111001210802-王倩文-風電場風電功率短期預(yù)測技術(shù)

1、風電場風電功率短期預(yù)測技術(shù)上海電機學院 畢業(yè)設(shè)計（論文）課題名稱 風電場風電功率短期預(yù)測技術(shù)學 院 電氣學院 專 業(yè) 自動化 班 級 BG1108 學 號 111001210802 姓 名 王倩文 指導教師 陳國初 定稿日期： 2015 年 5月15日II風電場風電功率短期預(yù)測技術(shù)摘要在如今的社會中，能源問題越來越受到大家的關(guān)注，而風能作為一種蘊藏量大、可再生、分布廣、無污染的可再生能源，倍受全世界的歡迎。風力發(fā)電作為一種可再生能源發(fā)電方式，它具備大規(guī)模開發(fā)條件和良好的商業(yè)化發(fā)展前景。但是風力發(fā)電與一些傳統(tǒng)的發(fā)電方式是不同的，風電的大規(guī)模并網(wǎng)會給電力系統(tǒng)的電能質(zhì)量以及安全穩(wěn)定運行帶來嚴峻挑戰(zhàn)是

2、由于它具有間歇性、波動性以及隨機性，然而風電功率短期預(yù)測技術(shù)能夠有效的解決以上的問題。風電功率短期預(yù)測技術(shù)對于電力系統(tǒng)的調(diào)度以及安全的穩(wěn)定運行具有深遠的意義。為提高預(yù)測的準確性，本文提出一種基于Elman動態(tài)神經(jīng)網(wǎng)絡(luò)的預(yù)測方法。本文首先從風電場的發(fā)展歷史以及國內(nèi)外風電功率短期預(yù)測入手突出本課題的選題必要性和研究意義。隨之介紹風電功率預(yù)測技術(shù)在國內(nèi)外的研究現(xiàn)狀,最后在了解現(xiàn)狀的基礎(chǔ)上確定本論文的主要內(nèi)容及組織結(jié)構(gòu)。其中首先本文主簡述了人工神經(jīng)網(wǎng)絡(luò)的一些基礎(chǔ)概念，并且詳細地介紹了一種具有動態(tài)反饋機制的人工神經(jīng)網(wǎng)絡(luò)模型即Elman網(wǎng)絡(luò)和它數(shù)學模型和學習算法，并且在采用實際的風電場的風向、風電功率以及

3、風速的相關(guān)歷史數(shù)據(jù)的基礎(chǔ)上，建立了基于 Elman神經(jīng)網(wǎng)絡(luò)的風電功率短期預(yù)測模型。關(guān)鍵詞：Elman神經(jīng)網(wǎng)絡(luò)，短期預(yù)測，風電功率ABSTRACTIn todays society, energy problem is becoming more and more by everyones attention, and wind power as a kind of reserves, renewable, distributed widely, non polluting renewable energy, highly popular all over the world. Wind pow

4、er as a renewable energy power generation, it has large-scale development conditions and good prospects for commercial development. But not like wind power and conventional power generation: water, electricity, thermal power, large-scale wind power integration will be for the safe and stable operati

5、on of power system and electric energy quality bring severe challenges because its random, intermittent and volatility. However, wind power short-term power prediction technology caneffectively solve the above problems.Is of great significance for the stable operation of technology of power system s

6、cheduling and security forecast of short-term wind power. In order to improve the prediction accuracy, this paper proposes a prediction method based on dynamic neural network Elman. In this paper, the wind farm development history as well as the domestic and foreign short-term wind power prediction

7、of highlight the subject topics necessary and significance of the research. Followed by introduction of the wind power prediction technology in the domestic and foreign research status. Finally on the basis of understanding the status to determine the main content and organizational structure. Which

8、 this paper mainly expounds the basic concepts of artificial neural network, and introduced a kind of artificial neural network model for a dynamic feedback mechanism that Elman network and its mathematical model and learning algorithm in detail, and the actual wind farm wind direction and wind rate

9、 and wind speed historical data based on established based on Elman neural network of wind power short-term prediction model.Keywords: short term prediction, Elman neural network, wind power目 錄1 緒論11.1 課題來源與意義11.2 國內(nèi)外研究現(xiàn)狀11.3 論文主要內(nèi)容32 風電功率短期預(yù)測52.1 風電功率預(yù)測基本概念52.2 風電功率短期預(yù)測的原理52.3 風電功率短期預(yù)測的特點62.4 風電功率短

10、期預(yù)測系統(tǒng)73 人工神經(jīng)網(wǎng)絡(luò)83.1 人工神經(jīng)網(wǎng)絡(luò)的特點83.2 神經(jīng)網(wǎng)絡(luò)的分類93.3 小結(jié)114 Elman神經(jīng)網(wǎng)絡(luò)124.1 Elman神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)124.2 Elman神經(jīng)網(wǎng)絡(luò)算法124.3 Elman神經(jīng)網(wǎng)絡(luò)算法流程134.4 Elman性能測試與仿真實驗144.5 本章小結(jié)215 基于Elman神經(jīng)網(wǎng)絡(luò)的預(yù)測模型225.1 基于Elman神經(jīng)網(wǎng)絡(luò)預(yù)測流程225.2 預(yù)測模型的建立225.3 評價指標235.4 實例分析235.5 本章小結(jié)296 總結(jié)與展望30致謝31參考文獻3234風電場風電功率短期預(yù)測技術(shù)1 緒論1.1 課題來源與意義如今在“低碳經(jīng)濟”的蓬勃發(fā)展下，風力發(fā)電作為

11、清潔可再生能源，受到世界各國政府的高度重視。我國更是如此。因為中國能源資本人均占有率低，能源布局不合理，以及有限的化石能源不能使每日增加的能源消費需求得到滿足，所以我國必要尋覓一種可再生能源來填補咱們的日益增長的能源需求。風能作為一種清潔的可再生能源資源在中國是非常豐富的，尤其是東南沿海和島嶼的111，內(nèi)蒙古和甘肅北部，黑龍江和吉林東部和遼東半島沿海地區(qū)，第二風速3m以上近4K的小時的時間，高達每秒6次以上7年平均風速的地區(qū)，它具有很大的應(yīng)用潛力 10 。然而，風力發(fā)電的隨機性波動和間歇性，使風電場輸出不穩(wěn)定，會給安全和電網(wǎng)調(diào)度引起一連串的問題。此外，近年來，隨著對風力發(fā)電和風力發(fā)電容量占系統(tǒng)

12、中快速發(fā)展的比例迅速增加，質(zhì)量之間的矛盾和發(fā)展速度F1風力越來越突出，風力發(fā)電對電力系統(tǒng)的影響更明顯。特別是，風擾動的波動可以使電壓和頻率的電力系統(tǒng)發(fā)生了很大的變化，尤其是當風電穿透功率超過一定值時，會造成電壓和頻率的時刻出現(xiàn)比較大的波動，對電能質(zhì)量和電力系統(tǒng)的正常運行，嚴重損害。同時，為了解決風電的不穩(wěn)定性問題，電力公司不得不提高供電系統(tǒng)的備用容量，這將直接增加風電投資。因此，我們預(yù)計預(yù)計發(fā)電計劃制定風力發(fā)電的合理，同時保證在同一時間，電力系統(tǒng)的穩(wěn)定運行，而且最大限度地節(jié)約了投資資本。正是因為風力發(fā)電自身所持有的波動性、間歇性和隨機性等特色導致風電場出力不平穩(wěn),才給電網(wǎng)調(diào)度、安全等帶來一連串

13、的問題。因此,我們盼望經(jīng)通過對于風電功率作出提前預(yù)測來擬定合理的發(fā)電計劃,在確保電力系統(tǒng)穩(wěn)定不變運行的同時又可以最大程度的減少投入資本,風電功率的預(yù)測是實行一種類型的風電場并網(wǎng)的條件。風電功率預(yù)測目前在電網(wǎng)調(diào)度在中國引起了極大的關(guān)注。短期風電功率預(yù)測調(diào)度，為電力系統(tǒng)及風電場的生產(chǎn)操作技術(shù)具有十分重要的意義，維護。在功率短期預(yù)測國外風力發(fā)電技術(shù)的研究開始于第二十世紀80年代，但我們的風力發(fā)電的風電場系統(tǒng)預(yù)測安裝國很少，基本上都是國外廠商系統(tǒng)。而根據(jù)歐洲風能資源外，不適應(yīng)中國獨特的地形和氣象條件，我國的電力管理系統(tǒng)也不好13。這是適順應(yīng)我國風電預(yù)測的迫切需求。隨著風電并網(wǎng)風電場風功率的增加，以及大

14、規(guī)模的發(fā)展，開發(fā)適合中國情況的預(yù)測系統(tǒng)已經(jīng)成為我國迫切的需求。1.2 國內(nèi)外研究現(xiàn)狀1.2.1國外研究現(xiàn)狀由于在最近的幾年中國外不斷增加風電場的建設(shè)，所以人們也逐漸認識到了風能和風電場的預(yù)測研究的重要性。目前，在風電功率預(yù)測的應(yīng)用領(lǐng)域外國有比較知名的研究和發(fā)展太陽能在德國WPMS（風電管理系統(tǒng)）系統(tǒng)，它使用與NWP信息來預(yù)測功率輸出神經(jīng)網(wǎng)絡(luò)模型，這是目前最成熟的商業(yè)預(yù)測系統(tǒng)，以及美國AWS Truewind公司eWind系統(tǒng)開發(fā)的丹麥里瑟國家實驗室Prediktor系統(tǒng)等等3。利用短期，中期和長期的風電功率預(yù)測方法進行審查，使用評價方法進行了分析和預(yù)測結(jié)果，結(jié)果表明，自適應(yīng)神經(jīng)模糊推理系統(tǒng)，人

15、工神經(jīng)網(wǎng)絡(luò)更好的預(yù)測效果，并提出了一個新的預(yù)測混合粒子群算法和四季，短期風電功率預(yù)測自適應(yīng)神經(jīng)模糊推理系統(tǒng)，連續(xù)預(yù)測方法的方法，時間序列法和神經(jīng)網(wǎng)絡(luò)相結(jié)合的方法進行了比較，結(jié)果表明，這種方法比較好比其他方法的平均誤差率達到5.4120。的數(shù)據(jù)作為模型由數(shù)字天氣預(yù)測的輸入端，設(shè)置了多個觀測點，對應(yīng)于風力渦輪機發(fā)電設(shè)備的每個特定的觀察位置時，對應(yīng)于不同的觀察點來預(yù)測短期風力發(fā)電中，該方法用連續(xù)預(yù)測方法和灰色模型，預(yù)測精度提高。在不同時期使用自回歸移動平均模型（ARMA），人工神經(jīng)網(wǎng)絡(luò)模型（ANN），人工神經(jīng)網(wǎng)絡(luò)模型（ANN）預(yù)測風電功率預(yù)測進行預(yù)測誤差分析。在物理模型及風電預(yù)測應(yīng)用的統(tǒng)計模型，有兩

16、個高分辨率的氣象系統(tǒng)，提供了更精確的風速和風電功率預(yù)測模型，克里特島的方式以及凱法利尼亞的希臘島嶼，應(yīng)用表明，天氣系統(tǒng)的預(yù)報精度和電的環(huán)境有很大的關(guān)系，在更高的精確度，風電的預(yù)測精度將得到提高15。1.2.2 國內(nèi)研究現(xiàn)狀在風電功率預(yù)測技術(shù)的領(lǐng)域，由于中國的起步較晚，所以如今大多數(shù)還集中在預(yù)測理論的專研中。在國家大力推動風電產(chǎn)業(yè)和相關(guān)政策的發(fā)展過程中，中國近年來還開發(fā)了一些實用的預(yù)測系統(tǒng)，比如風力發(fā)電預(yù)報系統(tǒng)開發(fā)中國電力科學研究院的設(shè)計在2009年投入使用江蘇9。我國利用人工神經(jīng)網(wǎng)絡(luò)開發(fā)了一系列的風電功率預(yù)測模型。統(tǒng)計物理方法各有優(yōu)缺點，而且還采用物理方法和統(tǒng)計方法相結(jié)合的方法開發(fā)了一個混合的

17、預(yù)測模型。目前我國主要使用預(yù)測方法有統(tǒng)計物理預(yù)測方法、預(yù)測方法、學習預(yù)測方法以及綜合預(yù)測法。對風的隨機性，波動性，微分法原風序列為平穩(wěn)隨機序列，建立ARMA模型，利用該模型預(yù)測風速序列之前，得到一個更好的風能預(yù)測。風力發(fā)電機組的研究聚集影響預(yù)測誤差的結(jié)果，匯聚了許多單位將準確的風電功率預(yù)測高于實時每個單元的平均預(yù)測精度，但對時間序列分析和預(yù)測模型，模型的類型和順序確定的識別會產(chǎn)生一定數(shù)量的錯誤。之所以提出支持向量機為了長期解決神經(jīng)網(wǎng)絡(luò)訓練容易陷入局部最小以及泛化能力強，風的力量和速度結(jié)合的歷史數(shù)據(jù)建立支持向量機模型預(yù)測風速，風速和功率的未來。對原序列分解形態(tài)風，利用灰色理論和支持向量機回歸，風

18、力發(fā)電的應(yīng)用組合預(yù)測方法來預(yù)測 32 。1.2.3 國內(nèi)外研究現(xiàn)狀對比在中國和國外理論研究的風力發(fā)電場，還存在不小的差距。在風力發(fā)電的短期預(yù)測72小時中，一些歐洲國家產(chǎn)生的預(yù)測誤差（根的比率均方誤差和單位額定功率）已經(jīng)低至57，并且提前2小時4小時誤差低至34然而國內(nèi)研究的預(yù)測理論，有關(guān)錯誤仍然大多在15以上4。伴隨著我國大量的風電理論研究的專家學者進一步的專研，在國內(nèi)預(yù)測誤差也逐漸降低，但與國外先進理論相比仍存在不小的差距。這就解釋了研究風力發(fā)電，中國可以提高的空間還很大，要進一步加強深度和廣度，與國外風電距離逐漸縮小。在對比了國內(nèi)外研究現(xiàn)狀以后，我們不難發(fā)現(xiàn)：（1）在國外應(yīng)用軟件已經(jīng)比較成

19、熟，并且在陸上和海上風電場建成投產(chǎn)，其時間尺度為0-72小時。而中國則是在研究和開發(fā)短期風電功率預(yù)測軟件，并且在實際風電場試運行的發(fā)展中，預(yù)測結(jié)果的均方根誤差在15%一20%11。（2）數(shù)值形式的天氣預(yù)報已經(jīng)是國內(nèi)外的風電功率短期預(yù)測系統(tǒng)中重要的輸入之一，在國內(nèi)的研究中，微觀尺度氣象預(yù)報誤差是對預(yù)測精度的力量大，造成嚴重影響。（3）人工智能方法已經(jīng)被廣泛引入到外國文學的風電功率短期預(yù)測方法的研究中去，其中已經(jīng)包含了粒子群算法（PSO）、混沌理論、遺傳算法、模糊推理系統(tǒng)（FIS） 、自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)、概率神經(jīng)網(wǎng)絡(luò)、復(fù)發(fā)性多層感知神經(jīng)網(wǎng)絡(luò)（RMLP）。而國內(nèi)文獻提到的方法有：RBF神經(jīng)網(wǎng)絡(luò)、BP

20、神經(jīng)網(wǎng)絡(luò)、小波BP神經(jīng)網(wǎng)絡(luò)相結(jié)合和支持向量機、遺傳算法的模式等12。（4）國內(nèi)外研究者付出更多研究在組合預(yù)測模型上，因為該模型充分利用到了各種單的有用信息的預(yù)測模型，來提高風電功率預(yù)測精度。（5）研究在國外的評價方法，重視預(yù)測重視預(yù)測的不確定性和風險，國內(nèi)對于這項的研究在該領(lǐng)域仍然是缺乏一個重視。1.3 論文主要內(nèi)容近幾年來許多研究和應(yīng)用方面都采用了人工智能方法，其中風電功率預(yù)測主要運用人工神經(jīng)網(wǎng)絡(luò)法，并且取得了較好的效果。在短期功率預(yù)測方面我們用的最多的是Elman神經(jīng)網(wǎng)絡(luò)。其主要原因是風電功率預(yù)測的問題是一個樣本數(shù)據(jù)總是不斷更新的動態(tài)過程，利用靜態(tài)前饋網(wǎng)絡(luò)分析動態(tài)系統(tǒng)，其本質(zhì)上是對動態(tài)和靜

21、態(tài)時間建模的轉(zhuǎn)換問題，很多問題會在轉(zhuǎn)換過程中出現(xiàn)。Elman神經(jīng)網(wǎng)絡(luò)是Elman于1990年提出的，它是一種反饋神經(jīng)網(wǎng)絡(luò)，其反饋連接是從隱含層的輸出到其輸入端，這樣反饋形式可以讓Elman神經(jīng)網(wǎng)絡(luò)在探測和識時，在成為模型以后具有較強的計算能力。 本文主要從以下幾章來展開論文：第一章，簡述了本論文的研究背景和意義，綜述了國內(nèi)外風電功率預(yù)測的發(fā)展現(xiàn)狀。第二章，介紹了風電場風電功率短期預(yù)測技術(shù)的一些基本知識，為后期的預(yù)測工作做準備。第三章，介紹神經(jīng)網(wǎng)絡(luò)，在比較了BP神經(jīng)網(wǎng)絡(luò)和Elman神經(jīng)網(wǎng)絡(luò)后，選擇了Elman神經(jīng)網(wǎng)絡(luò)模型，為了選擇更為精確的數(shù)據(jù)，采用試湊法找出適合的隱含層神經(jīng)元數(shù)。第四章，以東北

22、某近海場的歷史數(shù)據(jù)為例，建立Elman神經(jīng)網(wǎng)絡(luò)模型來進行風電功率段期預(yù)測，并通過改變隱含層數(shù)來提高預(yù)測精度，最后對產(chǎn)生的預(yù)測結(jié)果加以分析。第五章，總結(jié)了論文，并且對論文中不足之處提出了展望。2 風電功率短期預(yù)測2.1 風電功率預(yù)測基本概念風電功率預(yù)測是被用來確保電網(wǎng)平衡風電波動主要的技術(shù)支持、削減備用容量和經(jīng)濟的運行，以及幫助電力調(diào)節(jié)部門提前調(diào)整調(diào)度計劃，而且按照風力的變化狀況來確保供電的質(zhì)量，消減體系的備用容量和下降電力系統(tǒng)的運行本錢，來滿足電力市場買賣的需求，風力發(fā)電為網(wǎng)絡(luò)提供有利條件的投標。通過風電功率預(yù)測研究結(jié)果的分析可以看出，短期風電功率預(yù)測的研究主要集中在兩個方面：第一是建立一個更

23、有效的預(yù)測模型，提高預(yù)測精度；第二是獲得更準確的數(shù)值天氣預(yù)報數(shù)據(jù)。現(xiàn)在的短期風電功率預(yù)測方法可大致分為物理和統(tǒng)計兩種方法。（1）物理方法：采集一些數(shù)據(jù)如：風向，風速，基于數(shù)值天氣預(yù)報系統(tǒng)的溫度，氣壓等數(shù)據(jù)，然后基于風電場的粗糙度，繞過障礙物，輪廓和其他信息來算出溫度分層風輪毅高度的風向，風速和其他信息，最后出風電場輸出功率并且根據(jù)計算結(jié)果輸出風電場功率曲線。（2）統(tǒng)計方法：統(tǒng)計方法不考慮風速變化的物理過程，但發(fā)現(xiàn)天氣條件和風電場輸出的關(guān)系基于歷史統(tǒng)計數(shù)據(jù)，然后根據(jù)測量數(shù)據(jù)和數(shù)值天氣預(yù)報數(shù)據(jù)的風電場輸出功率并基于實測數(shù)據(jù)和數(shù)值天氣預(yù)報數(shù)據(jù)預(yù)測風電場輸出功率。2.2 風電功率短期預(yù)測的原理 隨著時

24、代的發(fā)展，預(yù)測技術(shù)也在進步和完善，關(guān)注于預(yù)測理論的專家、學者相繼提出了大量的預(yù)測方法，據(jù)有關(guān)資料統(tǒng)計目前應(yīng)用于各領(lǐng)域的預(yù)測方法總數(shù)多達二百多種在進行風電功率預(yù)測系統(tǒng)的研究時，專家學者往往借助于以下幾條原理: 1)可知性原理：可知論認為:“世界是可以認識的，人們不但能夠認識事物的現(xiàn)象，而且能夠認識事物的本質(zhì)18。”從人類認識發(fā)展的規(guī)律性來看，任何事物都是能夠被認識的，而且認識是無極限的，雖然在具體的時間階段內(nèi)認識可能是有限的，但必須強調(diào)的是物質(zhì)的可知性肯定了人類的思維能夠正確的認識事物的存在及其發(fā)展變化過程，這對于人類認識世界、改造世界具有重大的激勵作用。 2)延續(xù)性原理：在客觀的條件下事物一定

25、的規(guī)律發(fā)展，在其發(fā)展過程中，這種規(guī)律將堅持到底，至少在一段時間內(nèi)這類的規(guī)律性是不會發(fā)生本質(zhì)的變化。延續(xù)性原則認為任何事物總是從過去發(fā)展到現(xiàn)在，再由現(xiàn)在發(fā)展向未來，并且未來的發(fā)展與其現(xiàn)在和過去的行為持著一定的規(guī)律性6。然而延續(xù)性原理的要求比較嚴格，僅僅是利用延續(xù)性原理來實行預(yù)測，它的效果并不太滿意，延續(xù)性原理僅僅適用于發(fā)展過程變化不大、波動卻比較平穩(wěn)的預(yù)測對象，或者在某一時間階段內(nèi)預(yù)測對象的發(fā)展處于相對穩(wěn)定的情況，然而即使?jié)M足平穩(wěn)性條件系統(tǒng)的發(fā)展也不會是歷史的重演，而只是表現(xiàn)出其成長的慣性以及周期性，將來的的發(fā)展會呈現(xiàn)出偏離的狀況。風電功率序列屬于高度非平穩(wěn)、非線性、波動較大的序列，直接利用延續(xù)

26、性原理來進行短期風電功率的預(yù)測并不能達到滿意的效果，需要對風電功率做平穩(wěn)化處理19。 3)相關(guān)性原理：世界萬物的發(fā)展變化都是在與其它事物的相互影響中確定其軌跡，并伴隨著其他事物的發(fā)展而發(fā)展，都不會是孤立的。在預(yù)測研究中為了增加預(yù)測模型的輸入因素以提高預(yù)測精度，首先要考慮的一項重要方法即利用不同事物發(fā)展過程中的相關(guān)性。如果尋得一個或者幾個和預(yù)測對象密切相關(guān)的，并且可以收集到其充分的歷史資料，利用他們間具有相關(guān)性的歷史數(shù)據(jù)建立數(shù)學模型往往能達到提高預(yù)測精度的目的，或者可以預(yù)先知道其未來的發(fā)展變化即可以根據(jù)相似性直接得出預(yù)測對象未來的發(fā)展變化。在利用事物發(fā)展變化過程中的相關(guān)性原則進行短期風電功率預(yù)測

27、前，首先要確定與風電功率發(fā)展變化相關(guān)的影響因素以及相關(guān)程度，引入相關(guān)性程度高的因素會改善預(yù)測系統(tǒng)的預(yù)測精度，而將不相關(guān)或相關(guān)程度微小的因素引入預(yù)測系統(tǒng)反而可能會摻入干擾項導致預(yù)測誤差變大21。我必須要注意的是，當我在利用相關(guān)性進行建模預(yù)測時，還應(yīng)該研究這些相關(guān)性因素是否具有時間性，因為事物間的相關(guān)程度可能會隨著時間的推移而發(fā)生改變，我必須確保這些相關(guān)性因素在預(yù)測模型研究階段保持穩(wěn)定。事物間的相關(guān)性除具有時間性外還具有空間地域性，不同地點同樣的幾種事物間的相關(guān)性程度亦可能會不同。我在建立風電場短期風電功率預(yù)測模型時，風速、風向、溫度、壓強等都是值得、考慮的相關(guān)性因素22。2.3 風電功率短期預(yù)測

28、的特點由于風電功率預(yù)測是根據(jù)風電場過去時間段的風能、風速、氣壓、溫度等因素推測未來的功率值,決定了風電功率預(yù)測工作的研究對象是不確定事件、隨機事件,需要采用相應(yīng)的預(yù)測技術(shù)和模型來推出風電功率的發(fā)展趨勢和可能達到的情況。風電功率短期預(yù)測有如下的3個特點：1) 不確定性由于風電場風電功率受到多種多樣復(fù)雜因素的影響，所以它的未來的發(fā)展具有不確定的,并且它還與風電功率相關(guān)的溫度、壓強、風速等各種因素有關(guān)系的,因此決定了預(yù)測結(jié)果的不確定性20。2)條件性風電功率預(yù)測的過程是一個從歷史來推測到未來的過程,這個過程需要在一定條件下才可以合理有效。如果預(yù)測對象的發(fā)展過程單單從過去和現(xiàn)在的表現(xiàn)來看均為平穩(wěn),并且

29、無重大的干擾、破壞以及波動,或著使即使有突發(fā)事件也呈現(xiàn)出一定的規(guī)律性,我們就可以直接將這平穩(wěn)的發(fā)展過程延伸到未來,用這些歷史數(shù)據(jù)來類比未來。但是由于風電場是一個包含了各種不確定性的系統(tǒng),因此無法估計的重大事件如臺風、冰雹、電機故障、以及政府得政策、社會的異常事件等一些不可抗力因素的影響,以導致風電場產(chǎn)能的較為理想的規(guī)律被破壞,所遇在這種情況下我們要盡量保證數(shù)據(jù)的有效性以及完整性的同時也要充分考慮異常事件可能帶來的影響20。3)地域性風電功率的影響因素因風電場的選擇地點的不同而不同,因此所占比重也會發(fā)生改變。由于我國地理條件的多種多樣,風電場的產(chǎn)能也會呈現(xiàn)出一定的地域性,東部沿海為海洋性氣候多暴

30、風,風電的不確定成分所占比重大,而西部內(nèi)地為大陸性氣候,風速、風向、溫度等風電功率影響因素相對來說較為穩(wěn)定,不確定因素比重小,在建立預(yù)測模型的時候就較容易20。2.4 風電功率短期預(yù)測系統(tǒng) 風電功率短期預(yù)測系統(tǒng)最早是在在上個世紀九十年代在丹麥和德國出現(xiàn)。如今，各種各樣的風電功率短期預(yù)測系統(tǒng)所采用數(shù)值天氣預(yù)報的數(shù)據(jù)依舊是作為它們最主要的的輸入?yún)?shù)之一，它們采用的的預(yù)測模型是不同得,有采用物理模型的,有采用統(tǒng)計模型的,以及還有使用組合模型的30。風電功率短期預(yù)測系統(tǒng)可以通過數(shù)值天氣預(yù)報數(shù)據(jù)來獲知未來的一段區(qū)間內(nèi)風電場的風速、風向以及其它的相關(guān)的天氣咨詢。將數(shù)值天氣預(yù)報的預(yù)測來的數(shù)據(jù)進而轉(zhuǎn)變成為風電

31、功率預(yù)測數(shù)據(jù)是風電功率短期預(yù)測系統(tǒng)的主要功能。3 人工神經(jīng)網(wǎng)絡(luò)人工神經(jīng)網(wǎng)絡(luò)類可以稱作為一種應(yīng)用，它類似于用數(shù)學模型的信息處理大腦連接結(jié)構(gòu)的突觸。另外在工程和學術(shù)界傾向于直接調(diào)用神經(jīng)網(wǎng)絡(luò)或神經(jīng)網(wǎng)絡(luò)。神經(jīng)網(wǎng)絡(luò)是一種計算模型，它是由許多節(jié)點（神經(jīng)元）被彼此連接的組成，每個神經(jīng)元代表一個唯一的輸出功能，稱為激活函數(shù)10。兩個節(jié)點之間的連接意味著權(quán)重連接信號的加權(quán)值，這是類似于人工神經(jīng)網(wǎng)絡(luò)的記憶?；诰W(wǎng)絡(luò)連接的網(wǎng)絡(luò)的輸出，權(quán)重值是不一樣的記憶激發(fā)函數(shù)不相同。然而，網(wǎng)絡(luò)本身往往是接近一個特定的算法或函數(shù)的性質(zhì)，或者表達一種邏輯策略。人工神經(jīng)網(wǎng)絡(luò)（ANN）是對人腦抽象和簡化，通過簡單的神經(jīng)元與彼此和自適應(yīng)非

32、線性動態(tài)系統(tǒng)的形成連接的特定的拓撲結(jié)構(gòu)13。ANN作為一種智能學習算法，可以具有多種不同的結(jié)構(gòu)，可以應(yīng)用在模式分類，優(yōu)化計算、預(yù)測等領(lǐng)域，其特點是具有自學習、自適應(yīng)和自組織能力；相對于統(tǒng)計方法，ANN不需要確定函數(shù)模型，在對訓練數(shù)據(jù)進行充分訓練后，就可以有效地在穩(wěn)態(tài)和瞬態(tài)條件下進行測試值的外推23。利用神經(jīng)網(wǎng)絡(luò)非常適合做函數(shù)逼近和預(yù)測的特點，在對數(shù)據(jù)做了統(tǒng)計預(yù)處理后，將BP神經(jīng)網(wǎng)絡(luò)模型應(yīng)用到反應(yīng)堆功率預(yù)測中，實驗表明BP網(wǎng)絡(luò)可以在多種不同情況下都有較好的表現(xiàn)，有力說明其強大的泛化性能和容錯性能。與前饋型網(wǎng)絡(luò)(FNN)相比，該模型結(jié)構(gòu)比較簡單，計算速度快，并且得到的預(yù)測精度也比較高。3.1 人工

33、神經(jīng)網(wǎng)絡(luò)的特點人工神經(jīng)網(wǎng)絡(luò)是由人類大腦的結(jié)構(gòu)和功能而創(chuàng)建起來的新型信息處理系統(tǒng)。它有很多和人類的智能相似的特點。（1） 并行結(jié)構(gòu)和并行處理許多簡單的處理單元都與人工神經(jīng)網(wǎng)絡(luò)組成的相互高度并行的非線性系統(tǒng)連接。它不僅在結(jié)構(gòu)是平行的，它們也是在處理序列和平行。人工神經(jīng)網(wǎng)絡(luò)在多個處理單元中，當在同一層中的處理單元，它們具有并行操作的計算功能。所以神經(jīng)網(wǎng)絡(luò)中的信息處理不但運算速度快，它還比計算機的串行處理的速度。（2） 知識的分布儲存窗體頂端人工神經(jīng)網(wǎng)絡(luò)的信息存儲，必須使用分布式并行結(jié)構(gòu)。在人工神經(jīng)網(wǎng)絡(luò)中，知識并不是儲存在特指的儲存單元中的，它是分布儲存在整個網(wǎng)絡(luò)的所有連接權(quán)中的。一個神經(jīng)網(wǎng)絡(luò)能夠儲存

34、多種多樣的信息，當中多種信息的一部分是被儲存在每個神經(jīng)元的連接權(quán)中的。（3） 較好的容錯特性人工神經(jīng)網(wǎng)絡(luò)表現(xiàn)出了較好的容錯性人工神經(jīng)網(wǎng)絡(luò)的知識分布存儲特性使得。當輸入一些不完善的數(shù)據(jù)和信息時，人工神經(jīng)網(wǎng)絡(luò)可以經(jīng)過聯(lián)想恢復(fù)成為完整的記憶，因此可以實現(xiàn)正確識別不完整的輸入信息。此外，因為知識并不是儲存在一個特指的儲存單元，它是分布儲存在整個網(wǎng)絡(luò)連接權(quán)中，因此，有受損的神經(jīng)元不會對整個系統(tǒng)有一定比例的巨大的沖擊性影響，部分細胞就像每個大腦自動模切，但不會使人們的記憶能力和思考能力受到影響一樣。所以，人工神經(jīng)網(wǎng)絡(luò)可以忍受一定數(shù)量不準確的信息，相比于一般計算機，神經(jīng)網(wǎng)絡(luò)計算機承受硬件損壞的能力也比較強。

35、 （4） 高度的非線性和計算機的非精確性大量簡單的處理單元互聯(lián)非線性系統(tǒng)的特點是高度并行構(gòu)成的人工神經(jīng)網(wǎng)絡(luò)，存儲性能使信息存儲在其并行的知識結(jié)構(gòu)的空間分布和處理，并行時間可以讓得整個網(wǎng)絡(luò)呈現(xiàn)出高度的非線性特性，以及神經(jīng)網(wǎng)絡(luò)能夠處理持續(xù)的模擬信號和不完善的數(shù)據(jù)，讓神經(jīng)網(wǎng)絡(luò)通常給出滿意的解決方案而不是精確解 25 。（5） 自適應(yīng)性、自學習和自組織一個能夠改變他們的性能以適應(yīng)環(huán)境變化的系統(tǒng)是適應(yīng)性的，它有兩個特點，即：自學習和自組織。其中，自主學習是指當外部環(huán)境發(fā)生變化，一段時間的培訓或感知后，神經(jīng)網(wǎng)絡(luò)可以為一個給定的輸入產(chǎn)生一個輸出；和自組織神經(jīng)網(wǎng)絡(luò)可以通過訓練，調(diào)節(jié)突觸神經(jīng)元之間的連接權(quán)值調(diào)整

36、的手段，它具有可塑性，逐步建立適應(yīng)不同的信息處理要求的神經(jīng)網(wǎng)絡(luò) 25 。3.2 神經(jīng)網(wǎng)絡(luò)的分類如今，神經(jīng)網(wǎng)絡(luò)模型已經(jīng)具有近40余種神經(jīng)網(wǎng)絡(luò)模型，其中典型的有Elman神經(jīng)網(wǎng)絡(luò)、CMAC小腦模型、BP網(wǎng)絡(luò)、ART自適應(yīng)共振理論、Blotzman機網(wǎng)絡(luò)和Hopfield網(wǎng)絡(luò)等。 3.2.1 Elman神經(jīng)網(wǎng)絡(luò)窗體頂端Elman網(wǎng)絡(luò)是Elman在1990年提出的，為了實現(xiàn)存儲器的目的，Elman網(wǎng)絡(luò)模型增加了一層承接在隱藏層前饋網(wǎng)絡(luò)，它可以使系統(tǒng)具有適應(yīng)能力是變化的，特征可以直接響應(yīng)于該系統(tǒng)的動態(tài)過程。 Elman網(wǎng)絡(luò)是一個典型的動態(tài)神經(jīng)網(wǎng)絡(luò)，它是根據(jù)神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)，內(nèi)部狀態(tài)被存儲到映射函數(shù)的動

37、態(tài)功能，從而使系統(tǒng)具有適應(yīng)隨時間變化的特征的能力代表神經(jīng)網(wǎng)絡(luò)建模和控制的方向22。Elman神經(jīng)網(wǎng)絡(luò)具有優(yōu)點：其具有一般回歸神經(jīng)網(wǎng)絡(luò)模型的動態(tài)特性；其具有前向網(wǎng)絡(luò)計算量小、容易收斂、結(jié)構(gòu)簡單的特點；其特有的反饋結(jié)構(gòu)使其具有較強的抗干擾能力，而且表達復(fù)雜的動態(tài)系統(tǒng)僅僅需要單層網(wǎng)絡(luò)；因為動態(tài)回歸網(wǎng)絡(luò)中的輸入不會隨輸出的歷史數(shù)據(jù)產(chǎn)生變化，所以遞歸網(wǎng)絡(luò)中的噪聲只會出現(xiàn)在網(wǎng)絡(luò)的噪聲方差和訓練精度中，然而與期望輸出相比較高；隨著噪聲的減小回歸網(wǎng)絡(luò)的泛化性增強，相反的系統(tǒng)輸出的歷史值存在在前向網(wǎng)絡(luò)的輸入中，座椅噪聲也有輸入端，前向網(wǎng)絡(luò)的泛化能力受到噪聲的嚴重影響。 Elman 神經(jīng)網(wǎng)絡(luò)缺點：學習速度相對于前

38、向網(wǎng)絡(luò)較慢，存在的內(nèi)部反饋導致對樣本的處理只能單個進行；Elman 神經(jīng)網(wǎng)絡(luò)節(jié)點數(shù)有一定限制，需要主要算法收斂問題30 。3.2.2 BP神經(jīng)網(wǎng)絡(luò)窗體頂端BP（反向傳播）神經(jīng)網(wǎng)絡(luò)的學習過程是反向傳播的錯誤反向傳播算法，它是這兩個過程是由信息傳播和誤差反向傳播。從外界接收的輸入信息主要是使用了輸入層中的神經(jīng)元，并且傳遞到中間層的神經(jīng)元;中間層是指在內(nèi)部信息處理層，其主要功能是對轉(zhuǎn)換信息，并根據(jù)信息的能力的不斷變化的需求可以設(shè)計成單個隱藏層或多層隱藏層結(jié)構(gòu);最后一個隱藏層步驟被發(fā)送到在該信息的輸出層的每個神經(jīng)元，再經(jīng)過進一步處理，并在學習過程中向前傳播的端部，通過輸出層到外部的輸出信息世界處理的結(jié)

39、果。當實際輸出與期望輸出的不同，扭轉(zhuǎn)相位誤差的傳播。誤差可以輸出通過該層，根據(jù)錯誤的梯度下降方法來修改權(quán)重，到輸入層，反饋到隱含層。這種信息的過程以后開始再次闡述和各層的反向傳播的過程中，是連續(xù)調(diào)整的權(quán)重，并且神經(jīng)網(wǎng)絡(luò)的訓練過程，這個過程將繼續(xù)下去，直到網(wǎng)絡(luò)錯誤輸出減小到日期的滿意，或者設(shè)置的學習時間22。窗體底端BP神經(jīng)網(wǎng)絡(luò)和早期的人工神經(jīng)網(wǎng)絡(luò)模型相比，誤差反向傳播的神經(jīng)網(wǎng)絡(luò)更為成熟，主要表現(xiàn)在在網(wǎng)絡(luò)理論和網(wǎng)絡(luò)性能上，較強的非線性映射能力是其最大的優(yōu)點。但是 BP 神經(jīng)網(wǎng)絡(luò)不是非常完善的網(wǎng)絡(luò)，它還是會出現(xiàn)一些問題，例如：（1）若 BP 神經(jīng)網(wǎng)絡(luò)訓練太多次，這樣會讓學習的訓練的過程變太長、從而

40、會影響學習效率。然而學習速率會影響 BP 算法進行學習時的收斂速度，若學習速率過小，相應(yīng)的網(wǎng)絡(luò)收斂速度就會較慢；若學習速率過大，會使網(wǎng)絡(luò)振蕩進而無法達到收斂。但在目前學習速率該咋樣取值還沒有理論上的指導，一般情況下在 0.01-1 范圍內(nèi)取值； （2）BP神經(jīng)的局部極小網(wǎng)絡(luò)的誤差函數(shù)存在非線性S型函數(shù)。因此，它包括的不僅只有一個最小點，但也有多個局部極小，因此網(wǎng)絡(luò)中的訓練過程中遇到局部最小值點是無法繼續(xù)訓練，所以出現(xiàn)在“局部最小”的問題。最初的連接權(quán)是BP學習算法出現(xiàn)局部極小的主要因素之一。如果初始連接權(quán)重過大，有可能在學習和訓練開始使得網(wǎng)絡(luò)中的S形函數(shù)的飽和區(qū)，使網(wǎng)絡(luò)從陷入局部最小值。因此，

41、通常設(shè)置較小的連接權(quán)初始值，以便使每個神經(jīng)元的轉(zhuǎn)臺只接近零，以保證在學習開始時網(wǎng)絡(luò)不會陷入局部極小點；（3）隱含層層數(shù)和隱含層的節(jié)點數(shù)的選取目前并沒有理論上的指導，大多數(shù)是依照實驗來確定的，所以BP網(wǎng)絡(luò)經(jīng)常是含有較大的冗余性，這樣無意之中也增加了網(wǎng)絡(luò)學習的時間；（4）訓練的時候?qū)W習新的例子會產(chǎn)生遺忘舊樣本的趨勢，這是因為 BP神經(jīng)網(wǎng)絡(luò)的學習和記憶存在不穩(wěn)定性， 當提供一個新的記憶模式給訓練已經(jīng)結(jié)束的BP神經(jīng)網(wǎng)絡(luò)時，就有可能把網(wǎng)絡(luò)已經(jīng)調(diào)整好的連接權(quán)值破壞掉，這樣會讓已經(jīng)記憶的學習模式的有關(guān)的數(shù)據(jù)消失30。把新的學習模式和原來的學習模式相結(jié)合后給 BP神經(jīng)網(wǎng)絡(luò)這提供了可以防止上述現(xiàn)象的發(fā)生，也就可

42、以重新訓練該網(wǎng)絡(luò)，這種方式與人類大腦進行記憶時的穩(wěn)定性是一樣的。3.3 小結(jié)在簡單的介紹了人工神經(jīng)網(wǎng)絡(luò)的概念與特點以后，又分別介紹了BP神經(jīng)網(wǎng)絡(luò)和Elman神經(jīng)網(wǎng)絡(luò)，并且通過對比Elman神經(jīng)網(wǎng)絡(luò)以及BP神經(jīng)網(wǎng)絡(luò)的優(yōu)缺點，我最終選擇了基于Elman神經(jīng)網(wǎng)絡(luò)的風電場風電功率短期預(yù)測技術(shù)。其主要原因是BP神經(jīng)網(wǎng)絡(luò)是BP神經(jīng)網(wǎng)絡(luò)是一種靜態(tài)神經(jīng)網(wǎng)絡(luò)，因此它的動態(tài)性能不足以及適應(yīng)性較差，而ELman神經(jīng)網(wǎng)絡(luò)是一個典型的動態(tài)神經(jīng)網(wǎng)絡(luò)，它特有的反饋結(jié)構(gòu)使其具有較強的抗干擾能力，可以使結(jié)果更加的精確。4 Elman神經(jīng)網(wǎng)絡(luò)4.1 Elman神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Elman神經(jīng)網(wǎng)絡(luò)由四層組成：輸出層，相關(guān)層，中間層（隱層

43、）和輸入層。隱含層，輸出層和連接輸入層，輸入層單元前饋網(wǎng)絡(luò)僅僅作為信號傳輸；輸出層單元具有線性加權(quán)函數(shù)。線性或非線性的函數(shù)可以作為一個隱含層單元的傳遞函數(shù)，也被稱為接觸層可以與單元層，其主要功能是用來輸出的時間內(nèi)隱記憶層單元的值，這也可以認為是一步延遲算子。Elman神經(jīng)網(wǎng)絡(luò)的特征是它隱層的輸出實現(xiàn)存儲層相關(guān)的延遲，并連接到從隱含層的輸入，這樣的自關(guān)聯(lián)方式可以使它歷史數(shù)據(jù)的具有一定的敏感性，要使動態(tài)信息處理網(wǎng)絡(luò)本身增加的容量可以增加內(nèi)部反饋網(wǎng)絡(luò)，從而實現(xiàn)動態(tài)建模 23 。 圖4-1 Elman神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)4.2 Elman神經(jīng)網(wǎng)絡(luò)算法Elman神經(jīng)網(wǎng)絡(luò)可以逼近任意精度的線性映射，當輸入和輸出數(shù)

44、據(jù)到一個特定的系統(tǒng)，該系統(tǒng)可以模擬。非線性狀態(tài)空間表達式如下所示： (4-1)上式中，作為隱含層神經(jīng)元的傳遞函數(shù)，使用tansig函數(shù)，是輸出層傳遞函數(shù)，使用purelin函數(shù)；b2、b1分別作為輸出層和隱含層的閾值。設(shè)第s步網(wǎng)絡(luò)的實際輸出為，則依據(jù)動態(tài)學習算法，Elman網(wǎng)絡(luò)的目標函數(shù)即差函數(shù)為： (4-2)均方誤差的最快下降法為： I=1,2, (4-3)式中，為學習速率，是第s次迭代各層間的權(quán)值。對于w2，有 (4-4)式中， 對于w1，有 (4-5)式中, 對于w3，有 (4-6）式中， 4.3 Elman神經(jīng)網(wǎng)絡(luò)算法流程計算輸出層輸出初始化輸入樣本值計算輸入層輸出計算誤差函數(shù)更新權(quán)值

45、計算承接層輸出出計算隱含層輸出圖4-2 Elman神經(jīng)網(wǎng)絡(luò)的算法流程以下誤差函數(shù)可以判斷算法是否結(jié)束：（4-7）其中 為期望輸出4.4 Elman性能測試與仿真實驗本文采用Elman神經(jīng)網(wǎng)絡(luò)做信號檢測實驗，由于Elman神經(jīng)網(wǎng)絡(luò)可以使信號避免外界的干擾，并且會讓結(jié)果更加精準。但是由于隱含層的神經(jīng)元數(shù)目選擇不能用一個理想的解析式來表示，所以使用試湊法可以獲得最佳隱層節(jié)點數(shù)。在本次設(shè)計程序中對隱層節(jié)點數(shù)進行動態(tài)賦值，依次為20、22、25、28，分別進行訓練和預(yù)測，對預(yù)測的誤差進行分析，具體分析結(jié)果如下：圖4-3 隱含層神經(jīng)元數(shù)為20表4-1 隱含層神經(jīng)元數(shù)為20Epoch MSEGradient

46、0/5004.74228/015.0593/1e-00625/5000.441701/01.53174/1e-00650/5000.347819/00.256394/1e-00675/5000.319211/00.175837/1e-006100/500 0.201104/00.251717/1e-006125/5000.115465/00.632091/1e-006325/5000.0609971/00.113592/1e-006350/5000.0410879/00.0728254/1e-006375/500 0.0331791/00.126168/1e-006400/5000.03494

47、33/00.588942/1e-006425/5000.032022/0 0.131897/1e-006450/5000.0308535/00.0445048/1e-006475/5000.0286879/00.0322551/1e-006500/5000.0251412/00.0270192/1e-006圖4-4 隱含層神經(jīng)元數(shù)為22表4-2 隱含層神經(jīng)元數(shù)為22Epoch MSEGradient0/5000.691972/0 5.52033/1e-00625/5000.337241/00.482143/1e-00650/5000.277356/0 0.291769/1e-00675/500

48、0.142687/00.220246/1e-006100/500 0.0429895/00.468499/1e-006125/5000.0385421/00.165166/1e-006325/5000.0116349/00.13612/1e-006350/5000.011433/00.0346276/1e-006375/500 0.0112161/00.0172336/1e-006400/5000.0105885/00.0140183/1e-006425/5000.010655/0 0.227775/1e-006450/5000.010233/00.0233907/1e-006475/5000

49、.0101008/00.0149/1e-006500/5000.00970718/00.0118691/1e-006圖4-5 隱含層神經(jīng)元數(shù)為25表4-3 隱含層神經(jīng)元數(shù)為25Epoch MSEGradient0/5000.722359/0 6.32649/1e-00625/5000.348394/00.923851/1e-00650/5000.250014/00.395577/1e-00675/5000.21733957/00.258818/1e-006100/5000.20706495/00.221893/1e-006125/5000.18634867/00.1872502/1e-0066

50、325/5000.0116349/00.13612/1e-006350/5000.011433/00.1346276/1e-006375/5000.01133957/00.108818/1e-006400/5000.00906495/00.092893/1e-006425/5000.00834867/0 0.0772502/1e-006450/5000.00733957/00.058818/1e-006475/5000.00706495/00.022893/1e-006500/5000.00634867/00.0172502/1e-006圖4-6 隱含層神經(jīng)元數(shù)為28表4-4 隱含層神經(jīng)元數(shù)為

51、28Epoch MSEGradient0/5003.04946/0 26.0479/1e-00625/5000.369518/00.326448/1e-00650/5000.334021/00.147573/1e-00675/5000.280513/00.14957/1e-006100/5000.194518/00.863148/1e-006125/5000.181483/00.2178/1e-006325/5000.0279451/00.682304/1e-006350/5000.011433/00.1346276/1e-006375/5000.0221445/00.158759/1e-00

52、6400/5000.0132974/0 0.405285/1e-006425/5000.0128244/00.114673/1e-006450/5000.012696/0 0.0396953/1e-006475/5000.0124792/00.0261887/1e-006500/5000.0119012/00.0332779/1e-006表4-5 誤差對比神經(jīng)元MSE200.0251412220.00970718250.00634867280.0119012由表4-5可以看出，當隱含層神經(jīng)元的數(shù)目為22和25時，其方均誤差比較相近；與隱含層神經(jīng)元數(shù)目為20和28時的方均誤差相比較也更小。因此，

53、選擇將隱含層神經(jīng)元數(shù)目定為25。在確認完最佳隱層節(jié)點數(shù)后我選用AM調(diào)制的三角波。載波頻率為20rad/s,調(diào)制信號頻率選為0.2rad/s。本文將Elman神經(jīng)網(wǎng)絡(luò)用于峰值檢波，首先定義了輸入和輸出變量，其次創(chuàng)建了相應(yīng)的Elman神經(jīng)網(wǎng)絡(luò)，以及將輸入向量矩陣轉(zhuǎn)換為輸入序列，并且將目標向量矩陣轉(zhuǎn)換為目標序列，在確定了訓練步長后，調(diào)出工具箱，開始繪制圖形，所得到的仿真結(jié)果如圖4-7所示：圖4-7 仿真結(jié)果在經(jīng)過神經(jīng)網(wǎng)絡(luò)訓練后，利用已調(diào)制的三角波，已調(diào)制的正弦波和已調(diào)制的矩形波來進行仿真。最初使用三角波來調(diào)制信號。在加載了訓練后的Elman神經(jīng)網(wǎng)絡(luò)以后，利用已經(jīng)調(diào)制好的三角波來進行仿真，重新輸入目標

54、向量以及輸入向量，利用工具箱繪制三角波調(diào)制的已調(diào)波信號；其次又將輸入向量矩陣轉(zhuǎn)換為輸入序列，以此來進行網(wǎng)絡(luò)仿真，隨后將輸出序列轉(zhuǎn)換為矩陣形式，最后繪制了網(wǎng)絡(luò)輸出信號波形和調(diào)制信號波形。仿真結(jié)果如4-8所示：圖4-8 三角波調(diào)制信號仿真結(jié)果在完成了三角波調(diào)制信號以后，采用了正弦波調(diào)制信號，按照要求修改了輸入信號，按照類似上個程序的方式來繪制網(wǎng)絡(luò)輸出信號波形和調(diào)制信號波形，得出的仿真結(jié)果如4-9所示：圖4-9 正弦波調(diào)制信號仿真結(jié)果最后，使用矩形波調(diào)制信號進行仿真，步驟如上面的，只是它所需要的輸入向量，以及輸出向量是不同的，在經(jīng)過修改程序后，使用工具箱繪制出網(wǎng)絡(luò)輸出信號波形和調(diào)制信號波形仿真結(jié)果如下圖4-10所示：圖4-10 矩形波調(diào)制信號仿真結(jié)果設(shè)計中采用了Elman神經(jīng)網(wǎng)絡(luò)對于AM調(diào)制的信號進行檢測。該方法可以測量出原始信號，同時該方法也能測量信號的幅度和周期。相對于傳統(tǒng)信號的檢測，使用Elman神經(jīng)網(wǎng)絡(luò)方法避免了外界的干擾，可以增加結(jié)果更為精準。這是由于Elman神經(jīng)網(wǎng)絡(luò)具有它特有的反饋結(jié)構(gòu)，這個結(jié)構(gòu)讓它具有較強的抗干擾能力，所以才會使結(jié)果更加精確。4.5 本章小結(jié)在本章中，主要介紹了本次論文中主要使用的Elman神經(jīng)網(wǎng)絡(luò)。首先介紹了Elman神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)以及算法，