本文關(guān)鍵詞：基于主成分—遺傳神經(jīng)網(wǎng)絡(luò)的短期風(fēng)電功率預(yù)測，由筆耕文化傳播整理發(fā)布。

基于主成分_遺傳神經(jīng)網(wǎng)絡(luò)的短期風(fēng)電功率預(yù)測

第40卷 第23期 電力系統(tǒng)保護與控制 Vol.40 No.23 2012年12月1日 Power System Protection and Control Dec. 1, 2012

基于主成分—遺傳神經(jīng)網(wǎng)絡(luò)的短期風(fēng)電功率預(yù)測

羅 毅，劉 峰，劉向杰

（華北電力大學(xué)控制與計算機工程學(xué)院，北京 102206）

摘要：短期風(fēng)電功率預(yù)測對接入大量風(fēng)電的電力系統(tǒng)運行具有重要的意義，建立了基于主成分分析與遺傳神經(jīng)網(wǎng)絡(luò)相結(jié)合的短期風(fēng)電功率預(yù)測模型。該模型先對原始輸入數(shù)據(jù)進行主成分分析，分析結(jié)果作為神經(jīng)網(wǎng)絡(luò)預(yù)測模型的輸入；為克服BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練時間長、易陷入局部極小值的的缺陷，采用遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值，并使用Levenberg-Marquardt算法對網(wǎng)絡(luò)權(quán)值和閾值進行細化訓(xùn)練。經(jīng)某風(fēng)電場實際數(shù)據(jù)驗證，與GA神經(jīng)網(wǎng)絡(luò)模型、PCA-LM神經(jīng)網(wǎng)絡(luò)模型相比，預(yù)測精度明顯提高，為短期風(fēng)電功率預(yù)測提供了一種有效的方法。 關(guān)鍵詞：風(fēng)電功率；神經(jīng)網(wǎng)絡(luò)；遺傳算法；主成分分析；短期預(yù)測

Short-term wind power prediction based onprincipal component analysis and genetic neural network

LUO Yi, LIU Feng, LIU Xiang-jie

(School of Control and Computer Engineering, North China Electric Power University, Beijing 102206, China)

Abstract: Short-term wind power prediction is important to the operation of power system with comparatively large amount of wind power, a short-circiut wind power predicting model based on principal component analysis (PCA) method and genetic neural network is proposed. PCA is applied to process original input data, the principal components are used as input data for neural network. In order to solve the problems of slow convergence speed and being easy to fall into local minimum of BP neural network, genetic algorithm(GA) is used to make a thorough searching for the initial weights and thresholds, and the Levenberg-Marquardt (L-M) method is used to finely train the network. Based on the actual data of a wind farm, the forecasting results by the proposed method is more precise than those by GA neural network model and PCA-LM neural network model, providing an effective way to forecast short-term wind power.

This work is supported by National Natural Science Foundation of China (No. 60974051) and Beijing Natural Science Foundation (No. 4122071).

Key words: wind power; neural network; genetic algorithm; principal component analysis; short-term prediction 中圖分類號： TM614 文獻標(biāo)識碼：A 文章編號： 1674-3415(2012)23-0047-07

0 引言

隨著全球石化資源儲量的日漸匱乏以及低碳、

環(huán)保概念的逐步深化，風(fēng)能等可再生能源的開發(fā)與利用日益受到國際社會的重視[1]。風(fēng)力發(fā)電是風(fēng)能 的主要利用方式之一，也是可再生能源發(fā)電技術(shù)中發(fā)展最快和最為成熟的一種。但風(fēng)電是一種間歇性、波動性電源，大規(guī)模風(fēng)電的接入給電力系統(tǒng)的安全穩(wěn)定運行帶來了新挑戰(zhàn)。對風(fēng)電場輸出功率進行短期預(yù)測成為解決這一問題的有效途徑之一。

基金項目：國家自然科學(xué)基金項目(60974051)；北京市自然科學(xué)基金項目(4122071)

目前，，短期風(fēng)電功率預(yù)測方法從預(yù)測模型的對象角度，可分為兩類：第一類為間接法，即先預(yù)測風(fēng)速，然后根據(jù)風(fēng)電場的布局與發(fā)電特性等信息計算風(fēng)電場的輸出功率；第兩類為直接法，即直接預(yù)測風(fēng)電場的輸出功率[2]。從時間角度可分為三類：第一類為超短期預(yù)測（幾分鐘）；第二類為短期預(yù)測（幾小時到幾天）；第三類為中長期預(yù)測（數(shù)周或數(shù)月）[3]。從采用的數(shù)學(xué)模型角度可分為四類：物理預(yù)測方法、統(tǒng)計預(yù)測方法、智能預(yù)測方法、組合預(yù)測方法[4]�；跀�(shù)值天氣預(yù)報的物理預(yù)測方法模型復(fù)雜、計算量很大；以時間序列法為代表的統(tǒng)計預(yù)測方法模型簡單，但預(yù)測誤差較大且預(yù)測結(jié)果不穩(wěn)定[5]；以神經(jīng)網(wǎng)絡(luò)為代表的智能預(yù)測方法一般不需

  本文關(guān)鍵詞：基于主成分—遺傳神經(jīng)網(wǎng)絡(luò)的短期風(fēng)電功率預(yù)測，由筆耕文化傳播整理發(fā)布。