[发明专利]基于神经网络的风电机有功功率预测及误差订正方法

摘要

本发明公开了一种基于神经网络的风电机有功功率预测及误差订正方法，首先采用小波功率谱分析方法，提取风电机有功功率时间序列中隐含的显著周期序列并分离得到残差序列，然后分别对显著周期序列和残差序列采用神经网络模型进行预测，其中显著周期序列采用基于粒子群算法优化并叠加误差订正的BP神经网络进行预测，残差序列采用粒子群算法优化并叠加误差订正的RBF神经网络进行预测，由显著周期序列和残差序列的预测结果可以获得最终风电机有功功率预测结果。本发明实现了对风电场内每台风电机有功功率进行精细化预报，从而可以有效提高整个风电场的短期出力预报水平。

主权项

一种基于神经网络的风电机有功功率预测及误差订正方法，其特征在于，包括以下步骤：(1)读入风电机的原始采样有功功率时间序列p＝{p(i),i＝1,2,...,N}，其中N为原始风电机有功功率采样点个数；将p调整为按预报间隔要求的平均有功功率时间序列p’＝{p’(j),j＝1,2,...,M}，其中M为按预报间隔要求调整后的风电机平均有功功率序列的采样点个数，p’的平均值为令(2)采用多尺度小波功率谱分析方法，提取P中的显著周期序列{P1,P2,…,Pk,…,PK}，其中K为P中的显著周期序列的个数，Pk＝{Pk(1),Pk(2),…,Pk(M)}，由此P＝P1+P2+…+PK+R，其中R＝P‑P1‑P2‑…‑PK，为P中剔除显著周期序列后的残差序列；(3)对P中的显著周期序列{P1,P2,…,Pk,…,PK}，分别采用粒子群优化并叠加误差订正的BP神经网络进行预测，设定预测步长为l，则各显著周期序列{P1,P2,…,Pk,…,PK}的预测结果为其中(4)对残差序列R的一阶差分序列D采用粒子群优化并叠加误差订正的RBF神经网络进行预测，后经差分反运算得到残差序列的预测结果，设定预测步长为l，则残差序列R的预测结果为YR＝{YR(1),YR(2),...,YR(l)}；(5)将与各显著周期序列、残差序列的预测结果相加，得到最终的预测结果Y，