ACCUEIL

Consignes aux
auteurs et coordonnateurs
Nos règles d'éthique
Auteurs : soumettez
votre article en ligne
Autres revues >>
European Journal of Electrical Engineering
2103-3641
Revue des Systèmes
Revue Internationale de Génie électrique (1295-490X)
 

 ARTICLE VOL 20/3 - 2018  - pp.279-293  - doi:10.3166/ejee.20.279-293
TITRE
Prévision de l'énergie éolienne à court terme basée sur le réseau de neurones à rétropropagation du gradient corrigée par la chaîne de Markov

TITLE
Short-term wind power forecast based on back-propagation neural network corrected by Markov chain

RÉSUMÉ
L'intégration de l'énergie éolienne intermittente et volatile pose un énorme défi pour la planification et l'exploitation du réseau. Le défi est difficile àrelever car les méthodes de prévision de l’énergie éolienne existantes sont confrontées à une faible précision et à une faible stabilité. Afin de résoudre ces problèmes, cet article explore en profondeur les lois de macro et micro-variations de la séquence de données de l'énergie éolienne et conçoit un modèle de prévision de l'énergie éolienne àcourt terme basésur le réseau de neurones àrétropropagation du gradient (BPNN, le sigle de «back-propagation neural network »en anglais) corrigépar la chaîne de Markov. Plus précisément, les données historiques sur l’énergie éolienne ont été adoptées pour former le modèle avec la précision attendue, tandis que les données mesurées sur l’énergie éolienne ont été utilisées pour le jugement préalable et la correction d’erreur. L'auteur a dérivéun tableau de transition d'état de la chaîne de Markov en divisant l'intervalle d'état d'erreur et a corrigéles résultats de la prédiction BPNN avec la matrice de probabilité de transition d'état de Markov, éliminant ainsi les grands points d'erreur. Les résultats expérimentaux montrent que le modèle proposéa surpasséle modèle de prévision BPNN originale en termes de précision, indiquant que le modèle est une solution réalisable pour la prévision de l'énergie éolienne àcourt et àmoyen terme.


ABSTRACT
The integration of intermittent and volatile wind power poses a huge challenge to grid scheduling and operation. The challenge is difficult to tackle as the existing wind power forecast methods are faced with low accuracy and poor stability. To solve the problems, this paper probes deep into the macro- and micro-variation laws of wind power data sequence, and designs a short-term wind power prediction model based on the back-propagation neural network (BPNN) corrected by Markov chain. Specifically, the historical wind power data were adopted to train the model to the expected accuracy, while the measured data on wind power were used for pre-judgment and error correction. The author derived a state transition table of the Markov chain by dividing the error state interval, and corrected the BPNN prediction results with Markov state transition probability matrix, which eliminates the large error points. The experimental results show that the proposed model outperformed the original BPNN prediction model in accuracy, indicating that the model is a feasible solution for short and medium-term wind power forecast.


AUTEUR(S)
WEI HU, BIN ZHANG

MOTS-CLÉS
chaîne de Markov, réseau de neurones àrétropropagation du gradient, prévision de l'énergie éolienne, prévision combinée.

KEYWORDS
Markov chain, BP neural network, wind power forecast, combined forecast.

LANGUE DE L'ARTICLE
Anglais

 PRIX
• Abonné (hors accès direct) : 12.5 €
• Non abonné : 25.0 €
|
|
--> Tous les articles sont dans un format PDF protégé par tatouage 
   
ACCÉDER A L'ARTICLE COMPLET  (438 Ko)



Mot de passe oublié ?

ABONNEZ-VOUS !

CONTACTS
Comité de
rédaction
Conditions
générales de vente

 English version >> 
Lavoisier