基于人工神經(jīng)網(wǎng)絡(luò)和粒子群算法的風(fēng)能預(yù)測(cè)模型_廖輝英
作為一種可再生的清潔能源, 近年來風(fēng)能資源正在得到廣 泛的開 發(fā)與 利 用。截止 2009 年, 中 國風(fēng) 電 裝 機(jī)容 量 已 達(dá) 25.8GW;2020 年,預(yù)計(jì)全國風(fēng)電總裝機(jī)容量將達(dá)到 30GW。風(fēng)電 場(chǎng)的輸出功率受風(fēng)能隨機(jī)性影響很大。隨著規(guī)模越來越大、數(shù) 量越來越多的風(fēng)力發(fā)電機(jī)并網(wǎng)運(yùn)行, 這種隨機(jī)性對(duì)電力系統(tǒng)的 影響越來越不可忽視。因此,有必要提出一種基于準(zhǔn)確有效風(fēng)能 預(yù)測(cè)的運(yùn)行策略。 預(yù)測(cè)風(fēng)能的方法眾多, 常見的有基于數(shù)字天氣預(yù)報(bào)(NWP) 的預(yù)測(cè)、以時(shí)間序列法為代表的統(tǒng)計(jì)預(yù)測(cè)以及以神經(jīng)網(wǎng)絡(luò)法為 主的學(xué)習(xí)預(yù)測(cè)。基于 NWP 的預(yù)測(cè)數(shù)學(xué)模型復(fù)雜,需運(yùn)行在超級(jí) 計(jì)算機(jī)上,其應(yīng)用有一定的局限性,有時(shí)短期預(yù)測(cè)的有效性還不 如持續(xù)型預(yù)測(cè)模型。時(shí)間序列預(yù)測(cè)法是一種歷史資料的延伸預(yù) 測(cè)法,常用模型有經(jīng)典時(shí)間序列分析模型、自回歸滑動(dòng)平均(AR－ MA)模型、卡爾曼濾波器模型、自回歸滑動(dòng)平均求和模型。電力 系統(tǒng)和風(fēng)能均為復(fù)雜的非線性動(dòng)態(tài)過程, 傳統(tǒng)的模型不能準(zhǔn)確 地描述風(fēng)速或風(fēng)電場(chǎng)功率的實(shí)際變化情況, 將影響到預(yù)測(cè)結(jié)果 的精度。人工神經(jīng)網(wǎng)絡(luò)方法一般無需研究對(duì)象的精確數(shù)學(xué)模型, 可有效彌補(bǔ)傳統(tǒng)方法單純依靠數(shù)學(xué)求解的不足。