将相对误差分为5个区间，在相对误差值小的区间个数多，则预测方法较好。
相对误差分段统计见表4。
表4 时风速相对误差分段频数统计表
分段区间 《5% ［5%，10%） ［10%，15%） ［15%，20%） ≥20％
持续法 3 7 4 6 10
BP模型 2 9 5 5 9
小波-BP模型 7 10 7 3 3
从表4可以看出，小波-BP神经网络组合模型在相对误差值小的区间个数多。如持续法的相对误差小于5%的个数为3个（总数为30个），BP神经网络组合模型的相对误差小于5%的个数为2个（总数为30个），小波-BP神经网络组合模型的相对误差小于5%的个数为7个（总数为30个）。可知小波-BP神经网络组合模型的相对误差平均值最小。
通过对绝对误差和相对误差的对比可看出，小波-BP神经网络组合模型的效果最好，可以推荐为风速预测的模型。
4展望
小波技术在风资源领域应用较少，本文将其与BP神经网络组合，通过实际风电场风速预测试验研究，表明小波-BP神经网络组合模型能更好地预测风电场的逐时风速变化。但小波技术应用时还存在诸如小波类型的选择、分解层数的确定等问题，还需要做更多、更深入的研究和探讨，这也是我们下一步研究的重点。
影响风速变化的因素有很多，如温度、气压梯度、地表粗糙度等，无论是BP神经网络模型还是小波-BP神经网络组合模型，都是单因子预测模型，在以后的研究中，可考虑多因子预测模型以及结合数值天气预报模式等物理预报方法等。
<上一页34
