基于神经网络平均影响值的超短期风电功率预测

针对动态神经网络风电功率预测模型输入变量较多、模型复杂的问题,将神经网络和平均影响值方法相结合,提出了一种基于神经网络平均影响值的超短期风电功率预测方法。此方法综合考虑了各输入变量对输出变量(风电预测功率)的外部贡献率和内部贡献率,筛选出了对输出变量贡献率最大的输入变量,建立了一个优化的神经网络超短期风电功率预测模型。实验结果表明,所提模型降低了预测模型的复杂度,减少了测量噪声对预测精度的影响,得到了较好的风电功率预测结果。     

基于MIV-PCA的超短期风电功率预测模型优化

为解决基于动态神经网络的超短期风电功率预测方法中预测模型输入变量多、模型复杂等问题,文中将平均影响值(MIV)和主元分析(PCA)方法相结合,对预测模型进行了优化。MIV方法表征了输入变量对输出的影响程度,可筛选出对预测输出具有最大影响的输入变量,简化预测模型,但变量的信息利用率不高。PCA法从剩余的输入变量中提取出主元,通过增加少量的主元变量提高信息利用率,弥补MIV方法的不足。数据分析及实验结果表明,通过MIV和PCA法优化的预测模型的输入变量能在获得较高的累计贡献率的同时降低模型复杂度,保留原系统的重要信息,并降低模型引入噪声的风险,使得风电功率预测精度得到显著提高。     

海上风电场数字化发展设想

分析了海上风电发展的现状、组成和特点,针对中国传统风电开发存在的问题和海上风电发展的实际情况,提出以控制决策智能化、监控系统一体化、数据信息数字化、通信平台网络化、信息共享标准化为基本特征的数字化海上风电场概念。根据技术成熟程度和数字化、智能化水平提出数字化海上风电场的5个发展阶段,深入研究分析了各阶段的技术特点。最后,给出了完整的数字化海上风电场技术实现方案,并指出数字化海上风电场未来的发展方向。