《用时间序列预测风电功率问题.doc》由会员分享，可在线阅读，更多相关《用时间序列预测风电功率问题.doc（23页珍藏版）》请在taowenge.com淘文阁网|工程机械CAD图纸|机械工程制图|CAD装配图下载|SolidWorks_CaTia_CAD_UG_PROE_设计图分享下载上搜索。
1、【精品文档】如有侵权，请联系网站删除，仅供学习与交流用时间序列预测风电功率问题.精品文档.风电场功率短期预测方法研究摘要风力发电作为一种清洁的可再生的发电形式，近几年来发展迅猛。但是由于风力发电的输出功率的不稳定性，使得其大量并网的难度增大，安全性和可靠性得不到保障，从而制约了风电的大面积推广应用。因此对风电的输出功率的预测显得尤为重要。研究出一种准确、有效的风电功率预测系统可以将风力发电的应用提升到一个新的高度，具有重要的意义和深远的影响。在国内，风力发电处于一个飞速发展的阶段，相对应的预测方法研究却尚处于起步阶段，因此风电功率的预测研究在国内需求更加迫切。因此，本次的本科毕业设计课题我选择
2、了研究对于风电功率进行短期预测的一些方法，在了解了各种方法的优劣之后，我选择采用BP神经网络的方法对短期的风电功率进行预测，同时分析误差，提出可行性建议。主要的工作包括了：课题研究背景的了解，国内外的研究现状了解，预测方法的了解及筛选，程序的编写，预测结果的分析及可行性建议的提出。本次论文采用BP人工神经网络的方法，根据从马科基谷电力合作社获得的某个月的相关风速、风向、温度数据作为输入变量，建立一个输入层有四个节点数，隐含层八个节点数，输出层一个节点数的BP人工神经网络结构模型，对四小时内的风电功率进行短期预测，得出结果并分析误差。通过分析得知，BP人工神经网络模型预测短时间内的风电功率时具有
3、一定的准确性和可行性，得出的预测结果可作为并网及调度的参考数据。关键词：风电；功率；短期预测；BP神经网络目录摘要1Abstract21 绪论51.1 引言51.1.1 研究背景及意义51.1.2国内外研究现状分析61.2 风电功率预测的原理和主要方法71.3 本次毕业设计的主要工作和方法82基于BP神经网络方法的风电功率短期预测方法研究102.1 引言102.2 BP神经网络的基本原理和训练步骤102.2.1 BP神经网络处理信息的基本原理102.2.2 BP神经网络的大体训练步骤112.3 运用BP神经网络进行风功率的短期预测122.3.1模型的建立和数据的处理122.3.2 预测程序的编
4、写142.3.2.1程序的基本思路和大体步骤142.3.2.2程序的主要语句142.3.2.3数据的代入152.3.2.4程序运行及其结果153 结论193.1结果分析和提出可行性建议193.2小结19参考文献21附录1 程序代码23附录2 数据采集出处27致谢281 绪论1.1 引言1.1.1 研究背景及意义近些年，全球的能源使用出现巨大危机，传统能源的供应短缺以及使用时带来的环境污染等问题的不断出现促使了新型的清洁能源的全面、飞速发展，风能就是其中的一种。风能作为一种环保无污染的可再生能源在世界范围内已经得到广泛应用，风力发电更是一马当先，它作为一种新兴的发电形式，已经具备了很好的经济发展
5、条件和商业发展条件。1997年至2007年十年间，全世界的风电累计装机容量由8000MW增长至94000MW，其中中国的装机增长量更是迅速，由不足100MW增长至5800MW以上。图1-1和图1-2分别为全世界和中国的累计装机容量，从这里我们可以看出，风力发电在全球范围内已经进入了一个飞速发展的时代。图1-1 世界风电累计装机容量图1-2中国风电累计装机容量但是，快速的增长以及广泛的应用并不能掩盖风电的诸多不足。由于风能具有不稳定性、不可控制性、波动及间歇性等特点，因此风力发电的输出功率也不稳定。这个缺点给电网的顺利运行和平稳调度都带来了不小的困难。理论上认为，当接入电网的风电总量超过某一个特
6、定值后，将带来对电网安全和配送电质量的严峻考验。因此，对风电的输出功率进行准确的预测，不仅可以减少风电并网给电网带来的冲击和不确定性，同时也可以合理的调配电力资源，使得风电发挥更大的作用。准确的风电功率短期预测将可以使我国的电力部门根据实际的功率输出情况随时对电网进行调整，保证了电力的输送和用户的用电安全。对于风电的预测这个课题，国内外的研究已越来越深入，在欧美等风电应用较多的国家技术更是日趋成熟，但是由于风力发电的特殊特性，使得各国的风电功率预测系统对于风电的输出功率的预测还不是很理想。因此，一种较为准确的风电功率预测方法和预测系统的研究显得尤为重要，它可以将风能的利用带到一个新的高度。同时
7、，在我国国内，如果研究出一种较为理想的风电功率预测系统，就可以大大减少我国的能源危机和用电压力，使得我国良好的风电资源得以充分应用，将对我国的电网架设、能源配送、基础建设、公民用电带来诸多益处。1.1.2国内外研究现状分析由于国外的风电普及率较高，因此他们对于风电功率预测的研究开始的比较早，技术也比较成熟。早在1990年Landberg就开发出了一套将天气预报中的风向、温度、风速等数据通过一定的转化形式转化为风电机组轮毂高度的风速、风向，再根据已知的功率曲线得出风电输出，并根据实际情况进行修正的预测系统。这套系统开启了人们对风电功率预测的大门。发展至今，国外已经有了很多较成熟的预测工具和预测系
8、统，具有代表性的有：丹麦科技大学的WPPT系统，这个系统是将适应回归最小平方根法和指数遗忘算法两者结合起来，得出1-36小时的预测数据；丹麦Ris国家实验室的Prediktor系统，它通过大量的使用物理模型，考虑地形地貌、粗糙度、风速变化等诸多因素，使用详细的运行数据进行风电功率预测；德国太阳能研究所的AWPT系统，它通过由地方气象部门提供的精确的天气数据进行预测，然后使用人工神经元网络来计算风电功率输出，最后使用在线外推模型来计算并入电网中的实际输出总功率；德国ISET可再生能源研究机构的WPMS风能在线监测和预测系统，它也是将数值预测作为基础预测的统计类模型，运用了人工神经网络的方法学习和
9、预测，找出所要预测的变量和风力发电的功率输出之间存在的关系，是一套比较成熟的风电功率短期预测系统。其他的较为成熟的风电功率预测系统还包括有：美国AWS Truewind公司的eWind风电功率预测系统，阿根廷风能协会的Aeolus预测系统，德国OldenBurg大学的Previento风电预测系统等等。而在国内，对于风电功率的预测研究尚处于探索阶段，研究对象主要是对于风电机的控制、风力发电场的规划和选址、对国家电网和电力系统的影响等方面，对于风电功率的预测研究尚没有一个成熟的研究成果和系统。主要的研究机构有中国电力科学研究院、中国气象局国家气候中心、金风科技股份有限公司以及华北电力大学等高校。
10、即便如此，国内外的研究主要还是集中在对于风速的短期预测研究，然后经过风力发电机的功率曲线进行功率预测，直接的研究风电功率输出预测比较少。这种现象主要是因为在全球很多地方还没有建立起完善的数值天气预报系统，无法掌握最新鲜、最时效的天气数据，同时当今世界现有的风电监控系统和数据采集系统尚不完善，无法系统的研究风电功率预测的有效方法。1.2 风电功率预测的原理和主要方法现今世界上的风电功率预测方法大体分为两类：物理方法和统计方法。其中物理方法不需要风电场以往的运行数据而可以直接进行预测工作，它主要是通过大量的获取风电场所在地的详细地形图和准确精细的数值天气预报的数据，建立起相关的预测模型，使预测系统
11、能够较为准确的预测风力发电机所在位置的具体天气数据（如风速、风向、温度、气压、空气湿度等），然后通过特殊的模型将天气数据转化为发电机的输出功率，从而进行风电功率的预测。这种方法适合用于较为复杂的地形地貌上的风电场功率预测，它的缺点是需要的模型比较多且复杂，天气等数据的采集和处理较为繁琐，预测精度较差，有时候无法满足预测的要求。而统计方法则需要大量的历史数据（如历史功率输出数据，历史天气数据等），然后运用统计模型分析出风电机输出功率和各类天气数据之间存在的关系，进而进行预测并与实际值进行比较，根据误差大小不断的修改模型，以达到预期效果。统计方法的缺点在于它需要大量的历史数据，对于数据的处理是一个
12、艰巨的工作，但是它也有长处，就是在于它不需要考虑实际的风电场位置和相关数据而进行预测，应用范围比较广，精度也较好。考虑本专业特点和本次论文的主体研究方向，下面简单介绍几种统计方法类的风电功率预测方法：1.时间序列分析法：时间序列同时包含了数据的两种关系，即数据的大小和顺序关系，从某种程度上可以显示出风力发电的历史数据之间的关系。这种方法将风速和输出功率作为随即变量，使用庞大的历史数据库来建模，然后通过模型识别、参数估计、模型检验来修改并最终确定出一个可以描述当前时间序列研究的数学模型，然后利用这个模型推导出预测模型。2.空间平滑法：该方法主要先利用线性差值的方法处理单台风电机的功率特性曲线，从
13、而确定出单独的一台风电机在确定风速下的功率。再确定出两台风电机的功率的相关系数，对两台风电机的总功率的预测误差进行分析，然后使用空间平滑法推导出两台风电机的总功率的计算公式。最后使用类似的方法推导出整个风电场内所有风电机的总功率的空间平滑表达式。3.卡尔曼滤波法：这种方法是将风速作为变量来建立一个状态空间模型，使用卡尔曼滤波法对风速进行预测，然后通过模型将预测结果转化成风电功率的预测。此方法需要在已经得知假定噪声的统计特性的情况下得出预测结果，因此如何估计噪声的统计特性是这种方法使用的一个难点，它比较适合用作在线风速及风电功率的预测。1.3 本次毕业设计的主要工作和方法由于本科学习中学习并了解
14、了人工神经网络的基本知识和用法，且考虑到人工神经网络的模型适合处理复杂的问题和数据，在风电功率的短期预测中有较好的应用且结果表现较好，因此经慎重考虑决定此次毕业设计课题的研究采用人工神经网络的方法对短期的风电功率进行预测研究。本次毕业论文是采用BP人工神经网络的方法，根据从马科基谷电力合作社获得的五月初的相关天气数据（包括风速、风向、温度等）以及输出功率数据，建立一个输入层有四个节点数，隐含层八个节点数，输出层一个节点数的BP人工神经网络结构模型，进行数个小时的短期风电功率预测，得出结果并分析误差，提出可行性的修改建议。本次毕业设计的主要工作有：对所要研究的课题进行全面的了解；查找相关的参考文
15、献，并进行阅读和筛选；学习和了解相关的课题知识，同时了解国内外的研究状况；确定出可行的方法进行课题的研究和探讨；对各类数据的采集和处理；风电功率预测程序的编写；得出预测结果并分析误差，同时提出可行性的建议，总结此次毕业设计。2基于BP神经网络方法的风电功率短期预测方法研究2.1 引言BP（Back Propagation）神经网络是一种神经网络算法，全称为基于误差反向传播算法的人工神经网络。BP神经网络的学习过程是由信息的正向传播和误差的反向传播两个过程组成。它可以以任意一个精度去逼近所有的非线性映射，因此更加适用于非线性的比较复杂的系统的模型建立和预测；它具有非常好的综合信息的能力，可以同时
16、处理定量和定性的信息，非常好的去协调多种的输入信息之间的关系，适合用于处理比较复杂的对象；具有分布式的信息存储和处理结构，具有一定的适应性和容错性。基于以上BP神经网络的优点，使得使用BP神经网络构造出来的系统具有很强的鲁棒性（robustness,是在异常和危险的情况下系统生存的关键），适用于数据和结构较复杂的问题的处理。对风电场的输出功率进行预测涉及到非常多的因素，是一个非常复杂的非线性过程；同时由于风电场的选址、建设存在很大的灵活性，给风电功率的预测带来不小的麻烦。使用BP神经网络的方法来进行风电功率的预测可以利用它自身的优势很好的解决这些问题，使得工作量得到一定程度上的减小，同时可以提
17、高预测的准确性。2.2 BP神经网络的基本原理和训练步骤2.2.1 BP神经网络处理信息的基本原理输入层各神经元负责接收来自外界的输入信息，并传递给中间层各神经元；中间层是内部信息处理层，负责信息变换，根据信息变化能力的需求中间层可以设计为单隐层或者多隐层结构；最后一个隐层传递到输出层各神经元的信息，经进一步处理后，完成一次学习的正向传播处理过程，由输出层向外界输出信息处理结果。当实际输出与期望输出不符时，进入误差的反向传播阶段。误差通过输出层，按误差梯度下降的方式修正各层权值，向隐层、输入层逐层反传。周而复始的信息正向传播和误差反向传播过程，是各层权值不断调整的过程，也是神经网络学习训练的过
18、程，此过程一直进行到网络输出的误差减少到可以接受的程度，或者预先设定的学习次数为止。BP神经网络的转移函数如公式（2-1）（2-2）： 公式（2-1）（中间层转移函数，其中为网络输入，为输入层到中间层的网络权值，为中间层阈值）。 公式（2-2）（输出层转移函数，其中为网络输出，为中间层到输出层的网络权值，为输出层阈值）。2.2.2 BP神经网络的大体训练步骤BP神经网络的大体训练步骤如下：（1） 初始化网络权值、阈值（通常是赋予比较小的数）、计算精度，最大训练次数；（2） 输入一样本，计算中间层的输出。（，）；（3） 计算输出层的输出（，）；（4） 计算中间层到输出层的误差信号；（5） 计算输
19、入层到中间层的误差信号；（6） 调整权值、阈值， （中间层输出层）；（7） 调整权值、阈值， （输入层中间层）；（8） 输入其他样本，返回第二步；（9） 计算网络全局误差，；（10） 判断如果小于，或于最大训练次数，结束，否则返回第二步继续训练。其流程图如下面的图2-1所示：初始化给定输入向量与目标向量求出隐含层与输出层的各节点的输出求出目标值与实际输出值的偏差计算反向误差权值学习结束学习结束否是图2-1 BP神经网络的训练流程图2.3 运用BP神经网络进行风功率的短期预测2.3.1模型的建立和数据的处理首先需要考虑输入层元素的选取：众所周知，风速是影响风力发电输出功率大小的重要因素，因而风速
20、必须作为一个输入变量；而风向则影响着风电机中扇叶的受力情况和尾流的大小，所以风向也需要作为一个输入变量；同时还有空气密度、气压、温度等一些天气因素的影响，综合作用于风电机上。本次毕业设计讨论过程中，选取了风速、风向、温度三个重要因素作为输入变量，使用马科基谷电力合作社及其网站提供的五月初的天气数据和运行数据，出于对训练精度要求的考虑，对这些数据进行了一些处理，剔除了一些不良数据，比如风电机启动时的数据、风电机故障时的数据等。出于这些考虑，最终选取了五月三号下午的运行数据进行本次课题的研究，所选取的数据基本上较为完整且连贯，出现故障的次数很少，在一定程度上为实验的准确性提供了便利。数据选取并进行
21、预处理之后，考虑的BP神经网络的特性，为了使误差尽可能的小，就需要合理的选取初始的权重和偏置，如果太大就很容易陷入饱和区，导致停顿。一般应选取均匀分布的小数，介于（-1,1）。因此风速、风向、温度这些输入变量要做归一化处理，其中风向可以分别取它的正弦值和余弦值。本次论文的归一化处理是调用matlab软件中的mapminmax函数进行数据归一化，具体的原理和方法将在后面的文章中介绍。接下来要搭建BP神经网络的基本结构图，本次论文选取了三层的BP神经网络结构图，主要是考虑到三层的神经网络在理论上可以逼近任何非线性函数。输入层中有四个输入变量，分别为风速、风向正弦、风向余弦、温度；隐含层的节点数在学
22、术上没有一个非常明确的选取方法，本次论文将会分别采用2N和2N+1两种隐含层节点数分别进行研究、讨论（N为输入层节点数），从而选取一个比较好的方案；输出层则只有一个输出变量，即输出功率。因此搭建出的BP神经网络的结构图如下面的图2-2所示：风速风向正弦输出功率风向余弦 温度输出层隐含层输入层图2-2 BP神经网络结构图2.3.2 预测程序的编写2.3.2.1程序的基本思路和大体步骤本次毕业设计的程序编写部分选择了matlab作为程序编写的软件，由于程序中调用函数及数据抽取等步骤的需要和matlab 7.1版本中工具箱的局部不全面性，因而选择了matlab 2008a版本而不是本系机房中常用的m
23、atlab 7.1版本。使用matlab实现运用BP神经网络预测短期风电功率的基本思路和大体步骤如下：1.数据的归一化；2.将数据进行分类，包括打乱数据的顺序，将数据分为训练数据、测试数据、变量数据；3.搭建BP神经网络的结构，包括设置网络的层数，设置隐含层的传输函数等；4.指定训练中的参数，进行训练；5.完成训练后，调用训练结果，输入测试数据进行测试；6.将数据进行反归一化；7.误差分析，结果预测或分类，作图等。其中需要注意几个问题：1.的归一化问题：在工程应用这个领域内，使用BP神经网络的成功与否关键在于输入特征的选择和训练样本集的准备，如果训练样本集的代表性比较差、矛盾的训练样本较多、数
24、据的归一化存在问题，将导致所建立的模型的预测效果较差。数据的归一化是为了加快BP神经网络的收敛性，它的具体做法是：把数据转化成（0,1）之间的小数同时把有量纲的表达式变成无量纲的表达式。在matlab中函数归一化有很多种方法和函数，本次论文使用的是matlab中的mapminmax函数，该函数可以同时执行归一化、反归一化和归一化其他数据的功能。 2.数据的乱序方法及分类：把数据打乱顺序后进行输入，是为了让数据更加具有典型性和更优良的泛化能力。本次论文使用的是matlab中的dividevec函数进行数据的打乱顺序工作。2.3.2.2程序的主要语句normInput,ps=mapminmax(p
25、); normTarget,ts=mapminmax(t);调用mapminmax函数对数据进行归一化处理；trainSamples,validateSamples,testSamples=dividevec(normInput,normTarget,validatePercent,testPercent); 调用dividevec函数将数据进行顺序打乱后，按照预先设定的比例抽取相应的数据进行训练或测试；TF1=purelin;TF2=tansig; 各层的传输函数，当训练结果不理想时，可以尝试更改传输函数；net=newff(minmax(normInput),NodeNum1,TypeNu
26、m,TF1TF2,traingdx);BP神经网络的结构搭建。2.3.2.3数据的代入将从马科基谷电力合作社得到的数据进行不良数据的剔除后，保存了五月三日下午的天气数据及运行数据，然后将这些数据每十分钟作为一个分割，将十分钟之内的数据相加并求其平均值，这样每个小时就得到六组数据，总共二十四组数据。处理后的数据如下面的表2-1所示：日期时间平均风速风向温度功率输出2010-5-312:30-12:407.75246.363.12072010-5-312:40-12:509.84245.563.13512010-5-312:50-13:008.84247.663.21892010-5-313:00
27、-13:1010.08245.9642812010-5-313:10-13:208.85232.763.93742010-5-313:20-13:309.55232.464.12572010-5-313:30-13:407.5321963.82022010-5-313:40-13:508.9726063.72462010-5-313:50-14:008.9225463.42212010-5-314:00-14:109.04238.463.81712010-5-314:10-14:208.08239.664.32732010-5-314:20-14:309.07249.765.14072010-
28、5-314:30-14:409.96251.565.64132010-5-314:40-14:508.09266.965.22512010-5-314:50-15:008.2622765.82502010-5-315:00-15:109.76230.565.93702010-5-315:10-15:208.98267.565.72992010-5-315:20-15:309.38252.165.42792010-5-315:30-15:408.75244.865.62442010-5-315:40-15:508.24250.865.83572010-5-315:50-16:008.32236.
29、565.72142010-5-316:00-16:108.8263.965.73482010-5-316:10-16:208.03237.565.91702010-5-316:20-16:308.41262.665.7266表2-1 五月三日天气及输出功率数据得到数据之后就可以将这些数据以矩阵的形式写入程序进行训练。2.3.2.4程序运行及其结果程序编写完成并代入数据后，其仿真运行图和结果如下图所示：图2-3 程序运行的仿真图图2-4 程序运行的结果图图2-5 程序运行的误差图从结果我们可以明显的看到这次的预测结果很不理想，预测值和真实值之间差距较大，误差在200步内无法达到程序当初既定的要求
30、，显然不能满足预测的要求，这样的预测无法降低风电并网的不稳定性。 因此，我对程序做了一些调整，提高了训练精度，修改了隐含层的传输函数，修改隐含层节点数，然后重新运行程序，结果如下：图2-6 修改后程序运行的结果图图2-7 修改后程序运行的误差图从结果可知，这次的预测较为成功，真实值和预测值之间误差较小，误差在100步之内就达到了程序最初的设置，得到的预测值具有一定的可靠性。3 结论3.1结果分析和提出可行性建议通过对整个实验的回顾和程序运行结果的观察分析，我个人认为，实验中误差的出现主要由于以下几个原因：1.数据中仍然存在有不良数据。虽然在程序运行之前已经进行了数据的预处理过程，但是仍然无法完
31、全将数据中的不良数据（主要是风电机启动时的数据和风电机出故障时的数据）删除，这些不良数据给程序的运行和结果的预测带来了一定影响。2.数据代表性不全面。由于国家相关政策的原因，无法在国内获得详细的风电运行数据，而这次的实验从国外网站获得的数据时间跨度比较小，无法将一年中不同气候状况下的数据全部获得并应用，缺乏全面性和覆盖性。3.数据运算量不大。由于程序的运行需要很长的时间，所以将数据进行了求平均值的方法进行处理，这样一来没有进行大规模的数据运算，给提高训练精度带来了一定的麻烦。4.BP神经网络本身的不足。BP神经网络并不是万能的，它自身也有一定的缺点和不足。由于BP神经网络的学习速率是固定的，因
32、此它本身的收敛速度较慢，当处理一些复杂问题是需要较长的训练时间；同时BP算法虽然刻意将权值收敛到某个值，但并不能保证这个值为误差平面的全局最小值5.模型的建立和程序本身仍有可改进之处。由于现今对BP神经网络的结构搭建没有一个准确的标准，因此采取怎样的结构建立模型才能使预测更准确尚无定论。同时程序本身也有改进的空间，比如传输函数的改变，数据的处理等等。根据分析提出以下可行性的建议：如果要更精确的进行风电功率的预测，可以从以下几个方面改进预测办法，以提高精度：1.大量采集原始数据。可以跟国内或国外的风电场联系，秉持科研的严谨态度，严格遵守对方的保密规章，与对方签订保密协议。这样便可以获得大量的新鲜
33、数据，从而进行大面积的网络训练，以提高预测的准度和精度。2.深入研究和探讨BP神经网络的结构，尝试用不同的网络结构进行建模、预测，比较互相之间的优劣，从而选择一个更加稳定、准确、合适的BP神经网络结构，同时尝试着总结其中的规律。3.尝试采用不同的预测方法组合使用，综合各种方法的优点。在1969年由Bates和Granger共同提出了一种组合预测方法，主要是把不同的预测方法和预测模型相结合，全面考虑各方法反应出的信息，采取适当的加权平均方式得到一个组合的预测模型，这样可以比较大限度的利用各种不同方法中的比较有用的信息，使预测更加准确。3.2小结在整个毕业设计课题即将完成的时候，对整个课题研究过程
34、及研究成果、心得进行如下的总结：本次毕业设计所研究的风力发电功率的短期预测方法对于解决能源危机，保障国家稳定发展都具有重要的意义。一个比较准确、稳定的预测系统可以保证风电场的良好运行和风电并网的安全、平稳。目前世界上尚未找到一种能够高精度、高准确率且运行稳定的系统来预测风力发电的输出功率。现今世界上的预测系统做出的预测误差在30%左右，这是由于预测方法、风电特性、技术制约等多方因素造成的，同时也说明对风电功率的预测仍有改进和发展的空间，需要各国科研人员的共同努力，将可以将风电功率预测的研究带入一个新的高度。本次毕业设计的研究由于自身学识和阅历的限制，没有能研究出一种在实际的生产过程中可以运用的
35、方法对风功率进行预测。但是本次的研究使自己对风电发展和风电功率预测这一领域有了一个初步的了解，同时也大体掌握了风电功率预测的基本方法。BP神经网络自身具有的优势可以使它应用于风电功率的预测，研究证明这种预测方法是可行的。同时这种方法有可以改进和改良的地方，需要不断的进行研究、实验、对比。现今的研究趋势逐渐偏向于使用多种不同的方法进行对风电功率的组合预测，以达到提高精度的目的，如果今后接触到风电这个行业的话，可以尝试以此为切入点进行研究。参考文献1 胡其颖.风能利用的发展预测J.可再生能源，2005：75-772杨秀媛，肖洋，陈树勇.风电场风速和发电功率预测研究J.中国电机工程学报，2005：1
36、-63黄金花，彭晖.风电场短期风电功率的神经网络方法预测研究J.电工电气，2009：57-614范高峰，王伟胜，刘纯，戴惠珠.基于人工神经网络的风电功率预测J中国电机工程学报，2008：118-1245李炎，高山.风电功率短期预测技术综述D 南京：东南大学电气工程学院，20016王丽婕，冬雷，廖晓钟，高阳.基于小波分析的风电场短期发电功率预测J中国电机工程学报，2009：30-347戚双斌，王维庆，张新燕.基于支持向量机的风速与风功率预测方法研究J华东电力，2009：1-48谷兴凯，范高峰，王晓蓉，赵海翔，戴惠珠.风电功率预测技术综述J电网技术，2007：35-399王丽婕，廖晓钟，高阳，高爽
37、.风电场发电功率的建模和预测研究综述J电力系统保护与控制，2009：18-2210韩爽.风电场功率短期预测方法研究D 保定：华北电力大学能源与动力工程学院，200811 Kariniotakis G N，Stavrakakis G S，Nogaret E FWind powerforecasting using advanced neural networks modelsJIEEETransactions on Energy Conversion，1996，11(4)：762-76712彭怀午，杨晓峰.风电场输出功率短期预测研究J华东电力，2009：18-2113张国强，张伯明.基于组合预测
38、的风电场风速及风电机功率预测J电力系统自动化，2009:92-10914吴兴华，周晖，黄梅.基于模式识别的风电场风速和发电功率预测J继电器，2008：27-3315 Lippmann, R.P. An introduction to computing with neural networks M. IEEE ASSP Magazine, 1987.16张洋，李强，刘雪枫.风资源评估综述J水利水电机械，2007：72-7617杨琦，张建华，王向峰，李卫国.基于小波神经网络的风速及风力发电量预测J电网技术，2009：44-4918吴俊玲，周双喜，孙建峰.并网风力发电场的最大注入功率分析J电网技术
39、，2007：55-6219曾黄麟等.智能计算M重庆大学出版社，200420韩力群.人工神经网络教程M北京邮电大学出版社，2006附录1 程序代码clc;clear;All_error=;normInput=24,4; %定义矩阵normTarget=24,1;time=12.30:16.30;p=7.75 sind(246.3) cosd(246.3) 63.1; 9.84 sind(245.5) cosd(245.5) 63.1; 8.84 sind(247.6) cosd(247.6) 63.2; 10.08 sind(245.9) cosd(245.9) 64; 8.85 sind(23
40、2.7) cosd(232.7) 63.9; 9.55 sind(232.4) cosd(232.4) 64.1; 7.53 sind(219) cosd(219) 63.8; 8.97 sind(260) cosd(260) 63.7; 8.92 sind(254) cosd(254) 63.4; 9.04 sind(238.4) cosd(238.4) 63.8; 8.08 sind(239.6) cosd(239.6) 64.3; 9.07 sind(249.7) cosd(249.7) 65.1; 9.96 sind(251.5) cosd(251.5) 65.6; 8.09 sind
41、(266.9) cosd(266.9) 65.2; 8.26 sind(227) cosd(227) 65.8; 9.76 sind(230.5) cosd(230.5) 65.9; 8.98 sind(267.5) cosd(267.5) 65.7; 9.38 sind(252.1) cosd(252.1) 65.4; 8.75 sind(244.8) cosd(244.8) 65.6; 8.24 sind(250.8) cosd(250.8) 65.8; 8.32 sind(236.5) cosd(236.5) 65.7; 8.8 sind(263.9) cosd(263.9) 65.7;
42、 8.03 sind(237.5) cosd(237.5) 65.9; 8.41 sind(262.5) cosd(262.5) 65.7;t=207 351 189 281 374 257 202 246 221 171 273 407 413 251 250 370 299 279 244 357 214 348 170 266;normInput,ps=mapminmax(p);normTarget,ts=mapminmax(t);testPercent=0.25; %测试数据百分比validatePercent=0.25; %训练数据百分比trainSamples,validateSa
43、mples,testSamples=dividevec(normInput,normTarget,validatePercent,testPercent);for j=1:200NodeNum1=8;TypeNum=1;TF1=purelin;TF2=tansig;net=newff(minmax(normInput),NodeNum1,TypeNum,TF1 TF2,traingdx);net.trainParam.epochs=10000;net.trainParam.goal=1e-7;net.trainParam.lr=0.01;net.trainfcn=traingdx;trainS
44、amples.Pnet,tr=train(net,trainSamples.P,trainSamples.T,validateSamples,testSamples);normTrainOutput,Pf,Af,E,trainPerf=sim(net,trainSamples.P,trainSamples.T);normValidateOutput,Pf,Af,E,validatePerf=sim(net,validateSamples.P,validateSamples.T);normTestOutput,Pf,Af,E,testPerf=sim(net,testSamples.P,test
45、Samples.T);trainOutput=mapminmax(reverse,normTrainOutput,ts);trainInsect=mapminmax(reverse,trainSamples.T,ts);validateOutput=mapminmax(reverse,normValidateOutput,ts);validateInsect=mapminmax(reverse,validateSamples.T,ts);testOutput=mapminmax(reverse,normTestOutput,ts);testInsect=mapminmax(reverse,testSamples.T,ts);absTrainError = trainOutput-trainInsect;absTestError = testOutput-testInsect;error_sum=sqrt(absTestError(1).2+absTestError(2).2+absTestError(3).2);All_error=All_error error_sum;eps=90;if (abs(absTestError(1)=30 )&(abs(absTestEr