableEnergySources(NorthChinaElectricPowerUniversity)，Beijing102206，China)Abstract：Thispaperproposesawindfarmgenerationoutputforecastingmodelbasedonprojectionpursuit(PP)andbackpropagationneuralnetwork(BPNN)，inorde

4、rtoeliminatetheinfluenceofthebadpointandmutationsignalonwindfarmgenerationoutput，andenhancerobustnessoftheforecastingmode1．Amedianabsolutedeviationisusedasprojectionindexfunction，effectivelyavoidingtheinfluenceoftheoutlier．Firstly，theprincipalcomponentsofeachinflu

5、encefactorareextractedbyPP．Then，theprincipalcomponentsareinputtotheBPNNfortrainingthenetwork．Finally，thewindfarmgenerationoutputisforecastedviathetrainednetwork．Thesimulationresultsshowthattheproposedapproachpossesseshigherforecastingaccuracy．Keywords：windfarmgene

6、rationoutput；forecasting；projectionpursuit；BPneuralnetwork中图分类号：TM74文献标识码：A文章编号：1674-3415(2012)23．0030．06保证风机功率曲线的精度；第二类方法直接建立影0引言响因素与风功率之间的关系，可以有效进行预测。预计到2020年，风力发电总量将占据全球总电针对功率的预测，其主要方法有持续性模型、量的12％【JJ。对于有大规模风电接入的电网来说，自回归平均滑动模型、卡尔曼滤波法、随机时间序风电的波动性对全网的电力平衡将会带来很大的影列

7、法、Markov模型、灰色预测法【4l、模糊逻辑法I5】、响Lzj。对风场输出功率进行预测是缓解电力系统调人工神经网络法【6J、支持向量机法【8】，还有多种方峰、调频压力、提高风电接纳能力的有效手段之一，法的组合预测模型【9]等。现有研究中，文献[6】提出因此，很有必要进行风场输出功率预测的研究pJ。了基于人工神经网络的风功率预测，建立了风速、目前，国内外对风场输出功率的短期预测进行风向、湿度、温度和气压这五种影响因素与风场输了大量的研究。风电功率预测方法根据预测的物理出功率之间的预测模型。对于这种多因素预测，每量来分类，

8、可以分为两类：第一类为对风速的预测，一影响因素都不同程度地反映风场输出功率的信进而根据风电机组或风场的功率曲线得到风场输出息，变量之间的重叠和相关将增加问题的复杂性，功率；第二类为直接预测风场的输出功率。对于因此降低数据之间的相关性十分必要。文献【10】提第一类方法，风速预测本身就存在误差，并且无法出了