论文部分内容阅读
风的波动和间歇性会给电力系统的电量质量和稳定运行带来比较大的影响,风电功率预测则是解决此问题的关键技术之一,所以对风电功率预测方法的研究有着重大的意义。BP神经网络作为可以对风电功率进行预测的方法之一,有着较强的非线性映射和容错能力等优点。但是BP网络的缺点也很突出,如收敛速度慢、易陷入局部极值等。对此本文提出用改进的粒子群优化算法(简称IPSO算法)对BP网络进行优化,并用优化过的网络对短期风电功率进行预测。本文主要的研究内容如下: (1)标准的粒子群优化算法(简称PSO算法)的惯性权值是线性递减的,但是在迭代前期全局搜索能力不强,后期局部搜索能力一般。为兼顾提高粒子群算法的全局搜索能力和搜索速度及精度,对现有算法中的惯性权值、加速因子和粒子速度的界限等参数分别提出相应的改进方法。惯性权值采用非线性递减方法,在迭代前期用较大的惯性权值,提高全局搜索能力,而在迭代后期使用较小的惯性权值,加强局部搜索能力,提高搜索精度,加快收敛速度;对于两个加速因子,让第一个线性递减,让第二个线性递增,粒子的速度界限也采用线性递减的方式,这两个改进有利于前期的全局搜索和后期的局部搜索。然后用四个函数对改进的粒子群算法进行收敛性测试,并和标准的粒子群算法进行对比,结果显示改进的粒子群算法在收敛速度和精度上都要优于它。 (2)针对BP神经网络的缺陷,用将改进的粒子群算法运用到BP网络上面,对该网络的权值和阈值进行优化,并用被优化的网络建立预测模型,对短期风电功率进行预测。选用训练样本和测试样本分别对三种网络进行了训练和测试,实验结果表明,相比于BP网络和标准粒子群算法优化的BP网络,改进的粒子群算法优化的BP网络收敛速度更快,同时对风电功率预测的效果也更好,通过实验验证了本文所提预测方案的有效性。