本發(fā)明涉及風(fēng)力發(fā)電
技術(shù)領(lǐng)域：
，尤其涉及一種基于多尺度分析的風(fēng)電機(jī)風(fēng)速預(yù)測(cè)優(yōu)化方法。
背景技術(shù)：
：為了有效地將風(fēng)能并入電網(wǎng)中，對(duì)于風(fēng)電場(chǎng)的出力進(jìn)行準(zhǔn)確預(yù)報(bào)是極其必要和關(guān)鍵的，這其中，0至6小時(shí)的短期預(yù)報(bào)對(duì)于電網(wǎng)實(shí)時(shí)調(diào)度，確保電網(wǎng)頻率、功率和電壓平衡等涉及電網(wǎng)安全的技術(shù)參數(shù)具有重要意義。風(fēng)能作為一種可再生的清潔能源，具有裝機(jī)規(guī)模靈活、風(fēng)電發(fā)電機(jī)組可靠性高、造價(jià)低、運(yùn)行維護(hù)簡(jiǎn)單等優(yōu)點(diǎn)。據(jù)2015年2月國(guó)家能源局公布的《2014年風(fēng)電產(chǎn)業(yè)監(jiān)測(cè)情況》，截至2014年底，我國(guó)風(fēng)電累計(jì)裝機(jī)容量已達(dá)到9637萬(wàn)千瓦，占全部發(fā)電裝機(jī)容量的7％，占全球風(fēng)電裝機(jī)的27％。2014年風(fēng)電上網(wǎng)電量1534億千瓦時(shí)，占全部發(fā)電量的2.78％。2014年12月國(guó)家能源局發(fā)布《能源發(fā)展戰(zhàn)略行動(dòng)計(jì)劃(2014-2020年)》，預(yù)計(jì)到2020年，風(fēng)電裝機(jī)將達(dá)到2億千瓦。截至目前，風(fēng)電已經(jīng)繼火電和水電之后成為我國(guó)第三大主力電源。隨著裝機(jī)容量的不斷增加，風(fēng)電的棄電問(wèn)題一直較為突出，據(jù)國(guó)家能源局統(tǒng)計(jì)，2012年全國(guó)棄風(fēng)電量約200億千瓦時(shí)，平均棄風(fēng)率達(dá)到17％；2013年全國(guó)棄風(fēng)電量約150億千瓦時(shí)，平均棄風(fēng)率達(dá)到10％，最新的統(tǒng)計(jì)顯示，截至2014年9月底，風(fēng)電棄風(fēng)電量86億千瓦時(shí)，平均棄風(fēng)率7.5％。造成風(fēng)電棄電的一個(gè)重要原因在于風(fēng)的間歇性導(dǎo)致風(fēng)電的波動(dòng)性和不穩(wěn)定性影響了風(fēng)電質(zhì)量，為了保證電網(wǎng)的安全而白白棄電?；诖?，國(guó)家能源局于2011年發(fā)布《風(fēng)電場(chǎng)功率預(yù)測(cè)預(yù)報(bào)管理暫行辦法》，要求我國(guó)所有已并網(wǎng)運(yùn)行的風(fēng)電廠應(yīng)在2012年1月1日前建立起風(fēng)電預(yù)測(cè)預(yù)報(bào)體系和發(fā)電計(jì)劃申報(bào)工作機(jī)制并開(kāi)始試運(yùn)行，按照要求報(bào)送風(fēng)電功率預(yù)測(cè)預(yù)報(bào)結(jié)果。目前風(fēng)電場(chǎng)的風(fēng)速預(yù)報(bào)常用方法包括物理方法和統(tǒng)計(jì)方法，物理方法是指根據(jù)精細(xì)化數(shù)值天氣預(yù)報(bào)模式得到高時(shí)空分辨率的定時(shí)、定點(diǎn)、定量的數(shù)值天氣預(yù)報(bào)模式風(fēng)力預(yù)測(cè)輸出結(jié)果，同時(shí)根據(jù)風(fēng)電場(chǎng)風(fēng)機(jī)運(yùn)行實(shí)際情況，綜合考慮各種風(fēng)機(jī)發(fā)電影響因素，建立出力預(yù)測(cè)物理模型，進(jìn)行風(fēng)電場(chǎng)出力預(yù)測(cè)。物理方法不需要大量的測(cè)量數(shù)據(jù)，但要求對(duì)大氣的物理特性及風(fēng)電場(chǎng)的特性有準(zhǔn)確的數(shù)學(xué)描述，這些方程求解困難，所需資料海量，計(jì)算量大，計(jì)算時(shí)間長(zhǎng)，并且從氣象部門(mén)獲取資料的難度大、費(fèi)用高，因此在短期風(fēng)電場(chǎng)風(fēng)速預(yù)報(bào)中，仍常用統(tǒng)計(jì)方法。目前，統(tǒng)計(jì)方法大多根據(jù)風(fēng)電場(chǎng)測(cè)風(fēng)塔的歷史資料，采用持續(xù)法、隨機(jī)時(shí)間序列法、卡爾曼濾波法、神經(jīng)網(wǎng)絡(luò)法、支持向量機(jī)等方法。僅僅依靠測(cè)風(fēng)塔數(shù)據(jù)進(jìn)行預(yù)報(bào)的最大缺點(diǎn)在于風(fēng)電場(chǎng)受地形、紊流等影響，風(fēng)電機(jī)處測(cè)量的風(fēng)速與測(cè)風(fēng)塔處風(fēng)速可能存在明顯的差異，因此僅以測(cè)風(fēng)塔的測(cè)量風(fēng)速預(yù)報(bào)整個(gè)風(fēng)電場(chǎng)的出力，必將導(dǎo)致較大的預(yù)報(bào)誤差，這個(gè)與具體的預(yù)報(bào)方法無(wú)關(guān)。隨著測(cè)量技術(shù)和計(jì)算機(jī)計(jì)算能力的提高，精細(xì)化的對(duì)單臺(tái)發(fā)電機(jī)測(cè)量的風(fēng)速進(jìn)行預(yù)報(bào)成為可能。技術(shù)實(shí)現(xiàn)要素：有鑒于現(xiàn)有技術(shù)的上述缺陷，本發(fā)明所要解決的技術(shù)問(wèn)題是提供一種基于多尺度分析的風(fēng)電機(jī)風(fēng)速預(yù)測(cè)優(yōu)化方法，通過(guò)對(duì)風(fēng)電場(chǎng)內(nèi)每臺(tái)風(fēng)電機(jī)的風(fēng)速進(jìn)行精細(xì)化預(yù)報(bào)，從而有效提高整個(gè)風(fēng)電場(chǎng)的短期出力預(yù)報(bào)水平。本發(fā)明的一種基于多尺度分析的風(fēng)電機(jī)風(fēng)速預(yù)測(cè)優(yōu)化方法，包括以下步驟：(1)讀入風(fēng)電機(jī)的原始采樣風(fēng)速時(shí)間序列p＝{p(i),i＝1,2,...,n}，其中n為原始風(fēng)電機(jī)風(fēng)速采樣點(diǎn)個(gè)數(shù)；將p調(diào)整為按預(yù)報(bào)間隔要求的平均風(fēng)速時(shí)間序列p’＝{p’(j),j＝1,2,...,m}，其中m為按預(yù)報(bào)間隔要求調(diào)整后的風(fēng)電機(jī)平均風(fēng)速序列的采樣點(diǎn)個(gè)數(shù)，p’的平均值為令(2)采用多尺度小波功率譜分析技術(shù)，提取p中隱含的顯著周期序列{p1,p2,…,pk,…,pk}，其中k為p中隱含的顯著周期序列的個(gè)數(shù)，pk＝{pk(1),pk(2),…,pk(m)}，由此p＝p1+p2+…+pk+r，而r＝p-p1-p2-…-pk，為p中剔除顯著周期序列后的殘差序列；(3)對(duì)p中的顯著周期序列{p1,p2,…,pk,…,pk}，分別采用粒子群算法優(yōu)化rbf神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測(cè)，假設(shè)預(yù)測(cè)步長(zhǎng)為l，則各顯著周期序列{p1,p2,…,pk,…,pk}的預(yù)測(cè)結(jié)果為{y1,y2,…,yk,…,yk}，其中yk＝{yk(1),yk(2),…,yk(l)}；(4)對(duì)殘差序列r的一階差分序列d采用粒子群算法優(yōu)化rbf神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測(cè)，后經(jīng)差分反運(yùn)算得到殘差序列r的預(yù)測(cè)結(jié)果，假設(shè)預(yù)測(cè)步長(zhǎng)為l，殘差序列r的預(yù)測(cè)結(jié)果為yr＝{yr(1),yr(2),...,yr(l)}；(5)將與各顯著周期序列、殘差序列r的預(yù)測(cè)結(jié)果相加，得到最終的預(yù)測(cè)結(jié)果y，上述多尺度小波功率譜分析技術(shù)為：假設(shè)一離散時(shí)間序列xn，其中n＝1,...,n，共n個(gè)采樣點(diǎn)，采樣時(shí)間間隔δt＝1，應(yīng)用morlet小波變換，分析該時(shí)間序列的顯著周期，提取各顯著周期帶對(duì)應(yīng)的時(shí)間序列。上述多尺度小波功率譜分析技術(shù)具體包括以下幾個(gè)步驟：1)確定分析周期小波變換的周期tj與小波分析中尺度參數(shù)sj有關(guān)，考慮morlet母小波中心周期特性，此處tj＝sj；尺度參數(shù)的選擇為：sj＝2jδj，其中δj＝1/4，j＝0,1,...,j，共j+1個(gè)尺度，其中j的最大值不超過(guò)jmax＝4log2(n)即可；2)確定全局小波變換譜值在第n采樣點(diǎn)，sj尺度參數(shù)對(duì)應(yīng)的局地小波變換譜值wn(sj)為：其中ψ*(·)為ψ(·)的共軛函數(shù)，對(duì)第n采樣點(diǎn)，尺度參數(shù)sj的morlet小波基小波函數(shù)為：對(duì)wn(sj)的模|wn(sj)|沿整個(gè)采樣區(qū)間積分，得到尺度參數(shù)sj對(duì)應(yīng)的全局小波變換譜值即：采用標(biāo)準(zhǔn)化的全局小波變換譜值其中σ2為xn的方差；3)全局小波變換譜值顯著性檢驗(yàn)通常將全局小波變換譜值曲線(xiàn)的極大值對(duì)應(yīng)的周期定為主周期，但是否顯著，要通過(guò)顯著性檢驗(yàn)；將以上所得全局小波變換譜值與紅噪音譜值進(jìn)行比較，判斷其顯著性，其中紅噪音譜值qk表示為：其中α為xn時(shí)間序列落后一個(gè)采樣點(diǎn)的自相關(guān)系數(shù)，k＝0,1,...,n/2；假設(shè)全局小波變換譜值為某一非周期過(guò)程譜值，則其與紅噪音譜值之比遵從被自由度ν去除的分布：其中自由度γ為去相關(guān)因子；在此取0.05顯著性水平，當(dāng)時(shí)，該全局小波變換譜值對(duì)應(yīng)的周期是顯著的；4)提取顯著周期帶對(duì)應(yīng)的時(shí)間序列提取設(shè)定周期帶即[t1,t2]對(duì)應(yīng)的時(shí)間序列x′n，由(1)知設(shè)定周期帶[t1，t2]對(duì)應(yīng)的尺度參數(shù)為對(duì)于morlet小波，提取尺度參數(shù)對(duì)應(yīng)的時(shí)間序列是對(duì)該尺度參數(shù)帶對(duì)應(yīng)進(jìn)行求和，即：其中，為wn(sj)的實(shí)部，針對(duì)morlet小波，ψ0(0)＝π-1/4，cδ＝0.776。對(duì)morlet小波，去相關(guān)因子γ＝2.32。步驟(3)、(4)中所采用的粒子群優(yōu)化rbf神經(jīng)網(wǎng)絡(luò)的具體過(guò)程為：(1-1)確定需優(yōu)化參數(shù)為兩個(gè)，第一個(gè)為rbf神經(jīng)網(wǎng)絡(luò)輸入層神經(jīng)元個(gè)數(shù)i，另一個(gè)為訓(xùn)練集的長(zhǎng)度l；(1-2)初始化種群x＝(x1,x2,...,xq1)，其中q1為粒子的總數(shù)，第i個(gè)粒子為xi＝(ii,li)，粒子速度為vi＝(vii,vli)，其中ii,li為參數(shù)i、l一組備選解；(1-3)對(duì)群體中的每個(gè)粒子xi(ii,li)確定的參數(shù)，構(gòu)造rbf神經(jīng)網(wǎng)絡(luò)訓(xùn)練集的輸入和輸出矩陣，其中針對(duì)顯著周期序列pk或者殘差序列r及rbf神經(jīng)網(wǎng)絡(luò)輸入層神經(jīng)元個(gè)數(shù)ii，首先建立矩陣z1和z2，其中：此處，f指代顯著周期序列pk或者殘差序列r，針對(duì)待優(yōu)化神經(jīng)網(wǎng)絡(luò)訓(xùn)練集長(zhǎng)度l，z1中最后的li列作為訓(xùn)練集的輸入矩陣itrain，z2中最后的li列作為訓(xùn)練集的輸出矩陣otrain；將預(yù)報(bào)步長(zhǎng)l作為測(cè)試步長(zhǎng)，z1中最后的l列作為測(cè)試集的輸入矩陣itest，z2中最后的l列作為測(cè)試集的輸出矩陣otest；根據(jù)訓(xùn)練集構(gòu)造的rbf神經(jīng)網(wǎng)絡(luò)對(duì)測(cè)試集模擬結(jié)果的誤差平方和作為其適應(yīng)度值，以適應(yīng)度值最小為優(yōu)化方向作為評(píng)價(jià)標(biāo)準(zhǔn)，評(píng)判各個(gè)粒子的優(yōu)劣，記錄粒子xi當(dāng)前個(gè)體極值為bbest(i)，取群體中bbest(i)最優(yōu)的個(gè)體作為整體極值gbest；(1-4)群體中的每個(gè)粒子xi，分別對(duì)其位置和速度進(jìn)行更新；式中：ω為慣性權(quán)重，c1、c2為加速度因子，g為當(dāng)前迭代次數(shù)，而r1、r2為分布于[0,1]的隨機(jī)數(shù)；(1-5)重新計(jì)算各個(gè)粒子此時(shí)的目標(biāo)函數(shù)值，更新bbest(i)和gbest；(1-6)判斷是否達(dá)到最大迭代次數(shù)，如滿(mǎn)足則結(jié)束優(yōu)化過(guò)程，獲得經(jīng)粒子群算法優(yōu)化得到的參數(shù)最優(yōu)值為(ibest,lbest)，否則返回步驟(1-3)；(1-7)按ibest和lbest構(gòu)造rbf神經(jīng)網(wǎng)絡(luò)訓(xùn)練集z3和測(cè)試集z4，其中：就此建立起rbf神經(jīng)網(wǎng)絡(luò)模型，訓(xùn)練后進(jìn)行迭代的l步預(yù)測(cè)，并獲得對(duì)應(yīng)的預(yù)測(cè)結(jié)果。上述慣性權(quán)重ω＝0.5，加速度因子c1＝c2＝1.49445。本發(fā)明的有益效果是：(1)經(jīng)多尺度分析提取的風(fēng)電機(jī)測(cè)量風(fēng)速的顯著周期序列由于規(guī)律性強(qiáng)，因此可以高精度的進(jìn)行預(yù)測(cè)，而且顯著周期序列在原風(fēng)電機(jī)測(cè)量風(fēng)速序列中所占比重較大，因此奠定了較高精度預(yù)測(cè)的基礎(chǔ)；剔除了顯著周期序列后的殘差序列一方面由于在整體風(fēng)電機(jī)測(cè)量風(fēng)速序列中的比重不大，另一方面由于進(jìn)行了一次差分運(yùn)算而變得平穩(wěn)，其預(yù)測(cè)誤差相對(duì)有限，因此本發(fā)明所提出的將原始風(fēng)速序列經(jīng)多尺度分析，分解為多個(gè)顯著周期序列和單個(gè)殘差序列，進(jìn)而對(duì)各個(gè)顯著周期序列和殘差序列分別進(jìn)行預(yù)測(cè)的思路可以大大提高整體預(yù)測(cè)效果。(2)針對(duì)神經(jīng)網(wǎng)絡(luò)易陷入過(guò)擬合的問(wèn)題以及rbf神經(jīng)網(wǎng)絡(luò)輸入層神經(jīng)元個(gè)數(shù)確定問(wèn)題，本發(fā)明提出對(duì)這兩個(gè)參數(shù)建立粒子群算法優(yōu)化的方法，顯著改善了rbf神經(jīng)網(wǎng)絡(luò)的泛化性能，最終提高了預(yù)測(cè)精度。以下將結(jié)合附圖對(duì)本發(fā)明的構(gòu)思、具體結(jié)構(gòu)及產(chǎn)生的技術(shù)效果作進(jìn)一步說(shuō)明，以充分地了解本發(fā)明的目的、特征和效果。附圖說(shuō)明圖1為本發(fā)明的方法流程圖；圖2為分鐘級(jí)別風(fēng)電機(jī)平均測(cè)量風(fēng)速序列圖；圖3為p的小波功率譜分析結(jié)果圖；圖4為p提取的顯著周期序列及分離的殘差序列圖；圖5為p1進(jìn)行3步預(yù)測(cè)的結(jié)果圖；圖6為p2進(jìn)行3步預(yù)測(cè)的結(jié)果圖；圖7為p3進(jìn)行3步預(yù)測(cè)的結(jié)果圖；圖8為本發(fā)明方法的1步預(yù)測(cè)結(jié)果圖；圖9為本發(fā)明方法的2步預(yù)測(cè)結(jié)果圖；圖10為本發(fā)明方法的3步預(yù)測(cè)結(jié)果圖；圖11為對(duì)比實(shí)驗(yàn)1建立的粒子群算法優(yōu)化rbf神經(jīng)網(wǎng)絡(luò)1步預(yù)測(cè)結(jié)果圖；圖12為對(duì)比實(shí)驗(yàn)1建立的粒子群算法優(yōu)化rbf神經(jīng)網(wǎng)絡(luò)2步預(yù)測(cè)結(jié)果圖；圖13為對(duì)比實(shí)驗(yàn)1建立的粒子群算法優(yōu)化rbf神經(jīng)網(wǎng)絡(luò)3步預(yù)測(cè)結(jié)果圖；圖14為對(duì)比實(shí)驗(yàn)2建立的arima時(shí)間序列模型1步預(yù)測(cè)結(jié)果圖；圖15為對(duì)比實(shí)驗(yàn)2建立的arima時(shí)間序列模型2步預(yù)測(cè)結(jié)果圖；圖16為對(duì)比實(shí)驗(yàn)2建立的arima時(shí)間序列模型3步預(yù)測(cè)結(jié)果圖。具體實(shí)施方式如圖1所示本發(fā)明的方法流程圖，具體步驟如下。第一步，按預(yù)報(bào)間隔要求調(diào)整原始風(fēng)速序列：讀入風(fēng)電機(jī)的原始采樣風(fēng)速時(shí)間序列p＝{p(i),i＝1,2,...,n}，其中n為原始風(fēng)電機(jī)風(fēng)速采樣點(diǎn)個(gè)數(shù)；將p調(diào)整為按預(yù)報(bào)間隔要求的平均風(fēng)速時(shí)間序列p’＝{p’(j),j＝1,2,...,m}，其中m為按預(yù)報(bào)間隔要求調(diào)整后的風(fēng)電機(jī)平均風(fēng)速序列的采樣點(diǎn)個(gè)數(shù)，p’的平均值為令第二步，隱含周期信號(hào)提?。翰捎枚喑叨刃〔üβ首V分析技術(shù)，提取p中隱含的顯著周期序列{p1,p2,…,pk,…,pk}，其中k為p中隱含的顯著周期序列的個(gè)數(shù)，pk＝{pk(1),pk(2),…,pk(m)}，由此p＝p1+p2+…+pk+r，而r＝p-p1-p2-…-pk，為p中剔除顯著周期序列后的殘差序列；所述多尺度小波功率譜分析技術(shù)的步驟為：假設(shè)一離散時(shí)間序列xn，其中n＝1,...,n，共n個(gè)采樣點(diǎn)，采樣時(shí)間間隔δt＝1，應(yīng)用morlet小波變換，分析該時(shí)間序列的顯著周期，提取各顯著周期帶對(duì)應(yīng)的時(shí)間序列；1)確定分析周期小波變換的周期tj(圖3橫坐標(biāo)值)與小波分析中尺度參數(shù)sj有關(guān)，考慮morlet母小波中心周期特性，此處tj＝sj。尺度參數(shù)的選擇為：sj＝2jδj，其中δj＝1/4，j＝0,1,...,j，共j+1個(gè)尺度，其中j的最大值不超過(guò)jmax＝4log2(n)即可，這里j＝48。2)確定全局小波變換譜值在第n采樣點(diǎn)，sj尺度參數(shù)對(duì)應(yīng)的局地小波變換譜值wn(sj)為：其中ψ*(·)為ψ(·)的共軛函數(shù)，對(duì)第n采樣點(diǎn)，尺度參數(shù)sj的morlet小波基小波函數(shù)為：對(duì)wn(sj)的模|wn(sj)|沿整個(gè)采樣區(qū)間積分，得到尺度參數(shù)sj對(duì)應(yīng)的全局小波變換譜值即：本發(fā)明采用標(biāo)準(zhǔn)化的全局小波變換譜值(圖3實(shí)線(xiàn))，其中σ2為xn的方差。3)全局小波變換譜值顯著性檢驗(yàn)通常將全局小波變換譜值曲線(xiàn)的極大值對(duì)應(yīng)的周期定為主要周期，但是否顯著，要通過(guò)顯著性檢驗(yàn)。這里將以上所得全局小波變換譜值與紅噪音譜值進(jìn)行比較，判斷其顯著性，其中紅噪音譜值qk表示為：其中α為xn時(shí)間序列落后一個(gè)采樣點(diǎn)的自相關(guān)系數(shù)，k＝0,1,...,n/2。假設(shè)全局小波變換譜值為某一非周期過(guò)程譜值，則其與紅噪音譜值之比遵從被自由度ν去除的分布：其中自由度γ為去相關(guān)因子，對(duì)morlet小波，γ＝2.32。在此取0.05顯著性水平，當(dāng)時(shí)，該全局小波變換譜值對(duì)應(yīng)的周期是顯著的，其中為圖3虛線(xiàn)。4)提取顯著周期帶對(duì)應(yīng)的時(shí)間序列提取某特定周期帶即[t1,t2]對(duì)應(yīng)的時(shí)間序列x′n，由(1)知特定周期帶[t1，t2]對(duì)應(yīng)的尺度參數(shù)為對(duì)于morlet小波，提取尺度參數(shù)對(duì)應(yīng)的時(shí)間序列是對(duì)該尺度參數(shù)帶對(duì)應(yīng)進(jìn)行求和，即：其中，為wn(sj)的實(shí)部，針對(duì)morlet小波，ψ0(0)＝π-1/4，cδ＝0.776。第三步，對(duì)隱含的顯著周期序列的預(yù)測(cè)：對(duì)p中的顯著周期序列{p1,p2,…,pk,…,pk}，分別采用粒子群算法優(yōu)化rbf神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測(cè)，假設(shè)預(yù)測(cè)步長(zhǎng)為l，則各顯著周期序列{p1,p2,…,pk,…,pk}的預(yù)測(cè)結(jié)果為{y1,y2,…,yk,…,yk}，其中yk＝{yk(1),yk(2),…,yk(l)}；第四步，對(duì)殘差序列r的預(yù)測(cè)：對(duì)殘差序列r的一階差分序列d采用粒子群算法優(yōu)化rbf神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測(cè)，后經(jīng)差分反運(yùn)算得到殘差序列的預(yù)測(cè)結(jié)果，假設(shè)預(yù)測(cè)步長(zhǎng)為l，則殘差序列r的預(yù)測(cè)結(jié)果為yr＝{yr(1),yr(2),...,yr(l)}；第五步，獲得最終預(yù)測(cè)結(jié)果：將與各顯著周期序列、殘差序列的預(yù)測(cè)結(jié)果相加，得到最終的預(yù)測(cè)結(jié)果y，本實(shí)施例中，步驟(3)、(4)中所采用的粒子群算法優(yōu)化rbf神經(jīng)網(wǎng)絡(luò)的具體過(guò)程為：(1-1)確定需優(yōu)化參數(shù)為2個(gè)，第一個(gè)為rbf神經(jīng)網(wǎng)絡(luò)輸入層神經(jīng)元個(gè)數(shù)i，另一個(gè)為訓(xùn)練集的長(zhǎng)度l；(1-2)初始化種群其中q1為粒子的總數(shù)，第i個(gè)粒子為xi＝(ii,li)，粒子速度為其中ii,li為參數(shù)i、l一組備選解；(1-3)對(duì)群體中的每個(gè)粒子xi(ii,li)確定的參數(shù)，構(gòu)造rbf神經(jīng)網(wǎng)絡(luò)訓(xùn)練集的輸入和輸出矩陣，其中針對(duì)顯著周期序列pk或者殘差序列r及rbf神經(jīng)網(wǎng)絡(luò)輸入層神經(jīng)元個(gè)數(shù)ii，首先建立矩陣z1和z2，其中：此處，f指代顯著周期序列pk或者殘差序列r，針對(duì)待優(yōu)化神經(jīng)網(wǎng)絡(luò)訓(xùn)練集長(zhǎng)度l，z1中最后的li列作為訓(xùn)練集的輸入矩陣itrain，z2中最后的li列作為訓(xùn)練集的輸出矩陣otrain；將預(yù)報(bào)步長(zhǎng)l作為測(cè)試步長(zhǎng)，z1中最后的l列作為測(cè)試集的輸入矩陣itest，z2中最后的l列作為測(cè)試集的輸出矩陣otest；根據(jù)訓(xùn)練集構(gòu)造的rbf神經(jīng)網(wǎng)絡(luò)對(duì)測(cè)試集模擬結(jié)果的誤差平方和作為其適應(yīng)度值，以適應(yīng)度值最小為優(yōu)化方向作為評(píng)價(jià)標(biāo)準(zhǔn)，評(píng)判各個(gè)粒子的優(yōu)劣，記錄粒子xi當(dāng)前個(gè)體極值為bbest(i)，取群體中bbest(i)最優(yōu)的個(gè)體作為整體極值gbest；(1-4)群體中的每個(gè)粒子xi，分別對(duì)其位置和速度進(jìn)行更新；式中：ω為慣性權(quán)重，c1、c2為加速度因子，通常取ω＝0.5，c1＝c2＝1.49445，g為當(dāng)前迭代次數(shù)，而r1、r2為分布于[0,1]的隨機(jī)數(shù)；(1-5)重新計(jì)算各個(gè)粒子此時(shí)的目標(biāo)函數(shù)值，更新bbest(i)和gbest；(1-6)判斷是否達(dá)到最大迭代次數(shù)，如滿(mǎn)足則結(jié)束優(yōu)化過(guò)程，獲得經(jīng)粒子群算法優(yōu)化得到的參數(shù)最優(yōu)值為(ibest,lbest)，否則返回步驟(1-3)；(1-7)按ibest和lbest構(gòu)造rbf神經(jīng)網(wǎng)絡(luò)訓(xùn)練集z3和測(cè)試集z4，其中：就此建立起rbf神經(jīng)網(wǎng)絡(luò)模型，訓(xùn)練后進(jìn)行迭代的l步預(yù)測(cè)，并獲得對(duì)應(yīng)的預(yù)測(cè)結(jié)果。具體測(cè)試實(shí)例：按圖1所展示的流程圖，取我國(guó)某風(fēng)電場(chǎng)1#風(fēng)電機(jī)自2015年10月5日10時(shí)07分53秒起采集的風(fēng)電機(jī)測(cè)量風(fēng)速時(shí)間序列，由于本實(shí)例展現(xiàn)的分鐘級(jí)別的超短期預(yù)報(bào)，因此首先按預(yù)報(bào)間隔要求，按調(diào)整風(fēng)電機(jī)測(cè)量風(fēng)速時(shí)間序列以獲得分鐘級(jí)別的平均風(fēng)速時(shí)間序列，如圖2所示，其中p(i)為風(fēng)電機(jī)采集的測(cè)量風(fēng)速時(shí)間序列(秒級(jí)，但采樣間隔不統(tǒng)一)，p’(i)為調(diào)整后的分鐘級(jí)別的平均風(fēng)速時(shí)間序列，t和t’分別指代該分鐘起止點(diǎn)在原風(fēng)速時(shí)間序列中對(duì)應(yīng)的采樣點(diǎn)的序號(hào)。本測(cè)試實(shí)例取p’(i)中前2310個(gè)數(shù)據(jù)作為已知數(shù)據(jù)集，開(kāi)展其后100個(gè)步長(zhǎng)的1步、2步和3步預(yù)測(cè)實(shí)驗(yàn)以考查算法的有效性。分別以均方誤差mse、相對(duì)百分比誤差mape和平均絕對(duì)誤差mae為標(biāo)準(zhǔn)測(cè)試本算法的有效性：其中，y(i)和p’(i)分別為風(fēng)電機(jī)測(cè)量風(fēng)速的預(yù)測(cè)值和真實(shí)值，l為預(yù)測(cè)步長(zhǎng)。剔除平均值后的分鐘級(jí)別的風(fēng)電機(jī)平均風(fēng)速序列記為p，圖3所示為對(duì)于p的小波功率譜分析結(jié)果，發(fā)現(xiàn)該風(fēng)電機(jī)風(fēng)速序列具有以4096、1217和609共3個(gè)采樣點(diǎn)為極值點(diǎn)的顯著周期，取其極值點(diǎn)左右兩側(cè)各第一個(gè)低于紅噪音檢測(cè)線(xiàn)的周期點(diǎn)，組成周期帶，此周期帶為顯著周期帶，以本例為例，3個(gè)顯著周期帶分別為[2896,4871]、[861,1722]和[512,724]，根據(jù)小波重構(gòu)方法，提取此3個(gè)周期帶對(duì)應(yīng)的時(shí)間序列，分別為p1、p2和p3，并得到對(duì)應(yīng)的殘差序列r，由此p＝p1+p2+p3+r，見(jiàn)圖4?？梢?jiàn)，3個(gè)顯著周期序列的規(guī)律性極強(qiáng)，可以較高精度的預(yù)測(cè)；另一方面，雖然針對(duì)殘差的預(yù)測(cè)誤差不可避免，但經(jīng)計(jì)算，殘差r的能量(方差)占比p的能量(方差)為46.61％，下降顯著，因此，針對(duì)殘差的預(yù)測(cè)誤差要遠(yuǎn)遠(yuǎn)小于直接對(duì)于p進(jìn)行預(yù)測(cè)的誤差。雖然神經(jīng)網(wǎng)絡(luò)具有強(qiáng)大的非線(xiàn)性擬合能力和快速的學(xué)習(xí)能力，但如何構(gòu)造神經(jīng)網(wǎng)絡(luò)的訓(xùn)練集、測(cè)試集仍主要靠人工經(jīng)驗(yàn)或者試湊，其普適性較差，本專(zhuān)利采用粒子群優(yōu)化rbf神經(jīng)網(wǎng)絡(luò)，對(duì)于訓(xùn)練集的構(gòu)造進(jìn)行優(yōu)化，針對(duì)rbf神經(jīng)網(wǎng)絡(luò)的特點(diǎn)，主要是針對(duì)rbf神經(jīng)網(wǎng)絡(luò)的輸入層神經(jīng)元個(gè)數(shù)和訓(xùn)練集的長(zhǎng)度兩個(gè)參數(shù)進(jìn)行優(yōu)化，以提高神經(jīng)網(wǎng)絡(luò)的泛化性能，從最終的預(yù)測(cè)誤差來(lái)看其效果是極其顯著的。對(duì)p1、p2和p3采用基于粒子群算法優(yōu)化的rbf神經(jīng)網(wǎng)絡(luò)模型，取輸入層神經(jīng)元個(gè)數(shù)的范圍為[2,30]，訓(xùn)練集的長(zhǎng)度為[100,2200]，粒子群種群規(guī)模是50，迭代30次，表1是進(jìn)行3步預(yù)測(cè)時(shí)，針對(duì)顯著周期信號(hào)p1、p2、p3和殘差r的輸入層神經(jīng)元個(gè)數(shù)i和訓(xùn)練集長(zhǎng)度l兩個(gè)參數(shù)的優(yōu)化結(jié)果：表1對(duì)p1、p2、p3和r的神經(jīng)網(wǎng)絡(luò)參數(shù)優(yōu)化結(jié)果p1p2p3r輸入層神經(jīng)元個(gè)數(shù)(i)17152711訓(xùn)練集長(zhǎng)度(l)324120177326本測(cè)試用例進(jìn)行了總預(yù)測(cè)步長(zhǎng)為100的1步、2步和3步預(yù)測(cè)實(shí)驗(yàn)，圖5、6、7為針對(duì)p1、p2和p3進(jìn)行3步預(yù)測(cè)的結(jié)果，其誤差如表2所示，可見(jiàn)，對(duì)于顯著周期序列的預(yù)測(cè)誤差很小，總體誤差主要是由于殘差序列而產(chǎn)生。表2p1、p2和p3進(jìn)行3步預(yù)測(cè)的誤差p1p2p3mse8.4059e-082.1534e-072.4510e-07mape6.7380e-081.6800e-071.5535e-07mae6.6091e-081.6513e-071.7066e-07總的預(yù)測(cè)結(jié)果如圖8、9、10所示，表3為預(yù)測(cè)誤差統(tǒng)計(jì)，可見(jiàn)，除了開(kāi)始的10個(gè)預(yù)測(cè)步長(zhǎng)誤差較大外，其后的預(yù)測(cè)結(jié)果誤差均較小，總體預(yù)測(cè)結(jié)果較為滿(mǎn)意。表3本專(zhuān)利方法預(yù)測(cè)誤差1步預(yù)測(cè)2步預(yù)測(cè)3步預(yù)測(cè)mse0.45720.60770.8274mape0.02700.03480.0461mae0.39340.50540.6715對(duì)比實(shí)驗(yàn)1為了驗(yàn)證本專(zhuān)利提出的差分的處理手段以及神經(jīng)網(wǎng)絡(luò)輸入層神經(jīng)元個(gè)數(shù)i、訓(xùn)練集長(zhǎng)度l兩個(gè)參數(shù)的優(yōu)化對(duì)實(shí)驗(yàn)結(jié)果的影響，對(duì)比實(shí)驗(yàn)1對(duì)該風(fēng)電機(jī)風(fēng)速序列p’直接進(jìn)行一次差分運(yùn)算，之后建立粒子群算法優(yōu)化的rbf神經(jīng)網(wǎng)絡(luò)，取輸入層神經(jīng)元個(gè)數(shù)的范圍為[2,30]，訓(xùn)練集的長(zhǎng)度為[100,2200]，粒子群種群規(guī)模是50，迭代30次。表4所示為進(jìn)行3步預(yù)測(cè)時(shí)，針對(duì)p’建立的rbf神經(jīng)網(wǎng)絡(luò)參數(shù)優(yōu)化結(jié)果。表4對(duì)原始序列p’建立的rbf神經(jīng)網(wǎng)絡(luò)參數(shù)優(yōu)化結(jié)果同樣的，對(duì)比實(shí)驗(yàn)1進(jìn)行了總預(yù)測(cè)步長(zhǎng)為100的1步、2步和3步預(yù)測(cè)實(shí)驗(yàn)，預(yù)測(cè)結(jié)果如圖11、12、13所示，表4為預(yù)測(cè)誤差統(tǒng)計(jì)，對(duì)比表2可見(jiàn)，其3個(gè)誤差指標(biāo)分別就表2增加了141.33％，96.46％和98.74％。表5對(duì)原始序列p’建立的粒子群優(yōu)化rbf神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)誤差1步預(yù)測(cè)2步預(yù)測(cè)3步預(yù)測(cè)mse1.12531.69162.5834mape0.05410.07730.1099mae0.79681.13551.6272若不對(duì)p’進(jìn)行一次差分運(yùn)算，隨意選取rbf神經(jīng)網(wǎng)絡(luò)的輸入層神經(jīng)元個(gè)數(shù)i和訓(xùn)練集長(zhǎng)度l，最終的預(yù)測(cè)誤差差異會(huì)很大，本專(zhuān)利選取兩組不同i和l對(duì)最終的預(yù)測(cè)誤差的影響加以說(shuō)明，如表5所示。表6對(duì)原始序列p’建立的rbf神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)誤差兩組不同參數(shù)的對(duì)比實(shí)驗(yàn)其3個(gè)誤差指標(biāo)分別就表2增加了169.67％、155.31％、162.75％和138.51％、126.97％、133.15％。此組對(duì)比實(shí)驗(yàn)效果不好顯示出神經(jīng)網(wǎng)絡(luò)參數(shù)的選擇對(duì)于神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)能力和泛化造成巨大的影響，使得直接采用神經(jīng)網(wǎng)絡(luò)建模效果并不好。對(duì)比實(shí)驗(yàn)2針對(duì)p’建立差分自回歸移動(dòng)平均模型(arima)。選取預(yù)測(cè)點(diǎn)前100個(gè)采樣數(shù)據(jù)點(diǎn)，通過(guò)aic準(zhǔn)則定階法確定arima模型的結(jié)構(gòu)，同樣的，對(duì)比實(shí)驗(yàn)2進(jìn)行了總預(yù)測(cè)步長(zhǎng)為100的1步、2步和3步預(yù)測(cè)實(shí)驗(yàn)，預(yù)測(cè)結(jié)果如圖14、15、16所示，表7為預(yù)測(cè)誤差統(tǒng)計(jì)，對(duì)比表2可見(jiàn)，其3個(gè)誤差指標(biāo)分別就表2增加了18.93％，9.54％和8.77％。表7對(duì)p’建立的arima時(shí)間序列模型預(yù)測(cè)誤差1步預(yù)測(cè)2步預(yù)測(cè)3步預(yù)測(cè)mse0.67610.79340.8926mape0.03460.04070.0458mae0.50150.58830.6572以上詳細(xì)描述了本發(fā)明的較佳具體實(shí)施例。應(yīng)當(dāng)理解，本領(lǐng)域的普通技術(shù)人員無(wú)需創(chuàng)造性勞動(dòng)就可以根據(jù)本發(fā)明的構(gòu)思做出諸多修改和變化。因此，凡本
技術(shù)領(lǐng)域：
中技術(shù)人員依本發(fā)明的構(gòu)思在現(xiàn)有技術(shù)的基礎(chǔ)上通過(guò)邏輯分析、推理或者有限的實(shí)驗(yàn)可以得到的技術(shù)方案，皆應(yīng)在由權(quán)利要求書(shū)所確定的保護(hù)范圍內(nèi)。當(dāng)前第1頁(yè)12