基于相空间重构和Elman神经网络的短期风电功率预测的综述报告.docx

基于相空间重构和Elman神经网络的短期风电功率预测的综述报告
短期风电功率预测是风电电站运行控制和规划的重要问题之一。它涉及到电网调度和风电发电的经济性和可靠性，因此一直受到电力领域学者的关注。随着风电发电量的不断增加和风能具有不稳定性的特点，短期风电功率的预测更加关键。本文综述基于相空间重构和Elman神经网络的短期风电功率预测研究现状及其应用。
1.相空间重构
相空间重构是一种预测方法，它通过将原始数据转换为高维相空间的点集来分析数据的动力学行为。通过适当的重构参数，可以将相空间的点集转化为连续的时间序列，从而实现对系统行为的描述和预测。
相空间重构主要用于处理非线性动态系统的预测问题，如气象预测、股票市场分析、工业过程控制等。在风电功率预测中，相空间重构可以从历史数据中提取系统的空间演化信息，进而建立预测模型。
相空间重构方法主要包括Takens定理和Grassberger-Procaccia算法。Takens定理基于非线性时滞嵌入定理，可以将原始时间序列嵌入到高维相空间中，并利用相空间概率分布的变化规律预测下一时刻的行为。而Grassberger-Procaccia算法则基于自相关函数估计相空间概率分布，并通过Lyapunov指数和Hurst指数评估系统的稳定性和长期趋势。
在风电功率预测中，相空间重构方法可以应用于处理多参数影响的非线性模型，比如风速、风向、温度、气压、湿度、太阳辐射等，揭示其动态关系，提高预测准确率。
2.Elman神经网络
Elman神经网络属于反馈神经网络的一种，它利用上一时刻的输出作为当前时刻的输入，建立起时间序列预测模型。Elman神经网络能够有效地处理时序数据，挖掘时间序列的内在结构，具有良好的动态适应性和学习能力。
在风电功率预测中，Elman神经网络主要用于建立多变量、多时延的功率预测模型。它可以通过历史功率数据和影响因素来训练网络，预测未来功率的变化。此外，Elman神经网络还可以结合相空间重构方法，从揭示功率变化的动态特征入手，构建更加准确和稳定的预测模型。
3.基于相空间重构和Elman神经网络的短期风电功率预测
基于相空间重构和Elman神经网络的短期风电功率预测方法是当前研究的热点之一。该方法将相空间重构和Elman神经网络相结合，通过非线性动态建模，提高了预测准确率和可靠性。具体实现步骤如下：
1）对历史功率数据进行相空间重构，提取系统动态特征。
2）利用Elman神经网络结合历史功率与影响因素数据，建立模型并进行训练。
3）通过预测模型预测未来的功率变化，评估预测效果。
众多研究表明，相空间重构和Elman神经网络相结合的方法在风电功率预测中具有较好的效果。比如一项研究表明，利用该方法进行15min~1h的功率预测，结果RMSE值分别为18.51W和63.81W，预测精度达到了90%以上。
总的来说，基于相空间重构和Elman神经网络的短期风电功率预测方法具有较好的预测效果和稳定性，可以为风电电站的运营控制提供有效的支持。