一种基于模糊分区理论的神经网络风功率短期预测方法技术

本发明专利技术提供了一种基于模糊分区理论的神经网络风功率短期预测方法。本发明专利技术通过分析风速变化的重要特征，以及风速与功率之间关系，采用模糊理论、人工智能及统计学理论相结合的模式。在进行风力发电预测时，先将从气象预测获得的风速数据按时间段进行风力等级模糊分区处理，然后进行BP神经网络分区预测，分区预测值乘以其隶属度值再将所有分区值相加即是预测的功率值，然后进行概率统计修正算法，得到预测功率；本发明专利技术有效的提高功率预测模型准确度。

【技术实现步骤摘要】

本专利技术属于风功率预测方法领域，尤其是涉及一种基于模糊分区理论的神经网络 风功率短期预测方法。
技术介绍
风电并网容量迅速增加，风电与系统之间的联系越来越紧密，必须考虑风能的波 动性和间歇性引起风电出力的变化给电力系统电能质量、安全稳定运行和经济效益带来的 不利影响。因此，进行风电功率预测具有重要的现实意义。国际上风速及功率预测模型主 要为物理模型、统计学模型、时间序列模型、人工智能模型等。 目前风功率预测多采用基于NWP功率预测模型，没有对不同风速等级、不同时间 段做深入分析，且模型具有单一性，风功率预测准确率较低。因此有必要研宄一种新的风功 率预测方法，提高风功率预测的准确率。
技术实现思路
有鉴于此，本专利技术旨在提出一种基于模糊分区理论的神经网络风功率短期预测方 法，以提高风功率预测模型的准确度。 为达到上述目的，本专利技术的技术方案是这样实现的： ，包括如下步骤， 步骤1)，基于模糊分区理论，将风力等级分为无风（ZO)、小风（S)、中小风（MS)、中 风（M)、中大风（MB)、大风（B)、超大风（BB)七个模糊分区，也称模糊集合A，并确定该模糊 集合A的隶属度函数类型； 步骤2)，将从气象预测获得的风速数据按时间段进行风力等级模糊分区处理，确 定各模糊分区范围，通过步骤1所述的隶属度函数，得到各个分区的隶属度值，用U i表示； 步骤3)，进行BP神经网络分区预测，得到各个分区的预测值，用net^uti表示，然 后将各个分区的预测值乘以该分区的隶属度值μ ,，再将所有分区Ui^netjUti 的值相加，得到功率预测值； 步骤4)，将步骤3得到的功率预测值进行概率修正，获得功率阈值。 对于某一个具体的事物，在模糊数学中我们并不将其非此即彼的划分到某个集合 中，而是给出一个属于某个模糊分区的程度值，该值一般在之间。 优选的，步骤1)中，所述模糊集合A是指，对于任意的X e X，都有一个确定的数 μ a (X) e 与其对应，μ a (X)表示X相对于A的隶属程度，映射： μΑ:Χ- (I. 1) X- μΑ(χ)叫做A的隶属度函数，隶属度函数有很多类型，这里选取三角形隶属度 函数：【主权项】1. ，其特征在于：所述方法包 括如下步骤， 步骤1)，基于模糊分区理论，将风力等级分为无风（Z0)、小风（S)、中小风（MS)、中风 (M)、中大风（MB)、大风（B)、超大风（BB)七个模糊分区，也称模糊集合A，并确定该模糊集合 A的隶属度函数类型； 步骤2)，将从气象预测获得的风速数据按时间段进行风力等级模糊分区处理，确定各 模糊分区范围，通过步骤1所述的隶属度函数，得到各个分区的隶属度值，用Ui表示； 步骤3)，进行BP神经网络分区预测，得到各个分区的预测值，用表示，然后将 各个分区的预测值nei^outi乘以该分区的隶属度值μ i，再将所有分区以，1161:_〇111^的值 相加，得到功率预测值； 步骤4)，将步骤3得到的功率预测值进行概率修正，获得功率阈值。2. 根据权利要求1所述的基于模糊分区理论的神经网络风功率短期预测方法， 其特征在于：步骤1)中，所述模糊集合A是指，对于任意的X e X，都有一个确定的数 μ a (X) e 与其对应，μ a (X)表示X相对于A的隶属程度，映射： U1: λ -> H λ- ?〇) 叫做A的隶属度函数，所述隶属度函数选取三角形隶属度函数： ·> -·· ·- ·v ·三角形的3个顶点位置，且满足a < b < Co3. 根据权利要求2所述的基于模糊分区理论的神经网络风功率短期预测方法，其特征 在于：步骤2)包括如下步骤， a) 对国内II JII类风区的风电厂，确定无风（ZO)模糊分区的范围为0~4m/s、小风（S) 模糊分区范围为2~6m/s、中小风（MS)模糊分区范围为4~8m/s、中风（M)模糊分区范 围为6~lOm/s、中大风（MB)模糊分区范围为8~12m/s、大风⑶模糊分区范围为10~ 14m/s、超大风（BB)模糊分区范围为12m/s以上； b) 选取连续时间段的风速数据V，取该时间段内的风速的算术平均值为该时间段的风 速值F，将该时间段的风速值V作为模糊分区的依据，即步骤1)所述的公式（1.1)、（1.2) 中的X值；各模糊分区的隶属度函数对应于公式（1.2)中，a为该模糊分区的最小风速，b为 该模糊分区的风速范围的中间值，c为该模糊分区的最大风速，即得到该时间段风速隶属于 相应的模糊分区的隶属度值μ i;对于最后一个模糊分区，风速在12~14m/s范围内的隶属 度函数依旧按公式（1. 2)表示，14m/s以上其隶属度函数值全取1 ;同样的，第一个模糊分区 〇m/s风速隶属度函数值取1，0~4m/s内风速按照公式（1. 2)后两个分式计算；优选的，时 间段为4小时或24小时。4. 根据权利要求3所述的基于模糊分区理论的神经网络风功率短期预测方法，其特征 在于：步骤3)包括如下步骤， a) 对风电功率输入参数的N组数据进行主成分分析，得到m个主成分量，作为神经网络 输入层神经元数，隐层神经元数靠经验选取，这里记为P，P = 2*m，输出层神经元数为1，即 完成f:Rm- R S BP神经网络隐层传递函数采用Sigmoid函数，输出层采用线性函数； b) 隐层节点的输入：式中，是输入层到隐层的连接权，Θ ^是隐层节点的阈值，其初始值通过经验选取， 采用误差反馈修订算法自适应调整；\表示神经网络输入量； c) 隐层节点的输出：d) 输出层节点的输入：式中，\是隐层到输出层的连接权值，γ是输出层的阈值； e) 输出层节点的输出： nel_<:mtM =φ(Σ) (2_4) 式中，河L)为线性函数； f) 经模糊分区和神经网络预测后的系统功率预测值为 y = μ A · net_outB+ μ A · net_outB (2-5) 式中，μΑ、以；3表示该时间段风速隶属于相应两个模糊分区的隶属度值，net_outA、net_ 〇1!&表示在相应两个模糊分区下的BP神经网络预测模型的输出值。5. 根据权利要求4所述的基于模糊分区理论的神经网络风功率短期预测方法，其特征 在于：步骤4)包括如下步骤， a)统计年风速-功率概率分布函数，以风速Av(l-3m/s)，功率Ap(5_10MW)为区间， 分别划分风速和功率，统计每个风速、功率区间内有功功率出现的概率，那么在第（i，j)个 区间内，有功功率概率为 φ(ι\.Π = - n (3-1) m为区间（i，j)内，有功功率样本个数，η为年历史有效功率样本个数；ρ(/,./)为区间内 平均功率，为区间阈值，区间功率最大值及最小值分别是历史年统计 的区间左侧功率及右侧功率，当V = i · Λ V时，有功功率出现最大概率炉(Z)max，此时功率区 间为k ; b)对BP神经网络预测模型的输出值进行概率修正： 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) 本文档来自技高网...

【技术保护点】
一种基于模糊分区理论的神经网络风功率短期预测方法，其特征在于：所述方法包括如下步骤，步骤1)，基于模糊分区理论，将风力等级分为无风(ZO)、小风(S)、中小风(MS)、中风(M)、中大风(MB)、大风(B)、超大风(BB)七个模糊分区，也称模糊集合A，并确定该模糊集合A的隶属度函数类型；步骤2)，将从气象预测获得的风速数据按时间段进行风力等级模糊分区处理，确定各模糊分区范围，通过步骤1所述的隶属度函数，得到各个分区的隶属度值，用μi表示；步骤3)，进行BP神经网络分区预测，得到各个分区的预测值，用net_outi表示，然后将各个分区的预测值net_outi乘以该分区的隶属度值μi，再将所有分区μi·net_outi的值相加，得到功率预测值；步骤4)，将步骤3得到的功率预测值进行概率修正，获得功率阈值。

【技术特征摘要】

【专利技术属性】
技术研发人员：李丹丹，向婕，肖岐奎，燕青浩，
申请(专利权)人：北京国能日新系统控制技术有限公司，
类型：发明
国别省市：北京;11