本發(fā)明涉及風電功率預測技術領域,屬于一種基于數(shù)據(jù)處理和組合基函數(shù)神經(jīng)網(wǎng)絡的風電功率預測方法。
背景技術:
世界風能協(xié)會在2016年底發(fā)布全世界總裝機容量達到435gw,整體增長率達到17.2%。在近十幾年,風力發(fā)電已經(jīng)成為發(fā)展最迅速的清潔能源之一。而風力的間接性和隨機性對風力發(fā)電系統(tǒng)的穩(wěn)定性造成很大的影響,成為電力系統(tǒng)調(diào)度運行和安全穩(wěn)定面臨的一個巨大挑戰(zhàn)。有效的風電功率預測可以減少電力系統(tǒng)備用容量、降低系統(tǒng)運行成本,提高系統(tǒng)的經(jīng)濟性和可靠性。
風電功率預測模型主要有物理預測模型和統(tǒng)計預測模型等。物理預測模型是通過考慮地形、地表、湍流等多因素、天氣預報數(shù)據(jù)以及歷史功率輸出,得到預測結果。該方法在環(huán)境和天氣因素穩(wěn)定的情況下可以獲得高的預測精度。但該方法具有成本高,復雜的地形等信息不易收集,天氣數(shù)據(jù)更新較慢等缺點。統(tǒng)計預測模型主要針對短期預測,是典型的基于時間序列的預測方法。是利用風速、風向和輸出功率的實測數(shù)據(jù)構成歷史統(tǒng)計數(shù)據(jù),采用線性預測或非線性預測來進行預測。該統(tǒng)計方法對短期和超短期的預測可以得到較好的預測精度,但對提前更長時間的預測達不到預測精度要求,且預測的精度易受構建模型的精準程度的影響。
由于天氣系統(tǒng)存在混沌特性,許多研究表明風電功率時間序列具有明顯的混沌特征?;煦缡浅鲇诖_定映射的偽隨機,揭示了自然界和人類社會普遍存在的復雜性、有序性與無序性的統(tǒng)一,確定性與隨機性的統(tǒng)一。因此,單一的預測方法在預測中都存在自身的局限性,無法保證對任何數(shù)據(jù)樣本均能獲得穩(wěn)定優(yōu)良的預測精度,因此,綜合預測模型的建立和應用得到了越來越多的關注。目前已有的風電功率預測方法多存在預測提前時間短或預測精度低以及預測耗時長等缺點。
技術實現(xiàn)要素:
本發(fā)明的目的是為了克服上述現(xiàn)有技術的缺點,增加預測提前時間、提高預測精度以及減少預測耗時等,提出了一種基于數(shù)據(jù)分析和組合基函數(shù)神經(jīng)網(wǎng)絡的風電功率預測方法。該方法針對風電功率時間序列包含多頻段隨機量的特點,利用可變模式分解和樣本熵技術將原始風電功率序列分解為一系列有限帶寬的子序列;再針對風電功率序列具有混沌特性的特點,對子序列分別進行相空間重構;最后利用chebyshev、hermite、bernstein以及l(fā)aguerre基函數(shù)神經(jīng)網(wǎng)絡分別對子序列進行預測并合并得到預測序列。
為了實現(xiàn)上述目的,本發(fā)明采用如下技術方案。
基于數(shù)據(jù)分析和組合基函數(shù)神經(jīng)網(wǎng)絡的風電功率預測方法,包括以下步驟。
步驟(1),樣本數(shù)據(jù)的選?。哼x取新疆某發(fā)電廠歷史發(fā)電功率連續(xù)數(shù)據(jù),時間間隔為10分鐘,選取樣本數(shù)據(jù)長度為n的連續(xù)時間序列風電功率數(shù)據(jù)
步驟(2),樣本數(shù)據(jù)的分析與處理:對樣本數(shù)據(jù)進行可變模式分解,并依據(jù)其樣本熵值進行子模式組合,得到子序列,再根據(jù)相空間重構理論重構各子序列。
(2.1)樣本數(shù)據(jù)的可變模式分解:
可變模式分解是一種可變尺度的信號處理方法,是一種新型的信號分解技術。通過將原始風電功率時間序列
將以上的最小化問題轉(zhuǎn)化為一系列子優(yōu)化問題,對優(yōu)化問題求解即可得到模態(tài)分解后的子序列。
(2.2)樣本熵的子序列組合:
樣本熵是一種無需自身模板匹配的量化時間序列復雜性的重要工具。更大的樣本熵值序列具有更高的復雜性,它有更大的概率建立一個新的模式。同樣,樣本熵值越小,則序列的復雜度較低,具有較高的自相似序列。風電功率子序列樣本熵的算法流程如下:
1)將每個風電功率子序列
2)定義
3)給定閾值r,統(tǒng)計
4)增加維數(shù)
5)得到子序列的樣本熵為
通過以上分析,根據(jù)樣本熵值的大小進行組合子序列,得到新的子序列,
(2.3)子序列的相空間重構:
各風電功率子序列都是離散的時間序列,根據(jù)takens的嵌入定理,只要嵌入維數(shù)足夠大,在該嵌入維空間里可把有規(guī)律的軌道(吸引子)恢復出來,即重構的空間中的軌道與原動力系統(tǒng)保持微分同胚,與原吸引子的拓撲結構完全相同。基于相空間重構理論,將各子序列
其中,
(2.3.1)自相關法求取延遲時間:
自相關法也稱自相關函數(shù)法,通過計算自相關函數(shù)來判斷
其中,
(2.3.2)cao方法求取嵌入維數(shù):
采用cao方法確定最小嵌入維數(shù),h維相空間中的重構時間延遲相量為:
這里,
定義:
式中,
步驟(3)組合預測模型的建立。
(3.1)基函數(shù)神經(jīng)網(wǎng)絡的建立
基函數(shù)神經(jīng)網(wǎng)絡具有網(wǎng)絡結構簡單、學習收斂速度快、高精度逼近任意非線性映射等優(yōu)異特點。在原有基函數(shù)的基礎上,將重構后的矩陣數(shù)據(jù)作為輸入,避免了網(wǎng)絡結構的選擇。新型的基函數(shù)神經(jīng)網(wǎng)絡定義如下:
式中,
chebyshev基函數(shù):
hermite基函數(shù):
bernstein基函數(shù):
laguerre基函數(shù):
將
(3.2)組合基函數(shù)神經(jīng)網(wǎng)絡系統(tǒng)的建立
根據(jù)步驟(2)得到四組新的子序列,將相空間重構后的子序列作為預測模型的輸入。四組基函數(shù)神經(jīng)網(wǎng)絡同時對四組子序列進行預測,最后將預測結果進行疊加得到風電功率的實際預測結果。
步驟(4)預測模型的優(yōu)化:閾值常數(shù)和網(wǎng)絡權值為待確定的預測模型的參數(shù),本發(fā)明采用狀態(tài)轉(zhuǎn)移算法對模型進行優(yōu)化,確定模型的參數(shù):
步驟4.1初始化:隨機初始化初始狀態(tài),設置旋轉(zhuǎn)因子、平移因子、伸縮因子、坐標因子、搜索執(zhí)行參數(shù)以及迭代次數(shù)等參數(shù);并利用式
步驟4.2迭代:根據(jù)狀態(tài)轉(zhuǎn)移算法的四種算子進行狀態(tài)變換,并利用適應度函數(shù)計算狀態(tài)值;在迭代過程中,只有在旋轉(zhuǎn)變換(rt)、伸縮變換(et)、坐標變換(at)操作取得更優(yōu)值時,再進行平移操作(tt),否則進行正交變換操作;
旋轉(zhuǎn)變換(rotationtransformation,rt):
平移變換(translationtransformation,tt):
伸縮變換(expansiontransformation,et)
坐標變換(axesiontransformation,at):
步驟4.3更新狀態(tài):若存在
步驟4.4對當前最好狀態(tài)
步驟4.5用
步驟4.6判斷是否滿足要求,若滿足則算法結束,否則返回步驟4.2。
步驟(5)使用訓練好的組合基函數(shù)神經(jīng)網(wǎng)絡對風電場的輸出功率進行預測。
步驟(6)預測誤差的計算:為了對預測結果精度和模型的有效性判斷,本文采用平均相對誤差(mae)、平均百分比絕對誤差(nmae)和百分比均方根誤差(nrmse),定義如下:
其中,n為數(shù)據(jù)長度,
附圖說明
圖1是本發(fā)明的風電功率短期預測流程。
圖2是樣本數(shù)據(jù)圖。
圖3是本發(fā)明數(shù)據(jù)處理后的子序列圖。
圖4是本發(fā)明的基函數(shù)神經(jīng)網(wǎng)絡結構圖。
圖5是組合基函數(shù)神經(jīng)網(wǎng)絡結構圖。
圖6是狀態(tài)轉(zhuǎn)移算法的計算流程。
圖7是實測結果與基于數(shù)據(jù)分析和組合基函數(shù)神經(jīng)網(wǎng)絡提前1h預測值的對比圖。
圖8是實測結果與基于數(shù)據(jù)分析和組合基函數(shù)神經(jīng)網(wǎng)絡提前3h預測值的對比圖。
圖9是實測結果與基于數(shù)據(jù)分析和組合基函數(shù)神經(jīng)網(wǎng)絡提前6h預測值的對比圖。
具體實施方式
以下結合具體實例對本發(fā)明的風電功率預測方法進一步說明。
(1)選取采用新疆某風電場1.5mw的風機2014全年輸出功率樣本數(shù)據(jù),選擇時間分辨率為10min,其中每月的5日、15日數(shù)據(jù)作為訓練樣本,25日數(shù)據(jù)作為預測數(shù)據(jù),共5184個數(shù)據(jù)作為訓練和預測數(shù)據(jù)點,如圖2。
(2)參數(shù)的設置:相比于傳統(tǒng)的神經(jīng)網(wǎng)絡預測模型,本發(fā)明的組合基函數(shù)神經(jīng)網(wǎng)絡的各個子網(wǎng)絡避免了網(wǎng)絡結構的選擇,模型的輸入完全取決于相空間重構的結果;狀態(tài)轉(zhuǎn)移算法參數(shù)設置為:執(zhí)行搜索群體規(guī)模(se)設為80,迭代次數(shù)為500,間歇性交流頻率(cf)為50,α為
由圖1可知,基于數(shù)據(jù)分析和組合基函數(shù)神經(jīng)網(wǎng)絡的風電功率預測方法,包括以下步驟。
步驟1樣本數(shù)據(jù)的選?。哼x取新疆某發(fā)電廠歷史發(fā)電功率連續(xù)數(shù)據(jù),時間間隔為10分鐘,選取樣本數(shù)據(jù)長度為n的連續(xù)時間序列風電功率數(shù)據(jù)
步驟2樣本數(shù)據(jù)的分析與處理:對樣本數(shù)據(jù)進行可變模式分解,并依據(jù)其樣本熵值進行子模式組合,得到子序列,再根據(jù)相空間重構理論重構各子序列;
(2.1)樣本數(shù)據(jù)的可變模式分解
可變模式分解是一種可變尺度的信號處理方法,是一種新型的信號分解技術。通過將原始風電功率時間序列
將以上的最小化問題轉(zhuǎn)化為一系列子優(yōu)化問題,對優(yōu)化問題求解即可得到模態(tài)分解后的子序列;
(2.2)樣本熵的子序列組合
樣本熵是一種無需自身模板匹配的量化時間序列復雜性的重要工具。更大的樣本熵值序列具有更高的復雜性,它有更大的概率建立一個新的模式。同樣,樣本熵值越小,則序列的復雜度較低,具有較高的自相似序列。風電功率子序列樣本熵的算法流程如下:
1)將每個風電功率子序列
2)定義
3)給定閾值r,統(tǒng)計
4)增加維數(shù)
5)得到子序列的樣本熵為
通過以上分析,根據(jù)樣本熵值的大小進行組合子序列,得到新的子序列,
(2.3)子序列的相空間重構
各風電功率子序列都是離散的時間序列,根據(jù)takens的嵌入定理,只要嵌入維數(shù)足夠大,在該嵌入維空間里可把有規(guī)律的軌道(吸引子)恢復出來,即重構的空間中的軌道與原動力系統(tǒng)保持微分同胚,與原吸引子的拓撲結構完全相同?;谙嗫臻g重構理論,將各子序列
其中,
(2.3.1)自相關法求取延遲時間
自相關法也稱自相關函數(shù)法,通過計算自相關函數(shù)來判斷
其中,
研究表明,
(2.3.2)cao方法求取嵌入維數(shù)
采用cao方法確定最小嵌入維數(shù),h維相空間中的重構時間延遲相量為:
這里,
定義:
式中,
步驟3組合預測模型的建立
(3.1)基函數(shù)神經(jīng)網(wǎng)絡的建立
基函數(shù)神經(jīng)網(wǎng)絡具有網(wǎng)絡結構簡單、學習收斂速度快、高精度逼近任意非線性映射等優(yōu)異特點。在原有基函數(shù)的基礎上,將重構后的矩陣數(shù)據(jù)作為輸入,避免了網(wǎng)絡結構的選擇。新型的基函數(shù)神經(jīng)網(wǎng)絡定義如下:
式中,
是網(wǎng)絡權值,
chebyshev基函數(shù):
hermite基函數(shù):
bernstein基函數(shù):
laguerre基函數(shù):
將
(3.2)組合基函數(shù)神經(jīng)網(wǎng)絡系統(tǒng)的建立
根據(jù)步驟(2)得到四組新的子序列,將相空間重構后的子序列作為預測模型的輸入。四組基函數(shù)神經(jīng)網(wǎng)絡同時對四組子序列進行預測,最后將預測結果進行疊加得到風電功率的實際預測結果。
步驟4預測模型的優(yōu)化:閾值常數(shù)和網(wǎng)絡權值為待確定的預測模型的參數(shù),本發(fā)明采用狀態(tài)轉(zhuǎn)移算法對模型進行優(yōu)化,確定模型的參數(shù);
步驟4.1初始化:隨機初始化初始狀態(tài),設置旋轉(zhuǎn)因子、平移因子、伸縮因子、坐標因子、搜索執(zhí)行參數(shù)以及迭代次數(shù)等參數(shù);并利用式
步驟4.2迭代:根據(jù)狀態(tài)轉(zhuǎn)移算法的四種算子進行狀態(tài)變換:
旋轉(zhuǎn)變換(rotationtransformation,rt):
平移變換(translationtransformation,tt):
伸縮變換(expansiontransformation,et)
坐標變換(axesiontransformation,at):
再利用適應度函數(shù)計算狀態(tài)值;在迭代過程中,只有在旋轉(zhuǎn)變換(rt)、伸縮變換(et)、坐標變換(at)操作取得更優(yōu)值時,再進行平移操作(tt),否則進行正交變換操作;
步驟4.3更新狀態(tài):若存在
步驟4.4對當前最好狀態(tài)
步驟4.5用
步驟4.6判斷是否滿足要求,若滿足則算法結束,否則返回步驟4.2。
步驟5使用訓練好的組合基函數(shù)神經(jīng)網(wǎng)絡對風電場的輸出功率進行預測。
步驟6預測誤差的計算:為了對預測結果精度和模型的有效性判斷,本文采用平均相對誤差(mae)、平均百分比絕對誤差(nmae)和百分比均方根誤差(nrmse),定義如下:
其中,n為數(shù)據(jù)長度,
由圖7,圖8,圖9可知,風電功率的預測值與實際的測量值變化趨于一致,說明了本發(fā)明的預測方法可靠性較高。同時,表1給出了預測誤差結果:
表1預測誤差結果
由表可知本發(fā)明提出的基于數(shù)據(jù)分析和組合基函數(shù)神經(jīng)網(wǎng)絡方法具有更好的預測精度。
以上介紹了本發(fā)明的原理及優(yōu)點,但本發(fā)明不受上述實施例子的限制,在不脫離本發(fā)明原理范圍的前提下,本發(fā)明還有各類變化和改進,應視為本發(fā)明的保護范圍。