图2 三层多分辨分析结构图
3预测模型的研究
3.1数据分析
本文以我国朱日和风电场风速记录数据为基础(数据来源于东北电力大学硕士学位论文[1]《风电场风速和发电功率预测研究》附录1),建立预测模型。该风速时间序列每小时采样一点,选用的数据范围从1997年12月31日21时至1998年1月5日20时,共120个数据。
分析了样本的最小值、最大值、均值、均方差,见表1。
表1 时风速统计特征表
最小值m/s 最大值m/s 均值m/s 均方差
1.2 11.3 6.2 2.2240
为了研究风速序列内部线性相依程度,计算了该风速的自相关系数,见图3。
图3 自相关图
从图3可以看出,一阶自相关系数最大(0.5987),其他阶自相关系数相对较小,即 时刻的风速对 时刻风速的影响最大。所以,文中的BP神经网络模型和小波-BP神经网络组合模型的输入项为 时刻风速,输出项为 时刻风速。
3.2BP神经网络模型
根据对自相关系数的分析,以 时刻的风速作为BP神经网络的输入, 时刻原始风速作为网络输出(预见期为1小时),建立三层BP神经网络模型。其中,训练样本为1997年12月31日21时至1998年1月4日14时,共90组数据;预测样本为1998年1月4日15时至1998年1月5日20时,共30组数据。
BP神经网络模型的建立基于MATLAB7中的NNTOOL工具。采用的基本函数见表2。
表2 BP神经网络模型函数表
训练函数 输入层传递函数 隐层传递函数
TRAINSCG TANSIG PURELIN
训练步数为20000,误差满足要求。预测结果见图4。
图4 预测结果过程图
BP神经网络模型的绝对误差平均值为1.1m/s,相对误差平均值为20.41%。
3.3小波-BP神经网络模型
小波-BP神经网络组合模型的思路将原始时间序列进行小波分解,得到小波分解序列,以分解序列作为BP神经网络模型的输入,再按照BP神经网络模型的建模步骤即可[5]。
34