Page 26 - 新能源风力发电技术与自动化技术研究

新能源风力发电技术与自动化技术研究
Research on New Energy Wind Power Generation Technology and Automation Technology

值数据与风电场发电功率之间所存在的关系。该方法通常将历史数据作为训练数
据，然后计算预测结果与实际结果之间的差值来调整模型以达到最优解。统计方
法包括自回归（AR)、自回归移动平均（ARMA)、差分自回归移动平均（ARIMA)、

贝叶斯方法、灰度预测和神经网络。
（1）传统统计方法
U Firat [23] 等提出了一种基于独立分量分析和自回归模型的统计方法。该方法
利用独立分量分析来挖掘风速时间序列与发电功率之间存在的潜在联系，实验结

果表明该方法能取得更高的预测准确度。但是该方法需要大量的稳定历史数据才
能获得高准确率的结果。由于风速具有时间维度上的连续性，E Erdem 和 J Shi [25]
等提出了四种基于 ARMA 方法的风速、风向预测方法。结果表明，预测模型在
预测风向方面优于传统的关联 ARMA 模型，而对于风速预测则相反。M Lydia [26]

等提出了一种基于线性和非线性差分自回归移动平均模型，综合考虑时间间隔、
风向、温度和风切等因素。实验结果在平均绝对误差、均方根误差和平均绝对百
分比误差三个评价标准取得优良结果。M S Miranda 和 R W Dunn [27] 等通过贝叶
斯方法研究了风速预测目标时间点 1h 前的风资源特征，提出了一种基于贝叶斯

方法的 AR 模型的模拟方法。结果表明，贝叶斯方法在风速和风电功率预测方面
具有一定的实用性。基于统计方法的确定性功率预测主要针对超短期和短期的风
电功率预测。该类模型容易构建并且能够进行实时预测。随着预测精度的提高，
传统的统计方法通常被用作参考模型。

（2）人工神经网络
人工神经网络的整个功能是对给定的输入数据进行评估，并对这些数据和新
训练的数据进行不断的重新评估，以达到准确的预测结果，就像人脑评估数据程
一样。一个典型的人工神经网络包括一个用来批处理历史数据的输入层、一个输

出最终结果的输出层，以及一个或多个进行迭代训练以得到最佳拟合效果的隐藏
层。每一层都由与前一层相连的神经元组成。神经元之间的每一个连接都有一个
特定的权重用来表示这个连接的重要性，这是实现最佳预测精度的关键。最后对
神经网络进行训练，以获得每个连接的最优权值，并给出可能的最佳输出值或输

出序列。
H Chitsaz [28] 提出了一种基于多维 Morlet 小波构造隐藏神经元激活函数的神
经模型。该预测模型采用改进的克隆选择算法进行训练，优化小波神经网络的自

14