中广核新能源云南分公司
摘要:近几年,能源问题已经成为社会发展中极为重要的一部分,能源危机的出现使得资源获取的过程中,人们渐渐地从原本的不可再生能源逐步转化成为清洁能源、可再生能源,而风力发电则成为能源研究中的重点。由于风力发电具有非持续性以及随机性这一特点,这也使得风力发电在安全性以及稳定性、供电质量上有待提高。选择IBAS-BP神经网络方式则能够更好地对风力发电的效果进行有效地预测,能确保在开展在使用风力发电时,其使用质量能够得以提升。
关键词:IBAS-BP神经网络;风功率;预测
引言:通过对IBAS-BP神经网络进行分析能够更好地了解该模型中存在哪些问题,对问题进行解决,使得利用IBAS-BP神经网络进行风力发电结果预测时误差更小,具有更强的预测效果,能够满足当下预测的实际需求,提高风功率预测的整体质量。
一、风电功率预测的影响因素
1.风电功率预测的现状
随着世界能源危机的加剧以及当前环境的恶化,有越来越多的国家都在当下探索如何更好地使用新能源,如何更好地展现出新能源所具有的电力供应特点,风力发电则成为新能源研究中的重点内容之一。由于风力发电本身所具有的非持续性和随机性,这也使得风力发电的研究不可靠性,供电质量不可靠性相对较大,需要对其进行探索,并且解决其中存在的问题,才能够让风力发电在当前满足人们对电力发展的实际需求,这也对风电功率的预测带来了正面影响。
2.风电功率预测的影响因素分析
风能是风电厂当前最为重要且最为直接的能源,而风速的大小对风电厂在进行电力产出时有着明显的影响,风机的输出功率与风速的关系也是当前利用IBAS-BP神经网络进行风功率预测中极为重要的一部分。但是由于风速会受到多种气象和地理因素的影响。例如,温度、气压、地形等。为此,风速本身会存在明显的不可控性,风电场发电功率本身的随机性也相对较强,这也导致在进行分工的预测时难度在不断的增加,同时精度在不断下降,目前在进行分功率预测过程中,共有两种常见的预测方法:第一种,根据天气预报的数值数据通过物理方法对风速以及风电场的输出功率进行计算。第二种方法则是根据在线的实时测量数据以及以往的历史数据挖掘,不同地区在不同的温度和气压下风本身所蕴含的内在规律进行分析、统计。统计方法相比物理方法而言更加其数据更加准确,但是通过长期的预测效果进行分析能发现两种预测方式所带来的预测结果差别不大,但是如果选择统计方法进行预测,其需要输入大量的输入数据,物理方法则要求天气预报所提供的数值更加的精准。近几年,我国对于风速以及风电场的风功率的预测,大多数情况下还停留在理论研究阶段,各科研单位以及电力企业都在努力的探索,国内有关分功率的预测在不断提高,利用IBAS-BP神经网络能够提高其预测的整体效果,在进行数据的获取以及数据应用过程中均更为准确,确保其对风速的预测时,其质量得以提升,将非线性因素作为风速在进行输入量时的一个数据,可以获取更高精准度的数据,同时也能够让风功率在进行预测的过程中其泛化能力得以增强,对于不同地区也具有极强的适用性,使用效果的准确性也在不断提升。
二、基于IBAS-BP神经网络的风功率预测研究
在开展风电功率的预测时利用IBAS-BP神经网络能够更好地对相应的数据进行集合,分析数据之间的相似性和相关性,并且通过IBAS-BP神经网络方式构建各种不同的数据模型。应明确在模型构建的过程中其界限相对分明,其中无论是元素的组合以及属性的分类均具有一个特点,即属性本身具有中性,难以在短时间内对所有事物进行准确地、硬性的划分,具有一定的不确定性。为此,需要通过模糊划分这一方式来更好地分析IBAS-BP神经网络,探索利用IBAS-BP神经网络开展风力发电功率预测以及处理的方式方法,明确其所具有的动态性以及如何进行进一步的数据计算,提高数据计算的整体效果,让风力发电的质量得以提升。
1.相关技术
选择IBAS-BP神经网络是一种非线性的数据挖掘方式及挖掘效果更好,通过对神经网络进行训练,能够将各类不同的事物进行输入、输出,同时给出最为合适的、合理的输出方式,由于IBAS-BP神经网络的非线性拟合能力更强,其对天气预测中所涉及的风速,温度等因素进行有效的处理,并且及学习规则更为简单、真实的,IBAS-BP神经网络成为当前在进行风力发电预测过程中一种极为重要的方法,能便于进行其便于计算,利用计算机进行有效的计算,同时也能够提高整体的应用质量和效果,由于IBAS-BP神经网络的本质是通过前馈网络中所涉及的输入层,输出层以及隐含层组成,而隐含层是多层的,即通过前馈网络可以不断进行学习,进而使得IBAS-BP神经网络的实现有效的优化,进而找到误差最小值的值再进行计算,可以对算法进行分析,将算法概括成为给定样本,根据给定样本对信息的正面传播以及误差的反向传播权值和阈值进行反复地、来回的修正,以此来获取更为正确的数值,并且实现数值的有效应用和输出。在使用IBAS-BP神经网络时能发现,IBAS-BP神经网络对风电功率的预测结果具有准确性,适用性和泛化能力。但是在使用过程中,由于数据过于单一,需要不断地对数据进行探索,拥有更为详尽的数据才能够确保在后续进行处理时,其处理质量更佳,同时也能够结合天气因素和环境因素对预测的模型进行进一步的优化,使模型在使用时使用质量得以提升,模型的使用效果也能够得到切实的改善。
2.基于BP神经网络的风功率预测
IBAS-BP神经网络对于非线性复杂现象在进行探索时具有极大的帮助,由于IBAS-BP神经网络在一定程度上突破了现有的科学瓶颈,使得有关风功率的研究能够更加深入,从而成为解决问题的重要的不可忽视的工具之一,在当前得到了广泛的应用而IBAS-BP神经网络育儿风功率预测本身是一个非典型的线性过程,这是由于在进行预测和数据分析过程中所涉及的相关要素较多,整体相对复杂。风电场需要相对较于灵活的测量模型,才能够在进行预测时预测质量得以提升,这是由于风向会出现瞬时变化,并且因为惯性而无法在第一时间内实现风向的改变。如果机组本身具有偏航能力,那么在风向发生瞬时变化时能够快速地认知,如果风向本身不具备偏航能力,风轮机叶片则会根据风电功率的输出而产生一定的影响,进而导致其在实际应用时应用质量不佳。
结语
综上所述,在利用IBAS-BP神经网络进行风力发电的预测时,其预测精准度取决于样本的采集,通过模糊距离技术与IBAS-BP神经网络共同进行应用,能够提高风速以及风电功率的有效预测,极大限度地提高了预测的精准度。通过大量的实验结果也能够表明,利用IBAS-BP神经网络进行风力功率的预测,误差相对较小,符合当前社会建设以及发展的实际需求。
参考文献
[1]王跃龙,张燕,韩志惠等.基于小波去噪的BP神经网络短期风功率预测方法设计[J].电工技术,2023(02):32-35.
[2]崔颢,马平.基于优化BP神经网络和非参数估计的风功率区间预测[J].电子设计工程,2022,30(13):6-10.