[发明专利]一种结合粒子群神经网络的风电场输出功率短时预测算法

权利要求书

1.一种结合粒子群神经网络的风电场输出功率短时预测算法，其特征在于，包括以下步骤：

步骤一：进行风电功率预测特征分析，分析的数据包括风电功率的不确定性、条件性与地域性；

步骤二：对风力发电影响因素分析，其具体分析过程如下：在整个风力发电系统中，风机将空气的动能转化为其轴系上的机械能，并传送到风力发电机转子轴上，最后转化为电能，这是实现能量转换的第一个环节；

风能功率可由式(1)表示，本质上是一种动能：

(1)

其中，为时间，为空气密度，为进入风机桨叶扫掠面之前的风速，扫风面积，为空气质量，为空气流动能；

风机桨叶在转动过程中，会存在能量的损失，即并不是所有风能都能够被风电机捕获，结合(1)式，可推出风电机捕获的风能：

(2)

(3)

其中，为进入风机桨叶扫掠面之前的风速，是流出风机桨叶扫风面之后的风速，是风能利用系数，表示风机能够从风能功率获取的能量；

令(3)式中的，对求微分，得其最大值，如式(4)所示：

(4)

可知，当时，风能利用系数的达到最大值，风电机捕获的最大功率，即风电机捕获的功率均存在，因此，整个风力发电系统最终的输出功率与风电机捕获的最大功率是正相关的：

(5)

(6)

其中，为风电机捕获的风能，为整个风力发电系统最终的输出功率，为风电机捕获的最大功率，为进入风机桨叶扫掠面之前的风速；

现有的风电场均采用最大功率跟踪策略，即风力发电为扫风面积A捕获的功率均存在，因此，整个风力发电系统最终的输出功率与风电机捕获的最大功率是正相关的，在某一确定的风场内，其风机参数、扫风面积均不变，风电功率的主要影响因素是风速和空气密度，而空气密度主要受到空气温度的影响，因此，风电场输出功率的主要影响因素为风速和空气温度；

步骤三：结合粒子群神经网络的风电场输出功率短时动态预测模型，即获取到BP-PSO混合神经网络模型，其通过给定一组输入值和输出值作为训练数据，然后分别进行前向传播和误差反向计算，通过计算预测值与实际值的误差，并沿着梯度方向对网络的权重和偏向进行更新，直到满足最大迭代次数或误差达到要求才停止训练；

步骤四：为了改善BP神经网络学习算法易陷入局部极小的缺陷，采用粒子群算法优化BP神经网络的性能，首先采用粒子群算法得到最优的初始权值和阈值，然后将这些值赋给未优化的BP神经网络得到优化的神经网络，最后用仿真数据评估优化的神经网络的性能，其具体过程如下：其中，粒子速度更新公式：

(7)

(8)

是粒子的速度；是加权系数，取值在0.1到0.9之间；是个体极值；是粒子当前位置；是全局极值；和被称作学习因子，通常 2；是（0,1）间的随机数；为当前迭代次数；是总的迭代次数，和分别是加权系数的最大值和最小值，

其中，粒子位置更新公式：

(9)；

步骤五：通过粒子群优化的BP神经网络算法，误差判别函数与动态调整模型参数，实现对风电功率的动态预测。

2.根据权利要求1所述的一种结合粒子群神经网络的风电场输出功率短时预测算法，其特征在于：所述步骤一中的不确定性包括风速、风向、气压、温度、湿度，所述条件性为实现对未来的风电功率进行合理有效的预测，需要预测过程满足特定的条件不确定性。

3.根据权利要求1所述的一种结合粒子群神经网络的风电场输出功率短时预测算法，其特征在于：所述步骤五中的误差判别函数的具体计算过程如下：一般地，用表示实测数据序列，表示预测数据序列，预测绝对误差定义如下：

(10)

但绝对误差在风电场的预测中不能很好地反应实际情况，在风电场输出功率预测精度的判断方面不具有代表性，为了更准确的判预测模型的精度高低、以及实用价值，采用以下两个误差评价标准，分析各个模型的可行性和有效性，即均方根误差和平均绝对误差。