一種基于模糊分區(qū)理論的神經(jīng)網(wǎng)絡風功率短期預測方法
【技術(shù)領域】
[0001] 本發(fā)明屬于風功率預測方法領域，尤其是涉及一種基于模糊分區(qū)理論的神經(jīng)網(wǎng)絡 風功率短期預測方法。
【背景技術(shù)】
[0002] 風電并網(wǎng)容量迅速增加，風電與系統(tǒng)之間的聯(lián)系越來越緊密，必須考慮風能的波 動性和間歇性引起風電出力的變化給電力系統(tǒng)電能質(zhì)量、安全穩(wěn)定運行和經(jīng)濟效益帶來的 不利影響。因此，進行風電功率預測具有重要的現(xiàn)實意義。國際上風速及功率預測模型主 要為物理模型、統(tǒng)計學模型、時間序列模型、人工智能模型等。
[0003] 目前風功率預測多采用基于NWP功率預測模型，沒有對不同風速等級、不同時間 段做深入分析，且模型具有單一性，風功率預測準確率較低。因此有必要研宄一種新的風功 率預測方法，提高風功率預測的準確率。

【發(fā)明內(nèi)容】

[0004] 有鑒于此，本發(fā)明旨在提出一種基于模糊分區(qū)理論的神經(jīng)網(wǎng)絡風功率短期預測方 法，以提高風功率預測模型的準確度。
[0005] 為達到上述目的，本發(fā)明的技術(shù)方案是這樣實現(xiàn)的：
[0006] 一種基于模糊分區(qū)理論的神經(jīng)網(wǎng)絡風功率短期預測方法，包括如下步驟，
[0007] 步驟1)，基于模糊分區(qū)理論，將風力等級分為無風（ZO)、小風（S)、中小風（MS)、中 風（M)、中大風（MB)、大風（B)、超大風（BB)七個模糊分區(qū)，也稱模糊集合A，并確定該模糊 集合A的隸屬度函數(shù)類型；
[0008] 步驟2)，將從氣象預測獲得的風速數(shù)據(jù)按時間段進行風力等級模糊分區(qū)處理，確 定各模糊分區(qū)范圍，通過步驟1所述的隸屬度函數(shù)，得到各個分區(qū)的隸屬度值，用U i表示；
[0009] 步驟3)，進行BP神經(jīng)網(wǎng)絡分區(qū)預測，得到各個分區(qū)的預測值，用net^uti表示，然 后將各個分區(qū)的預測值乘以該分區(qū)的隸屬度值μ ,，再將所有分區(qū)Ui^netjUti 的值相加，得到功率預測值；
[0010] 步驟4)，將步驟3得到的功率預測值進行概率修正，獲得功率閾值。
[0011] 對于某一個具體的事物，在模糊數(shù)學中我們并不將其非此即彼的劃分到某個集合 中，而是給出一個屬于某個模糊分區(qū)的程度值，該值一般在[0，1]之間。
[0012] 優(yōu)選的，步驟1)中，所述模糊集合A是指，對于任意的X e X，都有一個確定的數(shù) μ a (X) e [0, 1]與其對應，μ a (X)表示X相對于A的隸屬程度，映射：
[0013] μΑ:Χ- [0，1]
[0014] (I. 1)
[0015] X- μΑ(χ)叫做A的隸屬度函數(shù)，隸屬度函數(shù)有很多類型，這里選取三角形隸屬度 函數(shù)：
[0016]
【主權(quán)項】
1. 一種基于模糊分區(qū)理論的神經(jīng)網(wǎng)絡風功率短期預測方法，其特征在于：所述方法包 括如下步驟， 步驟1)，基于模糊分區(qū)理論，將風力等級分為無風（Z0)、小風（S)、中小風（MS)、中風 (M)、中大風（MB)、大風（B)、超大風（BB)七個模糊分區(qū)，也稱模糊集合A，并確定該模糊集合 A的隸屬度函數(shù)類型； 步驟2)，將從氣象預測獲得的風速數(shù)據(jù)按時間段進行風力等級模糊分區(qū)處理，確定各 模糊分區(qū)范圍，通過步驟1所述的隸屬度函數(shù)，得到各個分區(qū)的隸屬度值，用Ui表示； 步驟3)，進行BP神經(jīng)網(wǎng)絡分區(qū)預測，得到各個分區(qū)的預測值，用表示，然后將 各個分區(qū)的預測值nei^outi乘以該分區(qū)的隸屬度值μ i，再將所有分區(qū)以，1161:_〇111^的值 相加，得到功率預測值； 步驟4)，將步驟3得到的功率預測值進行概率修正，獲得功率閾值。
2. 根據(jù)權(quán)利要求1所述的基于模糊分區(qū)理論的神經(jīng)網(wǎng)絡風功率短期預測方法， 其特征在于：步驟1)中，所述模糊集合A是指，對于任意的X e X，都有一個確定的數(shù) μ a (X) e [〇, 1]與其對應，μ a (X)表示X相對于A的隸屬程度，映射： U1: λ ->[〇,l] H λ- ?〇) 叫做A的隸屬度函數(shù)，所述隸屬度函數(shù)選取三角形隸屬度函數(shù)： ·> -·· ·- ·v ·
三角形的3個頂點位置，且滿足a < b < Co
3. 根據(jù)權(quán)利要求2所述的基于模糊分區(qū)理論的神經(jīng)網(wǎng)絡風功率短期預測方法，其特征 在于：步驟2)包括如下步驟， a) 對國內(nèi)II JII類風區(qū)的風電廠，確定無風（ZO)模糊分區(qū)的范圍為0~4m/s、小風（S) 模糊分區(qū)范圍為2~6m/s、中小風（MS)模糊分區(qū)范圍為4~8m/s、中風（M)模糊分區(qū)范 圍為6~lOm/s、中大風（MB)模糊分區(qū)范圍為8~12m/s、大風⑶模糊分區(qū)范圍為10~ 14m/s、超大風（BB)模糊分區(qū)范圍為12m/s以上； b) 選取連續(xù)時間段的風速數(shù)據(jù)V，取該時間段內(nèi)的風速的算術(shù)平均值為該時間段的風 速值F，將該時間段的風速值V作為模糊分區(qū)的依據(jù)，即步驟1)所述的公式（1.1)、（1.2) 中的X值；各模糊分區(qū)的隸屬度函數(shù)對應于公式（1.2)中，a為該模糊分區(qū)的最小風速，b為 該模糊分區(qū)的風速范圍的中間值，c為該模糊分區(qū)的最大風速，即得到該時間段風速隸屬于 相應的模糊分區(qū)的隸屬度值μ i;對于最后一個模糊分區(qū)，風速在12~14m/s范圍內(nèi)的隸屬 度函數(shù)依舊按公式（1. 2)表示，14m/s以上其隸屬度函數(shù)值全取1 ;同樣的，第一個模糊分區(qū) 〇m/s風速隸屬度函數(shù)值取1，0~4m/s內(nèi)風速按照公式（1. 2)后兩個分式計算；優(yōu)選的，時 間段為4小時或24小時。
4. 根據(jù)權(quán)利要求3所述的基于模糊分區(qū)理論的神經(jīng)網(wǎng)絡風功率短期預測方法，其特征 在于：步驟3)包括如下步驟， a) 對風電功率輸入?yún)?shù)的N組數(shù)據(jù)進行主成分分析，得到m個主成分量，作為神經(jīng)網(wǎng)絡 輸入層神經(jīng)元數(shù)，隱層神經(jīng)元數(shù)靠經(jīng)驗選取，這里記為P，P = 2*m，輸出層神經(jīng)元數(shù)為1，即 完成f:Rm- R S BP神經(jīng)網(wǎng)絡隱層傳遞函數(shù)采用Sigmoid函數(shù)，輸出層采用線性函數(shù)； b) 隱層節(jié)點的輸入：
式中，是輸入層到隱層的連接權(quán)，Θ ^是隱層節(jié)點的閾值，其初始值通過經(jīng)驗選取， 采用誤差反饋修訂算法自適應調(diào)整；\表示神經(jīng)網(wǎng)絡輸入量； c) 隱層節(jié)點的輸出：
d) 輸出層節(jié)點的輸入：
式中，\是隱層到輸出層的連接權(quán)值，γ是輸出層的閾值； e) 輸出層節(jié)點的輸出： nel_<:mtM =φ(Σ) (2_4) 式中，河L)為線性函數(shù)； f) 經(jīng)模糊分區(qū)和神經(jīng)網(wǎng)絡預測后的系統(tǒng)功率預測值為 y = μ A · net_outB+ μ A · net_outB (2-5) 式中，μΑ、以；3表示該時間段風速隸屬于相應兩個模糊分區(qū)的隸屬度值，net_outA、net_ 〇1!&表示在相應兩個模糊分區(qū)下的BP神經(jīng)網(wǎng)絡預測模型的輸出值。
5. 根據(jù)權(quán)利要求4所述的基于模糊分區(qū)理論的神經(jīng)網(wǎng)絡風功率短期預測方法，其特征 在于：步驟4)包括如下步驟， a)統(tǒng)計年風速-功率概率分布函數(shù)，以風速Av(l-3m/s)，功率Ap(5_10MW)為區(qū)間， 分別劃分風速和功率，統(tǒng)計每個風速、功率區(qū)間內(nèi)有功功率出現(xiàn)的概率，那么在第（i，j)個 區(qū)間內(nèi)，有功功率概率為 φ(ι\.Π = - n (3-1) m為區(qū)間（i，j)內(nèi)，有功功率樣本個數(shù)，η為年歷史有效功率樣本個數(shù)；ρ(/,./)為區(qū)間內(nèi) 平均功率，[p(i，j)min，p(i，j)max]為區(qū)間閾值，區(qū)間功率最大值及最小值分別是歷史年統(tǒng)計 的區(qū)間左側(cè)功率及右側(cè)功率，當V = i · Λ V時，有功功率出現(xiàn)最大概率爐(Z)max，此時功率區(qū) 間為k ; b)對BP神經(jīng)網(wǎng)絡預測模型的輸出值進行概率修正： 如果 y > P(i，jl，Pp= P(i，j) 一 如果 y 彡 p(i，j)min，Pp= p(i，j) min; (3-2) 如果 P(i，j)min< y < P(i，j) max，廠"二《*_>，+ /，·/私 1<) a、b模型參數(shù)采用最小二乘下估計； 優(yōu)化目標為RMSE最?。?br>其中，PMt為t時刻的實際功率，P PtS t時刻的預測功率，$為所有樣本實際功率的平 均值，f為所有預測功率樣本的平均值，Cap為平均開機容量，η為樣本個數(shù)。
【專利摘要】本發(fā)明提供了一種基于模糊分區(qū)理論的神經(jīng)網(wǎng)絡風功率短期預測方法。本發(fā)明通過分析風速變化的重要特征，以及風速與功率之間關(guān)系，采用模糊理論、人工智能及統(tǒng)計學理論相結(jié)合的模式。在進行風力發(fā)電預測時，先將從氣象預測獲得的風速數(shù)據(jù)按時間段進行風力等級模糊分區(qū)處理，然后進行BP神經(jīng)網(wǎng)絡分區(qū)預測，分區(qū)預測值乘以其隸屬度值再將所有分區(qū)值相加即是預測的功率值，然后進行概率統(tǒng)計修正算法，得到預測功率；本發(fā)明有效的提高功率預測模型準確度。
【IPC分類】G06Q50-06, G06Q10-04, G06N3-02
【公開號】CN104732300
【申請?zhí)枴緾N201510161140
【發(fā)明人】李丹丹, 向婕, 肖岐奎, 燕青浩
【申請人】北京國能日新系統(tǒng)控制技術(shù)有限公司
【公開日】2015年6月24日
【申請日】2015年4月7日