Page 30 - 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

主流的机器学习模型包括人工神经网络（Artificial Neural Network，ANN)、支持
向量机（Support Vector Machine，SVM）等。
（1）人工神经网络

ANN 是由大量简单单元通过丰富和完善的连接而构成的高度非线性、自适
应的网络，被用来模拟生物神经系统对真实世界物体的交互反应。与传统方法
相比，ANN 以其灵活的网络结构、更强的特征提取能力以及出色的非线性拟合
能力成为风电功率预测领域的热门方法，当中以反向传播（Back propagation，

BP）神经网络最为典型。范高锋等人介绍了基于数值天气预报的 BP 神经网络架
构，该架构成功地将预测精度控制 15% 左右。为精简输入变量，周松林等人在
训练 BP 神经网络前先利用主成分分析（Principle Component Analysis，PCA）法
对原始数据进行了降维，从而降低了模型的复杂性，减少计算开销。然而，由于

风能具有间歇性和随机性等特点以及风机输出功率受多种外部因素的影响，传统
神经网络风电功率预测方法面临容易过拟合、收敛速度慢、容易陷入局部极小值
等诸多问题。
（2）支持向量机

SVM 是一种以统计学理论为基础构建的机器学习算法。它具备优异的泛化
性能，十分适合处理小样本问题。与 ANN 相比，它结构参数确定简单，也没有
容易陷入局部极小值的问题，同时还克服了维数灾难等问题。王爽心等人将灰色
预测算法与小世界化的 SVM 结合，对风电功率进行变权组合预测；李智等人则

利用 SVM 选取回归函数，采用分位点回归技术预测风电功率波动区间。
2. 深度学习
深度学习是从数据中学习表示的一种新方法，通过逐层堆叠，构建具有一
定“深度”的模型，并通过学习算法让模型自动学习出深度的、本质的特征表

示。深度学习近年来也被大量应用于风电功率预测领域中。其中，循环神经网
络（Recurrent Neural Network，RNN）和卷积神经网络（Convolutional Neural
Network，CNN）为当今最典型的两种深度学习模型。
（1）循环神经网络

在很多应用场合中，网络的输入和当前时间的输入以及前期某些时刻的输出
均存在一定程度的相关性。RNN 是一类具有短期记忆能力的神经网络。它能够
挖掘时间序列隐含的时序相关性，以便更充分地利用历史信息进行时间序列建模。

18