【正文】 估計(jì)值 為所有樣本觀測(cè)值 的加權(quán)平均，每個(gè)觀測(cè)值 的權(quán)重因子為相應(yīng)的樣本與 之間 Euclid 距離平方的指數(shù)。 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) 。 GRNN 神經(jīng)網(wǎng)絡(luò)的理論基礎(chǔ) 廣義回歸神經(jīng)網(wǎng)絡(luò)的理論基礎(chǔ)是非線性回歸分析，非獨(dú)立變量 Y 相對(duì)于獨(dú)立變量 x的回歸分析實(shí)際上是極端具有最大概率值的 y。 （ 3） 求和層 求和層中使用兩種類型神經(jīng)元進(jìn)行求和。 （ 2） 模式層 模式層神經(jīng)元數(shù)目等于學(xué)習(xí)樣本的數(shù)目 n，各神經(jīng)元對(duì)應(yīng)不同的樣本，模式層神經(jīng)元傳遞函數(shù)為 神經(jīng)元 i 的輸出為輸入變量與其對(duì)應(yīng)的樣本 X 之間的 Euclid 距離平方的指數(shù)平方的指數(shù)形式。對(duì)應(yīng)網(wǎng)絡(luò)輸入 ，其輸出為 。 9 GRNN 神經(jīng) 網(wǎng)絡(luò)結(jié)構(gòu) GRNN 網(wǎng)絡(luò)在結(jié)構(gòu)上與 RBF 網(wǎng)絡(luò)較為相似 [20]。 GRNN 網(wǎng)絡(luò)模型具有很強(qiáng)的非線性映射能力和柔性網(wǎng)絡(luò)結(jié) 構(gòu)，以及高度的容錯(cuò)性和魯棒性，通常用來(lái)實(shí)現(xiàn)函數(shù)逼近。 GRNN 不需設(shè)定模型的 形式 ，但其隱回歸單元的核函數(shù)中有擴(kuò)展系數(shù)（光滑因子） σ，它的取值對(duì)網(wǎng)絡(luò)有很大的影響，需優(yōu)化取值。 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。 廣義回歸 （ GRNN） 神經(jīng)網(wǎng)絡(luò) GRNN 神經(jīng)網(wǎng)絡(luò)概述 1991 年， Specht 提出了廣義回歸神經(jīng)網(wǎng)絡(luò) (generalized regression neural work, GRNN)。 圖 22 徑向基函數(shù)網(wǎng)絡(luò)結(jié)構(gòu)圖 模塊計(jì)算輸入向量 p 和輸入權(quán)值 的行向量之間的距離，產(chǎn)生 維向量，然后與閾值 相乘，在經(jīng)過(guò)徑向基傳遞函數(shù)從而得到第一層輸出。其中隱層有 個(gè)神經(jīng)元，節(jié)點(diǎn)函數(shù)為高斯函數(shù)，輸出層有個(gè)神經(jīng)元，節(jié)點(diǎn)函數(shù)通常是簡(jiǎn)單的線性函 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)。 RBF 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)模型 圖 21 所示為有 R 個(gè)輸入的徑向基神經(jīng)元模型 [19]。 RBF 神經(jīng)網(wǎng)絡(luò)屬于前向神經(jīng)網(wǎng)絡(luò)類型，網(wǎng)絡(luò)的結(jié)構(gòu)于多層前向網(wǎng)絡(luò)類似，是一種三層的前向網(wǎng)絡(luò)。 1989 年， Jackson 論證了 RBF 神經(jīng)網(wǎng)絡(luò)對(duì)非線性連續(xù)函數(shù)的一致逼近性能。 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)。 7 2 徑向基 神經(jīng)網(wǎng)絡(luò)的基本理論 徑向基函數(shù)（ RBF）神經(jīng)網(wǎng)絡(luò) 徑向基函數(shù)（ RBF）神經(jīng)網(wǎng)絡(luò)可看做是一個(gè)高維空間中的曲線擬合（逼近）問(wèn)題，學(xué)習(xí)等價(jià)于在多維空間中尋找一個(gè)能夠最佳擬合訓(xùn)練數(shù)據(jù)的曲面，泛化等價(jià)于利用這個(gè)多維曲面對(duì)測(cè)試數(shù)據(jù)進(jìn)行插值 [17]。對(duì)國(guó)內(nèi)外風(fēng)電功率預(yù)測(cè)的研究現(xiàn)狀作了簡(jiǎn)要介紹，分析可知國(guó)內(nèi)的預(yù)測(cè)精度應(yīng)通過(guò)先進(jìn)的預(yù)測(cè)技術(shù) 加 以提高 。 本章小結(jié) 本章首先表明了本課題的研究背景和意義。 對(duì) 預(yù)測(cè)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。 第 4 章 介紹 基于 GRNN 神經(jīng)網(wǎng)絡(luò) 對(duì)風(fēng)電場(chǎng)風(fēng)功率進(jìn)行預(yù)測(cè)的建模方法， 對(duì)網(wǎng)絡(luò)設(shè)計(jì)過(guò)程中所遇到的問(wèn)題逐一提出解決方案。 第 3 章 研究預(yù)測(cè)數(shù)據(jù)集結(jié)構(gòu)參數(shù)的預(yù)處理，分別從歷史數(shù)據(jù)的預(yù)處理、 預(yù)測(cè)誤差公式及 神經(jīng)網(wǎng)絡(luò)泛化能力 三方面開展。主要包括以下方面的內(nèi)容： 6 第 1 章 研究了 風(fēng)力發(fā)電在國(guó)內(nèi)外的發(fā) 展情況和風(fēng)電場(chǎng)輸出功率預(yù)測(cè)的研究背景和 意義， 論述 了國(guó)內(nèi)外風(fēng)電場(chǎng)功率預(yù)測(cè)的研究現(xiàn)狀，并 介紹幾種國(guó)內(nèi)常見(jiàn)的風(fēng)電場(chǎng)功率預(yù)測(cè)方法。 本文的主要工作 本文 首先介紹國(guó)內(nèi)外風(fēng)電場(chǎng)輸出功率預(yù)測(cè)方法的研究現(xiàn)狀，對(duì)風(fēng)電場(chǎng)功率預(yù)測(cè)的研究背景及意義進(jìn)行論述，并分析各種預(yù)測(cè)方法的優(yōu)缺點(diǎn)及適用情況。 國(guó)外采用最簡(jiǎn)單的 persistence統(tǒng)計(jì)模型，其計(jì)算簡(jiǎn)單，在短期預(yù)測(cè)中性能很好，但隨著預(yù)測(cè)時(shí)間的增加，準(zhǔn)確定快速下降，故常用來(lái)作為基準(zhǔn)模型評(píng)價(jià)其他高級(jí)模型的精確度。 三種方法的比較 在上述三種方法中，物理方法不需要長(zhǎng)期大量的觀測(cè)數(shù)據(jù)，但需要獲得有效的數(shù)字氣象預(yù)報(bào) (NWP)數(shù)據(jù)，而風(fēng)電場(chǎng)周圍的物理信息 對(duì)預(yù)測(cè)的準(zhǔn)確度 有很大的影響，要準(zhǔn)確預(yù)測(cè)每個(gè)風(fēng)機(jī)的輪轂高度及風(fēng)電場(chǎng)所處的海拔高度、氣溫氣壓等情況 是十分復(fù)雜的工作。 文獻(xiàn) [15]中利用徑向基神 經(jīng)網(wǎng)絡(luò)對(duì)風(fēng)電場(chǎng)進(jìn)行短期風(fēng)功率預(yù)測(cè)，運(yùn)用模型進(jìn)行了 1h 后的風(fēng)電輸出功率預(yù)測(cè)，預(yù)測(cè)誤差在 12%附近。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(chǎng)功率預(yù)測(cè)的快速準(zhǔn)確的需求。 目前， 主要采用 BP 神經(jīng)網(wǎng)絡(luò)、局部反饋神經(jīng)網(wǎng)絡(luò)等，進(jìn)行 風(fēng) 電場(chǎng)輸出 功率 的 短期預(yù)測(cè)。在進(jìn)行短期和中期的風(fēng)速或風(fēng)功率預(yù)測(cè)時(shí)，模型的輸入變量與統(tǒng)計(jì)方法的類似。 5 學(xué)習(xí)方法 學(xué)習(xí)方法的實(shí)質(zhì)是用人工智能的方法提取輸入和輸出間 的關(guān)系，而不是以解析的形式來(lái)描述，這種方式所建模型通常為非線性模型，比如神經(jīng)網(wǎng)絡(luò)法、小波分析法、支持向量機(jī)法等，都不能用某個(gè)數(shù)學(xué)表達(dá)式直接表示。這個(gè)關(guān)系可以用函數(shù)的形式表示出來(lái)，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。 預(yù)測(cè)流程如圖 13 所示。 圖 13 物理方法預(yù)測(cè)流程 圖 在物理模型方法中，需要對(duì)風(fēng)電場(chǎng)所在地進(jìn)行物理建模，包括風(fēng)場(chǎng)的地形、地表植被及粗糙度、周圍障礙物等等；還要對(duì)風(fēng)機(jī)本身輪轂 高度、功率曲線、機(jī)械傳功等進(jìn)行建模。 物理方法 物理方法的目標(biāo)是盡可能準(zhǔn)確估算出風(fēng)電機(jī)組輪轂高度處的氣象信息。這種混合算法不僅有效提高預(yù)測(cè)精度而且較好地改善了預(yù)測(cè)延時(shí)問(wèn)題。文獻(xiàn) [11] 文章提出了一種時(shí)間序列分析和卡爾曼濾波相結(jié)合的混合算法。 文獻(xiàn) [24]采用了基于時(shí)間序列的神經(jīng)網(wǎng)絡(luò)法對(duì)風(fēng)速進(jìn)行預(yù)測(cè)。 國(guó)內(nèi)研究現(xiàn)狀 目前我國(guó)風(fēng)電功率預(yù)測(cè)系統(tǒng)尚處于初步探索和理論研究階段，并未開發(fā)出一定精度的風(fēng)電功 率預(yù)測(cè)系統(tǒng) [8]。 西班牙馬德里卡洛斯三世大學(xué)開發(fā)的 sipreolico 工具 [6]。 eWind 是美國(guó) AWS Truewind公司開發(fā)的風(fēng)功率預(yù)測(cè)系統(tǒng) [5]，其主要組成 包括一組高精度的三維大氣物理數(shù)學(xué)模型、適應(yīng)性統(tǒng)計(jì)模型、風(fēng)電場(chǎng)輸出模型和預(yù)測(cè)分發(fā)系統(tǒng)。德國(guó)奧爾登堡大學(xué)開發(fā)的風(fēng)電功率預(yù)測(cè)系統(tǒng) Previento，可以對(duì)較大區(qū)域的功率進(jìn)行提前 2 天的預(yù)測(cè)，其方法與Prediktor 類似。 Zephry 是 Ris248。 大范圍的空氣流動(dòng)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。隨后， 丹麥里索國(guó)家實(shí)驗(yàn)室 (Ris248。 3 風(fēng)電場(chǎng)功率預(yù)測(cè)的國(guó)內(nèi)外研究現(xiàn)狀 國(guó)外研究現(xiàn)狀 國(guó)外從事風(fēng)電場(chǎng)輸出功率預(yù)測(cè)的研究工作起步比較早，現(xiàn)在丹麥、德國(guó)、西班牙等風(fēng)電發(fā)展較為成熟的國(guó)家，已經(jīng)研發(fā)出了用于風(fēng)電場(chǎng)輸出功率預(yù)測(cè)的成品系統(tǒng)，并在投入風(fēng)電場(chǎng)運(yùn)行使用 [4]。 （ 4） 我 國(guó)對(duì)風(fēng)電場(chǎng)功率 預(yù)測(cè)技術(shù)具有很大需求 丹麥、德國(guó)、西班牙等風(fēng)電技術(shù)較發(fā)達(dá)國(guó)家，已經(jīng)普遍應(yīng)用風(fēng)電場(chǎng)功率預(yù)測(cè)技術(shù)，為風(fēng)電占電力總量比重的不斷增長(zhǎng)提 供了必要保證。 （ 3） 便于安排機(jī)組維護(hù)和檢修，提高風(fēng)電場(chǎng)容量系數(shù)。 在電力市場(chǎng)中，一旦風(fēng)力發(fā)電 參與競(jìng)價(jià)上網(wǎng)，與其它可控的發(fā)電方式相比，風(fēng)力發(fā)電的波動(dòng)性將大大削弱風(fēng)電的競(jìng)爭(zhēng)力，而且還會(huì)由于供電的不可靠性帶來(lái)經(jīng)濟(jì)懲罰。同時(shí) ， 在保證電能質(zhì)量和電網(wǎng)安全、穩(wěn)定運(yùn)行的前提下，盡可能利用風(fēng)力發(fā)電，提高系統(tǒng)中風(fēng)電裝機(jī)比例。 課 題研究意義 對(duì)我國(guó) 風(fēng)電場(chǎng)輸出功率進(jìn)行 預(yù)測(cè) ， 具有重要的現(xiàn)實(shí) 意義和學(xué)術(shù)價(jià)值 []， 具體 表 現(xiàn)在 ： （ 1） 優(yōu)化電網(wǎng)調(diào)度，減少旋轉(zhuǎn)備用容量 ，保證電網(wǎng)經(jīng)濟(jì)運(yùn)行。風(fēng)電場(chǎng)建設(shè)規(guī)模的不斷擴(kuò)大、風(fēng)電場(chǎng)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(lái)了新的挑戰(zhàn)。截至 2021 年 底 ，中國(guó)全年風(fēng)力發(fā)電新增裝機(jī)達(dá) 1600 萬(wàn)千瓦，累計(jì)裝機(jī)容量達(dá)到 萬(wàn)千瓦，總裝機(jī)比上年增長(zhǎng)約 62%， 首次超過(guò)美國(guó)，躍居世界第一。 2021 年底，中國(guó)風(fēng)力發(fā)電累計(jì)總裝機(jī)容量?jī)H為 1266MW，而到 2021 年底，全國(guó)累計(jì)裝機(jī)容量為 41827MW。風(fēng)能的合理開發(fā)和利用可以有效緩解目前能源匱乏 及燃料資源給環(huán)境帶來(lái)的污染問(wèn)題，在遠(yuǎn)期有可能成為世界上重要的替代能源。風(fēng)力發(fā)電作為一種重要的可再生能源，近年來(lái)得到較快發(fā)展 [1]。 generalize regression neural works (GRNN)。 based on the model for forecasting ahead one step with the historical data, the purpose is to find the optimal value of the SPREAD. The value of the SPREAD is an important parameter to the GRNN neural works, and the choice of this parameter has very vital significance to the generalization of this model. From theory, this paper will research the generalization ability of the neural works and the main points of designing GRNN neural works. This paper focuses on the physical nature of SPREAD and gives several methods of the parameter selection in the training process. Second, we take the historical wind power data of one wind farm as sample, and discuss the sample designing and work training. We use MATLABR2021a platform for programming to design the GRNN neural works model of the system. Finally, we use the method of simulation to set the objective function with the minimal generalization error, and then choose the best SPREAD to inspect the prediction effect. Keywords: wind power foresting。 最后， 通過(guò) 對(duì) 模擬 仿真的 手段 設(shè)定獲取最小泛化誤差的目標(biāo)函數(shù)，進(jìn)而選出最優(yōu)的 SPREAD 參數(shù) ，檢驗(yàn)預(yù)測(cè) 效果。 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(guò)程中選擇 該 參數(shù)的 幾種 方法。首先，對(duì)風(fēng)電場(chǎng) 歷史 風(fēng)功率數(shù)據(jù)進(jìn)行分析，截?cái)嗵幚恚?時(shí)間 序列預(yù)測(cè)的 GRNN 網(wǎng)絡(luò)模型；利用該模型對(duì)歷史數(shù)據(jù)進(jìn)行 超前一步預(yù)測(cè) ，目的是為了找到最優(yōu)的 SPREAD 值。 I 基于 GRNN 網(wǎng)絡(luò)的風(fēng)電功率預(yù)測(cè)研究 摘要 大規(guī)模風(fēng)電并網(wǎng)對(duì)電力系統(tǒng)造成很多不利影響，風(fēng)電功率預(yù)測(cè)是減輕這些影響的一個(gè)重要手段， 故對(duì)風(fēng)功率預(yù)測(cè)方法的研究具有十分重要的意義。 本文采用 GRNN 神經(jīng)網(wǎng)絡(luò)法對(duì)風(fēng)電功率預(yù)測(cè)進(jìn)行研究。 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(duì)模型的推廣能力具有重要的意義。 其次 ， 以某風(fēng)電場(chǎng)的風(fēng)功率歷史數(shù)據(jù)為樣本 ， 討論樣本設(shè)計(jì)及網(wǎng)絡(luò)訓(xùn)練， 運(yùn)用 MATLABR2021a 平臺(tái) 編程實(shí)現(xiàn)對(duì) GRNN 神經(jīng)網(wǎng)絡(luò)系統(tǒng)的 建模設(shè)計(jì) 。 關(guān)鍵詞： 風(fēng)電功率預(yù)測(cè)；泛化能力； GRNN 神經(jīng)網(wǎng)絡(luò)； 擴(kuò)展系數(shù) II Study on wind power forecasting in wind farms based on GRNN neural works Abstract Large scale wind power grid for power system caused a lot of adverse effect, wind power forecasting is the important method to reduce the influence, so the research of wind power forecasting method has very vital significance.