论文部分内容阅读
随着能源问题的进一步严峻,我国能源结构中可再生能源部分逐步增大。风力发电作为一种清洁能源,将成为未来能源结构的主体。当前风力发电设备与技术已经相当成熟,但是风力发电的不稳定性直接影响风电并网,也就造成了大量的风电浪费。因而高效的风电功率预测能够提高风电的利用率。风电功率预测比一般预测问题要更加复杂,影响风力发电的因素有很多。为了能够进行有效的风电预测输入参数必须要比一般电力功率预测问题要多。人工神经网络在风电功率预测领域应用广泛,但是由于它容易陷入局部最优,因而多采用智能优化算法对其进行改进。粒子群算法,遗传算法等算法虽然能解决神经网络陷入局部最优的问题但是当输入参数维数增多时,上述算法的性能很低,很难有效的进行风电功率预测,于是本文引入菌群优化算法对传统神经网络算法进行改进,以此来进行风电功率预测。并将该算法在Spark云平台下实现,提高整个算法的运行相率。本文主要进行以下几个方面的工作。(1)分析了传统风电预测面临的问题,并研究了不同预测方法的优缺点。比较几种智能算法的性能,根据风电预测的特殊性选择合适的智能算法对现有算法进行针对性改进。(2)研究分析了菌群优化算法的原理其特点,确定了其相对其他优化算法对多维优化问题具有更大优势。并将菌群优化算法与人工神经网络结合,给出一种新型的神经网络预测方法—菌群神经网络(BCO-NN)。将神经网络权值、阈值等相关参数定义成一个矢量,作为菌群优化算法的细菌个体进行优化。并对该改进算法进行并行化设计。(3)提出了S-BCO-NN风电预测算法,在每一个Spark节点通过训练数据集训练BCO-NN,并通过训练数据集评价神经网络的性能。将神经网络的性能指标传递至Spark主节点,根据权值决策策略给各个节点赋予不同的权值,以获得最终的预测结果。(4)进行实验测试与算例分析。选用内蒙古某风电场提供的真实数据,在实验室搭建的9节点的云计算集群上对提出的算法进行性能测试,并与现有的风电预测方法进行对比。实验结果表明提出算法的风电预测精度均优于已有算法,可为风电预测提供有效依据,且具有较好的并行性能。