111001210802-王倩文-风电场风电功率短期预测技术

1、风电场风电功率短期预测技术上海电机学院 毕业设计（论文）课题名称 风电场风电功率短期预测技术学 院 电气学院 专 业 自动化 班 级 BG1108 学 号 111001210802 姓 名 王倩文 指导教师 陈国初 定稿日期： 2015 年 5月15日II风电场风电功率短期预测技术摘要在如今的社会中，能源问题越来越受到大家的关注，而风能作为一种蕴藏量大、可再生、分布广、无污染的可再生能源，倍受全世界的欢迎。风力发电作为一种可再生能源发电方式，它具备大规模开发条件和良好的商业化发展前景。但是风力发电与一些传统的发电方式是不同的，风电的大规模并网会给电力系统的电能质量以及安全稳定运行带来严峻挑战是

2、由于它具有间歇性、波动性以及随机性，然而风电功率短期预测技术能够有效的解决以上的问题。风电功率短期预测技术对于电力系统的调度以及安全的稳定运行具有深远的意义。为提高预测的准确性，本文提出一种基于Elman动态神经网络的预测方法。本文首先从风电场的发展历史以及国内外风电功率短期预测入手突出本课题的选题必要性和研究意义。随之介绍风电功率预测技术在国内外的研究现状,最后在了解现状的基础上确定本论文的主要内容及组织结构。其中首先本文主简述了人工神经网络的一些基础概念，并且详细地介绍了一种具有动态反馈机制的人工神经网络模型即Elman网络和它数学模型和学习算法，并且在采用实际的风电场的风向、风电功率以及

3、风速的相关历史数据的基础上，建立了基于 Elman神经网络的风电功率短期预测模型。关键词：Elman神经网络，短期预测，风电功率ABSTRACTIn todays society, energy problem is becoming more and more by everyones attention, and wind power as a kind of reserves, renewable, distributed widely, non polluting renewable energy, highly popular all over the world. Wind pow

4、er as a renewable energy power generation, it has large-scale development conditions and good prospects for commercial development. But not like wind power and conventional power generation: water, electricity, thermal power, large-scale wind power integration will be for the safe and stable operati

5、on of power system and electric energy quality bring severe challenges because its random, intermittent and volatility. However, wind power short-term power prediction technology caneffectively solve the above problems.Is of great significance for the stable operation of technology of power system s

6、cheduling and security forecast of short-term wind power. In order to improve the prediction accuracy, this paper proposes a prediction method based on dynamic neural network Elman. In this paper, the wind farm development history as well as the domestic and foreign short-term wind power prediction

7、of highlight the subject topics necessary and significance of the research. Followed by introduction of the wind power prediction technology in the domestic and foreign research status. Finally on the basis of understanding the status to determine the main content and organizational structure. Which

8、 this paper mainly expounds the basic concepts of artificial neural network, and introduced a kind of artificial neural network model for a dynamic feedback mechanism that Elman network and its mathematical model and learning algorithm in detail, and the actual wind farm wind direction and wind rate

9、 and wind speed historical data based on established based on Elman neural network of wind power short-term prediction model.Keywords: short term prediction, Elman neural network, wind power目 录1 绪论11.1 课题来源与意义11.2 国内外研究现状11.3 论文主要内容32 风电功率短期预测52.1 风电功率预测基本概念52.2 风电功率短期预测的原理52.3 风电功率短期预测的特点62.4 风电功率短

10、期预测系统73 人工神经网络83.1 人工神经网络的特点83.2 神经网络的分类93.3 小结114 Elman神经网络124.1 Elman神经网络结构124.2 Elman神经网络算法124.3 Elman神经网络算法流程134.4 Elman性能测试与仿真实验144.5 本章小结215 基于Elman神经网络的预测模型225.1 基于Elman神经网络预测流程225.2 预测模型的建立225.3 评价指标235.4 实例分析235.5 本章小结296 总结与展望30致谢31参考文献3234风电场风电功率短期预测技术1 绪论1.1 课题来源与意义如今在“低碳经济”的蓬勃发展下，风力发电作为

11、清洁可再生能源，受到世界各国政府的高度重视。我国更是如此。因为中国能源资本人均占有率低，能源布局不合理，以及有限的化石能源不能使每日增加的能源消费需求得到满足，所以我国必要寻觅一种可再生能源来填补咱们的日益增长的能源需求。风能作为一种清洁的可再生能源资源在中国是非常丰富的，尤其是东南沿海和岛屿的111，内蒙古和甘肃北部，黑龙江和吉林东部和辽东半岛沿海地区，第二风速3m以上近4K的小时的时间，高达每秒6次以上7年平均风速的地区，它具有很大的应用潜力 10 。然而，风力发电的随机性波动和间歇性，使风电场输出不稳定，会给安全和电网调度引起一连串的问题。此外，近年来，随着对风力发电和风力发电容量占系统

12、中快速发展的比例迅速增加，质量之间的矛盾和发展速度F1风力越来越突出，风力发电对电力系统的影响更明显。特别是，风扰动的波动可以使电压和频率的电力系统发生了很大的变化，尤其是当风电穿透功率超过一定值时，会造成电压和频率的时刻出现比较大的波动，对电能质量和电力系统的正常运行，严重损害。同时，为了解决风电的不稳定性问题，电力公司不得不提高供电系统的备用容量，这将直接增加风电投资。因此，我们预计预计发电计划制定风力发电的合理，同时保证在同一时间，电力系统的稳定运行，而且最大限度地节约了投资资本。正是因为风力发电自身所持有的波动性、间歇性和随机性等特色导致风电场出力不平稳,才给电网调度、安全等带来一连串

13、的问题。因此,我们盼望经通过对于风电功率作出提前预测来拟定合理的发电计划,在确保电力系统稳定不变运行的同时又可以最大程度的减少投入资本,风电功率的预测是实行一种类型的风电场并网的条件。风电功率预测目前在电网调度在中国引起了极大的关注。短期风电功率预测调度，为电力系统及风电场的生产操作技术具有十分重要的意义，维护。在功率短期预测国外风力发电技术的研究开始于第二十世纪80年代，但我们的风力发电的风电场系统预测安装国很少，基本上都是国外厂商系统。而根据欧洲风能资源外，不适应中国独特的地形和气象条件，我国的电力管理系统也不好13。这是适顺应我国风电预测的迫切需求。随着风电并网风电场风功率的增加，以及大

14、规模的发展，开发适合中国情况的预测系统已经成为我国迫切的需求。1.2 国内外研究现状1.2.1国外研究现状由于在最近的几年中国外不断增加风电场的建设，所以人们也逐渐认识到了风能和风电场的预测研究的重要性。目前，在风电功率预测的应用领域外国有比较知名的研究和发展太阳能在德国WPMS（风电管理系统）系统，它使用与NWP信息来预测功率输出神经网络模型，这是目前最成熟的商业预测系统，以及美国AWS Truewind公司eWind系统开发的丹麦里瑟国家实验室Prediktor系统等等3。利用短期，中期和长期的风电功率预测方法进行审查，使用评价方法进行了分析和预测结果，结果表明，自适应神经模糊推理系统，人

15、工神经网络更好的预测效果，并提出了一个新的预测混合粒子群算法和四季，短期风电功率预测自适应神经模糊推理系统，连续预测方法的方法，时间序列法和神经网络相结合的方法进行了比较，结果表明，这种方法比较好比其他方法的平均误差率达到5.4120。的数据作为模型由数字天气预测的输入端，设置了多个观测点，对应于风力涡轮机发电设备的每个特定的观察位置时，对应于不同的观察点来预测短期风力发电中，该方法用连续预测方法和灰色模型，预测精度提高。在不同时期使用自回归移动平均模型（ARMA），人工神经网络模型（ANN），人工神经网络模型（ANN）预测风电功率预测进行预测误差分析。在物理模型及风电预测应用的统计模型，有两

16、个高分辨率的气象系统，提供了更精确的风速和风电功率预测模型，克里特岛的方式以及凯法利尼亚的希腊岛屿，应用表明，天气系统的预报精度和电的环境有很大的关系，在更高的精确度，风电的预测精度将得到提高15。1.2.2 国内研究现状在风电功率预测技术的领域，由于中国的起步较晚，所以如今大多数还集中在预测理论的专研中。在国家大力推动风电产业和相关政策的发展过程中，中国近年来还开发了一些实用的预测系统，比如风力发电预报系统开发中国电力科学研究院的设计在2009年投入使用江苏9。我国利用人工神经网络开发了一系列的风电功率预测模型。统计物理方法各有优缺点，而且还采用物理方法和统计方法相结合的方法开发了一个混合的

17、预测模型。目前我国主要使用预测方法有统计物理预测方法、预测方法、学习预测方法以及综合预测法。对风的随机性，波动性，微分法原风序列为平稳随机序列，建立ARMA模型，利用该模型预测风速序列之前，得到一个更好的风能预测。风力发电机组的研究聚集影响预测误差的结果，汇聚了许多单位将准确的风电功率预测高于实时每个单元的平均预测精度，但对时间序列分析和预测模型，模型的类型和顺序确定的识别会产生一定数量的错误。之所以提出支持向量机为了长期解决神经网络训练容易陷入局部最小以及泛化能力强，风的力量和速度结合的历史数据建立支持向量机模型预测风速，风速和功率的未来。对原序列分解形态风，利用灰色理论和支持向量机回归，风

18、力发电的应用组合预测方法来预测 32 。1.2.3 国内外研究现状对比在中国和国外理论研究的风力发电场，还存在不小的差距。在风力发电的短期预测72小时中，一些欧洲国家产生的预测误差（根的比率均方误差和单位额定功率）已经低至57，并且提前2小时4小时误差低至34然而国内研究的预测理论，有关错误仍然大多在15以上4。伴随着我国大量的风电理论研究的专家学者进一步的专研，在国内预测误差也逐渐降低，但与国外先进理论相比仍存在不小的差距。这就解释了研究风力发电，中国可以提高的空间还很大，要进一步加强深度和广度，与国外风电距离逐渐缩小。在对比了国内外研究现状以后，我们不难发现：（1）在国外应用软件已经比较成

19、熟，并且在陆上和海上风电场建成投产，其时间尺度为0-72小时。而中国则是在研究和开发短期风电功率预测软件，并且在实际风电场试运行的发展中，预测结果的均方根误差在15%一20%11。（2）数值形式的天气预报已经是国内外的风电功率短期预测系统中重要的输入之一，在国内的研究中，微观尺度气象预报误差是对预测精度的力量大，造成严重影响。（3）人工智能方法已经被广泛引入到外国文学的风电功率短期预测方法的研究中去，其中已经包含了粒子群算法（PSO）、混沌理论、遗传算法、模糊推理系统（FIS） 、自适应模糊神经网络、概率神经网络、复发性多层感知神经网络（RMLP）。而国内文献提到的方法有：RBF神经网络、BP

20、神经网络、小波BP神经网络相结合和支持向量机、遗传算法的模式等12。（4）国内外研究者付出更多研究在组合预测模型上，因为该模型充分利用到了各种单的有用信息的预测模型，来提高风电功率预测精度。（5）研究在国外的评价方法，重视预测重视预测的不确定性和风险，国内对于这项的研究在该领域仍然是缺乏一个重视。1.3 论文主要内容近几年来许多研究和应用方面都采用了人工智能方法，其中风电功率预测主要运用人工神经网络法，并且取得了较好的效果。在短期功率预测方面我们用的最多的是Elman神经网络。其主要原因是风电功率预测的问题是一个样本数据总是不断更新的动态过程，利用静态前馈网络分析动态系统，其本质上是对动态和静

21、态时间建模的转换问题，很多问题会在转换过程中出现。Elman神经网络是Elman于1990年提出的，它是一种反馈神经网络，其反馈连接是从隐含层的输出到其输入端，这样反馈形式可以让Elman神经网络在探测和识时，在成为模型以后具有较强的计算能力。 本文主要从以下几章来展开论文：第一章，简述了本论文的研究背景和意义，综述了国内外风电功率预测的发展现状。第二章，介绍了风电场风电功率短期预测技术的一些基本知识，为后期的预测工作做准备。第三章，介绍神经网络，在比较了BP神经网络和Elman神经网络后，选择了Elman神经网络模型，为了选择更为精确的数据，采用试凑法找出适合的隐含层神经元数。第四章，以东北

22、某近海场的历史数据为例，建立Elman神经网络模型来进行风电功率段期预测，并通过改变隐含层数来提高预测精度，最后对产生的预测结果加以分析。第五章，总结了论文，并且对论文中不足之处提出了展望。2 风电功率短期预测2.1 风电功率预测基本概念风电功率预测是被用来确保电网平衡风电波动主要的技术支持、削减备用容量和经济的运行，以及帮助电力调节部门提前调整调度计划，而且按照风力的变化状况来确保供电的质量，消减体系的备用容量和下降电力系统的运行本钱，来满足电力市场买卖的需求，风力发电为网络提供有利条件的投标。通过风电功率预测研究结果的分析可以看出，短期风电功率预测的研究主要集中在两个方面：第一是建立一个更

23、有效的预测模型，提高预测精度；第二是获得更准确的数值天气预报数据。现在的短期风电功率预测方法可大致分为物理和统计两种方法。（1）物理方法：采集一些数据如：风向，风速，基于数值天气预报系统的温度，气压等数据，然后基于风电场的粗糙度，绕过障碍物，轮廓和其他信息来算出温度分层风轮毅高度的风向，风速和其他信息，最后出风电场输出功率并且根据计算结果输出风电场功率曲线。（2）统计方法：统计方法不考虑风速变化的物理过程，但发现天气条件和风电场输出的关系基于历史统计数据，然后根据测量数据和数值天气预报数据的风电场输出功率并基于实测数据和数值天气预报数据预测风电场输出功率。2.2 风电功率短期预测的原理 随着时

24、代的发展，预测技术也在进步和完善，关注于预测理论的专家、学者相继提出了大量的预测方法，据有关资料统计目前应用于各领域的预测方法总数多达二百多种在进行风电功率预测系统的研究时，专家学者往往借助于以下几条原理: 1)可知性原理：可知论认为:“世界是可以认识的，人们不但能够认识事物的现象，而且能够认识事物的本质18。”从人类认识发展的规律性来看，任何事物都是能够被认识的，而且认识是无极限的，虽然在具体的时间阶段内认识可能是有限的，但必须强调的是物质的可知性肯定了人类的思维能够正确的认识事物的存在及其发展变化过程，这对于人类认识世界、改造世界具有重大的激励作用。 2)延续性原理：在客观的条件下事物一定

25、的规律发展，在其发展过程中，这种规律将坚持到底，至少在一段时间内这类的规律性是不会发生本质的变化。延续性原则认为任何事物总是从过去发展到现在，再由现在发展向未来，并且未来的发展与其现在和过去的行为持着一定的规律性6。然而延续性原理的要求比较严格，仅仅是利用延续性原理来实行预测，它的效果并不太满意，延续性原理仅仅适用于发展过程变化不大、波动却比较平稳的预测对象，或者在某一时间阶段内预测对象的发展处于相对稳定的情况，然而即使满足平稳性条件系统的发展也不会是历史的重演，而只是表现出其成长的惯性以及周期性，将来的的发展会呈现出偏离的状况。风电功率序列属于高度非平稳、非线性、波动较大的序列，直接利用延续

26、性原理来进行短期风电功率的预测并不能达到满意的效果，需要对风电功率做平稳化处理19。 3)相关性原理：世界万物的发展变化都是在与其它事物的相互影响中确定其轨迹，并伴随着其他事物的发展而发展，都不会是孤立的。在预测研究中为了增加预测模型的输入因素以提高预测精度，首先要考虑的一项重要方法即利用不同事物发展过程中的相关性。如果寻得一个或者几个和预测对象密切相关的，并且可以收集到其充分的历史资料，利用他们间具有相关性的历史数据建立数学模型往往能达到提高预测精度的目的，或者可以预先知道其未来的发展变化即可以根据相似性直接得出预测对象未来的发展变化。在利用事物发展变化过程中的相关性原则进行短期风电功率预测

27、前，首先要确定与风电功率发展变化相关的影响因素以及相关程度，引入相关性程度高的因素会改善预测系统的预测精度，而将不相关或相关程度微小的因素引入预测系统反而可能会掺入干扰项导致预测误差变大21。我必须要注意的是，当我在利用相关性进行建模预测时，还应该研究这些相关性因素是否具有时间性，因为事物间的相关程度可能会随着时间的推移而发生改变，我必须确保这些相关性因素在预测模型研究阶段保持稳定。事物间的相关性除具有时间性外还具有空间地域性，不同地点同样的几种事物间的相关性程度亦可能会不同。我在建立风电场短期风电功率预测模型时，风速、风向、温度、压强等都是值得、考虑的相关性因素22。2.3 风电功率短期预测

28、的特点由于风电功率预测是根据风电场过去时间段的风能、风速、气压、温度等因素推测未来的功率值,决定了风电功率预测工作的研究对象是不确定事件、随机事件,需要采用相应的预测技术和模型来推出风电功率的发展趋势和可能达到的情况。风电功率短期预测有如下的3个特点：1) 不确定性由于风电场风电功率受到多种多样复杂因素的影响，所以它的未来的发展具有不确定的,并且它还与风电功率相关的温度、压强、风速等各种因素有关系的,因此决定了预测结果的不确定性20。2)条件性风电功率预测的过程是一个从历史来推测到未来的过程,这个过程需要在一定条件下才可以合理有效。如果预测对象的发展过程单单从过去和现在的表现来看均为平稳,并且

29、无重大的干扰、破坏以及波动,或着使即使有突发事件也呈现出一定的规律性,我们就可以直接将这平稳的发展过程延伸到未来,用这些历史数据来类比未来。但是由于风电场是一个包含了各种不确定性的系统,因此无法估计的重大事件如台风、冰雹、电机故障、以及政府得政策、社会的异常事件等一些不可抗力因素的影响,以导致风电场产能的较为理想的规律被破坏,所遇在这种情况下我们要尽量保证数据的有效性以及完整性的同时也要充分考虑异常事件可能带来的影响20。3)地域性风电功率的影响因素因风电场的选择地点的不同而不同,因此所占比重也会发生改变。由于我国地理条件的多种多样,风电场的产能也会呈现出一定的地域性,东部沿海为海洋性气候多暴

30、风,风电的不确定成分所占比重大,而西部内地为大陆性气候,风速、风向、温度等风电功率影响因素相对来说较为稳定,不确定因素比重小,在建立预测模型的时候就较容易20。2.4 风电功率短期预测系统 风电功率短期预测系统最早是在在上个世纪九十年代在丹麦和德国出现。如今，各种各样的风电功率短期预测系统所采用数值天气预报的数据依旧是作为它们最主要的的输入参数之一，它们采用的的预测模型是不同得,有采用物理模型的,有采用统计模型的,以及还有使用组合模型的30。风电功率短期预测系统可以通过数值天气预报数据来获知未来的一段区间内风电场的风速、风向以及其它的相关的天气咨询。将数值天气预报的预测来的数据进而转变成为风电

31、功率预测数据是风电功率短期预测系统的主要功能。3 人工神经网络人工神经网络类可以称作为一种应用，它类似于用数学模型的信息处理大脑连接结构的突触。另外在工程和学术界倾向于直接调用神经网络或神经网络。神经网络是一种计算模型，它是由许多节点（神经元）被彼此连接的组成，每个神经元代表一个唯一的输出功能，称为激活函数10。两个节点之间的连接意味着权重连接信号的加权值，这是类似于人工神经网络的记忆。基于网络连接的网络的输出，权重值是不一样的记忆激发函数不相同。然而，网络本身往往是接近一个特定的算法或函数的性质，或者表达一种逻辑策略。人工神经网络（ANN）是对人脑抽象和简化，通过简单的神经元与彼此和自适应非

32、线性动态系统的形成连接的特定的拓扑结构13。ANN作为一种智能学习算法，可以具有多种不同的结构，可以应用在模式分类，优化计算、预测等领域，其特点是具有自学习、自适应和自组织能力；相对于统计方法，ANN不需要确定函数模型，在对训练数据进行充分训练后，就可以有效地在稳态和瞬态条件下进行测试值的外推23。利用神经网络非常适合做函数逼近和预测的特点，在对数据做了统计预处理后，将BP神经网络模型应用到反应堆功率预测中，实验表明BP网络可以在多种不同情况下都有较好的表现，有力说明其强大的泛化性能和容错性能。与前馈型网络(FNN)相比，该模型结构比较简单，计算速度快，并且得到的预测精度也比较高。3.1 人工

33、神经网络的特点人工神经网络是由人类大脑的结构和功能而创建起来的新型信息处理系统。它有很多和人类的智能相似的特点。（1） 并行结构和并行处理许多简单的处理单元都与人工神经网络组成的相互高度并行的非线性系统连接。它不仅在结构是平行的，它们也是在处理序列和平行。人工神经网络在多个处理单元中，当在同一层中的处理单元，它们具有并行操作的计算功能。所以神经网络中的信息处理不但运算速度快，它还比计算机的串行处理的速度。（2） 知识的分布储存窗体顶端人工神经网络的信息存储，必须使用分布式并行结构。在人工神经网络中，知识并不是储存在特指的储存单元中的，它是分布储存在整个网络的所有连接权中的。一个神经网络能够储存

34、多种多样的信息，当中多种信息的一部分是被储存在每个神经元的连接权中的。（3） 较好的容错特性人工神经网络表现出了较好的容错性人工神经网络的知识分布存储特性使得。当输入一些不完善的数据和信息时，人工神经网络可以经过联想恢复成为完整的记忆，因此可以实现正确识别不完整的输入信息。此外，因为知识并不是储存在一个特指的储存单元，它是分布储存在整个网络连接权中，因此，有受损的神经元不会对整个系统有一定比例的巨大的冲击性影响，部分细胞就像每个大脑自动模切，但不会使人们的记忆能力和思考能力受到影响一样。所以，人工神经网络可以忍受一定数量不准确的信息，相比于一般计算机，神经网络计算机承受硬件损坏的能力也比较强。

35、 （4） 高度的非线性和计算机的非精确性大量简单的处理单元互联非线性系统的特点是高度并行构成的人工神经网络，存储性能使信息存储在其并行的知识结构的空间分布和处理，并行时间可以让得整个网络呈现出高度的非线性特性，以及神经网络能够处理持续的模拟信号和不完善的数据，让神经网络通常给出满意的解决方案而不是精确解 25 。（5） 自适应性、自学习和自组织一个能够改变他们的性能以适应环境变化的系统是适应性的，它有两个特点，即：自学习和自组织。其中，自主学习是指当外部环境发生变化，一段时间的培训或感知后，神经网络可以为一个给定的输入产生一个输出；和自组织神经网络可以通过训练，调节突触神经元之间的连接权值调整

36、的手段，它具有可塑性，逐步建立适应不同的信息处理要求的神经网络 25 。3.2 神经网络的分类如今，神经网络模型已经具有近40余种神经网络模型，其中典型的有Elman神经网络、CMAC小脑模型、BP网络、ART自适应共振理论、Blotzman机网络和Hopfield网络等。 3.2.1 Elman神经网络窗体顶端Elman网络是Elman在1990年提出的，为了实现存储器的目的，Elman网络模型增加了一层承接在隐藏层前馈网络，它可以使系统具有适应能力是变化的，特征可以直接响应于该系统的动态过程。 Elman网络是一个典型的动态神经网络，它是根据神经网络的基本结构，内部状态被存储到映射函数的动

37、态功能，从而使系统具有适应随时间变化的特征的能力代表神经网络建模和控制的方向22。Elman神经网络具有优点：其具有一般回归神经网络模型的动态特性；其具有前向网络计算量小、容易收敛、结构简单的特点；其特有的反馈结构使其具有较强的抗干扰能力，而且表达复杂的动态系统仅仅需要单层网络；因为动态回归网络中的输入不会随输出的历史数据产生变化，所以递归网络中的噪声只会出现在网络的噪声方差和训练精度中，然而与期望输出相比较高；随着噪声的减小回归网络的泛化性增强，相反的系统输出的历史值存在在前向网络的输入中，座椅噪声也有输入端，前向网络的泛化能力受到噪声的严重影响。 Elman 神经网络缺点：学习速度相对于前

38、向网络较慢，存在的内部反馈导致对样本的处理只能单个进行；Elman 神经网络节点数有一定限制，需要主要算法收敛问题30 。3.2.2 BP神经网络窗体顶端BP（反向传播）神经网络的学习过程是反向传播的错误反向传播算法，它是这两个过程是由信息传播和误差反向传播。从外界接收的输入信息主要是使用了输入层中的神经元，并且传递到中间层的神经元;中间层是指在内部信息处理层，其主要功能是对转换信息，并根据信息的能力的不断变化的需求可以设计成单个隐藏层或多层隐藏层结构;最后一个隐藏层步骤被发送到在该信息的输出层的每个神经元，再经过进一步处理，并在学习过程中向前传播的端部，通过输出层到外部的输出信息世界处理的结

39、果。当实际输出与期望输出的不同，扭转相位误差的传播。误差可以输出通过该层，根据错误的梯度下降方法来修改权重，到输入层，反馈到隐含层。这种信息的过程以后开始再次阐述和各层的反向传播的过程中，是连续调整的权重，并且神经网络的训练过程，这个过程将继续下去，直到网络错误输出减小到日期的满意，或者设置的学习时间22。窗体底端BP神经网络和早期的人工神经网络模型相比，误差反向传播的神经网络更为成熟，主要表现在在网络理论和网络性能上，较强的非线性映射能力是其最大的优点。但是 BP 神经网络不是非常完善的网络，它还是会出现一些问题，例如：（1）若 BP 神经网络训练太多次，这样会让学习的训练的过程变太长、从而

40、会影响学习效率。然而学习速率会影响 BP 算法进行学习时的收敛速度，若学习速率过小，相应的网络收敛速度就会较慢；若学习速率过大，会使网络振荡进而无法达到收敛。但在目前学习速率该咋样取值还没有理论上的指导，一般情况下在 0.01-1 范围内取值； （2）BP神经的局部极小网络的误差函数存在非线性S型函数。因此，它包括的不仅只有一个最小点，但也有多个局部极小，因此网络中的训练过程中遇到局部最小值点是无法继续训练，所以出现在“局部最小”的问题。最初的连接权是BP学习算法出现局部极小的主要因素之一。如果初始连接权重过大，有可能在学习和训练开始使得网络中的S形函数的饱和区，使网络从陷入局部最小值。因此，

41、通常设置较小的连接权初始值，以便使每个神经元的转台只接近零，以保证在学习开始时网络不会陷入局部极小点；（3）隐含层层数和隐含层的节点数的选取目前并没有理论上的指导，大多数是依照实验来确定的，所以BP网络经常是含有较大的冗余性，这样无意之中也增加了网络学习的时间；（4）训练的时候学习新的例子会产生遗忘旧样本的趋势，这是因为 BP神经网络的学习和记忆存在不稳定性， 当提供一个新的记忆模式给训练已经结束的BP神经网络时，就有可能把网络已经调整好的连接权值破坏掉，这样会让已经记忆的学习模式的有关的数据消失30。把新的学习模式和原来的学习模式相结合后给 BP神经网络这提供了可以防止上述现象的发生，也就可

42、以重新训练该网络，这种方式与人类大脑进行记忆时的稳定性是一样的。3.3 小结在简单的介绍了人工神经网络的概念与特点以后，又分别介绍了BP神经网络和Elman神经网络，并且通过对比Elman神经网络以及BP神经网络的优缺点，我最终选择了基于Elman神经网络的风电场风电功率短期预测技术。其主要原因是BP神经网络是BP神经网络是一种静态神经网络，因此它的动态性能不足以及适应性较差，而ELman神经网络是一个典型的动态神经网络，它特有的反馈结构使其具有较强的抗干扰能力，可以使结果更加的精确。4 Elman神经网络4.1 Elman神经网络结构Elman神经网络由四层组成：输出层，相关层，中间层（隐层

43、）和输入层。隐含层，输出层和连接输入层，输入层单元前馈网络仅仅作为信号传输；输出层单元具有线性加权函数。线性或非线性的函数可以作为一个隐含层单元的传递函数，也被称为接触层可以与单元层，其主要功能是用来输出的时间内隐记忆层单元的值，这也可以认为是一步延迟算子。Elman神经网络的特征是它隐层的输出实现存储层相关的延迟，并连接到从隐含层的输入，这样的自关联方式可以使它历史数据的具有一定的敏感性，要使动态信息处理网络本身增加的容量可以增加内部反馈网络，从而实现动态建模 23 。 图4-1 Elman神经网络结构4.2 Elman神经网络算法Elman神经网络可以逼近任意精度的线性映射，当输入和输出数

44、据到一个特定的系统，该系统可以模拟。非线性状态空间表达式如下所示： (4-1)上式中，作为隐含层神经元的传递函数，使用tansig函数，是输出层传递函数，使用purelin函数；b2、b1分别作为输出层和隐含层的阈值。设第s步网络的实际输出为，则依据动态学习算法，Elman网络的目标函数即差函数为： (4-2)均方误差的最快下降法为： I=1,2, (4-3)式中，为学习速率，是第s次迭代各层间的权值。对于w2，有 (4-4)式中， 对于w1，有 (4-5)式中, 对于w3，有 (4-6）式中， 4.3 Elman神经网络算法流程计算输出层输出初始化输入样本值计算输入层输出计算误差函数更新权值

45、计算承接层输出出计算隐含层输出图4-2 Elman神经网络的算法流程以下误差函数可以判断算法是否结束：（4-7）其中 为期望输出4.4 Elman性能测试与仿真实验本文采用Elman神经网络做信号检测实验，由于Elman神经网络可以使信号避免外界的干扰，并且会让结果更加精准。但是由于隐含层的神经元数目选择不能用一个理想的解析式来表示，所以使用试凑法可以获得最佳隐层节点数。在本次设计程序中对隐层节点数进行动态赋值，依次为20、22、25、28，分别进行训练和预测，对预测的误差进行分析，具体分析结果如下：图4-3 隐含层神经元数为20表4-1 隐含层神经元数为20Epoch MSEGradient

46、0/5004.74228/015.0593/1e-00625/5000.441701/01.53174/1e-00650/5000.347819/00.256394/1e-00675/5000.319211/00.175837/1e-006100/500 0.201104/00.251717/1e-006125/5000.115465/00.632091/1e-006325/5000.0609971/00.113592/1e-006350/5000.0410879/00.0728254/1e-006375/500 0.0331791/00.126168/1e-006400/5000.03494

47、33/00.588942/1e-006425/5000.032022/0 0.131897/1e-006450/5000.0308535/00.0445048/1e-006475/5000.0286879/00.0322551/1e-006500/5000.0251412/00.0270192/1e-006图4-4 隐含层神经元数为22表4-2 隐含层神经元数为22Epoch MSEGradient0/5000.691972/0 5.52033/1e-00625/5000.337241/00.482143/1e-00650/5000.277356/0 0.291769/1e-00675/500

48、0.142687/00.220246/1e-006100/500 0.0429895/00.468499/1e-006125/5000.0385421/00.165166/1e-006325/5000.0116349/00.13612/1e-006350/5000.011433/00.0346276/1e-006375/500 0.0112161/00.0172336/1e-006400/5000.0105885/00.0140183/1e-006425/5000.010655/0 0.227775/1e-006450/5000.010233/00.0233907/1e-006475/5000

49、.0101008/00.0149/1e-006500/5000.00970718/00.0118691/1e-006图4-5 隐含层神经元数为25表4-3 隐含层神经元数为25Epoch MSEGradient0/5000.722359/0 6.32649/1e-00625/5000.348394/00.923851/1e-00650/5000.250014/00.395577/1e-00675/5000.21733957/00.258818/1e-006100/5000.20706495/00.221893/1e-006125/5000.18634867/00.1872502/1e-0066

50、325/5000.0116349/00.13612/1e-006350/5000.011433/00.1346276/1e-006375/5000.01133957/00.108818/1e-006400/5000.00906495/00.092893/1e-006425/5000.00834867/0 0.0772502/1e-006450/5000.00733957/00.058818/1e-006475/5000.00706495/00.022893/1e-006500/5000.00634867/00.0172502/1e-006图4-6 隐含层神经元数为28表4-4 隐含层神经元数为

51、28Epoch MSEGradient0/5003.04946/0 26.0479/1e-00625/5000.369518/00.326448/1e-00650/5000.334021/00.147573/1e-00675/5000.280513/00.14957/1e-006100/5000.194518/00.863148/1e-006125/5000.181483/00.2178/1e-006325/5000.0279451/00.682304/1e-006350/5000.011433/00.1346276/1e-006375/5000.0221445/00.158759/1e-00

52、6400/5000.0132974/0 0.405285/1e-006425/5000.0128244/00.114673/1e-006450/5000.012696/0 0.0396953/1e-006475/5000.0124792/00.0261887/1e-006500/5000.0119012/00.0332779/1e-006表4-5 误差对比神经元MSE200.0251412220.00970718250.00634867280.0119012由表4-5可以看出，当隐含层神经元的数目为22和25时，其方均误差比较相近；与隐含层神经元数目为20和28时的方均误差相比较也更小。因此，

53、选择将隐含层神经元数目定为25。在确认完最佳隐层节点数后我选用AM调制的三角波。载波频率为20rad/s,调制信号频率选为0.2rad/s。本文将Elman神经网络用于峰值检波，首先定义了输入和输出变量，其次创建了相应的Elman神经网络，以及将输入向量矩阵转换为输入序列，并且将目标向量矩阵转换为目标序列，在确定了训练步长后，调出工具箱，开始绘制图形，所得到的仿真结果如图4-7所示：图4-7 仿真结果在经过神经网络训练后，利用已调制的三角波，已调制的正弦波和已调制的矩形波来进行仿真。最初使用三角波来调制信号。在加载了训练后的Elman神经网络以后，利用已经调制好的三角波来进行仿真，重新输入目标

54、向量以及输入向量，利用工具箱绘制三角波调制的已调波信号；其次又将输入向量矩阵转换为输入序列，以此来进行网络仿真，随后将输出序列转换为矩阵形式，最后绘制了网络输出信号波形和调制信号波形。仿真结果如4-8所示：图4-8 三角波调制信号仿真结果在完成了三角波调制信号以后，采用了正弦波调制信号，按照要求修改了输入信号，按照类似上个程序的方式来绘制网络输出信号波形和调制信号波形，得出的仿真结果如4-9所示：图4-9 正弦波调制信号仿真结果最后，使用矩形波调制信号进行仿真，步骤如上面的，只是它所需要的输入向量，以及输出向量是不同的，在经过修改程序后，使用工具箱绘制出网络输出信号波形和调制信号波形仿真结果如下图4-10所示：图4-10 矩形波调制信号仿真结果设计中采用了Elman神经网络对于AM调制的信号进行检测。该方法可以测量出原始信号，同时该方法也能测量信号的幅度和周期。相对于传统信号的检测，使用Elman神经网络方法避免了外界的干扰，可以增加结果更为精准。这是由于Elman神经网络具有它特有的反馈结构，这个结构让它具有较强的抗干扰能力，所以才会使结果更加精确。4.5 本章小结在本章中，主要介绍了本次论文中主要使用的Elman神经网络。首先介绍了Elman神经网络的结构以及算法，