智能电网  >> Vol. 2 No. 2 (June 2012)

基于L-M优化BP神经网络的风电功率预测
The Capacity Prediction for the Wind Power Based on L-M Optimized BP Algorithm

DOI: 10.12677/sg.2012.22007, PDF, HTML,  被引量 下载: 4,506  浏览: 13,342 

作者: 孟静*:华北电力大学;黄元峰*:中国科学院电工研究所

关键词: 风电功率预测L-M优化BP算法神经网络Prediction of Wind Power; L-M Optimize; BP Algorithm; Neural Network

摘要: 在传统BP算法的基础上,将Levenbery-Marquardt优化法与神经网络模型相结合的L-M优化BP算法进行了深入应用和分析。此方法与传统算法相比提高了系统的学习速度,加快了网络的收敛。针对某风电场58台机组额定功率为850 kw的风电机组20(15分钟一个预测点)的历史数据使用L-M算法优化下的前馈神经网络模型——BP神经网络模型进行了该风电场的实时预测,结果表明该方法在一定程度上更好的逼近了真实的曲线。
Abstract: Based on the traditional BP algorithm, combining Levenhery-Marquardt optimized algorithm and a neural network forecasting methodthis paper put forward a L-M optimized BP algorithm. The algorithm quickens the train, improves stability. For the real power data of 58 wind turbines of some wind farm in somewhere, a real-time prediction has been made based on L-M optimized BP algorithm, and the result shows that the algorithm produces better results than traditional method.

文章引用: 孟静, 黄元峰. 基于L-M优化BP神经网络的风电功率预测[J]. 智能电网, 2012, 2(2): 35-40. http://dx.doi.org/10.12677/sg.2012.22007

参考文献

[1] 洪翠, 林维明, 温步瀛. 风电场风速及风电功率预测方法研究综述[J]. 电网与清洁能源, 2011, 27(1): 20-66.
[2] 屠强. 风电功率预测技术的应用现状及运行建议[J]. 电网与清洁能源, 2009, 25(10): 4-9.
[3] 曹邦兴. LM算法在地下水动态预测中的应用研究[J]. 广西水利水电, 2007, 3: 4-5, 16.
[4] 代小红, 王光利. L-M优化BP算法在短期负荷预测中的应用[J]. 计算机科学, 2011, 38(7): 265-267.
[5] 刘玉. 基于实测数据分析的大型风电场风电功率预测研究[J]. 黑龙江电力, 2011, 33(1): 11-15.