风功率预测数据挖掘论文

一、风功率预测方法

对于风电功率的预估，本文提出了一种短期的用于一至十五分钟内的预测方法。其中输入数据来自风力发电机的历史寄存器，数据种类有电压、电流、有功功率等。并且对两种预测方法进行了比较。预测出的风力数据作为风力涡轮机预测模型的输入值。风力发电机模型是参考了空气力学、传动系统、感应发电机等参数，并通过唯像模型建立的。风力涡轮模型则建立于一种现象学模型，这种模型将风的空气动力学、传动系统和感应发电机的参数都考虑了进来。另一种预测风电功率方法是使用数据挖掘技术来进行预测。风电发电系统中的数据库就应用到了这些技术。为了提高算法的效率，使用了风速估计器，以估计空气分子的布朗运动。并与没有用风速估计器时平均发电功率进行比较。

二、风功率预测模型和现象学模型

(一)人工神经网络

每一个人工神经网络模型都有架构、处理单元和训练方面的特性。在时间序列预测的人工神经网络模型中，其中很重要的一种是集中延时神经网络。它属于动态神经网络的一般类型，在这种神经网络中，动态只出现于静态的、有多个层级的前馈神经网络的输入层中。集中延时神经网络的一个显著特征是它不要求有动态反向传播来计算神经网络的梯度，原因是抽头延迟线只在神经网络输入数据时才出现。由于这个原因，这种神经网络比其他动态网络的训练进行得更快。

(二)随机时序

风功率模型和现象模型是使用最多的预测方法。如果假设预测变量Xt是已知值的线性组合，那么自回归模型则能用于预测未知值。通过查看自相关函数和偏自相关函数，用于找到模型的顺序和结构，从而确定模型适当的结构和式子顺序。根据赤池信息准则，施瓦茨准则或贝叶斯信息标准以及校正后的决定系数，我们就能选出最好的模型。

三、算例分析

(一)提出的预处理方法

在考虑风速的复杂动态的情况下，为了更好地描述ARMA模型，本文提出了一种新的数据预处理方法。这种方法是以模型的形式呈现的，我们将这种模型称之为函数的ARMA。

(二)实例仿真

利用SVM工具箱在matlab7．1平台上完成回归模型建立的工作，利用我国某风电场连续100个数据(每10s取一个数值)的实测风能功率输出值，建立训练和预测样本。尽管神经网络在预测风速时误差已经很小，但由风力涡轮机模型和函数的ARMA模型组成的复合模型在各方面性能更好。导致这一结果的原因是焦点延时神经网络(以下简称FTDNN)预测曲线的高度非线性。

四、结论

本文所得预测结果表明，当把风速预测数据当作风力涡轮模型的输入数据时，函数的ARMA模型和焦点延时神经网络在预测风速时产生的误差会平均降低74%。同样地，本文提出的函数的ARMA模型(即FARMA模型)与典型的ARMA模型相比，能降低误差30%～40%。在所有模型中，焦点延时神经网络(FTDNN)预测得最好。但当把现象学风力涡轮机模型和函数的AR-MA模型组成复合模型时，最终预测结果还能更好。

作者:石拓单位:东北电力大学