導(dǎo)語：風(fēng)功率預(yù)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(fēng)功率預(yù)測方法

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

二、風(fēng)功率預(yù)測模型和現(xiàn)象學(xué)模型

(一)人工神經(jīng)網(wǎng)絡(luò)

每一個人工神經(jīng)網(wǎng)絡(luò)模型都有架構(gòu)、處理單元和訓(xùn)練方面的特性。在時間序列預(yù)測的人工神經(jīng)網(wǎng)絡(luò)模型中，其中很重要的一種是集中延時神經(jīng)網(wǎng)絡(luò)。它屬于動態(tài)神經(jīng)網(wǎng)絡(luò)的一般類型，在這種神經(jīng)網(wǎng)絡(luò)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(luò)的輸入層中。集中延時神經(jīng)網(wǎng)絡(luò)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(luò)的梯度，原因是抽頭延遲線只在神經(jīng)網(wǎng)絡(luò)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(luò)比其他動態(tài)網(wǎng)絡(luò)的訓(xùn)練進行得更快。

(二)隨機時序

風(fēng)功率模型和現(xiàn)象模型是使用最多的預(yù)測方法。如果假設(shè)預(yù)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(yù)測未知值。通過查看自相關(guān)函數(shù)和偏自相關(guān)函數(shù)，用于找到模型的順序和結(jié)構(gòu)，從而確定模型適當(dāng)?shù)慕Y(jié)構(gòu)和式子順序。根據(jù)赤池信息準(zhǔn)則，施瓦茨準(zhǔn)則或貝葉斯信息標(biāo)準(zhǔn)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(yù)處理方法

在考慮風(fēng)速的復(fù)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(yù)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(fēng)電場連續(xù)100個數(shù)據(jù)(每10s取一個數(shù)值)的實測風(fēng)能功率輸出值，建立訓(xùn)練和預(yù)測樣本。盡管神經(jīng)網(wǎng)絡(luò)在預(yù)測風(fēng)速時誤差已經(jīng)很小，但由風(fēng)力渦輪機模型和函數(shù)的ARMA模型組成的復(fù)合模型在各方面性能更好。導(dǎo)致這一結(jié)果的原因是焦點延時神經(jīng)網(wǎng)絡(luò)(以下簡稱FTDNN)預(yù)測曲線的高度非線性。

四、結(jié)論

本文所得預(yù)測結(jié)果表明，當(dāng)把風(fēng)速預(yù)測數(shù)據(jù)當(dāng)作風(fēng)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(luò)在預(yù)測風(fēng)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(luò)(FTDNN)預(yù)測得最好。但當(dāng)把現(xiàn)象學(xué)風(fēng)力渦輪機模型和函數(shù)的AR-MA模型組成復(fù)合模型時，最終預(yù)測結(jié)果還能更好。

作者:石拓單位:東北電力大學(xué)