基于自适应神经模糊推理系统的风电功率实时高精度预测方法，属于风电技术领域，其特征在于首先设计实验方案，对数据进行采集及处理，建立多步滚动预测模式，构建基于自适应神经模糊推理系统(ANFIS)的风电功率预测模型，最后对预测精度进行评价，达到提供一种基于数据的、具有自学能力的、满足实时预测精度要求的风电功率多步滚动实时预测方法的目的。基于自适应神经模糊推理系统的风电功率实时高精度预测方法预测结果非常接近真实值，预测结果有效，预测精度高，可操作性强。
【技术实现步骤摘要】
本专利技术涉及一种， 属于风电
技术介绍
风能是免费的，所以人们希望由风能产生的电能尽可能的被电网接受。然而，风具 有随机性和间歇性，它产生的可用电力供应量是未知的，当允许大量风电并网时将给电力 系统带来严峻的挑战。风电功率预测在应对这些挑战中扮演着重要角色。电力系统必须具 有强大的调度能力，以此处理由新增风电机组带来的功率波动问题，从而实现风电渗透率 的不断提高。因此，在新能源发展白热化的时期，短期风电预测是非常重要的技术研宄，通 过对风电场发电量进行短期的精确预测，可以缓解电力系统调频、调峰压力，提高风电接纳 能力。风电功率实时多步滚动预报要求每15分钟滚动上报未来15分钟至4小时的风电功 率预测数据，这样对于风电功率实时预测，每天需要进行96次预测，每次预报的数据量为 16个（即i = 16)。因此如何针对多步滚动预测模式下风电功率的实时高精度预测就成为 急需解决的技术难题。所以，通过数据采集及处理、建立多步滚动预测模式、构建基于自适 应神经模糊推理系统（ANFIS)的风电功率预测模型、并对预测精度进行评价，专利技术一种基 于自适应神经模糊推理系统的风电功率实时高精度预测方法是必要的。
技术实现思路
为了克服多步滚动预测模式下风电功率的实时高精度预测的难题，本专利技术提供了 一种，该基于自适应神经模 糊推理系统的风电功率实时高精度预测方法首先设计实验方案，对数据进行采集及处理， 建立多步滚动预测模式，构建基于自适应神经模糊推理系统（ANFIS)的风电功率预测模 型，最后对预测精度进行评价，达到提供一种基于数据的（非直觉任意给定的）、具有自学 能力的、满足实时预测精度要求的风电功率多步滚动实时预测方法的目的。 的技术方案包括 以下步骤： (1)数据采集及处理 采集风电场各风力机组每15分钟间隔的实际风电功率数据，针对多步滚动预测 模式，将已知的历史数据分为两个部分，一部分作为训练集（分为输入和输出），另一部分 作为预测时的输入数据；先对训练集中的输入、输出数据形成初始模糊推理系统，这个初始 模糊推理系统将输入变量及输入变量的隶属度函数、模糊规则、输出变量及输出变量的隶 属度函数等联系起来。在形成初始模糊推理系统时，本专利技术采用减法聚类算法，可以有效地 避免人工设定结构法产生的组合爆炸问题；基于此，借用神经网络中比较成熟的参数学习 算法（反向传播算法或最小二乘法的反向传播算法）对训练集中的输入、输出数据进行学 习来调整模糊推理系统中变量的隶属度函数的形状参数，以使得这个模型能不断的逼近给 定的训练集数据，最终形成具有数据学习调整能力的、可用来进行预测的模糊推理系统。 (2)建立多步滚动预测模式 进行风电功率预测时，一般已知建模域所有时刻风电功率的实际值P(t_n At)，n =0,1，2. . . N，因此建模域的历史数据数量为N+1，需要预测的风电功率为P (t+1 A t)，1 = 1，2. . . L，L为多步预测的步数，令+ 表示滚动多步预测模式下的风电功率预测值，在 滚动多步预测方式下有： 其中f代表所选预测方法对应的映射关系。 (3)建立基于自适应神经模糊推理系统（ANFIS)的风电功率预测模型 整个建模过程分5层进行，用Ok,i表示第k层的第i个节点的输出。 第1层：此层中，每个节点i都是由节点函数表示的（该层参数是可变的）： 其中：Xl (或x2)为节点i的输入^ (或&_2)为与该节点函数值相关的语言量，如 "大"或"小"等。换句话说，〇i i是模糊集a(a = Ai，' Bi，氏）的隶属度函数，通常可以选 用高斯函数（本文所用）和钟形函数等。 第2层：该层的节点在说明书附图的图1中用n表示，将输入信号相乘，其乘积为 模糊规则激励强度wi，将其作为第2层的输出： Q2, ！= w != y Ai (xj yBi (x2)，i = 1，2 (3) 第3层：该层的节点在图中用N表示，此层进行的是激励强度归一化处理，其输出 为： 第4层：该层每个节点均为自适应节点，应计算每条规则的贡献，其输出为： 0Ai = wji =w, (pixi + qtx2 + rj) , i=l,2 (5) 其中，Pi、qJP r通为结论参数。 第5层：计算所有规则的最终输出，即计算所有输入信号的总输出为： 因此可以将建模域内已知的风电功率历史数据作为ANFIS预测模型的输入，从而 得到预测域的风电功率预测值。 ANFIS预测模型集成了人工神经网络的自主学习能力和模糊推理的语言表达功 能，适于应用在利用历史数据来对未来数据进行预测的风电功率短期预测领域，因此在进 行风电功率实时多步滚动预测时能够得到较高的预测精度。 (4)预测精度评价 预测精度评价采用国家能源局在对现行风电场风电功率实时预测预报的管理规 定中，提出的指标来进行误差评价，从而实现对预测结果的评价。指标具体计算式如下： 日平均预测计划曲线准确率r1: 式中，rn为第i次实时预报的准确率；4为第i次实时预报中第k时刻的风电功 率实际值A为第i次实时预测中第k时刻的风电功率预测值，Cap为风电场的开机容量。 日平均预测计划曲线合格率r2: 式中，r2i为第i次实时预测的合格率。 全天预测结果均方根误差r3: 当准确率^、合格率1*2越大、全天预测结果均方根误差r3越小时，预测精度越高。 本专利技术的有益效 果为：（1)ANFIS预测模型集成了人工神经网络的自主学习能力和模糊推理的语言表达功 能，ANFIS预测模型的预测结果非常接近真实值，适于应用在利用历史数据来对未来数据 进行预测的风电功率短期预测领域；（2)形成初始模糊系统结构时采用的是减法聚类的方 法，有效的避免了人工设定结构法产生的组合爆炸问题；（3)该方法的预测精度高，无论 是单台机组还是整场机组，其准确率、合格率均较高，全天预测结果均方根误差也均低于 20%，符合要求，说明了 ANFIS预测模型的有效性，特别是整场267台机组总风电功率预测 结果评价指标中的全天预测结果均方根误差为7. 03%，远远低于国家能源局对风电功率实 时预测精度的全天预测结果均方根误差须低于20%的要求。基于自适应神经模糊推理系统 的风电功率实时高精度预测方法预测结果非常接近真实值，预测结果有效，预测精度高，可 操作性强。【附图说明】 图1为的ANFIS模 型结构。 图2为的预测方 法下向阳风电场风电功率预测曲线与实际的向阳风电场输出功率曲线和其他预测方法下 的预测曲线对比图，图中：标注虚线曲线为ANFIS模型的预测输出功率，实线曲线为实际输 出功率，其中纵坐标为输出功率值，横坐标表示时间，其中每一个刻度表示15分钟。【具体实施方式】 下面利用附图和实施例对本专利技术的基于自适应神经模糊推理系统的风电功率实 时高精度预测方法进行详细说明。 实施例一 本专利技术的，其特征 在于，它包括以下步骤： (1)数据采集及处理 采集向阳风电场2012年8月1日至8月30日，数据采样间隔为15min的91号风 电机组风电功率和整场267当前第1页1 2 本文档来自技高网...
【技术保护点】
基于自适应神经模糊推理系统的风电功率实时高精度预测方法，其特征在于：基于自适应神经模糊推理系统的风电功率实时高精度预测方法包括以下数据采集及处理、建立多步滚动预测模式、建立基于自适应神经模糊推理系统(ANFIS)的风电功率预测模型和预测精度评价4个步骤；基于自适应神经模糊推理系统的风电功率实时高精度预测方法的预测精度，单台机组全天预测结果均方根误差为14.01％，整场267台机组总风电功率预测结果评价指标中的全天预测结果均方根误差为7.03％，符合国家能源局对风电功率实时预测精度的全天预测结果均方根误差须低于20％的要求，说明了ANFIS预测模型的有效性；基于自适应神经模糊推理系统的风电功率实时高精度预测方法的4个步骤具体内容如下：(1)数据采集及处理采集风电场各风力机组每15分钟间隔的实际风电功率数据，将历史数据分为两个部分，一部分作为训练集(分为输入和输出)，另一部分作为预测时的输入数据；(2)建立多步滚动预测模式进行风电功率预测时，一般已知建模域所有时刻风电功率的实际值P(t‑nΔt)，n＝0，1，2...N，因此建模域的历史数据数量为N+1，需要预测的风电功率为P(t+lΔt)，l＝1，2...L，L为多步预测的步数，令表示滚动多步预测模式下的风电功率预测值，在滚动多步预测方式下有：P^r(t+lΔt)=f(P(t-(N-l+1)Δt),...,P(t-Δt),P(t),P^r(t+Δt),...P^r(t+(l-1)Δt))---(1)]]>其中f代表所选预测方法对应的映射关系；(3)建立基于自适应神经模糊推理系统(ANFIS)的风电功率预测模型整个建模过程分5层进行，用Ok，i表示第k层的第i个节点的输出；第1层：此层中，每个节点i都是由节点函数表示的(该层参数是可变的)：O1,i=μAi(x1)i=1,2μB(i-2)(x2)i=3,4---(2)]]>其中：x1(或x2)为节点i的输入，Ai(或Bi‑2)为与该节点函数值相关的语言量，如“大”或“小”等；换句话说，O1，i是模糊集A(A＝A1，A2，B1，B2)的隶属度函数，通常可以选用高斯函数(本文所用)和钟形函数等；第2层：该层的节点在说明书附图的图1中用∏表示，将输入信号相乘，其乘积为模糊规则激励强度wi，将其作为第2层的输出：O2，i＝wi＝μAi(x1)μBi(x2)，i＝1，2 (3)第3层：该层的节点在图中用N表示，此层进行的是激励强度归一化处理，其输出为：O3,i=wi‾=wiw1+w2,i=1,2---(4)]]>第4层：该层每个节点均为自适应节点，应计算每条规则的贡献，其输出为：O4,i=wi‾fi=wi‾(pix1+qix2+ri),i=1,2---(5)]]>其中，pi、qi和ri均为结论参数；第5层：计算所有规则的最终输出，即计算所有输入信号的总输出为：O5,i=z=Σiwi‾fi=ΣiwifiΣiwi---(6)]]>因此可以将建模域内已知的风电功率历史数据作为ANFIS预测模型的输入，从而得到预测域的风电功率预测值；(4)预测精度评价预测精度评价采用国家能源局在对现行风电场风电功率实时预测预报的管理规定中，提出的指标来进行误差评价，从而实现对预测结果的评价；指标具体计算式如下：日平均预测计划曲线准确率r1：r1i=[1-116Σk=116(PMik-PPikCap)2]×100%---(7)]]>r1=196Σi=196r1i---(8)]]>式中，r1i为第i次实时预报的准确率；为第i次实时预报中第k时刻的风电功率实际值；为第i次实时预测中第k时刻的风电功率预测值，Cap为风电场的开机容量；日平均预测计划曲线合格率r2：r2i=116Σk=116Bik×100%---(9)]]>(1-|PMik-PPik|Cap)×100%≥85%,Bik=1]]>(1-|PMik-PPik|Cap)×100%<85%,Bik=0]]>r2=196Σi=196r2i---(10)]]>式中，r2i为第i次实时预测的合格率；全天预测结果均方根误差r3：r3=196×16Σi=196Σk=116(PMik-PPi2Cap)2×100%---(11)]]>当准确率r1、合格率r2越大、全天预测结果均方根误差r3越小时，预测精度越高。...
【技术特征摘要】
【专利技术属性】
技术研发人员：杨茂，齐玥，
申请(专利权)人：东北电力大学，
类型：发明
国别省市：吉林;22
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。