風功率預測數據挖掘論文

導語：風功率預測數據挖掘論文一文來源于網友上傳，不代表本站觀點，若需要原創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的預測方法。其中輸入數據來自風力發電機的歷史寄存器，數據種類有電壓、電流、有功功率等。并且對兩種預測方法進行了比較。預測出的風力數據作為風力渦輪機預測模型的輸入值。風力發電機模型是參考了空氣力學、傳動系統、感應發電機等參數，并通過唯像模型建立的。風力渦輪模型則建立于一種現象學模型，這種模型將風的空氣動力學、傳動系統和感應發電機的參數都考慮了進來。另一種預測風電功率方法是使用數據挖掘技術來進行預測。風電發電系統中的數據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電功率進行比較。

二、風功率預測模型和現象學模型

(一)人工神經網絡

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

(二)隨機時序

風功率模型和現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和偏自相關函數，用于找到模型的順序和結構，從而確定模型適當的結構和式子順序。根據赤池信息準則，施瓦茨準則或貝葉斯信息標準以及校正后的決定系數，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的情況下，為了更好地描述ARMA模型，本文提出了一種新的數據預處理方法。這種方法是以模型的形式呈現的，我們將這種模型稱之為函數的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100個數據(每10s取一個數值)的實測風能功率輸出值，建立訓練和預測樣本。盡管神經網絡在預測風速時誤差已經很小，但由風力渦輪機模型和函數的ARMA模型組成的復合模型在各方面性能更好。導致這一結果的原因是焦點延時神經網絡(以下簡稱FTDNN)預測曲線的高度非線性。

四、結論

本文所得預測結果表明，當把風速預測數據當作風力渦輪模型的輸入數據時，函數的ARMA模型和焦點延時神經網絡在預測風速時產生的誤差會平均降低74%。同樣地，本文提出的函數的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，焦點延時神經網絡(FTDNN)預測得最好。但當把現象學風力渦輪機模型和函數的AR-MA模型組成復合模型時，最終預測結果還能更好。

作者:石拓單位:東北電力大學