论文部分内容阅读
目前全球环境逐渐变暖。导致这种现象发生的原因之一就是二氧化碳排放的增多,经济的发展从某些方面来说潜在地影响着环境,且能源消耗与经济发展往往成正相关。传统的煤炭发电是制造二氧化碳的主要因素。科技发展日新月异,针对这种现象,众多新能源发电行业如火如荼的进行着,例如光伏、风能、潮汐、水力等发电方式,这些途径都对改善环境做出了重大贡献。风能在新能源格局中占据着重要的地位,对于风速的精准预测是预测风能的重要基础。随着深度学习、人工智能技术的不断发展,这些技术也逐渐应用到风速风电预测中,并且已经取得了很大的成就。因此对于风速的精准预测有利于风电的并网调度运行。基于此,提出行之有效的可靠且精准的预测方法显得尤为重要,并且具有很高的经济效益。当前研究技术中,对于中长期的预测已经取得了比较好的预测效果,但是由于短期或者超短期时间内风电出力的不确定性和不连续性,使得风速的预测成了亟待解决的问题。本文正是基于这种背景下提出几种混合优化方案用于风速预测,该方案总体上包括Elman网络节点的选取、智能优化算法的选择、优化算法的初始化以及算法与网络的有效结合。群体优化算法涉及到粒子群优化(particle swarm optimization,PSO)、蚁群算法优化(ant colony optimization,ACO)、遗传算法(genetic algorithm,GA),并且对现有的预测模型方案进行风速预测分析。接着提出三种混合优化方案,分别是PSO-Elman、ACO-Elman、GA-Elman,通过实验仿真确定网络的节点个数之后,对模型进行多方面的分析,并将模型优化前后的统计学评价指标进行对比。本文围绕短期风速预测中网络节点选择与模型优化存在的几个关键性问题,进行了以下研究:(1)对于优选模型的选择,通过仿真实验比较其统计学指标确定其中预测性能表现较好的模型,作为优化的对象。(2)对于输入节点的选取,分析不同输入节点下模型的各种统计学指标,进而确定在输入节点为5的情况下,网络达到最优。(3)对于多步预测,分析单步、两步与三步预测。单步预测中均方根误差(root mean square error,RMSE)优化前后分别是:0.7939、0.6225、0.5611、0.5087。平均绝对误差(mean absolute error,MAE)优化前后分别是:0.6436、0.5175、0.4943、0.4236。平均绝对百分比误差(mean absolute percentage error,MAPE)优化前后分别是:0.0553、0.0364、0.0478、0.0428。优化后的模型在总体上优于优化前,并且对同一模型而言单步预测指标性能优于多步预测。(4)对于不同数据采样周期的分析,研究每隔15分钟、30分钟、45分钟不同采样周期的预测性能。采样间隔15分钟的预测中RMSE分别是:0.9241、0.8970、0.7597、0.7682。MAE分别是:0.7875、0.7536、0.6786、0.7450。MAPE分别是:0.0621、0.0588、0.0554、0.0543。针对本文所提及的混合算法优化模型,在性能上都优于未经优化的模型,且优化后的三种算法在不同的统计学指标上各有一定的优势。