摘要本文介绍了两种风电场风速预测的模型，分别是BP神经网络模型和小波-BP神经网络组合模型。BP神经网络模型是风速预测中常用的模型之一，小波技术和BP神经网络结合，即为组合模型。小波技术将风速时间序列按时间和频率两个方向展开，体现了各成分对预测值贡献率的不同。将BP神经网络模型和小波-BP神经网络组合模型分别应用到我国朱日和风电场的逐时风速预测中，从预测结果对比二者，可以得出组合模型更适合该风电场的逐时风速的预测。
关键词风电场；风速；预测模型；BP神经网络；小波
中图分类号TM614 文献标识码A
1引言
我国的风能资源非常丰富，风能资源在我国能源结构中占有重要的地位。作为一种清洁的可再生能源，近年来风能资源正得到广泛地开发和利用。21世纪，人类对能源需求空前高涨，尤其是我国，人口众多，电力需求很大，大力发展风电技术具有极其重要的意义。
风速是风能资源计算评估的关键内容，准确的预测风速对风电场和电力系统的运行管理具有重要意义。预测风速的模型众多，除数值天气预报模式等复杂的数学物理模式预测方法外，常见的统计预测方法主要有持续预测法、时间序列预测法、人工神经网络法等［1］［2］。其中，持续预测法是最简单、最传统的预测方法，常作为其他预测方法的比较基准。时间序列预测法是一种历史资料的延伸预测法，常用的模型有自回归（AR）模型、滑动平均（MA）模型、自回归滑动平均（ARMA）模型、自回归滑动平均求和（ARIMA）模型等。在目前的人工神经网络中，应用较多的是BP（Back Propagation）神经网络，随着BP神经网络技术的不断发展，该技术在风速预测中的优势和潜力已逐渐显现。
本文主要研究BP神经网络模型在风速预测中的应用，先建立单纯的BP神经网络模型，再建立基于小波技术的BP神经网络模型，并对二者进行了对比分析。
2方法研究
2.1BP神经网络
人工神经网络（Artificial Neural Network，简称ANN）是在人类对其大脑及大脑神经网络认识理解的基础上，人工构造的能够实现某种功能的网络，它具有高度的非线性。BP神经网络是人工神经网络中常用的一种，该网络是一种单向传播的多层前向网络，其结构图如图1［3］。该网络具有一个输入层，一个输出层和至少一个隐（中间）层，各层之间实现全链接，而层内神经元之间无链接。当一对学习样本提供给网络后，神经元的激活值从输入层经各中间层向输出层传播，在输出层的各神经元获得网络的输入响应。按照减少目标输出与实际误差的方向，从输出层经过中间层逐层修正各连接权值，最后回到输入层，这种算法称为“误差逆传播法”，即BP算法。随着这种误差逆的传播修正不断进行，网络对输入模式响应的正确率也不断上升［4］。
图1 三层BP网络结构图
2.2小波分析
小波分析（Wavelet Analysis）是法国科学家Morlet于20世纪80年代初提出，具有时频多分辨功能［5］。小波分析是一种调和分析方法，是傅里叶（Fourier）分析发展史上的一个里程碑，被人们誉为数学“显微镜”。多分辨分析（multi-resolution analysis，MRA）亦称多尺度分析，是小波分析中最重要的概念之一，它从函数空间的高度研究函数的多分辨表示［6］将一个函数表示为一个低频成分和不同分辨率下的高频成分，即多分辨分析［7］只是对低频部分进一步分解，而高频部分则不予考虑。图2表示的是一个三层多分辨分析分解图，分解的关系为 。多分辨分析随着尺度由大到小的变化，对信号可以由粗到精地观察，既可以看到“森林”，又可以看到“树木”。
34
