【正文】 ............................................................ 7 RBF 神經(jīng)網(wǎng)絡(luò)概述 ................................................................................................................ 7 RBF 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)模型 ........................................................................................................ 7 廣義回歸（ GRNN）神經(jīng)網(wǎng)絡(luò) ................................................................................................ 8 GRNN 神經(jīng)網(wǎng)絡(luò)概述 ............................................................................................................ 8 GRNN 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu) ............................................................................................................ 9 GRNN 神經(jīng)網(wǎng)絡(luò)的理論基礎(chǔ) .............................................................................................. 10 3 預(yù)測數(shù)據(jù)及結(jié)構(gòu)參數(shù)的預(yù)處理 ................................................................................................ 12 歷史數(shù)據(jù)的預(yù)處理 ................................................................................................................. 12 預(yù)測誤差分析 ......................................................................................................................... 12 神經(jīng)網(wǎng)絡(luò)的泛化能力 ............................................................................................................. 13 偏差 方差分解 ..................................................................................................................... 13 “ 欠擬合 ” 與 “ 過擬合 ” .................................................................................................. 14 神經(jīng)網(wǎng)絡(luò)模型的評估 .......................................................................................................... 15 GRNN 網(wǎng)絡(luò)設(shè)計(jì)要點(diǎn) ............................................................................................................. 16 SPREAD 參數(shù)的物理本質(zhì) .................................................................................................. 16 選擇 SPREAD 的方法 ......................................................................................................... 16 4 基于 GRNN 神經(jīng)網(wǎng)絡(luò)的風(fēng)功率預(yù)測建模方法 ....................................................................... 20 問題描述 ................................................................................................................................. 20 數(shù)據(jù)預(yù)處理 ............................................................................................................................. 20 網(wǎng)絡(luò)設(shè)計(jì)與訓(xùn)練 ..................................................................................................................... 21 網(wǎng)絡(luò)模型的評估方法 .......................................................................................................... 21 網(wǎng)絡(luò)訓(xùn)練 .............................................................................................................................. 21 訓(xùn)練參數(shù)的選擇 .................................................................................................................. 22 5 基于 GRNN 神經(jīng)網(wǎng)絡(luò)的風(fēng)功率預(yù)測仿真應(yīng)用 ....................................................................... 24 仿真背景 ................................................................................................................................. 24 仿真實(shí)驗(yàn) ................................................................................................................................. 26 討論 SPREAD 值對 GRNN 神經(jīng)網(wǎng)絡(luò)的影響 .................................................................... 26 對提前 1 步預(yù)測與多步預(yù)測的比較 .................................................................................. 26 網(wǎng)絡(luò)測試結(jié)果 ......................................................................................................................... 29 6 結(jié)論與展望 ................................................................................................................................ 31 參考文獻(xiàn) ....................................................................................................................................... 32 致謝 ............................................................................................................................................... 34 1 1 緒論 引言 課題研究背景 隨著全球氣溫變暖和化石燃料一次性能源的逐漸枯竭，以及日益嚴(yán)峻的能源困局，風(fēng)能、太陽能等可再生能源的利用在世界范圍內(nèi)受到普遍的重視。 SPREAD 值是 GRNN 神經(jīng)網(wǎng)絡(luò)的重要參數(shù)，該參數(shù)的選擇對模型的推廣能力具有重要的意義。 論文從理論上研究 神經(jīng)網(wǎng)絡(luò)的泛化能力及 GRNN 網(wǎng)絡(luò)的設(shè)計(jì)要點(diǎn)，重點(diǎn)討論 SPREAD 參數(shù)的 物理 本質(zhì)，給出訓(xùn)練過程中選擇 該 參數(shù)的 幾種 方法。風(fēng)力發(fā)電作為一種重要的可再生能源，近年來得到較快發(fā)展 [1]。風(fēng)電場建設(shè)規(guī)模的不斷擴(kuò)大、風(fēng)電場數(shù)量的不斷增加以及風(fēng)電裝機(jī)容量在電力系統(tǒng)中所占比例的不斷提高給電力系統(tǒng)安全與經(jīng)濟(jì)運(yùn)行帶來了新的挑戰(zhàn)。 （ 3） 便于安排機(jī)組維護(hù)和檢修，提高風(fēng)電場容量系數(shù)。 大范圍的空氣流動數(shù)據(jù)是由數(shù)值天氣預(yù)報(bào)系統(tǒng)高精度有限區(qū)域模型 (high resolution limited area model HIRLAM)提供的。 西班牙馬德里卡洛斯三世大學(xué)開發(fā)的 sipreolico 工具 [6]。這種混合算法不僅有效提高預(yù)測精度而且較好地改善了預(yù)測延時(shí)問題。這個(gè)關(guān)系可以用函數(shù)的形式表示出來，例如回歸分析法、指數(shù)平滑法、時(shí)間序列法、卡爾曼濾波法等，都是基于線性模型的。由于 BP 網(wǎng)絡(luò)用于函數(shù)逼近 [16]時(shí)，權(quán)值的調(diào)節(jié)采用的是負(fù)梯度下降法，這種調(diào)節(jié)權(quán)值的方法存在一定的局限性，即收斂速度慢和局部極小等缺點(diǎn)，因此 不能滿足風(fēng)電場功率預(yù)測的快速準(zhǔn)確的需求。 本文的主要工作 本文 首先介紹國內(nèi)外風(fēng)電場輸出功率預(yù)測方法的研究現(xiàn)狀，對風(fēng)電場功率預(yù)測的研究背景及意義進(jìn)行論述，并分析各種預(yù)測方法的優(yōu)缺點(diǎn)及適用情況。 對 預(yù)測模型進(jìn)行仿真實(shí)驗(yàn) ， 得到實(shí)驗(yàn)結(jié)果， 最終得出實(shí)驗(yàn)結(jié)論。 在神經(jīng)網(wǎng)絡(luò)的背景下，隱藏單元提供一個(gè)“函數(shù)”集，該函數(shù)集在輸入模式向量擴(kuò)展至隱層空間時(shí)為其構(gòu)建了一個(gè)任意的“基”，這個(gè)函數(shù)集中的函數(shù)就被稱為徑向基函數(shù)。 徑向基網(wǎng)絡(luò)傳遞函數(shù)的原型函數(shù)為： ，其中 為徑向基函數(shù)，一般為高斯函數(shù)。 GRNN 不需事先確定方程式，它以概率密度函數(shù)代替固有的方程形式。對應(yīng)網(wǎng)絡(luò)輸入 ，其輸出為 。 應(yīng)用 Parzen非參數(shù)估計(jì)，可 由樣本數(shù)據(jù)集 ，估算密度函數(shù) 。 首先，要檢驗(yàn)數(shù)據(jù)的合理性，例如，風(fēng)功率的值應(yīng)該 均 為正值，且最大不能超過 總 機(jī)組安裝容量 。 預(yù)測誤差分析 由于 風(fēng)電場 風(fēng)功率預(yù)測是一種對未來 機(jī)組 功率值的估算， 無法 避免地，它與客觀實(shí)際之間存在一定的數(shù)值差距，這 就是預(yù)測誤差。 泛化能力的定義如下：它是指經(jīng)過訓(xùn)練（ 學(xué)習(xí)）后的預(yù)測模型對圍在訓(xùn)練集中出現(xiàn)（但具有統(tǒng)一規(guī)律性）的樣本作出正確反應(yīng)的能力，學(xué)習(xí)不是簡單地記憶已經(jīng)學(xué)過的輸入，而是通過對有限個(gè)訓(xùn)練樣本的學(xué)習(xí)，學(xué)到隱含在樣本中的有關(guān)環(huán)境本身的內(nèi)在規(guī)律性。 式 (31)表明均方誤差可以用偏差想和方差項(xiàng)的和的形式表示?？梢詮钠詈头讲畹慕嵌确治錾窠?jīng)網(wǎng)絡(luò)的這兩種狀態(tài)：“欠擬合”會使輸出產(chǎn)生較大的偏差，而“過擬合”則產(chǎn)生較大的方差。 15 神經(jīng)網(wǎng)絡(luò)模型的評估 神經(jīng)網(wǎng)絡(luò)模型的評估是指：已經(jīng)選定最終的模型，估計(jì)它在心數(shù)據(jù)上的預(yù)測誤差（泛化誤差） [21]。 又稱為循環(huán)估計(jì)，是一種統(tǒng)計(jì)學(xué)上將數(shù) 據(jù)樣本切割成較小子集的實(shí)用方法。該方法的基本思想是：從訓(xùn)練數(shù)據(jù)中有放回的隨機(jī)抽取數(shù)據(jù)集，每個(gè)數(shù)據(jù)集的容量都與原數(shù) 據(jù)集相同。與傳統(tǒng)的誤差反向傳統(tǒng)算法不同 ， GRNN 的學(xué)習(xí)算法在訓(xùn)練過程中不調(diào)整神經(jīng)元之間的連接權(quán)值 ,而只是改變擴(kuò)展系數(shù) ,從而調(diào)整模式層中各單元的傳遞函數(shù) ， 以獲得最佳的回歸估計(jì)結(jié)果。這樣隱單元輸出是已知的，網(wǎng)絡(luò)的連接權(quán)值可以通過求解線性方程組來確定。自組織學(xué)習(xí)的目的是使RBF 的中心位于樣本空間的代表性區(qū)域 [21]。 （ 2） 計(jì)算各樣本點(diǎn)與聚類中心點(diǎn)的距離。混合學(xué)習(xí)過程的第二步是用有監(jiān)督學(xué)習(xí)算法得到輸出層的權(quán)值，常采用 LMS 算法，下一節(jié)中有所說明。可以看出，擴(kuò)展參數(shù)的確定過程體現(xiàn)了對網(wǎng)絡(luò)性能的驗(yàn)證過程。終止條件可以設(shè)置成：連續(xù)進(jìn)化幾代后，最優(yōu)值仍然保持