窗体顶端
窗体顶端
文献一：
2017年第二届IEEE云计算和大数据分析国际会议
一种用于短期风电功率预测的双级分层混合PSO-ANN模型
摘要:风力发电机的功率输出总是伴随着由风速和其他天气参数变化引起的一些不确定性，而精确的短期预报对其高效运行至关重要。这可以有效支持输配电系统运营商和调度人员改进电网的控制和管理。在本文中，我们提出了一种双阶层次粒子群优化训练的人工神经网络（双级混合PS-ANN）模型，用于中国北京微电网风电场的短期风能预测。该模型有两个等级阶段。第一个PS -ANN阶段采用数值天气预报（NWP）气象参数来预测风电场精确位置和涡轮轮毂高度处的风速。第二阶段模拟实际的风速和功率关系。然后，将第一阶段预测的第二天的风速应用于第二阶段，以预测第二天的风力。所提出的方法已经获得了显着的预测准确度改进。所提出的模型的性能与其他两种预测方法进行比较，并且显示出比两种方法的最佳精度改善。
窗体顶端
关键词 - 人工神经网络; 数值天气预报; 粒子群优化; 预测; 风力
bull;介绍
采用可再生能源主要是风力发电，在采用京都议定书环境公约后，引人注目的多个国家获得了宏伟的考虑。 尽管其具有显着的环境效益，但风速和其他天气变量的持续间歇性和混乱波动使得风力发电系统的输出功率完全随机且不同于常规能源的输出功率。 由于这种不确定性，它可能会遇到几个连接挑战大量的风电进入电力系统网络。 但是，这个挑战不可超越。 为了提高风电的经济能力和可接受性，并允许降低因发电量过高或过低而引起的即时现货市场的罚款，风电和风速的确切预测是必要的。 当然，可靠的预测系统可以帮助配电系统运营商和电力交易商在危急情况下做出更好的决策。
目前，已经开发了几种技术来预测风力和速度。基于他们使用的预测模型，现有技术可以分为统计，物理和时间序列建模技术[1]。目前，研究人员观察到，除了彼此之外，研究人员还将统计模型和物理方法相结合，以获得适用于预测系统较长视野的最佳方法。在这些技术中，统计模型对物理方法收集的数据起辅助作用。
尽管风电功率预测有两大类方法被认可，（在[2]和[3]中，对这些技术进行了综合评述），如前所述，统计和物理技术的组合比其他[4]，[5]。此外，为了达到更高的预测精度，提出了许多其他的空间相关方法来进行短期风电功率预测[6]。然而，随着时间的推移，已经提出了更先进和智能的方法。例如，[7] - [9]中的人工神经网络（ANN），[10]中的高斯过程逼近和自适应贝叶斯学习的人工神经网络，小波变换与ANN [11]的组合，[5]中的模糊逻辑方法，文献[12]中的卡尔曼滤波器和文献[14]中的支持向量机已经被提出用于风电功率预测。
关于该地区现有的研究工作，为了提高预测精度并减少风电预测的不确定性，仍然需要输入输出数据处理的新预测方法和方法，同时保持实际可接受的计算时间。这个目标导致本研究报告提出的新的双阶段混合方法利用统计（风电场SCADA记录）和物理（NWP气象变量）数据来源，在中国实现有效和更准确的短期风电预报员。
本文提出了一种基于前馈人工神经网络（ANN）和粒子群优化（PSO）相结合的有效短期风电功率预测新方法。所提出的方法利用PSO方法来优化ANN的连接权重以实现较低的误差。所提出的方法具有两个分层PS-ANN阶段。
在第一阶段，PS -ANN被用来预测风电场安装点风机的确切高度处的风速。在这一阶段，利用NWP模型输入的气象变量（风速，风向，气压，气温和湿度）以及风电场SCADA记录的实际风速测量值作为输出，对ANN进行训练。在第二阶段，PS-ANN被开发用于基于实际运行条件来映射风力涡轮机风速与风力发电特性。风电场SCADA记录的实际风速和功率测量分别被用作输入和输出以在这个阶段训练ANN。然后，将第一阶段PS -ANN模型预测的风速应用于第二阶段开发（训练）的PS -ANN模型，以估算风电场的第二天风力发电量。
窗体底端
预测结果将在接下来的24小时内以一小时时间步骤呈现。开发的DSHPN（双阶段混合PSO-NN）预测方法是与DSN（双级神经网络）和DSHGN（双级混合GA-NN，即NN组合）相比与遗传算法）方法，以证明其短期风电功率预测的有效性
准确性和计算时间。
本文的其余部分安排如下。第二节提出了所提出的预测模型。的描述
PS -ANN框架作为预测系统和简介部分提供了PSO和ANN的工作原理
III。第四节提供了用于评估的不同标准预测的准确性。数值结果和第五部分提供了所考虑的真实案例研究的预测结果。本文的结论如下第六节。
二，短期风电预测模型
A.建议风力预测策略
在本研究报告中，提出了使用双级PS -ANN的短期（24小时超前）风电预测。基础数据源是风电场SCADA系统的历史测量记录
数据库和NWP模型的气象变量。该预测系统采用Skm分辨率下北京亦庄金风微电网系统风电场附近NWP模型的气象预报，以及风电场SCADA系统数据库的实测数据。所提出的方法具有两个分层PS-ANN阶段。在第一阶段，风力发电机组由PS -ANN黑匣子建模，以建立预测的NWP气象变量（即风速，风向，气压，空气温度和湿度）与实际风速测量值之间的关系由风电场SCADA系统记录。在第二阶段，基于实际运行条件，开发了PS -ANN模型，以绘制风力涡轮机风速与风力发电特性之间的关系。然后，将第一阶段PS -ANN模型预测的风速应用于第二阶段开发（训练）的PS -ANN模型，以预测风电场的第二天风力发电量。
实际上，风能预报员在这种方法中的预测性能高度依赖于NWP模型的数量。事实上，这项研究的主要重点是利用NWP数据，这些数据显着地起到辅助作用，可以提高短期预测的准确性。图1中示出了双级分层预测方案。
窗体底端
图1.使用PSO-AN的双级风力发电预测模型。
在建模过程中，从SCADA历史测量结果和NWP / WRF模型历史气象预报中提供的一年信息记录被用来训练一个能成功估算特定输入和输出数量模式之间的传递函数的ANN。 然后，应用PSO来优化ANN的连接权重。 这个过程一直持续到预测误差达到合适的值。
三，PS -ANN的约化结构
A.粒子群优化（PSO）
PSO有几个更新变量，并且易于实现。 使用PSO概念已经成功实现了许多研究和应用。参考。 本文介绍了PSO及其在中国的应用情况电力系统，并与其他优化方法进行比较。
对于包含客观问题的决策变量（位置）的决策向量X E 9tn，可行设计搜索空间由子集定义：
窗体底端
(1)
窗体顶端
其中和 分别是下限和上限
j = 1，2，...，n时沿j维的设计搜索空间的界限。
第个粒子在中的位置或坐标迭代是由：
；i=1，2，...,N (2)
窗体顶端
其中N是群体大小，(k)是在第次迭代处的虚假粒子的速度，其显示了设计搜索空间中粒子位置的变化率，并由下式给出：
(3)
窗体顶端
其中，是一个动态惯性权重，其值随迭代次数线性下降，以抑制迭代中的速度，使群体更精确和更有效地收敛，并由下式给出：
(4)
窗体顶端
其中COmax和COmin分别是惯性权重的初始值和最终值，kmax是最大迭代次数; C1和C2分别是认知和社会学习率，r和r2是在0和l范围内的随机数。参数C1和C2表示粒子本身的记忆（位置）对群的位置（记忆）的比较重要性;
esl“是通过粒子i实现的最佳位置，
而Gbesl是所有粒子的全球最佳位置
在群中。
人工神经网络（ANN）
神经网络是一个强大的数据建模工具，能够捕获和表示复杂的输入/输出关系。人工神经网络是一种数据处理模式，受到生物神经系统（如大脑，过程信息）的启发。
这种范式的关键要素是信息处理系统的新颖结构。它由大量的处理元素（神经元）组成不同层次的输入，隐藏和输出节点通过一些加权连接高度相互关联，并且所有层面协同工作以解决特定问题[16,17]。
人工神经网络和人类一样，通过实例学习。 ANN被配置用于特定应用，例如数据分类或模式识别，通过学习过程。在生物系统学习包括微调神经元之间存在的突触连接。 这是人工神经网络也是如此。 并用于验证过程ANN遵循提供证据的人类大脑存在可以成功的大规模神经网络那些感知，认知和控制任务人类是成功的。
图2显示了一个多层神经网络的描述性表示。
窗体顶端
图2.多层前馈神经网络
窗体顶端
其中Xj是输入到illt节点（神经元）的输入，Yi是illt节点的输出。
（5）给出了表示神经网络输入Xi和网络输出Yj之间关系的数学方程：
(5)
其中wlj是输入神经元和输出神经元之间的连接权重，bi是神经元的偏差，f是已知的决定神经网络特征的激活函数。
提出的ANN权重优化技术
在本文中，两级分层ANN网络利用PSO技术来优化调整神经元之间的连接权重参数。 PSO方法具有实现简单的优点，并且对于指定大小的网络拓扑而言在计算上较不昂贵。本研究报告中考虑的神经网络拓扑结构是一种多层前馈（MLFF）类型。
基本上，MLFF神经网络是基于BP（Back Propagation）算法的网络，其基于一些输入输出数据的集合，利用BP算法来调整连接权重参数。这允许ANN网络学习。 BP在解矢量空间内形成一个梯度下降，沿着误差曲面的最陡向量朝向全局最小值。虽然BP学习算法速度很快，但它们被困在局部最小值中，无法达到全局最小值。
窗体底端
窗体顶端
为了克服BP算法的困难，PSO被用作全局最优搜索算法。 此外，PSO在构建人工神经网络方面高度独立; 而基于梯度下降的技术深受人工神经网络结构的依赖。 在这项研究中，ANN权重参数形成为PSO的变量，均方误差作为PSO中的成本函数使用。 提出的技术的目标是达到这个成本函数的最小值。
四，电力预测精度评估
为了评估DSHPN（双阶段混合PSO-NN）风电功率预测方法的准确性，平均绝对误差百分比（MAPE），平方和误差（SSE），均方根误差（RMSE）和 使用错误标准差（SDE）准则。
MAPE标准被定义为：
其中pha和pi分别是h小时的实际和预测风电功率，J {a是预测范围的平均实际风电功率，N是预测范围。
SSE标准被定义为：
RMSE标准由以下定义：
其中，e h是时针e的预测误差
预测范围的平均误差。
V.CASE研究和数值结果
DSHPN方法已应用于中国北京微电网风电场的短期风电预测。 这座风力发电场有一台发电能力为2500kW的风力发电机组。NWP天气预报的时间序列，实际SCADA测量风电场的风速和功率记录于2014年5月1日至2015年4月31日对应于一年中的四个季节（2015年7月21日，10月15日，2015年1月4日，2016年4月13日）。 因此，天故意具有良好的风力发电特性未选中的。DSHPN方法的数值结果如图1和2所示。 3至4分别为冬季和春季夏季和秋季的日子。 每个图显示了SCADA的实际情况风力发电记录与预测风电功率的方法
窗体底端
窗体顶端
表I给出了用于评估DSHPN方法准确性的标准值。
表1日常预测误差统计分析
窗体底端
窗体顶端
表二列出了DSHPN预测方法与其他两种方法（DSN和DSHGN）之间的关于MAPE标准的比较。
窗体顶端
预测准确性：MAPE平均值为9.7954％。
所提出的方法的平均MAPE改善
尊重前两种方法是14.25％和
11.20％。
预测误差相对于绝对值的绝对值
考虑到所有方法，风电场的最大容量如图1和图2所示。 5日至6日分别为冬季和春季，以及夏季和秋季的日子。 与其他方法相比，DSHPN方法提供了更小的错误。
窗体顶端
此外，平均计算时间约为7秒，在配备英特尔酷睿i5-5200 CPU，2.20 GHz处理器和4 GB RAM的PC上使用MATLAB。
VI.CONCLUSION
本文提出了一种新的有效的双阶层次混合方法，用于PSO和ANN组合的短期风电功率预测。 MAPE平均值为9.7954％，优于其他两种预测方法，平均计算时间低于7秒。 因此，所展示的数值结果证明了所提出的用于短期风力预测的方法的有效性。
文献二：
窗体底端
窗体顶端
一种发展中的风电场故障诊断和预测分类方法
窗体底端
窗体顶端
介绍
在过去的十年中，与工业和风电场管理者有关的研究实验室一直致力于风力涡轮机和风力发电场的有效控制。已经提出了基于故障检测和隔离（FDI）状态监测的新维护方法，以提高风力涡轮机的可靠性并降低维护成本。文献[10]提出了风力涡轮机状态监测的最新技术。 Z. Hameeda等人在[9]中提出了为监测风力涡轮机性能而开发的不同方法。最近，文献[8]对不同的维护策略，状态监测方法进行了描述和比较。作者强调需要更好地了解风力涡轮机动力学以及可
全文共16323字，剩余内容已隐藏，支付完成后下载完整资料
资料编号：[14722]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
