基于相空间重构小波神经网络径流式水电站发电量预测

何自立，陆梦可，王正中，甘雪峰

(西北农林科技大学水利与建筑工程学院，陕西 杨凌 712100)

水力发电作为我国清洁能源开发利用的重要形式，在电力系统中具有不可替代的地位。合理预估水电站发电量、制订短期发电计划，对于水电企业参与市场竞争以及电网调度计划制订具有重要意义[1]。由于调节能力有限，径流式电站发电量与河川径流变化密切相关，而流域产汇流过程具有多变性、复杂性特征，同时水力发电系统中引水系统的水力损失、水轮机组效率、工作流量、动态水头等具有复杂的非线性和非平稳性，加大了发电量预测的难度，目前尚未形成统一的预测方法。由于水力发电系统涉及水能及电能的相互转化，是一个具有较强约束条件的动态、时滞复杂非线性过程，很难建立准确数学模型。近年来支持向量机、ARMA模型以及自适应神经模糊推理系统等方法，已逐渐应用到发电量预测过程中进行逐月、逐日及逐小时发电量预测，并取得较好成果[2-4]。但由于模型结构固有局限性，在复杂非平稳问题方面应用效果仍不是很理想。

小波神经网络(Wavelet Neural Network，WNN)模型结合了小波变换良好的时频局域化性质及神经网络自学习功能，具有高度非线性结构和良好局部寻优特征，在非线性系统建模方面具有很强适用性[5]。但在应用中由于模型输入节点选取的主观性和任意性，容易引起有效信息缺失而造成模型预测结果无法对应其解空间的最优……