基于改进神经网络的风电场超短期风速预测研究

• 作 者: 陈靖
• 出 处: 重庆邮电大学
• 发表日期: 2004年期
• 关键词: 风速预测 改进神经网络 数据预处理 聚类 软件设计

能源转型的趋势不可阻挡,风能在能源转型过程中占据领先的地位。风速预测精度的提高必然能加快风能的发展。更加精确地预测风速成为了众多研究者的目标,关于风速预测的研究方向越来越多。风速预测领域包括了大数据、人工智能等前沿技术。本文结合数据预处理和改进神经网络对风速进行预测。首先,介绍了风速预测的研究背景,并对风速预测方法的研究现状进行概括,列举了一些可用的物理预测模型,分析了传统方法的不足,简述了当前数据预处理和参数优化的主要方法,概括了本文研究内容,引出了本文的预测模型。然后,使用改进的模糊C均值聚类(improved fuzzy c-means clustering algorithm,IFCM)和离群点检测对原始风速进行数据预处理。IFCM降低了算法的初始适应度值,从而加快了收敛速度。原始风速序列经过IFCM聚类后,每组样本的变异系数作为离群点检测的依据剔除每组样本中离散程度大的训练数据。其次,提出了基于改进思维进化算法(improved mind evolutionary algorithm,IMEA)的BP(back propagation,BP)神经网络(IMEA-BP)。对MEA的趋同过程进行了改进,引入了相对移动方向和连续成熟次数两个概念,使算法在生成子群体时具有多样化,降低了子群体成熟的随机性,在保证算法局部搜索能力和全局搜索能力的同时加强了算法的稳定性。通过和其他改进的BP网络的实验对比,IMEA-BP的平均训练时长比粒子群算法和遗传算法更短,平均预测效果更好,预测的稳定性也比遗传算法高,其回归曲线的R值均达到0.98。接着,进行预测结果分析。确定了预测模型的参数后,不同预测模型对两组风速分别进行多步预测。不同预测模型的多步预测结果表明,本文提出的模型在一步预测上精度有所提升,并且随着步长的增加,其预测精度的优势越大。此外,对于随机性和波动性大的数据集,本文提出的模型比其他模型的预测效果更好。最后,基于理论研究的基础,在MATLAB平台下设计了一款风速预测软件。该软件实现了多种预测模型。搭建了比较完善的功能架构,可以实现程序和用户之间的交互。通过软件测试,验证了软件的正确性。