[发明专利]基于神经网络的风电场弃风电量评估方法

说明书

本发明提供一种基于神经网络的风电场弃风电量评估方法，包括：建立BP神经网络模型；采用所述训练样本数据，基于步骤2中的初始化BP神经网络模型的基本参数，对所述BP神经网络模型进行训练，得到训练后的BP神经网络模型；将时刻t时的风场j全场场外弃风电量和时刻t时的风场j全场场内弃风电量求和，得到时刻t时的风场j全场弃风电量值。优点为：能够简单、快速、精确的评估得到风电场弃风电量，从而有利于电力网络调度中心进行更好地调峰、调潮流。

技术领域

本发明属于弃风电量评估技术领域，具体涉及一种基于神经网络的风电场弃风电量评估方法。

背景技术

伴随着风力发电技术的逐渐成熟，风电受到了国家可再生能源发展的高度重视，大规模的风电场已逐渐并网，风电已成为我国继火电和水电之后第三大主力电源。然而，由于风电的大规模快速无序投运，电网架构建设相对滞后，电力系统中的快速可调节电源配合不协调，风资源的不可控性、间歇性以及电力系统中的快速可调电源容量的局限性，造成电网对风电的接纳能力受限，故导致弃风情况越来越多。

风电的不稳定性和随机性造成对弃风电量的评估难度增加，使得弃风电量存在偏差问题。弃风电量评估的准确度对未来的风电研发产生很大影响。弃风不利于风电资源的最优化利用。因此，准确地评估弃风电量已成为现代电力系统企业和风电企业开展评估工作的一项重要课题。

目前国内对风电弃风电量评估方法的研究相对较少，诸多研究重点均放在风电消纳能力和电网调度调峰、调潮流。综合国内现有的研究结果，目前针对风电场弃风电量的评估方法主要有样板机法、预测曲线法、计划曲线法、功率曲线法、面积积分法5种。然后，这五种方法均具有以下问题：如果需要对风电场弃风电量进行评估，必须首先知道每个时段风电的理论功率的大小，但在实际应用中，由于风电出力具有随机性，风电场的理论出力数据很难得到，由此导致弃风电量计算误差很大，因此，寻求行之有效的弃风电量评估方法迫在眉睫。

发明内容

针对现有技术存在的缺陷，本发明提供一种基于神经网络的风电场弃风电量评估方法，可有效解决上述问题。

本发明采用的技术方案如下：

本发明提供一种基于神经网络的风电场弃风电量评估方法，包括以下步骤：

步骤1，建立BP神经网络模型；所述BP神经网络模型的拓扑结构包括输入层、隐含层和输出层；其中，输入层的神经元个数为n，隐含层的神经元个数为l，输出层的神经元个数为m；任意输入层神经元为x_i，i∈(1、2…n)；任意隐含层神经元为h_j，j∈(1、2…l)；任意输出层神经元为o_k，k∈(1、2…m)；

步骤2，初始化BP神经网络模型的基本参数，包括：学习速率μ、输入层到隐含层的权重w_ij、隐含层到输出层的权重w_jk、输入层到隐含层的偏置数a_j、隐含层到输出层的偏置数b_k以及激励函数t(x)；其中，输入层到隐含层的权重w_ij、隐含层到输出层的权重w_jk、输入层到隐含层的偏置数a_j、隐含层到输出层的偏置数b_k初始化值为(-1,1)内的随机数；

其中：输入层到隐含层的权重w_ij含义为：任意的输入层神经元x_i到任意的隐含层神经元h_j之间的权重；隐含层到输出层的权重w_jk含义为：任意的隐含层神经元h_j到任意的输出层神经元o_k之间的权重；输入层到隐含层的偏置数a_j含义为：各输入层神经元到任意的隐含层神经元h_j的偏置数；隐含层到输出层的偏置数b_k含义为：各隐含层神经元到任意的输出层神经元o_k的偏置数