基于相似数据的人工神经网络短期风速预测模型

宋人杰　刘贺军

摘 要：提出基于相似数据并结合小波分析的数据预处理模型，并运用基于反向传播（BP）神经网络风速预测模型预测风速。该方法从大量的历史数据样本中提取相似数据创建训练样本，采用小波分解将风速信号分解成低频趋势信号和高频随机信号，采用BP神经网络建模，合成得到风速预测数据。通过某风电场的实际风速数据验证结果表明，相似数据有效地提高了数据的相关度，小波分解使BP神经网络模型更好地拟合风速信号的低频和高频特性，提高了预测精度。

关键词：风速；短期预测；相似数据；小波分析；人工神经网络

1 引言

随着风电场并网运行规模的增大，国内外对于风力发电并网各种课题的研究越来越深入，但关于风电场发电功率预测的研究还达不到令人满意的程度，预测误差一般都在15%以上[1]。

采用的方法通常包括持续法、卡尔曼滤波法、随机时间序列法、神经网络法。其中，人工神经网络法进行风速或风电功率预测应用得最广。文献[2-3]都利用小波—BP神经网络进行建模，但训练样本没有相关性，预测精度偏低。文献[4-5]利用改进的BP神经网络建模，虽然运行时间缩短，但是在数据相关性和数据去噪处理方面欠缺，导致精度不高。因此，本文建立了基于相似数据并结合小波分析的BP神经网络建模。

2 基于相似数据并结合小波分析的BP神经网络建模

2.1 相似数据选择办法

2.3 反向传播（BP）神经网络

2.4 仿真实验建模

3 算法对比分析

从图4可得出，BP神经网络模型的平均相对误差为20.77%，而本模型为10.21%。因此，采用本模型建模得到的相对误差较传统的BP神经网络模型预测精度有很大的提高。

4 结论

针对风力发电中风速预测问题，本文在BP神经网络理论的基础上引入相似数据并结合小波分解进行短期风速预测，得到如下结论：

⑴相似数据的选取增强了数据的相关性，提高了模型预测精度。

⑵小波分解降低了信号的非平稳性，使模型更好地拟合了风速信号的低频和高频特性，可进一步提高算法精度。

⑶通过对算法对比分析，表明本模型较传统BP神经网络模型误差小，充分地说明此方法在工程应用上具有可行性。

[参考文献]

[1]杨秀媛，肖洋，陈树勇.风电场风速和发电功率预测研究[J].中国电机工程学报，2005，25（11）：1-5.

[2]师洪涛，杨静玲，丁茂生，王金梅.基于小波—BP神经网络的短期风电功率预测方法[J].电力系统自动化，2011，35（16）：44-48.

[3]厉卫娜，苏小林.基于小波- 神经网络的短期风电功率预测研究[J].电力学报，2011，26（6）：458-461.

[4]王德明，王莉，张广明.基于遗传BP神经网络的短期风速预测模型[J]. 浙江大学学报（工学版），2012，46（5）：837-841.

[5]杨刚，陈鸣.基于BP神经网络的风速预测和风能发电潜力分析[J].华东电力，2010，38（2）：304-309.

[6]陈明.神经网络模型[M].大连：大连理工大学出版社，1995：85-100.

摘 要：提出基于相似数据并结合小波分析的数据预处理模型，并运用基于反向传播（BP）神经网络风速预测模型预测风速。该方法从大量的历史数据样本中提取相似数据创建训练样本，采用小波分解将风速信号分解成低频趋势信号和高频随机信号，采用BP神经网络建模，合成得到风速预测数据。通过某风电场的实际风速数据验证结果表明，相似数据有效地提高了数据的相关度，小波分解使BP神经网络模型更好地拟合风速信号的低频和高频特性，提高了预测精度。

关键词：风速；短期预测；相似数据；小波分析；人工神经网络

1 引言

随着风电场并网运行规模的增大，国内外对于风力发电并网各种课题的研究越来越深入，但关于风电场发电功率预测的研究还达不到令人满意的程度，预测误差一般都在15%以上[1]。

采用的方法通常包括持续法、卡尔曼滤波法、随机时间序列法、神经网络法。其中，人工神经网络法进行风速或风电功率预测应用得最广。文献[2-3]都利用小波—BP神经网络进行建模，但训练样本没有相关性，预测精度偏低。文献[4-5]利用改进的BP神经网络建模，虽然运行时间缩短，但是在数据相关性和数据去噪处理方面欠缺，导致精度不高。因此，本文建立了基于相似数据并结合小波分析的BP神经网络建模。

2 基于相似数据并结合小波分析的BP神经网络建模

2.1 相似数据选择办法

2.3 反向传播（BP）神经网络

2.4 仿真实验建模

3 算法对比分析

从图4可得出，BP神经网络模型的平均相对误差为20.77%，而本模型为10.21%。因此，采用本模型建模得到的相对误差较传统的BP神经网络模型预测精度有很大的提高。

4 结论

针对风力发电中风速预测问题，本文在BP神经网络理论的基础上引入相似数据并结合小波分解进行短期风速预测，得到如下结论：

⑴相似数据的选取增强了数据的相关性，提高了模型预测精度。

⑵小波分解降低了信号的非平稳性，使模型更好地拟合了风速信号的低频和高频特性，可进一步提高算法精度。

⑶通过对算法对比分析，表明本模型较传统BP神经网络模型误差小，充分地说明此方法在工程应用上具有可行性。

[参考文献]

[1]杨秀媛，肖洋，陈树勇.风电场风速和发电功率预测研究[J].中国电机工程学报，2005，25（11）：1-5.

[2]师洪涛，杨静玲，丁茂生，王金梅.基于小波—BP神经网络的短期风电功率预测方法[J].电力系统自动化，2011，35（16）：44-48.

[3]厉卫娜，苏小林.基于小波- 神经网络的短期风电功率预测研究[J].电力学报，2011，26（6）：458-461.

[4]王德明，王莉，张广明.基于遗传BP神经网络的短期风速预测模型[J]. 浙江大学学报（工学版），2012，46（5）：837-841.

[5]杨刚，陈鸣.基于BP神经网络的风速预测和风能发电潜力分析[J].华东电力，2010，38（2）：304-309.

[6]陈明.神经网络模型[M].大连：大连理工大学出版社，1995：85-100.

摘 要：提出基于相似数据并结合小波分析的数据预处理模型，并运用基于反向传播（BP）神经网络风速预测模型预测风速。该方法从大量的历史数据样本中提取相似数据创建训练样本，采用小波分解将风速信号分解成低频趋势信号和高频随机信号，采用BP神经网络建模，合成得到风速预测数据。通过某风电场的实际风速数据验证结果表明，相似数据有效地提高了数据的相关度，小波分解使BP神经网络模型更好地拟合风速信号的低频和高频特性，提高了预测精度。

关键词：风速；短期预测；相似数据；小波分析；人工神经网络

1 引言

随着风电场并网运行规模的增大，国内外对于风力发电并网各种课题的研究越来越深入，但关于风电场发电功率预测的研究还达不到令人满意的程度，预测误差一般都在15%以上[1]。

采用的方法通常包括持续法、卡尔曼滤波法、随机时间序列法、神经网络法。其中，人工神经网络法进行风速或风电功率预测应用得最广。文献[2-3]都利用小波—BP神经网络进行建模，但训练样本没有相关性，预测精度偏低。文献[4-5]利用改进的BP神经网络建模，虽然运行时间缩短，但是在数据相关性和数据去噪处理方面欠缺，导致精度不高。因此，本文建立了基于相似数据并结合小波分析的BP神经网络建模。

2 基于相似数据并结合小波分析的BP神经网络建模

2.1 相似数据选择办法

2.3 反向传播（BP）神经网络

2.4 仿真实验建模

3 算法对比分析

从图4可得出，BP神经网络模型的平均相对误差为20.77%，而本模型为10.21%。因此，采用本模型建模得到的相对误差较传统的BP神经网络模型预测精度有很大的提高。

4 结论

针对风力发电中风速预测问题，本文在BP神经网络理论的基础上引入相似数据并结合小波分解进行短期风速预测，得到如下结论：

⑴相似数据的选取增强了数据的相关性，提高了模型预测精度。

⑵小波分解降低了信号的非平稳性，使模型更好地拟合了风速信号的低频和高频特性，可进一步提高算法精度。

⑶通过对算法对比分析，表明本模型较传统BP神经网络模型误差小，充分地说明此方法在工程应用上具有可行性。

[参考文献]

[1]杨秀媛，肖洋，陈树勇.风电场风速和发电功率预测研究[J].中国电机工程学报，2005，25（11）：1-5.

[2]师洪涛，杨静玲，丁茂生，王金梅.基于小波—BP神经网络的短期风电功率预测方法[J].电力系统自动化，2011，35（16）：44-48.

[3]厉卫娜，苏小林.基于小波- 神经网络的短期风电功率预测研究[J].电力学报，2011，26（6）：458-461.

[4]王德明，王莉，张广明.基于遗传BP神经网络的短期风速预测模型[J]. 浙江大学学报（工学版），2012，46（5）：837-841.

[5]杨刚，陈鸣.基于BP神经网络的风速预测和风能发电潜力分析[J].华东电力，2010，38（2）：304-309.

[6]陈明.神经网络模型[M].大连：大连理工大学出版社，1995：85-100.