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