導語：風功率預測數(shù)據(jù)挖掘論文一文來源于網(wǎng)友上傳，不代表本站觀點，若需要原創(chuàng)文章可咨詢客服老師，歡迎參考。

一、風功率預測方法

對于風電功率的預估，本文提出了一種短期的用于一至十五分鐘內(nèi)的預測方法。其中輸入數(shù)據(jù)來自風力發(fā)電機的歷史寄存器，數(shù)據(jù)種類有電壓、電流、有功功率等。并且對兩種預測方法進行了比較。預測出的風力數(shù)據(jù)作為風力渦輪機預測模型的輸入值。風力發(fā)電機模型是參考了空氣力學、傳動系統(tǒng)、感應發(fā)電機等參數(shù)，并通過唯像模型建立的。風力渦輪模型則建立于一種現(xiàn)象學模型，這種模型將風的空氣動力學、傳動系統(tǒng)和感應發(fā)電機的參數(shù)都考慮了進來。另一種預測風電功率方法是使用數(shù)據(jù)挖掘技術來進行預測。風電發(fā)電系統(tǒng)中的數(shù)據(jù)庫就應用到了這些技術。為了提高算法的效率，使用了風速估計器，以估計空氣分子的布朗運動。并與沒有用風速估計器時平均發(fā)電功率進行比較。

二、風功率預測模型和現(xiàn)象學模型

(一)人工神經(jīng)網(wǎng)絡

每一個人工神經(jīng)網(wǎng)絡模型都有架構、處理單元和訓練方面的特性。在時間序列預測的人工神經(jīng)網(wǎng)絡模型中，其中很重要的一種是集中延時神經(jīng)網(wǎng)絡。它屬于動態(tài)神經(jīng)網(wǎng)絡的一般類型，在這種神經(jīng)網(wǎng)絡中，動態(tài)只出現(xiàn)于靜態(tài)的、有多個層級的前饋神經(jīng)網(wǎng)絡的輸入層中。集中延時神經(jīng)網(wǎng)絡的一個顯著特征是它不要求有動態(tài)反向傳播來計算神經(jīng)網(wǎng)絡的梯度，原因是抽頭延遲線只在神經(jīng)網(wǎng)絡輸入數(shù)據(jù)時才出現(xiàn)。由于這個原因，這種神經(jīng)網(wǎng)絡比其他動態(tài)網(wǎng)絡的訓練進行得更快。

(二)隨機時序

風功率模型和現(xiàn)象模型是使用最多的預測方法。如果假設預測變量Xt是已知值的線性組合，那么自回歸模型則能用于預測未知值。通過查看自相關函數(shù)和偏自相關函數(shù)，用于找到模型的順序和結(jié)構，從而確定模型適當?shù)慕Y(jié)構和式子順序。根據(jù)赤池信息準則，施瓦茨準則或貝葉斯信息標準以及校正后的決定系數(shù)，我們就能選出最好的模型。

三、算例分析

(一)提出的預處理方法

在考慮風速的復雜動態(tài)的情況下，為了更好地描述ARMA模型，本文提出了一種新的數(shù)據(jù)預處理方法。這種方法是以模型的形式呈現(xiàn)的，我們將這種模型稱之為函數(shù)的ARMA。

(二)實例仿真

利用SVM工具箱在matlab7．1平臺上完成回歸模型建立的工作，利用我國某風電場連續(xù)100個數(shù)據(jù)(每10s取一個數(shù)值)的實測風能功率輸出值，建立訓練和預測樣本。盡管神經(jīng)網(wǎng)絡在預測風速時誤差已經(jīng)很小，但由風力渦輪機模型和函數(shù)的ARMA模型組成的復合模型在各方面性能更好。導致這一結(jié)果的原因是焦點延時神經(jīng)網(wǎng)絡(以下簡稱FTDNN)預測曲線的高度非線性。

四、結(jié)論

本文所得預測結(jié)果表明，當把風速預測數(shù)據(jù)當作風力渦輪模型的輸入數(shù)據(jù)時，函數(shù)的ARMA模型和焦點延時神經(jīng)網(wǎng)絡在預測風速時產(chǎn)生的誤差會平均降低74%。同樣地，本文提出的函數(shù)的ARMA模型(即FARMA模型)與典型的ARMA模型相比，能降低誤差30%～40%。在所有模型中，焦點延時神經(jīng)網(wǎng)絡(FTDNN)預測得最好。但當把現(xiàn)象學風力渦輪機模型和函數(shù)的AR-MA模型組成復合模型時，最終預測結(jié)果還能更好。

作者:石拓單位:東北電力大學