本发明专利技术公开了一种基于遗传算法优化神经网络的风电功率预测系统及方法，其中系统包括数值天气预报模块、实时数据处理模块、神经网络功率预测模块、功率预测修正模块、实时通信模块、控制中心和调度中心，而方法首次使用MIV算法、Tversky模型的数据预处理方法，并采用遗传算法优化神经网络初值的方法进行风电功率预测，能够有效避免神经网络易陷入局部最小值的缺点，大大提高了预测的精度，较好地实现风电场的优化运行。
【技术实现步骤摘要】
本专利技术设及风电功率预测领域，尤其是一种基于遗传算法优化神经网络的风电功 率预测系统及方法。
技术介绍
随着风电发电的大规模并网，由于风速，风向，气压，溫度，W及位势高度都会影响 风电场的输出功率，而风电场的输出功率扰动会影响到电网运行的稳定性和电网的电能质 量。基于风电发电的波动性、间歇性、随机性的特点，对风电功率预测的精度要求越来越高。 准确的风电功率预测有助于制定有效的发电计划，从而保证电网系统安全、稳定、经济的运 行。 经对现有技术文献的检索发现，中国专利申请号为:201210460427.0，名称为基于 BP神经网络的风电场短期功率预测方法，该申请提出通过气象数据得到风机轮穀高度数 据，并作为输入，并将功率值作为输出，通过BP神经网络进行训练，并预测风电功率，但该方 法存在产生神经网络局部最小值的问题，不能收敛到全局最小点，预测精度低；中国专利申 请号为:200910193820.6，名称为一种基于遗传算法优化BP神经网络的风电功率预测方法， 该申请提出通过采用遗传算法对神经网络权值进行优化而预测风电功率的方法，但运方法 没有设及使用MIV算法、Tversky模型的数据预处理方法，也没有对神经网络的输入进行过 多的处理，而无法保证预测精度。因此，如何解决上述的问题，为亟待解决的问题。
技术实现思路
本专利技术的目的旨在提供一种基于遗传算法优化神经网络的风电功率预测系统。 [000引本专利技术的另一目的是提供一种可用于上述系统的基于遗传算法优化神经网络的 风电功率预测方法。本专利技术使用MIV算法、Tversky模型的数据预处理方法，并采用遗传算法 优化神经网络初值的方法进行风电功率预测，能够有效避免神经网络易陷入局部最小值的 缺点，大大提高了预测精度，且具有简单实用、响应迅速的优点，能够较好地实现风电场的 优化运行。 为实现上述的目的，本专利技术的一种基于遗传算法优化神经网络的风电功率预测系 统，其中包括数值天气预报模块、实时数据处理模块、神经网络功率预测模块、功率预测修 正模块、实时通信模块、控制中屯、和调度中屯、，所述的数值天气预报模块通过实时数据处理 模块与神经网络功率预测模块连接，所述的神经网络功率预测模块分别与功率预测修正模 块和调度中屯、连接，所述的功率预测修正模块分别与数值天气预报模块、控制中屯、连接，所 述的控制中屯、与调度中屯、连接。 进一步改进方案，在功率预测修正模块与数值天气预报模块之间设有实时测量数 据模块;实时测量数据模块能够实时获取数值天气预报模块的历史数值天气预报数据和实 时数值天气预报数据，功率预测修正模块通过实时测量数据模块从数值天气预报模块获取 数据进行修正操作。 进一步改进方案，在功率预测修正模块通过实时通信模块与控制中屯、建立通讯连 接;所述的实时通信模块可W通过有线或无线网络分别与功率修正模块和控制中屯、建立通 信。 本专利技术采用上述的结构，通过采用数值天气预报模块通过实时数据处理模块与神 经网络功率预测模块连接，数值天气预报模块接收实时的天气信息通过实时数据处理模块 传输至神经网络功率预测模块进行预测，神经网络功率预测模块输出预测值到功率预测修 正模块和用户界面，功率预测修正模块将接收数值天气预报模块的实时数据和历史数据进 行误差分析，对预测值进行修正;而用户界面将显示预测值方便用户分析操作;功率预测修 正模块将修正后的预测值通过实时通信模块分别传输到控制中屯、和调度中屯、，其中实时通 信模块为专网的有线或无线网络;所述的控制中屯、与调度中屯、连接，用户可通过调度中屯、 根据预测值和修改后的预测值对控制中屯、进行调控，在结构上能够实现有效提高风电功率 预测的精度的技术目的，确保电网运行的稳定性。 为实现上述的目的，本专利技术的一种基于遗传算法优化神经网络的风电功率预测方 法，其特征包括W下步骤： 步骤一:获取数值天气预报数据和数值天气预报预测数据； 步骤二:采用MIV算法对数值天气预报数据中的自变量进行筛选，筛选出对预测结果的 影响程度达到预设标准的自变量作为输入矢量； 步骤Ξ:基于Tversky模型，采用余弦函数对步骤一所得的输入矢量进行相似性比较， 在历史数值天气预报数据的自变量中筛选出与数值天气预报预测数据相似的自变量构成 训练集;Tversky模型原理如下。假设向量之间的相似度满足Ξ个特性，分别为匹配性、单调 性及独立性。假设S为相似度函数，满足假定的Ξ个条件：匹配性、单调性及独立性，则可W 找到一个相似度函数Sim,-个非负数函数芽及常数幾辑古婷。对于所有对象辕，聽铅沒 有：其中A，B分别为向量a, b的集合。 步骤四：将步骤Ξ得出的训练集作为神经网络的输入，对应的风电功率预测值作 为神经网络的输出，进行神经网络的训练，训练期间采用遗传算法对神经网络的初始权值 及初始阀值进行寻优，最终得到风电功率预测值。 进一步改进方案，所述的自变量为数值天气预报数据中的水平风速数据，垂直风 速数据，上下风速数据，气压数据，位势高度数据，溫度数据和比例湿度数据。 进一步改进方案，在风电功率预测方法的步骤二中，采用MIV算法对数值天气预报 数据中每一个自变量进行MIV计算，根据MIV值的绝对值大小对自变量进行筛选，筛选出绝 对值达到预设标准的自变量作为输入矢量;所述的MIV计算的步骤包括： 1) 将自变量对应原值分别增加和减少10%，构成两个新的训练样本； 2) 将两个训练样本作为仿真样本利用神经网络进行仿真预测，得到两个仿真结果； 3) 求出两个仿真结果的差值，作为变动自变量后对输出产生的影响变化值； 4) 将影响变化值平均下来，得出自变量对应的MIV值。 上述的风电功率预测方法，步骤Ξ中，余弦函数对向量相似度进行比较，对样本集 中的两个样本的特征矢量泣pSf，Sim为相似度函数，两个向量之间相似度计算公式为：其中，遙满。表示特征矢量篡沒:'中第i个数表示S与S'的内积，表示S的模，表示S'的模。 上述的风电功率预测方法，在风电功率预测方法的步骤四中，采用遗传算法对神 经网络的初始权值及初始阀值进行优化，所述的遗传算法的优化步骤为： 第一步:种群初始化，随机产生η组神经网络的初始权值及初始阀值组合;遗传算法初 始化种群中，每一个个体包括神经网络的权值和阔值;个体通过实数编码，为一个实数字符 串，对Ξ层神经网络，确定输入层、中间隐含层、输出层之间的权值，中间隐含层及输出层的 阔值等部分的数值； 遗传算法适应度函数为式中，η为神经网络输出层节点数，我:，碼:分别为第i个节点的实际输出及经过系统预 测输出结果，f为个体的适应度。 第二步:通过选择操作、交叉操作与变异操作产生下一代； 其中选择操作采用轮盘赌方法，个体选择的概率为式中N代表了算子的个数，f(i)为个体i的适应度。 其中交叉操作采用实数交叉法，交叉的过程为:对第m和第η个染色体在第k位交叉 操作为式中b为在区间随机数，a为基因的编码。 其中变异操作，对个体i中的第j个基因^%进行变异操作为上式中，瑪觀￡3钱賴分别表示为基因的上界与下界：，其中分别为之间产生的随机数，当前算子迭代次数及最大进化次数。 第Ξ步:若达到收敛条件，则将收敛的最好染色体作为神经网络的初始权值及初 始阀值，完成对神经网络的本文档来自技高网...
【技术保护点】
一种基于遗传算法优化神经网络的风电功率预测系统，其特征在于：包括数值天气预报模块、实时数据处理模块、神经网络功率预测模块、功率预测修正模块、实时通信模块、控制中心和调度中心，所述的数值天气预报模块通过实时数据处理模块与神经网络功率预测模块连接，所述的神经网络功率预测模块分别与功率预测修正模块和调度中心连接，所述的功率预测修正模块分别与数值天气预报模块、控制中心连接，所述的控制中心与调度中心连接。
【技术特征摘要】
【专利技术属性】
技术研发人员：周少雄，廖一旭，陈炎锋，杨苹，许志荣，邹澍，许晨宇，
申请(专利权)人：广东智造能源科技研究有限公司，华南理工大学，
类型：发明
国别省市：广东;44
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。