基于RBF神经网络模型的风电机组短期风速预测研究

基于RBF神经网络模型的风电机组短期风速预测研究

摘 要：在电力市场中，风电所占电网的比例越来越大。但由于风的波动及其不可控性，风电场的发电量也在随机变化，风速是影响产能最直接最根本的因素，所以很有必要对其进行预测。本文采用RBF人工神经网络模型对未来短时间风速进行预测。通过对风速反复训练与检测来选择一组合适的模型参数，并对模型进行了误差分析。研究结果表明，使用RBF神经网络对未来风速进行短时间预测能够达到较好效果。

关坚词：风电机组；matlab；RBF神经网络；风速预测

1. 引言

开发与利用新能源是我国21世纪的重要能源战略。风能是一种“取之不尽，用之不竭”、环境友好的可持续性能源，已受到了越来越广泛的重视，并成为发展最快的新型能源。但是风电具有间歇性和随机性的固有缺点，随着我国风电并网容量快速增大，风速波动使得风力机组功率不稳定，给电力调度、风力机组维修带来了困难，因此预先一段时间进行风速的预测是很有意义的。风电场短期风速预测是解决该问题的有效途径之一。我国从20世纪90年代末开始了风速和风电功率预测研究，风电场风速预测误差在25%-40%。

本文选用径向基神经网络（即RBF神经网络），利用内蒙古某风电场2014年7月份每10分钟平均实测风速数据，建立神经网络模型，通过网络学习来预测风速。

2. 风速的变化特性

受气候背景、地形以及海陆分布等多种自然因素影响，风速在时间分布上具有不确定性和不连续性。然而，风速仍然具有很强的变化特性。一般情况下，每月平均风速的空间分布与造成风速的气候背景、地形以及海陆分布等有直接关系。以地处内蒙古的风场为例，风场海拔高度为1000-2000米，气候条件多为温带大陆性季风气候，风速在夏季（6月至9月）较小，在秋冬春季（10月至第二年5月）风速较大。因此对风速进行预测之前，要对风场风速变化特性有充分的考虑。

3. RBF神经网络构建

3.1 RBF神经网络

径向基神经网络（即RBF神经网络）由三层组成，输入层、隐含层和输出层，如图1所示。相比其他神经网络，RBF神经网络的训练时间更短，其对函数的逼近是最优的。

本文来源：https://www.bwwdw.com/article/hnlf.html