風(fēng)速預(yù)測的研究與應(yīng)用.pdf

1、隨著全球能源危機的到來，大力發(fā)展可再生能源已在世界范圍內(nèi)達(dá)成共識。目前，可再生能源中應(yīng)用最為廣泛，技術(shù)最為成熟，在商業(yè)化生產(chǎn)及規(guī)模化開發(fā)方面最具前景的是風(fēng)能。由于風(fēng)具有較強的隨機性、間歇性以及不可控性，風(fēng)電機組的出力也隨之具有很強的波動性，不利于電網(wǎng)系統(tǒng)的安全穩(wěn)定運行。為了減小風(fēng)電對電網(wǎng)的沖擊，減少電力系統(tǒng)運行成本和旋轉(zhuǎn)備用，提高風(fēng)電穿透功率極限，有必要對風(fēng)電場風(fēng)速及功率進行準(zhǔn)確預(yù)測。
　　 人工神經(jīng)網(wǎng)絡(luò)法具有自學(xué)習(xí)、自組織和自

2、適應(yīng)能力，處理非線性問題的能力較強，在風(fēng)速預(yù)測領(lǐng)域應(yīng)用較為廣泛。但訓(xùn)練神經(jīng)網(wǎng)絡(luò)要求其樣本具有較高的相似度，預(yù)測效果受風(fēng)電場的風(fēng)速特性影響較大。因此，本文在深入研究風(fēng)速分布特性、風(fēng)的變化特性以及風(fēng)速與各氣象因子的關(guān)系的基礎(chǔ)上，利用風(fēng)速變化具有一定的周期變化和連續(xù)變化的特點，對樣本進行帶加權(quán)的模式識別，以便提高訓(xùn)練神經(jīng)網(wǎng)絡(luò)的樣本的相似度，進而提高風(fēng)速預(yù)測的精度。
　　 由于傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)存在收斂速度慢、處理數(shù)據(jù)量大的缺點，本文采用R

3、BF神經(jīng)網(wǎng)絡(luò)作為預(yù)測基本模型。RBF神經(jīng)網(wǎng)絡(luò)具有學(xué)習(xí)和收斂速度快、全局逼近，泛化性好等特點，更適合進行風(fēng)速預(yù)測。
　　 本文在對國內(nèi)外風(fēng)速及風(fēng)功率預(yù)測領(lǐng)域的研究成果進行總結(jié)分析的基礎(chǔ)上，提出了一種基于氣象因子的雙徑向基神經(jīng)網(wǎng)絡(luò)風(fēng)速預(yù)測模型。模型以溫度、氣壓、濕度等對風(fēng)速影響較大的氣象因子構(gòu)成輸入矢量，并通過帶加權(quán)系數(shù)的模式識別方法對歷史樣本進行篩選，分別從時間連續(xù)規(guī)律與周期規(guī)律方向采用徑向基神經(jīng)網(wǎng)絡(luò)(RBF)進行風(fēng)速預(yù)測，最終通