基于小波Elman神经网络的短期风电功率预测理论分析

目录

1.小波Elman神经网络

2.短期风电功率预测

3.总结

---

        风力发电在全球范围内快速发展，装机容量逐年增加，截止2013 年底，中国风电新增装机容量约 16.1GW,较 2012 年的 12.96GW 大幅提高了 24%,中国风电累计装机已超过 90GW。
        风力发电并网运行是实现大规模风能发利用的有效途径。但是与常规能源不同,风能是一种能量密度小的随机性能源,具有“间歇性”和“随机性”的特点,风能这种特性导致随风速的变化而波动的风电场的输出功率具有不可控性和不可预期性。
        这对电力系统的安全稳定运行带来新的挑战。为克服风电波动对电力系统运行的不利影响，需要对风电功率进行提前预测。风电功率预测对于电网安全经济调度、电力市场及风电场运行都有重要意义。

1.小波Elman神经网络

         Elman神经网络是一种典型的动态递归神经网络。它具有内部反馈连接，将前一时刻的隐含层输出和当前输入作为新的隐含层输入，使网络具有记忆功能。该网络己经成功地应用于动态系统的识别与仿真。通过合理选择网络层次和隐含层节点数，Elman神经网络能够以任意精度逼近任意非线性函数。
       小波分析方法通过尺度的伸缩和平移实现对信号的多尺度分析，从而有效地提取信号的局部信息。采用小波函数作为Elman神经网络的隐含层激励函数，构成小波Elman神经网络模型。它同时具备小波分析和Elman神经网络的优点，有着更强的逼近、容错能力和更好的动态预测效果。
其结构模型见图1， 相比于BP神经网络，Elman神经网络除了输入层、隐含层和输出层外，还多了一个承接层。承接层主要用于层内或层间的反馈联结，构成局部反馈。承接层的传输函数为线性函数，但是多了一个延迟单元，因此承接层可以记忆过去的状态，并在下一个时刻与网络的输入一起作为隐含层的输入，使网络具有动态记忆功能。

       Elman神经网络预测的关键是输入量与神经网络结构的选择。 采用的小波Elman神经网络，隐含层传递函数选用sigmoid函数，输出层传递函数选用线性函数，预测时可以设置较少的神经元数目，进行较快速的泛化能力，更快的收敛到误差较小的值。基于小波Elman神经网络的风电功率预测模型，首先对风电功率时间序列进行小波分解，提取不同层次的细节和近似系数作为输入特征。然后，将这些特征输入到Elman神经网络中进行学习和预测：

通过最小化预测误差（如均方误差MSE）来调整网络的权重矩阵和偏置项：

利用反向传播算法和梯度下降法更新权重和偏置：

2.短期风电功率预测

       短期风电功率预测是电力系统运行和管理中的关键技术之一，其目的是为了提前预测未来一段时间内（如几小时到几天）风电场的电力输出情况。风电功率受到许多不可控因素的影响，如风速、风向、气温、气压等气象条件变化，导致风电功率具有较强的随机性和波动性。以下是短期风电功率预测的一些关键技术和方法概述：

数据驱动预测方法：

       时间序列模型：如自回归（AR）、滑动平均（MA）、自回归移动平均模型（ARMA）、自回归积分移动平均模型（ARIMA）等，通过分析历史功率数据的趋势和周期性特征进行预测。
人工神经网络：如Elman神经网络，利用其良好的非线性拟合能力和记忆功能，可以捕捉风电功率序列的动态特性。将历史风速、风向等气象数据以及历史功率数据作为输入，通过训练网络预测未来的风电功率。
       小波神经网络：将小波分析与神经网络结合，首先利用小波变换对原始风电功率数据进行多尺度分解，提取不同频率成分的信息，然后将这些特征作为神经网络的输入进行预测，这种方法可以有效捕捉风电功率的多尺度特征。
概率核学习方法：通过选择合适的核函数和概率理论，将历史功率数据映射到高维空间进行非线性建模，并利用核学习方法估计概率分布，进而预测风电功率的概率分布。
特征工程与数据预处理：

      气象数据融合：获取高精度的数值天气预报数据，并将其转化为风机轮毂高度的风速、风向数据，结合其他气象要素进行多元预测。
降噪处理：去除噪声和异常值，确保输入数据的质量和准确性。
模型优化与评估：

        稀疏化和正则化：采用LASSO（Least Absolute Shrinkage and Selection Operator）等正则化技术进行参数估计，以解决过拟合问题并进行特征选择。
分位数回归：不仅关注风电功率的均值预测，还考虑预测区间的估计，通过近端梯度算法求解LASSO分位数回归模型，以获得更全面的风险评估。
多模型融合与集成学习：

       结合多种预测模型的结果，通过加权平均、投票等方式提高预测的稳健性和准确性。

      根据最新的观测数据不断修正预测结果，实施滚动预测策略，以应对风电功率的实时变化。
短期风电功率预测技术的进步对于风电场运营、电力市场交易、电力系统规划和调度都有着重要的意义，有助于提高风电的接纳和消纳能力，促进可再生能源的高效利用。

3.总结

       基于小波Elman神经网络的短期风电功率预测方法，通过小波分析提取风电功率序列的多分辨特征，再借助Elman神经网络的递归结构捕捉时间序列的动态趋势，从而提高了预测精度。这一模型能够有效地处理风电功率数据的非线性、时变性和不确定性问题，为风电场运行管理和电力调度提供了有力的支持。