论文部分内容阅读
风电功率具有很强的波动性、随机性和间歇性,风电功率的准确问题是当前新能源发电领域的一个研究热点与难点。目前常用的风电功率预测方法存在一定不足,其体现在预测过程中,多数预测模型将风电场的所有历史数据作为模型输入,未能对特征信息(风电功率、风速、气温、气压等)进行重要性的排序与筛选,从而降低了预测精度与效果。此外以 BP-ANN(Back Propagation-Artificial Neural Networks,反向传播人工神经网络)为代表的相对优秀的启发式预测方法也存在着隐含层不足,无法深度捕捉模型输入与输出关系的问题。针对这些问题,本文引入DNN(Deep Neural Networks,深度神经网络)与RF(Random Forest,随机森林)模型,并在以下三个方面开展研究。为了分析风电功率预测过程中的影响因素,从风速、风向、温度、空气密度等方面分析了风电功率与天气因素的关联性,从而建立起预测模型的输入天气变量集合,最后为了衡量不同预测方法的预测误差,选择了四个目前常用的风电功率预测评估指标:(1)平均绝对误差MAE(2)平均绝对百分比误差MAPE(3)均方误差MSE(4)均方根误差RMSE。提出一种基于DNN的风电功率预测方法,其将训练集数据输入至DNN网络,利用RBM(Restricted Boltzmann Machine,受限玻尔兹曼机)对每一个隐含层进行预训练,训练完成后使用PSO(Particle Swarm Optimization,粒子群优化算法)对网络权重及阈值参数进行细调,得到参数优良的DNN网络并用于风电功率预测,为评估预测效果,与具有代表性的几种风电功率预测方法(BP-ANN、SVM、ARMA)进行对比,结果说明DNN预测效果要明显好于其他的三种对比算法,预测精度高,预测效果好。为了提高DNN的预测精度,创新的提出一种基于RF-DNN的风电功率预测方法,其利用风电功率特征信息的历史样本训练随机森林模型,求出所有特征信息对应的预测重要性指标PI,从而选择出最优的特征信息集合Q,并将集合Q历史值组成的测试数据集作为DNN模型输入,通过计算得到待预测的风电功率数值,与未经过特征信息选择的DNN预测模型进行对比,筛选特征信息有效的提升了 DNN模型的预测精度。