基于PF-RBF神经网络的短期风电功率预测研究 (2014年)

简介：
本文提出了一种基于PF-RBF神经网络的方法，用于进行短期风电功率预测。通过结合粒子滤波算法和径向基函数神经网络的优点，提高了预测精度，为风力发电系统的优化运行提供了有力支持。 为了提高风电功率预测的准确性，本段落提出了一种结合粒子滤波（PF）与径向基函数（RBF）神经网络的方法来进行风电功率预测。首先利用PF算法对历史风速数据进行处理；然后将经过处理后的风速数据、以及温度和风向的历史信息归一化后作为新的输入参数，用于构建风电功率预测模型。基于这些新旧的数据集，建立了一个PF-RBF神经网络的预测模型来预估风电场的实际输出功率。通过仿真实验验证了该方法的有效性：连续120小时内的平均绝对百分误差为8.04%，均方根误差达到10.67%。这表明采用此模型进行风电功率预测可以显著提高精度。