111001210802-王倩文-風(fēng)電場(chǎng)風(fēng)電功率短期預(yù)測(cè)技術(shù)

1、風(fēng)電場(chǎng)風(fēng)電功率短期預(yù)測(cè)技術(shù)上海電機(jī)學(xué)院 畢業(yè)設(shè)計(jì)（論文）課題名稱 風(fēng)電場(chǎng)風(fēng)電功率短期預(yù)測(cè)技術(shù)學(xué) 院 電氣學(xué)院 專 業(yè) 自動(dòng)化 班 級(jí) BG1108 學(xué) 號(hào) 111001210802 姓 名 王倩文 指導(dǎo)教師 陳國(guó)初 定稿日期： 2015 年 5月15日II風(fēng)電場(chǎng)風(fēng)電功率短期預(yù)測(cè)技術(shù)摘要在如今的社會(huì)中，能源問題越來越受到大家的關(guān)注，而風(fēng)能作為一種蘊(yùn)藏量大、可再生、分布廣、無污染的可再生能源，倍受全世界的歡迎。風(fēng)力發(fā)電作為一種可再生能源發(fā)電方式，它具備大規(guī)模開發(fā)條件和良好的商業(yè)化發(fā)展前景。但是風(fēng)力發(fā)電與一些傳統(tǒng)的發(fā)電方式是不同的，風(fēng)電的大規(guī)模并網(wǎng)會(huì)給電力系統(tǒng)的電能質(zhì)量以及安全穩(wěn)定運(yùn)行帶來嚴(yán)峻挑戰(zhàn)是

2、由于它具有間歇性、波動(dòng)性以及隨機(jī)性，然而風(fēng)電功率短期預(yù)測(cè)技術(shù)能夠有效的解決以上的問題。風(fēng)電功率短期預(yù)測(cè)技術(shù)對(duì)于電力系統(tǒng)的調(diào)度以及安全的穩(wěn)定運(yùn)行具有深遠(yuǎn)的意義。為提高預(yù)測(cè)的準(zhǔn)確性，本文提出一種基于Elman動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)方法。本文首先從風(fēng)電場(chǎng)的發(fā)展歷史以及國(guó)內(nèi)外風(fēng)電功率短期預(yù)測(cè)入手突出本課題的選題必要性和研究意義。隨之介紹風(fēng)電功率預(yù)測(cè)技術(shù)在國(guó)內(nèi)外的研究現(xiàn)狀,最后在了解現(xiàn)狀的基礎(chǔ)上確定本論文的主要內(nèi)容及組織結(jié)構(gòu)。其中首先本文主簡(jiǎn)述了人工神經(jīng)網(wǎng)絡(luò)的一些基礎(chǔ)概念，并且詳細(xì)地介紹了一種具有動(dòng)態(tài)反饋機(jī)制的人工神經(jīng)網(wǎng)絡(luò)模型即Elman網(wǎng)絡(luò)和它數(shù)學(xué)模型和學(xué)習(xí)算法，并且在采用實(shí)際的風(fēng)電場(chǎng)的風(fēng)向、風(fēng)電功率以及

3、風(fēng)速的相關(guān)歷史數(shù)據(jù)的基礎(chǔ)上，建立了基于 Elman神經(jīng)網(wǎng)絡(luò)的風(fēng)電功率短期預(yù)測(cè)模型。關(guān)鍵詞：Elman神經(jīng)網(wǎng)絡(luò)，短期預(yù)測(cè)，風(fēng)電功率ABSTRACTIn todays society, energy problem is becoming more and more by everyones attention, and wind power as a kind of reserves, renewable, distributed widely, non polluting renewable energy, highly popular all over the world. Wind pow

4、er as a renewable energy power generation, it has large-scale development conditions and good prospects for commercial development. But not like wind power and conventional power generation: water, electricity, thermal power, large-scale wind power integration will be for the safe and stable operati

5、on of power system and electric energy quality bring severe challenges because its random, intermittent and volatility. However, wind power short-term power prediction technology caneffectively solve the above problems.Is of great significance for the stable operation of technology of power system s

6、cheduling and security forecast of short-term wind power. In order to improve the prediction accuracy, this paper proposes a prediction method based on dynamic neural network Elman. In this paper, the wind farm development history as well as the domestic and foreign short-term wind power prediction

7、of highlight the subject topics necessary and significance of the research. Followed by introduction of the wind power prediction technology in the domestic and foreign research status. Finally on the basis of understanding the status to determine the main content and organizational structure. Which

8、 this paper mainly expounds the basic concepts of artificial neural network, and introduced a kind of artificial neural network model for a dynamic feedback mechanism that Elman network and its mathematical model and learning algorithm in detail, and the actual wind farm wind direction and wind rate

9、 and wind speed historical data based on established based on Elman neural network of wind power short-term prediction model.Keywords: short term prediction, Elman neural network, wind power目 錄1 緒論11.1 課題來源與意義11.2 國(guó)內(nèi)外研究現(xiàn)狀11.3 論文主要內(nèi)容32 風(fēng)電功率短期預(yù)測(cè)52.1 風(fēng)電功率預(yù)測(cè)基本概念52.2 風(fēng)電功率短期預(yù)測(cè)的原理52.3 風(fēng)電功率短期預(yù)測(cè)的特點(diǎn)62.4 風(fēng)電功率短

10、期預(yù)測(cè)系統(tǒng)73 人工神經(jīng)網(wǎng)絡(luò)83.1 人工神經(jīng)網(wǎng)絡(luò)的特點(diǎn)83.2 神經(jīng)網(wǎng)絡(luò)的分類93.3 小結(jié)114 Elman神經(jīng)網(wǎng)絡(luò)124.1 Elman神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)124.2 Elman神經(jīng)網(wǎng)絡(luò)算法124.3 Elman神經(jīng)網(wǎng)絡(luò)算法流程134.4 Elman性能測(cè)試與仿真實(shí)驗(yàn)144.5 本章小結(jié)215 基于Elman神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)模型225.1 基于Elman神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)流程225.2 預(yù)測(cè)模型的建立225.3 評(píng)價(jià)指標(biāo)235.4 實(shí)例分析235.5 本章小結(jié)296 總結(jié)與展望30致謝31參考文獻(xiàn)3234風(fēng)電場(chǎng)風(fēng)電功率短期預(yù)測(cè)技術(shù)1 緒論1.1 課題來源與意義如今在“低碳經(jīng)濟(jì)”的蓬勃發(fā)展下，風(fēng)力發(fā)電作為

11、清潔可再生能源，受到世界各國(guó)政府的高度重視。我國(guó)更是如此。因?yàn)橹袊?guó)能源資本人均占有率低，能源布局不合理，以及有限的化石能源不能使每日增加的能源消費(fèi)需求得到滿足，所以我國(guó)必要尋覓一種可再生能源來填補(bǔ)咱們的日益增長(zhǎng)的能源需求。風(fēng)能作為一種清潔的可再生能源資源在中國(guó)是非常豐富的，尤其是東南沿海和島嶼的111，內(nèi)蒙古和甘肅北部，黑龍江和吉林東部和遼東半島沿海地區(qū)，第二風(fēng)速3m以上近4K的小時(shí)的時(shí)間，高達(dá)每秒6次以上7年平均風(fēng)速的地區(qū)，它具有很大的應(yīng)用潛力 10 。然而，風(fēng)力發(fā)電的隨機(jī)性波動(dòng)和間歇性，使風(fēng)電場(chǎng)輸出不穩(wěn)定，會(huì)給安全和電網(wǎng)調(diào)度引起一連串的問題。此外，近年來，隨著對(duì)風(fēng)力發(fā)電和風(fēng)力發(fā)電容量占系統(tǒng)

12、中快速發(fā)展的比例迅速增加，質(zhì)量之間的矛盾和發(fā)展速度F1風(fēng)力越來越突出，風(fēng)力發(fā)電對(duì)電力系統(tǒng)的影響更明顯。特別是，風(fēng)擾動(dòng)的波動(dòng)可以使電壓和頻率的電力系統(tǒng)發(fā)生了很大的變化，尤其是當(dāng)風(fēng)電穿透功率超過一定值時(shí)，會(huì)造成電壓和頻率的時(shí)刻出現(xiàn)比較大的波動(dòng)，對(duì)電能質(zhì)量和電力系統(tǒng)的正常運(yùn)行，嚴(yán)重?fù)p害。同時(shí)，為了解決風(fēng)電的不穩(wěn)定性問題，電力公司不得不提高供電系統(tǒng)的備用容量，這將直接增加風(fēng)電投資。因此，我們預(yù)計(jì)預(yù)計(jì)發(fā)電計(jì)劃制定風(fēng)力發(fā)電的合理，同時(shí)保證在同一時(shí)間，電力系統(tǒng)的穩(wěn)定運(yùn)行，而且最大限度地節(jié)約了投資資本。正是因?yàn)轱L(fēng)力發(fā)電自身所持有的波動(dòng)性、間歇性和隨機(jī)性等特色導(dǎo)致風(fēng)電場(chǎng)出力不平穩(wěn),才給電網(wǎng)調(diào)度、安全等帶來一連串

13、的問題。因此,我們盼望經(jīng)通過對(duì)于風(fēng)電功率作出提前預(yù)測(cè)來擬定合理的發(fā)電計(jì)劃,在確保電力系統(tǒng)穩(wěn)定不變運(yùn)行的同時(shí)又可以最大程度的減少投入資本,風(fēng)電功率的預(yù)測(cè)是實(shí)行一種類型的風(fēng)電場(chǎng)并網(wǎng)的條件。風(fēng)電功率預(yù)測(cè)目前在電網(wǎng)調(diào)度在中國(guó)引起了極大的關(guān)注。短期風(fēng)電功率預(yù)測(cè)調(diào)度，為電力系統(tǒng)及風(fēng)電場(chǎng)的生產(chǎn)操作技術(shù)具有十分重要的意義，維護(hù)。在功率短期預(yù)測(cè)國(guó)外風(fēng)力發(fā)電技術(shù)的研究開始于第二十世紀(jì)80年代，但我們的風(fēng)力發(fā)電的風(fēng)電場(chǎng)系統(tǒng)預(yù)測(cè)安裝國(guó)很少，基本上都是國(guó)外廠商系統(tǒng)。而根據(jù)歐洲風(fēng)能資源外，不適應(yīng)中國(guó)獨(dú)特的地形和氣象條件，我國(guó)的電力管理系統(tǒng)也不好13。這是適順應(yīng)我國(guó)風(fēng)電預(yù)測(cè)的迫切需求。隨著風(fēng)電并網(wǎng)風(fēng)電場(chǎng)風(fēng)功率的增加，以及大

14、規(guī)模的發(fā)展，開發(fā)適合中國(guó)情況的預(yù)測(cè)系統(tǒng)已經(jīng)成為我國(guó)迫切的需求。1.2 國(guó)內(nèi)外研究現(xiàn)狀1.2.1國(guó)外研究現(xiàn)狀由于在最近的幾年中國(guó)外不斷增加風(fēng)電場(chǎng)的建設(shè)，所以人們也逐漸認(rèn)識(shí)到了風(fēng)能和風(fēng)電場(chǎng)的預(yù)測(cè)研究的重要性。目前，在風(fēng)電功率預(yù)測(cè)的應(yīng)用領(lǐng)域外國(guó)有比較知名的研究和發(fā)展太陽能在德國(guó)WPMS（風(fēng)電管理系統(tǒng)）系統(tǒng)，它使用與NWP信息來預(yù)測(cè)功率輸出神經(jīng)網(wǎng)絡(luò)模型，這是目前最成熟的商業(yè)預(yù)測(cè)系統(tǒng)，以及美國(guó)AWS Truewind公司eWind系統(tǒng)開發(fā)的丹麥里瑟國(guó)家實(shí)驗(yàn)室Prediktor系統(tǒng)等等3。利用短期，中期和長(zhǎng)期的風(fēng)電功率預(yù)測(cè)方法進(jìn)行審查，使用評(píng)價(jià)方法進(jìn)行了分析和預(yù)測(cè)結(jié)果，結(jié)果表明，自適應(yīng)神經(jīng)模糊推理系統(tǒng)，人

15、工神經(jīng)網(wǎng)絡(luò)更好的預(yù)測(cè)效果，并提出了一個(gè)新的預(yù)測(cè)混合粒子群算法和四季，短期風(fēng)電功率預(yù)測(cè)自適應(yīng)神經(jīng)模糊推理系統(tǒng)，連續(xù)預(yù)測(cè)方法的方法，時(shí)間序列法和神經(jīng)網(wǎng)絡(luò)相結(jié)合的方法進(jìn)行了比較，結(jié)果表明，這種方法比較好比其他方法的平均誤差率達(dá)到5.4120。的數(shù)據(jù)作為模型由數(shù)字天氣預(yù)測(cè)的輸入端，設(shè)置了多個(gè)觀測(cè)點(diǎn)，對(duì)應(yīng)于風(fēng)力渦輪機(jī)發(fā)電設(shè)備的每個(gè)特定的觀察位置時(shí)，對(duì)應(yīng)于不同的觀察點(diǎn)來預(yù)測(cè)短期風(fēng)力發(fā)電中，該方法用連續(xù)預(yù)測(cè)方法和灰色模型，預(yù)測(cè)精度提高。在不同時(shí)期使用自回歸移動(dòng)平均模型（ARMA），人工神經(jīng)網(wǎng)絡(luò)模型（ANN），人工神經(jīng)網(wǎng)絡(luò)模型（ANN）預(yù)測(cè)風(fēng)電功率預(yù)測(cè)進(jìn)行預(yù)測(cè)誤差分析。在物理模型及風(fēng)電預(yù)測(cè)應(yīng)用的統(tǒng)計(jì)模型，有兩

16、個(gè)高分辨率的氣象系統(tǒng)，提供了更精確的風(fēng)速和風(fēng)電功率預(yù)測(cè)模型，克里特島的方式以及凱法利尼亞的希臘島嶼，應(yīng)用表明，天氣系統(tǒng)的預(yù)報(bào)精度和電的環(huán)境有很大的關(guān)系，在更高的精確度，風(fēng)電的預(yù)測(cè)精度將得到提高15。1.2.2 國(guó)內(nèi)研究現(xiàn)狀在風(fēng)電功率預(yù)測(cè)技術(shù)的領(lǐng)域，由于中國(guó)的起步較晚，所以如今大多數(shù)還集中在預(yù)測(cè)理論的專研中。在國(guó)家大力推動(dòng)風(fēng)電產(chǎn)業(yè)和相關(guān)政策的發(fā)展過程中，中國(guó)近年來還開發(fā)了一些實(shí)用的預(yù)測(cè)系統(tǒng)，比如風(fēng)力發(fā)電預(yù)報(bào)系統(tǒng)開發(fā)中國(guó)電力科學(xué)研究院的設(shè)計(jì)在2009年投入使用江蘇9。我國(guó)利用人工神經(jīng)網(wǎng)絡(luò)開發(fā)了一系列的風(fēng)電功率預(yù)測(cè)模型。統(tǒng)計(jì)物理方法各有優(yōu)缺點(diǎn)，而且還采用物理方法和統(tǒng)計(jì)方法相結(jié)合的方法開發(fā)了一個(gè)混合的

17、預(yù)測(cè)模型。目前我國(guó)主要使用預(yù)測(cè)方法有統(tǒng)計(jì)物理預(yù)測(cè)方法、預(yù)測(cè)方法、學(xué)習(xí)預(yù)測(cè)方法以及綜合預(yù)測(cè)法。對(duì)風(fēng)的隨機(jī)性，波動(dòng)性，微分法原風(fēng)序列為平穩(wěn)隨機(jī)序列，建立ARMA模型，利用該模型預(yù)測(cè)風(fēng)速序列之前，得到一個(gè)更好的風(fēng)能預(yù)測(cè)。風(fēng)力發(fā)電機(jī)組的研究聚集影響預(yù)測(cè)誤差的結(jié)果，匯聚了許多單位將準(zhǔn)確的風(fēng)電功率預(yù)測(cè)高于實(shí)時(shí)每個(gè)單元的平均預(yù)測(cè)精度，但對(duì)時(shí)間序列分析和預(yù)測(cè)模型，模型的類型和順序確定的識(shí)別會(huì)產(chǎn)生一定數(shù)量的錯(cuò)誤。之所以提出支持向量機(jī)為了長(zhǎng)期解決神經(jīng)網(wǎng)絡(luò)訓(xùn)練容易陷入局部最小以及泛化能力強(qiáng)，風(fēng)的力量和速度結(jié)合的歷史數(shù)據(jù)建立支持向量機(jī)模型預(yù)測(cè)風(fēng)速，風(fēng)速和功率的未來。對(duì)原序列分解形態(tài)風(fēng)，利用灰色理論和支持向量機(jī)回歸，風(fēng)

18、力發(fā)電的應(yīng)用組合預(yù)測(cè)方法來預(yù)測(cè) 32 。1.2.3 國(guó)內(nèi)外研究現(xiàn)狀對(duì)比在中國(guó)和國(guó)外理論研究的風(fēng)力發(fā)電場(chǎng)，還存在不小的差距。在風(fēng)力發(fā)電的短期預(yù)測(cè)72小時(shí)中，一些歐洲國(guó)家產(chǎn)生的預(yù)測(cè)誤差（根的比率均方誤差和單位額定功率）已經(jīng)低至57，并且提前2小時(shí)4小時(shí)誤差低至34然而國(guó)內(nèi)研究的預(yù)測(cè)理論，有關(guān)錯(cuò)誤仍然大多在15以上4。伴隨著我國(guó)大量的風(fēng)電理論研究的專家學(xué)者進(jìn)一步的專研，在國(guó)內(nèi)預(yù)測(cè)誤差也逐漸降低，但與國(guó)外先進(jìn)理論相比仍存在不小的差距。這就解釋了研究風(fēng)力發(fā)電，中國(guó)可以提高的空間還很大，要進(jìn)一步加強(qiáng)深度和廣度，與國(guó)外風(fēng)電距離逐漸縮小。在對(duì)比了國(guó)內(nèi)外研究現(xiàn)狀以后，我們不難發(fā)現(xiàn)：（1）在國(guó)外應(yīng)用軟件已經(jīng)比較成

19、熟，并且在陸上和海上風(fēng)電場(chǎng)建成投產(chǎn)，其時(shí)間尺度為0-72小時(shí)。而中國(guó)則是在研究和開發(fā)短期風(fēng)電功率預(yù)測(cè)軟件，并且在實(shí)際風(fēng)電場(chǎng)試運(yùn)行的發(fā)展中，預(yù)測(cè)結(jié)果的均方根誤差在15%一20%11。（2）數(shù)值形式的天氣預(yù)報(bào)已經(jīng)是國(guó)內(nèi)外的風(fēng)電功率短期預(yù)測(cè)系統(tǒng)中重要的輸入之一，在國(guó)內(nèi)的研究中，微觀尺度氣象預(yù)報(bào)誤差是對(duì)預(yù)測(cè)精度的力量大，造成嚴(yán)重影響。（3）人工智能方法已經(jīng)被廣泛引入到外國(guó)文學(xué)的風(fēng)電功率短期預(yù)測(cè)方法的研究中去，其中已經(jīng)包含了粒子群算法（PSO）、混沌理論、遺傳算法、模糊推理系統(tǒng)（FIS） 、自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)、概率神經(jīng)網(wǎng)絡(luò)、復(fù)發(fā)性多層感知神經(jīng)網(wǎng)絡(luò)（RMLP）。而國(guó)內(nèi)文獻(xiàn)提到的方法有：RBF神經(jīng)網(wǎng)絡(luò)、BP

20、神經(jīng)網(wǎng)絡(luò)、小波BP神經(jīng)網(wǎng)絡(luò)相結(jié)合和支持向量機(jī)、遺傳算法的模式等12。（4）國(guó)內(nèi)外研究者付出更多研究在組合預(yù)測(cè)模型上，因?yàn)樵撃Ｐ统浞掷玫搅烁鞣N單的有用信息的預(yù)測(cè)模型，來提高風(fēng)電功率預(yù)測(cè)精度。（5）研究在國(guó)外的評(píng)價(jià)方法，重視預(yù)測(cè)重視預(yù)測(cè)的不確定性和風(fēng)險(xiǎn)，國(guó)內(nèi)對(duì)于這項(xiàng)的研究在該領(lǐng)域仍然是缺乏一個(gè)重視。1.3 論文主要內(nèi)容近幾年來許多研究和應(yīng)用方面都采用了人工智能方法，其中風(fēng)電功率預(yù)測(cè)主要運(yùn)用人工神經(jīng)網(wǎng)絡(luò)法，并且取得了較好的效果。在短期功率預(yù)測(cè)方面我們用的最多的是Elman神經(jīng)網(wǎng)絡(luò)。其主要原因是風(fēng)電功率預(yù)測(cè)的問題是一個(gè)樣本數(shù)據(jù)總是不斷更新的動(dòng)態(tài)過程，利用靜態(tài)前饋網(wǎng)絡(luò)分析動(dòng)態(tài)系統(tǒng)，其本質(zhì)上是對(duì)動(dòng)態(tài)和靜

21、態(tài)時(shí)間建模的轉(zhuǎn)換問題，很多問題會(huì)在轉(zhuǎn)換過程中出現(xiàn)。Elman神經(jīng)網(wǎng)絡(luò)是Elman于1990年提出的，它是一種反饋神經(jīng)網(wǎng)絡(luò)，其反饋連接是從隱含層的輸出到其輸入端，這樣反饋形式可以讓Elman神經(jīng)網(wǎng)絡(luò)在探測(cè)和識(shí)時(shí)，在成為模型以后具有較強(qiáng)的計(jì)算能力。 本文主要從以下幾章來展開論文：第一章，簡(jiǎn)述了本論文的研究背景和意義，綜述了國(guó)內(nèi)外風(fēng)電功率預(yù)測(cè)的發(fā)展現(xiàn)狀。第二章，介紹了風(fēng)電場(chǎng)風(fēng)電功率短期預(yù)測(cè)技術(shù)的一些基本知識(shí)，為后期的預(yù)測(cè)工作做準(zhǔn)備。第三章，介紹神經(jīng)網(wǎng)絡(luò)，在比較了BP神經(jīng)網(wǎng)絡(luò)和Elman神經(jīng)網(wǎng)絡(luò)后，選擇了Elman神經(jīng)網(wǎng)絡(luò)模型，為了選擇更為精確的數(shù)據(jù)，采用試湊法找出適合的隱含層神經(jīng)元數(shù)。第四章，以東北

22、某近海場(chǎng)的歷史數(shù)據(jù)為例，建立Elman神經(jīng)網(wǎng)絡(luò)模型來進(jìn)行風(fēng)電功率段期預(yù)測(cè)，并通過改變隱含層數(shù)來提高預(yù)測(cè)精度，最后對(duì)產(chǎn)生的預(yù)測(cè)結(jié)果加以分析。第五章，總結(jié)了論文，并且對(duì)論文中不足之處提出了展望。2 風(fēng)電功率短期預(yù)測(cè)2.1 風(fēng)電功率預(yù)測(cè)基本概念風(fēng)電功率預(yù)測(cè)是被用來確保電網(wǎng)平衡風(fēng)電波動(dòng)主要的技術(shù)支持、削減備用容量和經(jīng)濟(jì)的運(yùn)行，以及幫助電力調(diào)節(jié)部門提前調(diào)整調(diào)度計(jì)劃，而且按照風(fēng)力的變化狀況來確保供電的質(zhì)量，消減體系的備用容量和下降電力系統(tǒng)的運(yùn)行本錢，來滿足電力市場(chǎng)買賣的需求，風(fēng)力發(fā)電為網(wǎng)絡(luò)提供有利條件的投標(biāo)。通過風(fēng)電功率預(yù)測(cè)研究結(jié)果的分析可以看出，短期風(fēng)電功率預(yù)測(cè)的研究主要集中在兩個(gè)方面：第一是建立一個(gè)更

23、有效的預(yù)測(cè)模型，提高預(yù)測(cè)精度；第二是獲得更準(zhǔn)確的數(shù)值天氣預(yù)報(bào)數(shù)據(jù)?，F(xiàn)在的短期風(fēng)電功率預(yù)測(cè)方法可大致分為物理和統(tǒng)計(jì)兩種方法。（1）物理方法：采集一些數(shù)據(jù)如：風(fēng)向，風(fēng)速，基于數(shù)值天氣預(yù)報(bào)系統(tǒng)的溫度，氣壓等數(shù)據(jù)，然后基于風(fēng)電場(chǎng)的粗糙度，繞過障礙物，輪廓和其他信息來算出溫度分層風(fēng)輪毅高度的風(fēng)向，風(fēng)速和其他信息，最后出風(fēng)電場(chǎng)輸出功率并且根據(jù)計(jì)算結(jié)果輸出風(fēng)電場(chǎng)功率曲線。（2）統(tǒng)計(jì)方法：統(tǒng)計(jì)方法不考慮風(fēng)速變化的物理過程，但發(fā)現(xiàn)天氣條件和風(fēng)電場(chǎng)輸出的關(guān)系基于歷史統(tǒng)計(jì)數(shù)據(jù)，然后根據(jù)測(cè)量數(shù)據(jù)和數(shù)值天氣預(yù)報(bào)數(shù)據(jù)的風(fēng)電場(chǎng)輸出功率并基于實(shí)測(cè)數(shù)據(jù)和數(shù)值天氣預(yù)報(bào)數(shù)據(jù)預(yù)測(cè)風(fēng)電場(chǎng)輸出功率。2.2 風(fēng)電功率短期預(yù)測(cè)的原理 隨著時(shí)

24、代的發(fā)展，預(yù)測(cè)技術(shù)也在進(jìn)步和完善，關(guān)注于預(yù)測(cè)理論的專家、學(xué)者相繼提出了大量的預(yù)測(cè)方法，據(jù)有關(guān)資料統(tǒng)計(jì)目前應(yīng)用于各領(lǐng)域的預(yù)測(cè)方法總數(shù)多達(dá)二百多種在進(jìn)行風(fēng)電功率預(yù)測(cè)系統(tǒng)的研究時(shí)，專家學(xué)者往往借助于以下幾條原理: 1)可知性原理：可知論認(rèn)為:“世界是可以認(rèn)識(shí)的，人們不但能夠認(rèn)識(shí)事物的現(xiàn)象，而且能夠認(rèn)識(shí)事物的本質(zhì)18?！睆娜祟愓J(rèn)識(shí)發(fā)展的規(guī)律性來看，任何事物都是能夠被認(rèn)識(shí)的，而且認(rèn)識(shí)是無極限的，雖然在具體的時(shí)間階段內(nèi)認(rèn)識(shí)可能是有限的，但必須強(qiáng)調(diào)的是物質(zhì)的可知性肯定了人類的思維能夠正確的認(rèn)識(shí)事物的存在及其發(fā)展變化過程，這對(duì)于人類認(rèn)識(shí)世界、改造世界具有重大的激勵(lì)作用。 2)延續(xù)性原理：在客觀的條件下事物一定

25、的規(guī)律發(fā)展，在其發(fā)展過程中，這種規(guī)律將堅(jiān)持到底，至少在一段時(shí)間內(nèi)這類的規(guī)律性是不會(huì)發(fā)生本質(zhì)的變化。延續(xù)性原則認(rèn)為任何事物總是從過去發(fā)展到現(xiàn)在，再由現(xiàn)在發(fā)展向未來，并且未來的發(fā)展與其現(xiàn)在和過去的行為持著一定的規(guī)律性6。然而延續(xù)性原理的要求比較嚴(yán)格，僅僅是利用延續(xù)性原理來實(shí)行預(yù)測(cè)，它的效果并不太滿意，延續(xù)性原理僅僅適用于發(fā)展過程變化不大、波動(dòng)卻比較平穩(wěn)的預(yù)測(cè)對(duì)象，或者在某一時(shí)間階段內(nèi)預(yù)測(cè)對(duì)象的發(fā)展處于相對(duì)穩(wěn)定的情況，然而即使?jié)M足平穩(wěn)性條件系統(tǒng)的發(fā)展也不會(huì)是歷史的重演，而只是表現(xiàn)出其成長(zhǎng)的慣性以及周期性，將來的的發(fā)展會(huì)呈現(xiàn)出偏離的狀況。風(fēng)電功率序列屬于高度非平穩(wěn)、非線性、波動(dòng)較大的序列，直接利用延續(xù)

26、性原理來進(jìn)行短期風(fēng)電功率的預(yù)測(cè)并不能達(dá)到滿意的效果，需要對(duì)風(fēng)電功率做平穩(wěn)化處理19。 3)相關(guān)性原理：世界萬物的發(fā)展變化都是在與其它事物的相互影響中確定其軌跡，并伴隨著其他事物的發(fā)展而發(fā)展，都不會(huì)是孤立的。在預(yù)測(cè)研究中為了增加預(yù)測(cè)模型的輸入因素以提高預(yù)測(cè)精度，首先要考慮的一項(xiàng)重要方法即利用不同事物發(fā)展過程中的相關(guān)性。如果尋得一個(gè)或者幾個(gè)和預(yù)測(cè)對(duì)象密切相關(guān)的，并且可以收集到其充分的歷史資料，利用他們間具有相關(guān)性的歷史數(shù)據(jù)建立數(shù)學(xué)模型往往能達(dá)到提高預(yù)測(cè)精度的目的，或者可以預(yù)先知道其未來的發(fā)展變化即可以根據(jù)相似性直接得出預(yù)測(cè)對(duì)象未來的發(fā)展變化。在利用事物發(fā)展變化過程中的相關(guān)性原則進(jìn)行短期風(fēng)電功率預(yù)測(cè)

27、前，首先要確定與風(fēng)電功率發(fā)展變化相關(guān)的影響因素以及相關(guān)程度，引入相關(guān)性程度高的因素會(huì)改善預(yù)測(cè)系統(tǒng)的預(yù)測(cè)精度，而將不相關(guān)或相關(guān)程度微小的因素引入預(yù)測(cè)系統(tǒng)反而可能會(huì)摻入干擾項(xiàng)導(dǎo)致預(yù)測(cè)誤差變大21。我必須要注意的是，當(dāng)我在利用相關(guān)性進(jìn)行建模預(yù)測(cè)時(shí)，還應(yīng)該研究這些相關(guān)性因素是否具有時(shí)間性，因?yàn)槭挛镩g的相關(guān)程度可能會(huì)隨著時(shí)間的推移而發(fā)生改變，我必須確保這些相關(guān)性因素在預(yù)測(cè)模型研究階段保持穩(wěn)定。事物間的相關(guān)性除具有時(shí)間性外還具有空間地域性，不同地點(diǎn)同樣的幾種事物間的相關(guān)性程度亦可能會(huì)不同。我在建立風(fēng)電場(chǎng)短期風(fēng)電功率預(yù)測(cè)模型時(shí)，風(fēng)速、風(fēng)向、溫度、壓強(qiáng)等都是值得、考慮的相關(guān)性因素22。2.3 風(fēng)電功率短期預(yù)測(cè)

28、的特點(diǎn)由于風(fēng)電功率預(yù)測(cè)是根據(jù)風(fēng)電場(chǎng)過去時(shí)間段的風(fēng)能、風(fēng)速、氣壓、溫度等因素推測(cè)未來的功率值,決定了風(fēng)電功率預(yù)測(cè)工作的研究對(duì)象是不確定事件、隨機(jī)事件,需要采用相應(yīng)的預(yù)測(cè)技術(shù)和模型來推出風(fēng)電功率的發(fā)展趨勢(shì)和可能達(dá)到的情況。風(fēng)電功率短期預(yù)測(cè)有如下的3個(gè)特點(diǎn)：1) 不確定性由于風(fēng)電場(chǎng)風(fēng)電功率受到多種多樣復(fù)雜因素的影響，所以它的未來的發(fā)展具有不確定的,并且它還與風(fēng)電功率相關(guān)的溫度、壓強(qiáng)、風(fēng)速等各種因素有關(guān)系的,因此決定了預(yù)測(cè)結(jié)果的不確定性20。2)條件性風(fēng)電功率預(yù)測(cè)的過程是一個(gè)從歷史來推測(cè)到未來的過程,這個(gè)過程需要在一定條件下才可以合理有效。如果預(yù)測(cè)對(duì)象的發(fā)展過程單單從過去和現(xiàn)在的表現(xiàn)來看均為平穩(wěn),并且

29、無重大的干擾、破壞以及波動(dòng),或著使即使有突發(fā)事件也呈現(xiàn)出一定的規(guī)律性,我們就可以直接將這平穩(wěn)的發(fā)展過程延伸到未來,用這些歷史數(shù)據(jù)來類比未來。但是由于風(fēng)電場(chǎng)是一個(gè)包含了各種不確定性的系統(tǒng),因此無法估計(jì)的重大事件如臺(tái)風(fēng)、冰雹、電機(jī)故障、以及政府得政策、社會(huì)的異常事件等一些不可抗力因素的影響,以導(dǎo)致風(fēng)電場(chǎng)產(chǎn)能的較為理想的規(guī)律被破壞,所遇在這種情況下我們要盡量保證數(shù)據(jù)的有效性以及完整性的同時(shí)也要充分考慮異常事件可能帶來的影響20。3)地域性風(fēng)電功率的影響因素因風(fēng)電場(chǎng)的選擇地點(diǎn)的不同而不同,因此所占比重也會(huì)發(fā)生改變。由于我國(guó)地理?xiàng)l件的多種多樣,風(fēng)電場(chǎng)的產(chǎn)能也會(huì)呈現(xiàn)出一定的地域性,東部沿海為海洋性氣候多暴

30、風(fēng),風(fēng)電的不確定成分所占比重大,而西部?jī)?nèi)地為大陸性氣候,風(fēng)速、風(fēng)向、溫度等風(fēng)電功率影響因素相對(duì)來說較為穩(wěn)定,不確定因素比重小,在建立預(yù)測(cè)模型的時(shí)候就較容易20。2.4 風(fēng)電功率短期預(yù)測(cè)系統(tǒng) 風(fēng)電功率短期預(yù)測(cè)系統(tǒng)最早是在在上個(gè)世紀(jì)九十年代在丹麥和德國(guó)出現(xiàn)。如今，各種各樣的風(fēng)電功率短期預(yù)測(cè)系統(tǒng)所采用數(shù)值天氣預(yù)報(bào)的數(shù)據(jù)依舊是作為它們最主要的的輸入?yún)?shù)之一，它們采用的的預(yù)測(cè)模型是不同得,有采用物理模型的,有采用統(tǒng)計(jì)模型的,以及還有使用組合模型的30。風(fēng)電功率短期預(yù)測(cè)系統(tǒng)可以通過數(shù)值天氣預(yù)報(bào)數(shù)據(jù)來獲知未來的一段區(qū)間內(nèi)風(fēng)電場(chǎng)的風(fēng)速、風(fēng)向以及其它的相關(guān)的天氣咨詢。將數(shù)值天氣預(yù)報(bào)的預(yù)測(cè)來的數(shù)據(jù)進(jìn)而轉(zhuǎn)變成為風(fēng)電

31、功率預(yù)測(cè)數(shù)據(jù)是風(fēng)電功率短期預(yù)測(cè)系統(tǒng)的主要功能。3 人工神經(jīng)網(wǎng)絡(luò)人工神經(jīng)網(wǎng)絡(luò)類可以稱作為一種應(yīng)用，它類似于用數(shù)學(xué)模型的信息處理大腦連接結(jié)構(gòu)的突觸。另外在工程和學(xué)術(shù)界傾向于直接調(diào)用神經(jīng)網(wǎng)絡(luò)或神經(jīng)網(wǎng)絡(luò)。神經(jīng)網(wǎng)絡(luò)是一種計(jì)算模型，它是由許多節(jié)點(diǎn)（神經(jīng)元）被彼此連接的組成，每個(gè)神經(jīng)元代表一個(gè)唯一的輸出功能，稱為激活函數(shù)10。兩個(gè)節(jié)點(diǎn)之間的連接意味著權(quán)重連接信號(hào)的加權(quán)值，這是類似于人工神經(jīng)網(wǎng)絡(luò)的記憶?；诰W(wǎng)絡(luò)連接的網(wǎng)絡(luò)的輸出，權(quán)重值是不一樣的記憶激發(fā)函數(shù)不相同。然而，網(wǎng)絡(luò)本身往往是接近一個(gè)特定的算法或函數(shù)的性質(zhì)，或者表達(dá)一種邏輯策略。人工神經(jīng)網(wǎng)絡(luò)（ANN）是對(duì)人腦抽象和簡(jiǎn)化，通過簡(jiǎn)單的神經(jīng)元與彼此和自適應(yīng)非

32、線性動(dòng)態(tài)系統(tǒng)的形成連接的特定的拓?fù)浣Y(jié)構(gòu)13。ANN作為一種智能學(xué)習(xí)算法，可以具有多種不同的結(jié)構(gòu)，可以應(yīng)用在模式分類，優(yōu)化計(jì)算、預(yù)測(cè)等領(lǐng)域，其特點(diǎn)是具有自學(xué)習(xí)、自適應(yīng)和自組織能力；相對(duì)于統(tǒng)計(jì)方法，ANN不需要確定函數(shù)模型，在對(duì)訓(xùn)練數(shù)據(jù)進(jìn)行充分訓(xùn)練后，就可以有效地在穩(wěn)態(tài)和瞬態(tài)條件下進(jìn)行測(cè)試值的外推23。利用神經(jīng)網(wǎng)絡(luò)非常適合做函數(shù)逼近和預(yù)測(cè)的特點(diǎn)，在對(duì)數(shù)據(jù)做了統(tǒng)計(jì)預(yù)處理后，將BP神經(jīng)網(wǎng)絡(luò)模型應(yīng)用到反應(yīng)堆功率預(yù)測(cè)中，實(shí)驗(yàn)表明BP網(wǎng)絡(luò)可以在多種不同情況下都有較好的表現(xiàn)，有力說明其強(qiáng)大的泛化性能和容錯(cuò)性能。與前饋型網(wǎng)絡(luò)(FNN)相比，該模型結(jié)構(gòu)比較簡(jiǎn)單，計(jì)算速度快，并且得到的預(yù)測(cè)精度也比較高。3.1 人工

33、神經(jīng)網(wǎng)絡(luò)的特點(diǎn)人工神經(jīng)網(wǎng)絡(luò)是由人類大腦的結(jié)構(gòu)和功能而創(chuàng)建起來的新型信息處理系統(tǒng)。它有很多和人類的智能相似的特點(diǎn)。（1） 并行結(jié)構(gòu)和并行處理許多簡(jiǎn)單的處理單元都與人工神經(jīng)網(wǎng)絡(luò)組成的相互高度并行的非線性系統(tǒng)連接。它不僅在結(jié)構(gòu)是平行的，它們也是在處理序列和平行。人工神經(jīng)網(wǎng)絡(luò)在多個(gè)處理單元中，當(dāng)在同一層中的處理單元，它們具有并行操作的計(jì)算功能。所以神經(jīng)網(wǎng)絡(luò)中的信息處理不但運(yùn)算速度快，它還比計(jì)算機(jī)的串行處理的速度。（2） 知識(shí)的分布儲(chǔ)存窗體頂端人工神經(jīng)網(wǎng)絡(luò)的信息存儲(chǔ)，必須使用分布式并行結(jié)構(gòu)。在人工神經(jīng)網(wǎng)絡(luò)中，知識(shí)并不是儲(chǔ)存在特指的儲(chǔ)存單元中的，它是分布儲(chǔ)存在整個(gè)網(wǎng)絡(luò)的所有連接權(quán)中的。一個(gè)神經(jīng)網(wǎng)絡(luò)能夠儲(chǔ)存

34、多種多樣的信息，當(dāng)中多種信息的一部分是被儲(chǔ)存在每個(gè)神經(jīng)元的連接權(quán)中的。（3） 較好的容錯(cuò)特性人工神經(jīng)網(wǎng)絡(luò)表現(xiàn)出了較好的容錯(cuò)性人工神經(jīng)網(wǎng)絡(luò)的知識(shí)分布存儲(chǔ)特性使得。當(dāng)輸入一些不完善的數(shù)據(jù)和信息時(shí)，人工神經(jīng)網(wǎng)絡(luò)可以經(jīng)過聯(lián)想恢復(fù)成為完整的記憶，因此可以實(shí)現(xiàn)正確識(shí)別不完整的輸入信息。此外，因?yàn)橹R(shí)并不是儲(chǔ)存在一個(gè)特指的儲(chǔ)存單元，它是分布儲(chǔ)存在整個(gè)網(wǎng)絡(luò)連接權(quán)中，因此，有受損的神經(jīng)元不會(huì)對(duì)整個(gè)系統(tǒng)有一定比例的巨大的沖擊性影響，部分細(xì)胞就像每個(gè)大腦自動(dòng)模切，但不會(huì)使人們的記憶能力和思考能力受到影響一樣。所以，人工神經(jīng)網(wǎng)絡(luò)可以忍受一定數(shù)量不準(zhǔn)確的信息，相比于一般計(jì)算機(jī)，神經(jīng)網(wǎng)絡(luò)計(jì)算機(jī)承受硬件損壞的能力也比較強(qiáng)。

35、 （4） 高度的非線性和計(jì)算機(jī)的非精確性大量簡(jiǎn)單的處理單元互聯(lián)非線性系統(tǒng)的特點(diǎn)是高度并行構(gòu)成的人工神經(jīng)網(wǎng)絡(luò)，存儲(chǔ)性能使信息存儲(chǔ)在其并行的知識(shí)結(jié)構(gòu)的空間分布和處理，并行時(shí)間可以讓得整個(gè)網(wǎng)絡(luò)呈現(xiàn)出高度的非線性特性，以及神經(jīng)網(wǎng)絡(luò)能夠處理持續(xù)的模擬信號(hào)和不完善的數(shù)據(jù)，讓神經(jīng)網(wǎng)絡(luò)通常給出滿意的解決方案而不是精確解 25 。（5） 自適應(yīng)性、自學(xué)習(xí)和自組織一個(gè)能夠改變他們的性能以適應(yīng)環(huán)境變化的系統(tǒng)是適應(yīng)性的，它有兩個(gè)特點(diǎn)，即：自學(xué)習(xí)和自組織。其中，自主學(xué)習(xí)是指當(dāng)外部環(huán)境發(fā)生變化，一段時(shí)間的培訓(xùn)或感知后，神經(jīng)網(wǎng)絡(luò)可以為一個(gè)給定的輸入產(chǎn)生一個(gè)輸出；和自組織神經(jīng)網(wǎng)絡(luò)可以通過訓(xùn)練，調(diào)節(jié)突觸神經(jīng)元之間的連接權(quán)值調(diào)整

36、的手段，它具有可塑性，逐步建立適應(yīng)不同的信息處理要求的神經(jīng)網(wǎng)絡(luò) 25 。3.2 神經(jīng)網(wǎng)絡(luò)的分類如今，神經(jīng)網(wǎng)絡(luò)模型已經(jīng)具有近40余種神經(jīng)網(wǎng)絡(luò)模型，其中典型的有Elman神經(jīng)網(wǎng)絡(luò)、CMAC小腦模型、BP網(wǎng)絡(luò)、ART自適應(yīng)共振理論、Blotzman機(jī)網(wǎng)絡(luò)和Hopfield網(wǎng)絡(luò)等。 3.2.1 Elman神經(jīng)網(wǎng)絡(luò)窗體頂端Elman網(wǎng)絡(luò)是Elman在1990年提出的，為了實(shí)現(xiàn)存儲(chǔ)器的目的，Elman網(wǎng)絡(luò)模型增加了一層承接在隱藏層前饋網(wǎng)絡(luò)，它可以使系統(tǒng)具有適應(yīng)能力是變化的，特征可以直接響應(yīng)于該系統(tǒng)的動(dòng)態(tài)過程。 Elman網(wǎng)絡(luò)是一個(gè)典型的動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)，它是根據(jù)神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)，內(nèi)部狀態(tài)被存儲(chǔ)到映射函數(shù)的動(dòng)

37、態(tài)功能，從而使系統(tǒng)具有適應(yīng)隨時(shí)間變化的特征的能力代表神經(jīng)網(wǎng)絡(luò)建模和控制的方向22。Elman神經(jīng)網(wǎng)絡(luò)具有優(yōu)點(diǎn)：其具有一般回歸神經(jīng)網(wǎng)絡(luò)模型的動(dòng)態(tài)特性；其具有前向網(wǎng)絡(luò)計(jì)算量小、容易收斂、結(jié)構(gòu)簡(jiǎn)單的特點(diǎn)；其特有的反饋結(jié)構(gòu)使其具有較強(qiáng)的抗干擾能力，而且表達(dá)復(fù)雜的動(dòng)態(tài)系統(tǒng)僅僅需要單層網(wǎng)絡(luò)；因?yàn)閯?dòng)態(tài)回歸網(wǎng)絡(luò)中的輸入不會(huì)隨輸出的歷史數(shù)據(jù)產(chǎn)生變化，所以遞歸網(wǎng)絡(luò)中的噪聲只會(huì)出現(xiàn)在網(wǎng)絡(luò)的噪聲方差和訓(xùn)練精度中，然而與期望輸出相比較高；隨著噪聲的減小回歸網(wǎng)絡(luò)的泛化性增強(qiáng)，相反的系統(tǒng)輸出的歷史值存在在前向網(wǎng)絡(luò)的輸入中，座椅噪聲也有輸入端，前向網(wǎng)絡(luò)的泛化能力受到噪聲的嚴(yán)重影響。 Elman 神經(jīng)網(wǎng)絡(luò)缺點(diǎn)：學(xué)習(xí)速度相對(duì)于前

38、向網(wǎng)絡(luò)較慢，存在的內(nèi)部反饋導(dǎo)致對(duì)樣本的處理只能單個(gè)進(jìn)行；Elman 神經(jīng)網(wǎng)絡(luò)節(jié)點(diǎn)數(shù)有一定限制，需要主要算法收斂問題30 。3.2.2 BP神經(jīng)網(wǎng)絡(luò)窗體頂端BP（反向傳播）神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過程是反向傳播的錯(cuò)誤反向傳播算法，它是這兩個(gè)過程是由信息傳播和誤差反向傳播。從外界接收的輸入信息主要是使用了輸入層中的神經(jīng)元，并且傳遞到中間層的神經(jīng)元;中間層是指在內(nèi)部信息處理層，其主要功能是對(duì)轉(zhuǎn)換信息，并根據(jù)信息的能力的不斷變化的需求可以設(shè)計(jì)成單個(gè)隱藏層或多層隱藏層結(jié)構(gòu);最后一個(gè)隱藏層步驟被發(fā)送到在該信息的輸出層的每個(gè)神經(jīng)元，再經(jīng)過進(jìn)一步處理，并在學(xué)習(xí)過程中向前傳播的端部，通過輸出層到外部的輸出信息世界處理的結(jié)

39、果。當(dāng)實(shí)際輸出與期望輸出的不同，扭轉(zhuǎn)相位誤差的傳播。誤差可以輸出通過該層，根據(jù)錯(cuò)誤的梯度下降方法來修改權(quán)重，到輸入層，反饋到隱含層。這種信息的過程以后開始再次闡述和各層的反向傳播的過程中，是連續(xù)調(diào)整的權(quán)重，并且神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程，這個(gè)過程將繼續(xù)下去，直到網(wǎng)絡(luò)錯(cuò)誤輸出減小到日期的滿意，或者設(shè)置的學(xué)習(xí)時(shí)間22。窗體底端BP神經(jīng)網(wǎng)絡(luò)和早期的人工神經(jīng)網(wǎng)絡(luò)模型相比，誤差反向傳播的神經(jīng)網(wǎng)絡(luò)更為成熟，主要表現(xiàn)在在網(wǎng)絡(luò)理論和網(wǎng)絡(luò)性能上，較強(qiáng)的非線性映射能力是其最大的優(yōu)點(diǎn)。但是 BP 神經(jīng)網(wǎng)絡(luò)不是非常完善的網(wǎng)絡(luò)，它還是會(huì)出現(xiàn)一些問題，例如：（1）若 BP 神經(jīng)網(wǎng)絡(luò)訓(xùn)練太多次，這樣會(huì)讓學(xué)習(xí)的訓(xùn)練的過程變太長(zhǎng)、從而

40、會(huì)影響學(xué)習(xí)效率。然而學(xué)習(xí)速率會(huì)影響 BP 算法進(jìn)行學(xué)習(xí)時(shí)的收斂速度，若學(xué)習(xí)速率過小，相應(yīng)的網(wǎng)絡(luò)收斂速度就會(huì)較慢；若學(xué)習(xí)速率過大，會(huì)使網(wǎng)絡(luò)振蕩進(jìn)而無法達(dá)到收斂。但在目前學(xué)習(xí)速率該咋樣取值還沒有理論上的指導(dǎo)，一般情況下在 0.01-1 范圍內(nèi)取值； （2）BP神經(jīng)的局部極小網(wǎng)絡(luò)的誤差函數(shù)存在非線性S型函數(shù)。因此，它包括的不僅只有一個(gè)最小點(diǎn)，但也有多個(gè)局部極小，因此網(wǎng)絡(luò)中的訓(xùn)練過程中遇到局部最小值點(diǎn)是無法繼續(xù)訓(xùn)練，所以出現(xiàn)在“局部最小”的問題。最初的連接權(quán)是BP學(xué)習(xí)算法出現(xiàn)局部極小的主要因素之一。如果初始連接權(quán)重過大，有可能在學(xué)習(xí)和訓(xùn)練開始使得網(wǎng)絡(luò)中的S形函數(shù)的飽和區(qū)，使網(wǎng)絡(luò)從陷入局部最小值。因此，

41、通常設(shè)置較小的連接權(quán)初始值，以便使每個(gè)神經(jīng)元的轉(zhuǎn)臺(tái)只接近零，以保證在學(xué)習(xí)開始時(shí)網(wǎng)絡(luò)不會(huì)陷入局部極小點(diǎn)；（3）隱含層層數(shù)和隱含層的節(jié)點(diǎn)數(shù)的選取目前并沒有理論上的指導(dǎo)，大多數(shù)是依照實(shí)驗(yàn)來確定的，所以BP網(wǎng)絡(luò)經(jīng)常是含有較大的冗余性，這樣無意之中也增加了網(wǎng)絡(luò)學(xué)習(xí)的時(shí)間；（4）訓(xùn)練的時(shí)候?qū)W習(xí)新的例子會(huì)產(chǎn)生遺忘舊樣本的趨勢(shì)，這是因?yàn)?BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)和記憶存在不穩(wěn)定性， 當(dāng)提供一個(gè)新的記憶模式給訓(xùn)練已經(jīng)結(jié)束的BP神經(jīng)網(wǎng)絡(luò)時(shí)，就有可能把網(wǎng)絡(luò)已經(jīng)調(diào)整好的連接權(quán)值破壞掉，這樣會(huì)讓已經(jīng)記憶的學(xué)習(xí)模式的有關(guān)的數(shù)據(jù)消失30。把新的學(xué)習(xí)模式和原來的學(xué)習(xí)模式相結(jié)合后給 BP神經(jīng)網(wǎng)絡(luò)這提供了可以防止上述現(xiàn)象的發(fā)生，也就可

42、以重新訓(xùn)練該網(wǎng)絡(luò)，這種方式與人類大腦進(jìn)行記憶時(shí)的穩(wěn)定性是一樣的。3.3 小結(jié)在簡(jiǎn)單的介紹了人工神經(jīng)網(wǎng)絡(luò)的概念與特點(diǎn)以后，又分別介紹了BP神經(jīng)網(wǎng)絡(luò)和Elman神經(jīng)網(wǎng)絡(luò)，并且通過對(duì)比Elman神經(jīng)網(wǎng)絡(luò)以及BP神經(jīng)網(wǎng)絡(luò)的優(yōu)缺點(diǎn)，我最終選擇了基于Elman神經(jīng)網(wǎng)絡(luò)的風(fēng)電場(chǎng)風(fēng)電功率短期預(yù)測(cè)技術(shù)。其主要原因是BP神經(jīng)網(wǎng)絡(luò)是BP神經(jīng)網(wǎng)絡(luò)是一種靜態(tài)神經(jīng)網(wǎng)絡(luò)，因此它的動(dòng)態(tài)性能不足以及適應(yīng)性較差，而ELman神經(jīng)網(wǎng)絡(luò)是一個(gè)典型的動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)，它特有的反饋結(jié)構(gòu)使其具有較強(qiáng)的抗干擾能力，可以使結(jié)果更加的精確。4 Elman神經(jīng)網(wǎng)絡(luò)4.1 Elman神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Elman神經(jīng)網(wǎng)絡(luò)由四層組成：輸出層，相關(guān)層，中間層（隱層

43、）和輸入層。隱含層，輸出層和連接輸入層，輸入層單元前饋網(wǎng)絡(luò)僅僅作為信號(hào)傳輸；輸出層單元具有線性加權(quán)函數(shù)。線性或非線性的函數(shù)可以作為一個(gè)隱含層單元的傳遞函數(shù)，也被稱為接觸層可以與單元層，其主要功能是用來輸出的時(shí)間內(nèi)隱記憶層單元的值，這也可以認(rèn)為是一步延遲算子。Elman神經(jīng)網(wǎng)絡(luò)的特征是它隱層的輸出實(shí)現(xiàn)存儲(chǔ)層相關(guān)的延遲，并連接到從隱含層的輸入，這樣的自關(guān)聯(lián)方式可以使它歷史數(shù)據(jù)的具有一定的敏感性，要使動(dòng)態(tài)信息處理網(wǎng)絡(luò)本身增加的容量可以增加內(nèi)部反饋網(wǎng)絡(luò)，從而實(shí)現(xiàn)動(dòng)態(tài)建模 23 。 圖4-1 Elman神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)4.2 Elman神經(jīng)網(wǎng)絡(luò)算法Elman神經(jīng)網(wǎng)絡(luò)可以逼近任意精度的線性映射，當(dāng)輸入和輸出數(shù)

44、據(jù)到一個(gè)特定的系統(tǒng)，該系統(tǒng)可以模擬。非線性狀態(tài)空間表達(dá)式如下所示： (4-1)上式中，作為隱含層神經(jīng)元的傳遞函數(shù)，使用tansig函數(shù)，是輸出層傳遞函數(shù)，使用purelin函數(shù)；b2、b1分別作為輸出層和隱含層的閾值。設(shè)第s步網(wǎng)絡(luò)的實(shí)際輸出為，則依據(jù)動(dòng)態(tài)學(xué)習(xí)算法，Elman網(wǎng)絡(luò)的目標(biāo)函數(shù)即差函數(shù)為： (4-2)均方誤差的最快下降法為： I=1,2, (4-3)式中，為學(xué)習(xí)速率，是第s次迭代各層間的權(quán)值。對(duì)于w2，有 (4-4)式中， 對(duì)于w1，有 (4-5)式中, 對(duì)于w3，有 (4-6）式中， 4.3 Elman神經(jīng)網(wǎng)絡(luò)算法流程計(jì)算輸出層輸出初始化輸入樣本值計(jì)算輸入層輸出計(jì)算誤差函數(shù)更新權(quán)值

45、計(jì)算承接層輸出出計(jì)算隱含層輸出圖4-2 Elman神經(jīng)網(wǎng)絡(luò)的算法流程以下誤差函數(shù)可以判斷算法是否結(jié)束：（4-7）其中 為期望輸出4.4 Elman性能測(cè)試與仿真實(shí)驗(yàn)本文采用Elman神經(jīng)網(wǎng)絡(luò)做信號(hào)檢測(cè)實(shí)驗(yàn)，由于Elman神經(jīng)網(wǎng)絡(luò)可以使信號(hào)避免外界的干擾，并且會(huì)讓結(jié)果更加精準(zhǔn)。但是由于隱含層的神經(jīng)元數(shù)目選擇不能用一個(gè)理想的解析式來表示，所以使用試湊法可以獲得最佳隱層節(jié)點(diǎn)數(shù)。在本次設(shè)計(jì)程序中對(duì)隱層節(jié)點(diǎn)數(shù)進(jìn)行動(dòng)態(tài)賦值，依次為20、22、25、28，分別進(jìn)行訓(xùn)練和預(yù)測(cè)，對(duì)預(yù)測(cè)的誤差進(jìn)行分析，具體分析結(jié)果如下：圖4-3 隱含層神經(jīng)元數(shù)為20表4-1 隱含層神經(jīng)元數(shù)為20Epoch MSEGradient

46、0/5004.74228/015.0593/1e-00625/5000.441701/01.53174/1e-00650/5000.347819/00.256394/1e-00675/5000.319211/00.175837/1e-006100/500 0.201104/00.251717/1e-006125/5000.115465/00.632091/1e-006325/5000.0609971/00.113592/1e-006350/5000.0410879/00.0728254/1e-006375/500 0.0331791/00.126168/1e-006400/5000.03494

47、33/00.588942/1e-006425/5000.032022/0 0.131897/1e-006450/5000.0308535/00.0445048/1e-006475/5000.0286879/00.0322551/1e-006500/5000.0251412/00.0270192/1e-006圖4-4 隱含層神經(jīng)元數(shù)為22表4-2 隱含層神經(jīng)元數(shù)為22Epoch MSEGradient0/5000.691972/0 5.52033/1e-00625/5000.337241/00.482143/1e-00650/5000.277356/0 0.291769/1e-00675/500

48、0.142687/00.220246/1e-006100/500 0.0429895/00.468499/1e-006125/5000.0385421/00.165166/1e-006325/5000.0116349/00.13612/1e-006350/5000.011433/00.0346276/1e-006375/500 0.0112161/00.0172336/1e-006400/5000.0105885/00.0140183/1e-006425/5000.010655/0 0.227775/1e-006450/5000.010233/00.0233907/1e-006475/5000

49、.0101008/00.0149/1e-006500/5000.00970718/00.0118691/1e-006圖4-5 隱含層神經(jīng)元數(shù)為25表4-3 隱含層神經(jīng)元數(shù)為25Epoch MSEGradient0/5000.722359/0 6.32649/1e-00625/5000.348394/00.923851/1e-00650/5000.250014/00.395577/1e-00675/5000.21733957/00.258818/1e-006100/5000.20706495/00.221893/1e-006125/5000.18634867/00.1872502/1e-0066

50、325/5000.0116349/00.13612/1e-006350/5000.011433/00.1346276/1e-006375/5000.01133957/00.108818/1e-006400/5000.00906495/00.092893/1e-006425/5000.00834867/0 0.0772502/1e-006450/5000.00733957/00.058818/1e-006475/5000.00706495/00.022893/1e-006500/5000.00634867/00.0172502/1e-006圖4-6 隱含層神經(jīng)元數(shù)為28表4-4 隱含層神經(jīng)元數(shù)為

51、28Epoch MSEGradient0/5003.04946/0 26.0479/1e-00625/5000.369518/00.326448/1e-00650/5000.334021/00.147573/1e-00675/5000.280513/00.14957/1e-006100/5000.194518/00.863148/1e-006125/5000.181483/00.2178/1e-006325/5000.0279451/00.682304/1e-006350/5000.011433/00.1346276/1e-006375/5000.0221445/00.158759/1e-00

52、6400/5000.0132974/0 0.405285/1e-006425/5000.0128244/00.114673/1e-006450/5000.012696/0 0.0396953/1e-006475/5000.0124792/00.0261887/1e-006500/5000.0119012/00.0332779/1e-006表4-5 誤差對(duì)比神經(jīng)元MSE200.0251412220.00970718250.00634867280.0119012由表4-5可以看出，當(dāng)隱含層神經(jīng)元的數(shù)目為22和25時(shí)，其方均誤差比較相近；與隱含層神經(jīng)元數(shù)目為20和28時(shí)的方均誤差相比較也更小。因此，

53、選擇將隱含層神經(jīng)元數(shù)目定為25。在確認(rèn)完最佳隱層節(jié)點(diǎn)數(shù)后我選用AM調(diào)制的三角波。載波頻率為20rad/s,調(diào)制信號(hào)頻率選為0.2rad/s。本文將Elman神經(jīng)網(wǎng)絡(luò)用于峰值檢波，首先定義了輸入和輸出變量，其次創(chuàng)建了相應(yīng)的Elman神經(jīng)網(wǎng)絡(luò)，以及將輸入向量矩陣轉(zhuǎn)換為輸入序列，并且將目標(biāo)向量矩陣轉(zhuǎn)換為目標(biāo)序列，在確定了訓(xùn)練步長(zhǎng)后，調(diào)出工具箱，開始繪制圖形，所得到的仿真結(jié)果如圖4-7所示：圖4-7 仿真結(jié)果在經(jīng)過神經(jīng)網(wǎng)絡(luò)訓(xùn)練后，利用已調(diào)制的三角波，已調(diào)制的正弦波和已調(diào)制的矩形波來進(jìn)行仿真。最初使用三角波來調(diào)制信號(hào)。在加載了訓(xùn)練后的Elman神經(jīng)網(wǎng)絡(luò)以后，利用已經(jīng)調(diào)制好的三角波來進(jìn)行仿真，重新輸入目標(biāo)

54、向量以及輸入向量，利用工具箱繪制三角波調(diào)制的已調(diào)波信號(hào)；其次又將輸入向量矩陣轉(zhuǎn)換為輸入序列，以此來進(jìn)行網(wǎng)絡(luò)仿真，隨后將輸出序列轉(zhuǎn)換為矩陣形式，最后繪制了網(wǎng)絡(luò)輸出信號(hào)波形和調(diào)制信號(hào)波形。仿真結(jié)果如4-8所示：圖4-8 三角波調(diào)制信號(hào)仿真結(jié)果在完成了三角波調(diào)制信號(hào)以后，采用了正弦波調(diào)制信號(hào)，按照要求修改了輸入信號(hào)，按照類似上個(gè)程序的方式來繪制網(wǎng)絡(luò)輸出信號(hào)波形和調(diào)制信號(hào)波形，得出的仿真結(jié)果如4-9所示：圖4-9 正弦波調(diào)制信號(hào)仿真結(jié)果最后，使用矩形波調(diào)制信號(hào)進(jìn)行仿真，步驟如上面的，只是它所需要的輸入向量，以及輸出向量是不同的，在經(jīng)過修改程序后，使用工具箱繪制出網(wǎng)絡(luò)輸出信號(hào)波形和調(diào)制信號(hào)波形仿真結(jié)果如下圖4-10所示：圖4-10 矩形波調(diào)制信號(hào)仿真結(jié)果設(shè)計(jì)中采用了Elman神經(jīng)網(wǎng)絡(luò)對(duì)于AM調(diào)制的信號(hào)進(jìn)行檢測(cè)。該方法可以測(cè)量出原始信號(hào)，同時(shí)該方法也能測(cè)量信號(hào)的幅度和周期。相對(duì)于傳統(tǒng)信號(hào)的檢測(cè)，使用Elman神經(jīng)網(wǎng)絡(luò)方法避免了外界的干擾，可以增加結(jié)果更為精準(zhǔn)。這是由于Elman神經(jīng)網(wǎng)絡(luò)具有它特有的反饋結(jié)構(gòu)，這個(gè)結(jié)構(gòu)讓它具有較強(qiáng)的抗干擾能力，所以才會(huì)使結(jié)果更加精確。4.5 本章小結(jié)在本章中，主要介紹了本次論文中主要使用的Elman神經(jīng)網(wǎng)絡(luò)。首先介紹了Elman神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)以及算法，