【正文】 入層節(jié)點(diǎn)數(shù)等于輸入樣本的維數(shù)m。(3).4 網(wǎng)絡(luò)訓(xùn)練及預(yù)測 對三個(gè)風(fēng)速小波系數(shù)分別建立改進(jìn)型BP網(wǎng)絡(luò)模型, 采用數(shù)據(jù)滾動方法對模型進(jìn)行訓(xùn)練和預(yù)測, 即將本點(diǎn)的預(yù)測數(shù)據(jù)視為已知數(shù)據(jù)滾入訓(xùn)練樣本集, 同時(shí)將距離目前時(shí)間最遠(yuǎn)點(diǎn)的數(shù)據(jù)刪除, 重新訓(xùn)練網(wǎng)絡(luò),以進(jìn)行后1小時(shí)的風(fēng)速預(yù)測, 依此類推完成全部的風(fēng)速預(yù)測, 這樣使網(wǎng)絡(luò)能夠反應(yīng)風(fēng)速的最新變化規(guī)律。endB=ones(n1,2)。u=A(2)。for j=n+t_test:1:2ys(j)=yys(j)yys(j1)。)。])。end%% 學(xué)習(xí)速率初始化for k=1:(m1) u(k)=。endtheta2=(1+exp(a*t))*(theta1y(1,1))。 for k=1:m LD_d=LD_d+w3(1,k)*LC_c(1,k)。 %誤差求和 %計(jì)算誤差 for k=1:m errorr(k)=error*(1+exp(w11*t))。,39。ylabel(39。 %LC層輸出 for k=2:m LC_c(1,k)=y(i,k)*LB_b*w2(1,k)。endyc=yc*10。)。fontsize39。fontsize39。fontsize39。實(shí)際值39。*39。 for k=2:m theta5=theta5+w2(1,k)*y(i,k)/2。,12)。進(jìn)化次數(shù)39。 %修改權(quán)值 for k=2:m w2(1,k)=w2(1,k)u(k1)*errorr(1,k)*LB_b。 %網(wǎng)絡(luò)輸出值 ym=LD_dtheta4。 %LB層輸出 LB_b=1/(1+exp(w11*t))。for k=2:mw2(k)=2*b(k1)/a。：clcclearload data%% 數(shù)據(jù)累加作為網(wǎng)絡(luò)輸入[n,m]=size(X)。%disp([39。plot(x+1960,y,39。)。for j=1:n1YN(j)=y(j+1)。 參考文獻(xiàn)[ 1]吳國旸, 肖洋, 翁莎莎. 風(fēng)電場短期風(fēng)速預(yù)測探討[ J]. 吉林電力, 2005, [ 2]丁明, 張立軍, 吳義純. 基于時(shí)間序列分析的風(fēng)電場風(fēng)速預(yù)測模型[ J] . 電力自動化設(shè)備, 2005, .[ 3]蔣宗禮. 人工神經(jīng)網(wǎng)絡(luò)導(dǎo)論[M ]. 北京: 高等教育出版社, 2001[ 4]楊秀媛, 肖洋, 陳樹勇. 風(fēng)電場風(fēng)速和發(fā)電功率預(yù)測研究 . [ 5]潘迪夫, 劉輝, 李燕飛. 風(fēng)電場風(fēng)速短期多步預(yù)測改進(jìn)算法[ J] . 中國電機(jī)工程學(xué)報(bào), [ 6]張彥寧, 康龍?jiān)? 周世瓊, 等. 小波分析應(yīng)用于風(fēng)力發(fā)電預(yù)測控制系統(tǒng)中的風(fēng)速預(yù)測[ J]. 太陽能學(xué)報(bào), 附錄 ：function []=greymodel(y)n=length(y)。當(dāng)自相關(guān)系數(shù)降至1 e 1時(shí)的延時(shí)步長確定為輸入樣本的維數(shù)m, 即輸入層節(jié)點(diǎn)數(shù)。利用分解后的小波系數(shù)可以重構(gòu)原始序列, 小波系數(shù)的重構(gòu)形式可表示為下式:（3）小波 BP神經(jīng)網(wǎng)絡(luò)(Wavelet BP)風(fēng)速預(yù)測通過數(shù)據(jù)對上述方法進(jìn)行驗(yàn)證。自適應(yīng)學(xué)習(xí)速率法的準(zhǔn)則是: 檢查權(quán)值的修正值是否真正降低了誤差函數(shù), 如果確實(shí)如此, 則說明所選取的學(xué)習(xí)速率值小了, 可以對其增加一個(gè)量。 k為訓(xùn)練次數(shù)。輸入為p, 輸入神經(jīng)元有R1 個(gè)。(三)設(shè)定網(wǎng)絡(luò)的最大學(xué)習(xí)迭代次數(shù)為6 000次。(一)網(wǎng)絡(luò)層數(shù) BP網(wǎng)絡(luò)是通過輸入層到輸出層的計(jì)算來完成的。因此，簡單指數(shù)平滑法用于預(yù)測實(shí)際上是根據(jù)本期預(yù)測誤差對本期預(yù)測值作出一定的調(diào)整后得到的下一個(gè)預(yù)測值，即:新的預(yù)測值=老的預(yù)測值+老預(yù)測值的誤差（2）模型的處理由于用此方法每次只能預(yù)測一個(gè)數(shù)據(jù)，而要求是每隔一個(gè)時(shí)段(15分鐘)上報(bào)下面的16個(gè)數(shù)據(jù)，所以我們第一次預(yù)測的16數(shù)據(jù)統(tǒng)一用一個(gè)數(shù)據(jù)，而后沒過一個(gè)時(shí)段覆蓋一次。 對于問題二的分析，可以通過對問題一中數(shù)據(jù)的圖像的分析和綜合，我們根據(jù)他們之間的均方誤差得出結(jié)論。提高風(fēng)電功率實(shí)時(shí)預(yù)測的準(zhǔn)確程度對改善風(fēng)電聯(lián)網(wǎng)運(yùn)行性能有重要意義。問題1：風(fēng)電功率實(shí)時(shí)預(yù)測及誤差分析。因此，如何對風(fēng)電場的發(fā)電功率進(jìn)行盡可能準(zhǔn)確地預(yù)測，是急需解決的問題。 若不是這樣, 而產(chǎn)生了過調(diào), 那么就應(yīng)該減小學(xué)習(xí)速率的值。神經(jīng)網(wǎng)絡(luò)模型中，以前5個(gè)時(shí)間點(diǎn)的風(fēng)功率為輸入值、預(yù)測下一時(shí)間點(diǎn)的風(fēng)功率為輸出值，并建立單隱層bp神經(jīng)網(wǎng)絡(luò)。 針對問題一，首先我們選擇了對a時(shí)間范圍進(jìn)行預(yù)測，由于這屬于短期預(yù)測，短時(shí)間內(nèi)風(fēng)功率收外因影響較小，所以經(jīng)分析，我們采用了三種模型，分別是時(shí)間序列分析模型、灰色預(yù)測模型以及bp神經(jīng)網(wǎng)絡(luò)預(yù)測模型。 針對問題三，我們采用了基于小波理論的神經(jīng)網(wǎng)絡(luò)模型。近地風(fēng)具有波動性、間歇性、低能量密度等特點(diǎn)，因而風(fēng)電功率也是波動的。某風(fēng)電場由58臺風(fēng)電機(jī)組構(gòu)成，每臺機(jī)組的額定輸出功率為850kW。在我國主要采用集中開發(fā)的方式開發(fā)風(fēng)電，各風(fēng)電機(jī)組功率匯聚通過風(fēng)電場或風(fēng)電場群（多個(gè)風(fēng)電場匯聚而成）接入電網(wǎng)。數(shù)據(jù)掩蓋了影響風(fēng)功率變化的因素，我們只能通過歷史數(shù)據(jù)來預(yù)測下一時(shí)間的變化，我們可以利用dps、exel、matlab等軟件對數(shù)據(jù)進(jìn)行處理，并且進(jìn)行了仿真和誤差分析。于是運(yùn)用指數(shù)平滑法，我們建立了一次指數(shù)平滑模型： 其中：——第次預(yù)測值；——第次的實(shí)際觀測值； ——平滑系數(shù)，且將 代入(11)式中,可得: (12)公式(12)中各項(xiàng)系數(shù)和為: 當(dāng)時(shí), , 系數(shù)和。解得： 求解微分方程，即可得預(yù)測模型： (2) .模型的求解：通過運(yùn)用matlab編寫程序，我們?nèi)?5月31日0時(shí)0分之前的16個(gè)數(shù)據(jù)，通過程序，得到預(yù)測的16個(gè)數(shù)據(jù)，再通過matlab的作圖工具我們可以得到一條較為平滑的曲線，與實(shí)際值有較大的差距，但卻是可以大體概括風(fēng)功率的變化趨勢。在具體設(shè)計(jì)時(shí)，首先根據(jù)經(jīng)驗(yàn)公式初步確定隱含層神經(jīng)元個(gè)數(shù)，然后通過對不同神經(jīng)元數(shù)的網(wǎng)絡(luò)進(jìn)行訓(xùn)練對比，再最終確定神經(jīng)元數(shù)。 問題三的求解：由于平滑曲線法的精確度的提高對我們實(shí)屬難事，而灰色預(yù)測法本身就適合模糊預(yù)測，不合適提高精度，所以我們對問題一的第三種解法，也就是BP神經(jīng)網(wǎng)絡(luò)進(jìn)行改造。該方法是在反向傳播法的基礎(chǔ)上在每一個(gè)權(quán)值的變化上加上一項(xiàng)正比于前次權(quán)值變化量的值, 并根據(jù)反向傳播法來產(chǎn)生新的權(quán)值變化。 另外要選擇適當(dāng)?shù)膶W(xué)習(xí)速率比較困難, 因?yàn)樾〉膶W(xué)習(xí)速率導(dǎo)致較長的