Вероятностное прогнозирование ветроэнергетики на основе импульсной нейронной сети

Точная и надежная количественная оценка неопределенности в прогнозировании ветроэнергетики имеет решающее значение для экономической эксплуатации и управления в режиме реального времени электроэнергетической системой . С этой целью в данной статье предлагается новый прямой метод вероятностного прогнозирования ветроэнергетики на основе импульсной нейронной сети. В этом методе сначала формулируется новая структура прогнозирования для одновременного расчета вероятности покрытия и резкости с соответствующими уровнями уверенности. Затем вводится и перерабатывается оптимизатор группового поиска для оптимизации параметров структуры прогнозирования и непосредственного формирования интервалов прогнозирования, чтобы гарантировать надежность и стабильность прогнозирования. Главное преимущество предлагаемого метода вероятностного прогнозирования заключается в том, что он не включает в себя никаких предположений о распределении ошибок прогнозирования, требуемых большинством существующих методов прогнозирования. В исследованиях используются наборы данных по ветроэнергетике с реальных ветровых электростанций в Бельгии и Китае. В качестве алгоритмов бенчмаркинга выбраны традиционная нейронная сеть обратного распространения (BPNN), машина опорных векторов (SVM) и машина экстремального обучения (ELM). Результаты моделирования показывают, что среднее покрытие предлагаемого метода улучшается на 72,0%, 54,9% и 51,3% соответственно по сравнению с BPNN, SVM и ELM. Темпы улучшения индекса чёткости составляют 43,1%, 28,1% и 21,0% соответственно. Эти статистические результаты показывают, что предлагаемый метод превосходит BPNN, SVM и ELM по точности прогнозирования, что свидетельствует о его высокой практической применимости в реальных энергосистемах.*

*Перевод выполнен с помощью нейросетей

Accurate and reliable quantification of uncertainty in wind power forecasting is critical to the economic operation and real time control of the electric power and energy system. To this end, this paper proposes a novel direct method for probabilistic wind power forecasting based on spiking neural network. In this method, a new forecasting framework is firstly formulated to simultaneously calculate the coverage probability and sharpness with associated confidence levels. Then, group search optimizer is introduced and re-designed to optimize the parameters of the forecasting framework and directly generate the prediction intervals, so that the prediction reliability and stability are ensured. The main advantage of the proposed probabilistic forecasting method is that it does not involve any distribution assumption of the prediction errors required by most existing forecasting methods. The wind power datasets from real wind farms in Belgium and China are used in the case studies. Traditional back-propagation neural network (BPNN), support vector machine (SVM) and extreme learning machine (ELM) are selected as the benchmarking algorithms. The simulation results show that the average coverage of the proposed method is improved by 72.0%, 54.9% and 51.3% respectively, when compared to BPNN, SVM and ELM. The improvement rates of sharpness index are 43.1%, 28.1% and 21.0%, respectively. These statistical results show that the proposed method outperforms BPNN, SVM and ELM in terms of forecasting accuracy, demonstrating that this method has high practical applications in real power systems.