小世界網絡理論及其在風電功率短期預測中的應用研究.pdf

1、風電功率預測是新能源領域的一個重要前沿課題，對風電并網及智能電網建設具有重要的意義。小世界網絡是一種具有高信息傳遞效率的復雜網絡，小世界優(yōu)化和小世界神經網絡是其應用的一個重要方面。研究表明，小世界神經網絡比規(guī)則神經網絡具有更強的泛化能力，這使得利用其建立風電場的功率預測模型成為可能。本文旨在深入探究小世界網絡理論及在風電功率預測中的應用等關鍵問題，建立基于小世界網絡的短期風電功率預測理論體系，主要取得了如下成果:
　　1.提出了禁

2、忌實數編碼小世界優(yōu)化算法(TRSWA)，并通過Markov鏈理論對所提算法幾乎處處強收斂性給出了證明，這為后續(xù)該算法的應用研究打下了堅實基礎。通過對5個復雜多模測試函數的仿真分析，驗證了TRSWA算法的強收斂性，TRSWA算法可快速收斂到全局最優(yōu)值。最后建立了基于TRSWA的BP神經網絡模型(TRSWA-BP)。
　　2.借鑒復雜網絡的研究成果，提出兩種小世界神經網絡改進模型-WSBP及NWBP模型，并給出其模型構建、拓撲結構及網

3、絡模型描述，同時推導了上述小世界神經網絡模型的算法公式，探討了其收斂特性。仿真結果表明，兩模型的逼近性能均比原規(guī)則BP網絡有所提高。
　　3.根據風電功率動態(tài)特性及預測機理，研究小世界神經網絡應用于風電功率預測模型的優(yōu)化機制，提出基于NWBP小世界神經網絡的數據補差方法。首先，在對實際風場數據中實測風速、風向、功率、溫度的10min數據按小時進行預處理后，通過NWBP小世界神經網絡數據補差方法對查找到的不合理、奇異點數據進行了處理

4、。然后，將TRSWA-BP、WSBP、NWBP小世界神經網絡模型用于風電場功率短期預測，并建立了上述神經網絡與經驗模態(tài)分解、相空間重構以及經驗模態(tài)分解-相空間重構的短期功率預測模型?；趯嶋H風場數據的仿真實驗表明，上述方法的引入提高了基本BP模型對風電功率的預測精度，使預測誤差有明顯減小，且運算時間實際可行。
　　4.建立基于小世界優(yōu)化的變權組合預測模型。提出灰關聯度γi＜0.7剔除準則，通過對6種單項模型進行灰關聯分析、單位根檢

5、驗、協整性判斷等檢驗，篩選出1h、4h、6h、24h不同時間尺度的冗余方法，并結合風電場的實際情況，對篩選產生的模型進行變權組合預測。仿真分析表明，經過篩選后的小世界優(yōu)化的變權組合預測模型能增強預測系統的預測精度，提升系統預測性能。
　　5.對風電功率不確定性進行分析，提出了應用蒙特卡羅原理的概率性預測及基于NWBP小世界神經網絡的分位數不確定性分析方法。通過仿真分析了置信水平為95％、90％、85％時預測模型的有效性，給出相應置