军队保密教育课件社会工作导论风速预测模型(25卷)

第25卷第3期2009年3月电网与清洁能源PowerSystemandCleanEnergyVol25No3Mar2009文章编号1674-3814200903-0053-04中图分类号TM614文献标志码A风电场风速预测模型研究陶玉飞1李伟宏1杨喜峰21北京木联能软件技术有限公司北京1000852水电水利规划设计总院北京100011WindSpeedForecastModelforWindFarmsTAOYu-fei1LIWei-hong1YANGXi-feng21BeijingMillenniumEngineeringSoftwareCoLtdBeijing100085China2HydropowerandWaterResourcesPlanningDesignGeneralInstituteBeijing100011ChinaABSTRACTThispaperintroducestwowindspeedforecastmodelsforwindfarmBPneuralnetworkmodelandwavelet-clustering-neuralnetworkmodelBPneuralnetworkmodelisusuallyusedmodelforwindspeedforcastandwavelet-clustering-neuralnetworkmodelisfromthecombinationofwaveletandBPneuralnetworktechnologyThewindtimeseriesaredividedintothetimeandfrequencybywavelettechnologywhichhavedifferentcontributiontotheforecastresultsForecastresultsofBPneuralnetworkmodelandwavelet-clustering-neuralnetworkmodewhichusedtoforecasthourlywindspeedinZhuriheWindFarmshowthatthelatterismoresuitableforhourlywindspeedforwindfarmsKEYWORDSwindfarmwindspeedforecastmodelBPneuralnetworkwavelet摘要介绍了两种风电场风速预测模型分别是BP神经网络模型和小波-BP神经网络组合模型BP神经网络模型是风速预测中常用的模型之一小波技术和BP神经网络结合即为组合模型小波技术将风速时间序列按时间和频率两个方向展开体现了各成分对预测值贡献率的不同将BP神经网络模型和小波-BP神经网络组合模型分别应用到我国朱日和风电场的逐时风速预测中从预测结果对比得出组合模型更适合该风电场的逐时风速预测关键词风电场风速预测模型BP神经网络小波0引言我国的风能资源非常丰富风能资源在我国能源结构中占有重要的地位作为一种清洁的可再生能源[1]近年来风能资源正得到广泛地开发和利用21世纪人类对能源需求空前高涨尤其是我国人口众多电力需求很大大力发展风电技术具有极其重要的意义风速是风能资源计算评估的关键内容准确的预测风速对风电场和电力系统的运行管理具有重要意义预测风速的模型众多除数值天气预报模式等复杂的数学物理模式预测方法外常见的统计预测方法主要有持续预测法时间序列预测法人工神经网络法等[2-3]其中持续预测法是最简单最传统的预测方法常作为其他预测方法的比较基准时间序列预测法是一种历史资料新概念英语资料下载李居明饿命改运学pdf成本会计期末资料军队保密教育课件社会工作导论资料的延伸预测法常用的模型有自回归AR模型滑动平均MA模型自回归滑动平均ARMA模型自回归滑动平均求和ARIMA模型等在目前的人工神经网络中应用较多的是BPBackPropagation神经网络随着BP神经网络技术的不断发展该技术在风速预测中的优势和潜力已逐渐显现本文主要研究BP神经网络模型在风速预测中的应用先建立单纯的BP神经网络模型再建立基于小波技术的BP神经网络模型并对二者进行了对比分析1方法研究11BP神经网络人工神经网络ArtificialNeuralNetwork是在清洁能源CleanEnergy陶玉飞等风电场风速预测模型研究Vol25No3人类对其大脑及大脑神经网络认识理解的基础上人工构造的能够实现某种功能的网络它具有高度的非线性BP神经网络是人工神经网络中常用的一种该网络是一种单向传播的多层前向网络其结构如图1[4]该网络具有一个输入层一个输出层和至少一个隐中间层各层之间实现全链接而层内神经元之间无链接当一对学习样本提供给网络后神经元的激活值从输入层经各中间层向输出层传播在输出层的各神经元获得网络的输入响应按照减少目标输出与实际误差的方向从输出层经过中间层逐层修正各连接权值最后回到输入层这种算法称为误差逆传播法即BP算法随着这种误差逆的传播修正不断进行网络对输入模式响应的正确率也不断上升[5]图1三层BP网络结构图12小波分析小波分析WaveletAnalysis是法国科学家Morlet于20世纪80年代初提出具有时频多分辨功能[5]小波分析是一种调和分析方法是傅里叶Fourier分析发展史上的一个里程碑被人们誉为数学显微镜多分辨分析multi-resolutionanalysisMRA亦称多尺度分析是小波分析中最重要的概念之一它从函数空间的高度研究函数的多分辨表示[7]将一个函数表示为一个低频成分和不同分辨率下的高频成分即多分辨分析[8]只是对低频部分进一步分解而高频部分则不予考虑图2表示的是一个三层多分辨分析分解图分解的关系为SA3D3D2D1多分辨分析随着尺度由大到小的变化对信号可以由粗到精地观察既可以看到森林又可以看到树木2预测模型的研究21数据分析以我国朱日和风电场风速记录混凝土 养护记录下载土方回填监理旁站记录免费下载集备记录下载集备记录下载集备记录下载数据为基础[2]建立预测模型该风速时间序列每小时采样一点选用的数据范围从1997年12月31日21时1998年1月5日20时共120个数据分析了样本的最小值最大值均值均方差见表1为了研究风速序列内部线性相依程度计算了该风速的自相关系数见图3图3自相关图从图3可以看出一阶自相关系数最大05987其他阶自相关系数相对较小即t-1时刻的风速相对t时刻的网速影响最大所以BP神经网络模型和小波-BP神经网络组合模型的输入项为t-1时刻风速输出项为t时刻风速22BP神经网络模型根据对自相关系数的分析以t-1时刻的风速作为BP神经网络的输入t时刻原始风速作为网络输出预见期为1h建立三层BP神经网络模型其中训练样本为1997年12月31日21时1998年1月4日14时共90组数据预测样本为1998年1月4日15时1998年1月5日20时共30组数据BP神经网络模型的建立基于MATLAB7中的NNTOOL工具采用的基本函数见表2训练步数为20000误差满足要求预测结果见图4图2三层多分辨分析结构图表1时风速统计特征表最小值m·s-1最大值m·s-1均值m·s-1均方差0清洁能源CleanEnergy54第25卷第3期电网与清洁能源图4预测结果过程图BP神经网络模型的绝对误差平均值为11ms相对误差平均值为204123小波-BP神经网络模型小波-BP神经网络组合模型的思路将原始时间序列进行小波分解得到小波分解序列以分解序列作为BP神经网络模型的输入再按照BP神经网络模型的建模步骤即可[6]小波函数为Symlets小波Sym4分解层数为一层分解序列为D1第一层高频系数重构A1第一层低频系数重构以t-1时刻的小波分解序列D1A1作为BP神经网络的输入t时刻原始序列作为网络输出预见期为1h建立三层BP神经网络模型其中训练样本和预测样本同前采用的基本函数也同前训练步数为20000误差满足要求预测结果见图5图5预测结果过程图小波-BP神经网络模型的绝对误差平均值为07ms相对误差平均值为1223％24模型对比分析以持续法预测结果作为对比基础从绝对误差相对误差两个方面对预测结果进行分析1绝对误差将绝对误差分为5个区间在绝对误差值小的区间个数多则预测方法较好绝对误差分段统计见表3从表3可以看出小波-BP神经网络组合模型在绝对误差值小的区间个数多如持续法的绝对误差小于05ms的个数为6个总数为30个BP神经网络组合模型的绝对误差小于05ms的个数为7个总数为30个小波-BP神经网络组合模型的绝对误差小于05ms的个数为10个总数为30个可知小波-BP神经网络组合模型的绝对误差平均值最小2相对误差将相对误差分为5个区间在相对误差值小的区间个数多则预测方法较好相对误差分段统计见表4从表4可以看出小波-BP神经网络组合模型在相对误差值小的区间个数多如持续法的相对误差小于5的个数为3个总数为30个BP神经网络组合模型的相对误差小于5的个数为2个总数为30个小波-BP神经网络组合模型的相对误差小于5的个数为7个总数为30个可知小波-BP神经网络组合模型的相对误差平均值最小通过对绝对误差和相对误差的对比可看出小波-BP神经网络组合模型的效果最好可推荐为风速预测的模型3结语小波技术在风资源领域应用较少将其与BP神表4时风速相对误差分段频数统计表分段区间5[510[1015[1520≥20％持续法374610BP模型29559小波-BP模型710733表2BP神经网络模型函数表训练函数输入层传递函数隐层传递函数TRAINSCGTANSIGPURELIN表3时风速绝对误差分段频数统计表ms分段区间05[0510[1115[1520≥20持续法67773BP模型77844小波-BP模型1014411清洁能源CleanEnergy55经网络组合通过实际风电场风速预测试验研究表明小波-BP神经网络组合模型能更好地预测风电场的逐时风速变化但小波技术应用时还存在诸如小波类型的选择分解层数的确定等问题快递公司问题件快递公司问题件货款处理关于圆的周长面积重点题型关于解方程组的题及答案关于南海问题还需要做更多更深入的研究和探讨这也是我们下一步研究的重点影响风速变化的因素很多如温度气压梯度地表粗糙度等无论是BP神经网络模型还是小波-BP神经网络组合模型都是单因子预测模型在以后的研究中可考虑多因子预测模型及结合数值天气预报模式等物理预报方法等参考文献[1]屠强衣立东朱敏奕魏磊西北电网区域酒泉调度测风网络规划研究[J]电网与清洁能源200824535-39[2]肖洋．风电场风速和发电功率预测研究[D]．吉林东北电力大学硕士学位论文论文大学下载政研论文下载论文大学下载关于长拳的论文写论文资料下载2005．[3]韩爽杨勇平刘永前．三种方法在风速预测中的应用研究[J]．华北电力大学学报200835357-61．[4]陶玉飞．后寨河流域水文特性分析及流量预测模型研究[D]．南京河海大学硕士学位论文2008．[5]飞思科技产品研发中心．神经网络理论与MATLAB7实现[M]．北京电子工业出版社2006．[6]王文圣丁晶．水文小波分析[M]．北京化学工业出版社2005．[7]孙延奎．小波分析及其应用[M]．北京机械工业出版社2005．[8]胡昌华李国华．基于MATLAB6X的系统分析与设计小波分析[M]．2版西安西安电子科技大学出版社2004．收稿日期2008-11-22作者简介陶玉飞1980女硕士从事水利水电及风电软件技术水文水资源地下水资源评价与管理地下水与生态环境研究工作编辑董小兵陶玉飞等风电场风速预测模型研究Vol25No3风电场风能资源评估与选址1概述风能资源评估是整个风电场建设运行的重要环节是风电项目的根本对风能资源的正确评估是风电场建设取得良好经济效益的关键有的风电场建设因风能资源评价失误建成的风电场达不到预期的发电量造成很大的经济损失风能资源评估包括三个阶段区域的初步甄选区域风能资源评估及微观选址2区域的初步甄选建设风电场最基本的条件是要有能量丰富风向稳定的风能资源区域的初步甄选是根据现有的风能资源分布图及气象站的风资源情况结合地形从一个相对较大的区域中筛选较好的风能资源区域到现场进行踏勘结合地形地貌和树木等标志物在万分之一地形图上确定风电场的开发范围风电场场址初步选定后应根据有关标准excel标准偏差excel标准偏差函数exl标准差函数国标检验抽样标准表免费下载红头文件格式标准下载在场址中立塔测风测风塔位置的选择要选具有代表整个风电场的风资源状况具体做法根据现场地形情况结合地形图在地形图上初步选定可安装风机的位置测风塔要立于安装风机较多的地方如地形较复杂要分片布置立测风塔测风塔不能立于风速分离区和粗糙度的过渡线区域即测风塔附近应无高大建筑物地形较陡树木等障碍物与单个障碍物距离应大于障碍物高度的3倍与成排障碍物距离应保持在障碍物最大高度的10倍以上测风塔位置应选择在风场主风向的上风向位置测风塔数量依风场地形复杂程度而定对于较为简单平坦地形可选一处安装测风设备对于地形较为复杂的风场要根据地形分片布置测风点测风高度最好与风机的轮毂高度一样应不低于风机轮毂高度的23一般分三层以上测风3区域风资源评估区域风资源评估内容包括对测风资料进行三性分析包括代表性一致性完整性测风时间应保证至少1a测风资料有效数据完整率应满足大于90％资料缺失的时段应尽量小小于一周根据风场测风数据处理形成的资料和长期站气象站海洋站的测风资料按照国家标准《风电场风资源评估方法》GBT18710-2002计算风电机组轮毂高度处代表年平均风速平均风功率密度风电场测站全年风速和风功率日变化曲线图风电场测站全年风速和风功率年变化曲线图风电场测站全年风向风能玫瑰图风电场测站各月风向风能玫瑰图风电场测站的风切变系数湍流强度粗糙度通过与长期站的相关计算整理一套反映风电场长期平均水平的代表数据科普链接清洁能源CleanEnergy56