一种短期风速预测方法技术

一种短期风速预测方法：S1、根据局域均值分解对原始风速时间序列进行分解，得到多个PF分量和一个余量；S2、对分量和余量构建各自的训练数据集和测试数据集；S3、对PF分量和余量分别建立改进粒子群算法优化神经网络的风速预测模型；S4、将训练数据集中多个PF分量和余量的训练样本逐一输入改进粒子群算法优化神经网络的风速预测模型进行训练，不同PF分量设定数据输入维数学习反馈机制，得到风速预测子模型；S5、将测试数据输入到子模型进行预测，得到预测输出值；S6、将预测输出值进行组合叠加处理，得到风速预测结果。本发明专利技术相对于传统单一的神经网络预测方法可以获得更高精度的短期风速预测结果。

A method of short-term wind speed prediction

A forecasting method of short-term wind speed: S1, according to the decomposition of the original wind speed time series decomposition of local mean, get more PF component and a margin; S2, the training data set and test data set of components and allowance; S3, the PF component and margin respectively established improved particle swarm optimization neural velocity the network prediction model; S4, the training data of multiple PF components and the remainder of the training sample inputs improved speed and particle swarm optimization algorithm for training neural network prediction model, different PF component set data input dimension mathematical learning feedback mechanism, get wind speed prediction model; S5, the test data will be input to the sub model the prediction, forecast the output value; S6, predicted output values by combining the predictions of wind speed. Compared with the traditional single neural network prediction method, the invention can obtain higher precision short-term wind speed prediction results.

【技术实现步骤摘要】
一种短期风速预测方法
本专利技术涉及一种短期风速预测方法，尤其涉及到一种基于局域均值分解和改进粒子群算法优化神经网络的短期风速预测方法。
技术介绍
在20世纪70年代由于爆发了两次大规模的世界性能源危机，能源问题和环境问题日益突出。风能的利用越来越受到人们的重视。风能是一种无污染、可再生能源。目前，开发和利用风能的主要形式是风力发电。风力发电是发展最快和最成熟的可再生能源发电技术，已具有大规模商业开发的技术和经济条件。世界风力发电从1990年开始了迅猛发展。据世界风能协会的统计，截至2015年底，全球风电总装机容量达到432.4GW，其中2015年的新增装机容量达到63GW。而中国目前是世界上风电装机容量最多发展最迅速的国家，截至2015年底的风电总装机容量达到145.1GW，约占我国总装机容量的2.5％，年增长率达到26.6％。风电功率的高度非线性主要是由风速的非线性和非平稳造成的。风电的不稳定性将成为风电系统与主电网结合的障碍之一。故提高风速/风电功率的预测精度对电网运行有着重要意义。风速预测方法按照预测模型的不同可分为：物理方法、统计方法和机器学习方法。统计方法主要有时间序列法、卡尔曼滤波法、灰色预测法、空间相关法等。常用的学习方法有人工神经网络法(ANN)、小波分析法、支持向量机和极限学习机，其中BP神经网络由于其具有自适应的特点而得到广泛应用。但单一的预测方法已很难满足预测精度的要求。风速时间序列具有风险性强和非平稳性高的特点，BP神经网络很难对波动较大的风速序列进行准确预测，且在模型训练阶段未考虑不同数据输入维数对预测结果的影响。因此，上述缺陷是亟需解决的问题。
技术实现思路
本专利技术所要解决的技术问题，就是提供一种基于局域均值分解和改进粒子群算法优化神经网络的短期风速预测方法，可应用于风能相关领域的科学研究和工程应用，其可提高预测模型的稳定性和泛化能力，获得较单一预测方法更高精度的短期风速预测结果。解决上述技术问题，本专利技术所采用的技术方案如下：一种短期风速预测方法，其特征是包括以下步骤：S1、获取原始风速时间序列，根据局域均值分解对原始风速时间序列进行分解，得到多个PF分量和一个余量；S2、对余量和全部PF分量构建各自的训练数据集和测试数据集；S3、对余量和全部PF分量分别建立改进粒子群算法优化神经网络的风速预测模型；S4、将训练数据集中余量和全部PF分量的训练样本逐一输入改进粒子群算法优化神经网络的风速预测模型进行训练，针对不同PF分量设定数据输入维数学习反馈机制，得到各自对应的风速预测子模型；S5、将测试数据集输入到各自对应的风速预测子模型进行预测，得到每个风速预测子模型的预测输出值；S6、将每个风速预测子模型的预测输出值进行叠加处理(全部取和)，得到最终的风速预测结果。所述步骤S1的局域均值分解对原始风速时间序列进行分解的具体步骤为：1)找出原始信号x(t)所有的局部极值点ni，求出所有相邻的局部极值点的平均值：式中：i代表局部极值点的个数，原始信号x(t)代表风速信号，t代表风速信号数据个数；将所有相邻的平均值点mi用直线连接起来，然后用滑动平均法进行平滑处理，得到局部均值函数m11(t)；2)求出包络估计值点ai：将所有相邻的估计值点ai用直线连接起来，然后用滑动平均法进行平滑处理，得到包络估计函数a11(t)；3)将局部均值函数m11(t)从原始信号x(t)中分离出来，得到：h11(t)＝x(t)-m11(t)；h11(t)代表第一次分离计算得到的余量函数；4)用h11(t)除以包络估计函数a11(t)，以对h11(t)进行解调，得到：s11(t)＝h11(t)/a11(t)；s11(t)代表第一次解调后的调频信号。对s11(t)重复步骤1)-2)，得到s11(t)的包络估计函数a12(t)；假如a12(t)不等于1，说明s11(t)不是一个纯调频信号，需重复上述步骤1)-4)n次，直至s1n(t)为一个纯调频信号，也就是s1n(t)的包络估计函数a1(n+1)(t)＝1，所以有：式中，h11(t),h12(t),…,h1n(t)代表从第1次计算到第n次计算得到的n个余量函数；m11(t),m12(t),…,m1n(t)代表第1次计算到第n次计算得到的n个局部均值函数；s11(t),s12(t),…,s1n(t)代表第1次计算到第n次计算得到的n个调频信号；a11(t),a12(t),…,a1n(t)代表第1次计算到第n次计算得到的n个包络估计函数。迭代终止条件为：式中，a1n(t)为第n次计算得到的包络估计函数。实际应用中，在不影响分解效果的前提下，为了减少迭代次数，降低运算时间，可设置一个变量Δ，使得当满足1-Δ≤a1n(t)≤1+Δ时，终止迭代；5)将迭代过程中所产生的全部包络估计函数相乘，得到第一个分量的包络信号(瞬时幅值函数)：式中，a1q(t)代表第q次计算得到的包络估计函数，q＝1,2,...,n。6)将包络信号a1(t)和纯调频信号s1n(t)相乘得：PF1(t)＝a1(t)s1n(t)；式中，PF1(t)为信号x(t)的第一个PF分量，包含了原始信号的最高频成分，是一个单分量的调幅-调频信号，瞬时频率f1(t)由调频信号s1n(t)求出：从原始信号x(t)中将第一个PF分量PF1(t)分离出来，得到剩余信号u1(t)，由于剩余信号u1(t)中还包含较多频率成分，因此将u1(t)作为原始数据重复上述步骤1)到6)k次对其进行分解，得到第二个PF分量，重复这个过程直到uk(t)为一个单调函数(单调递增或单调递减函数)为止；如此得到一定数量的PF分量：式中，u1(t),u2(t),…,un(t)为第1次到第k次分解计算得到的k个剩余信号；PF1(t),PF2(t),…,PFk(t)为第1次到第k次分解计算得到的k个PF分量。最终信号x(t)表示为k个PF分量和余量之和：式中，PFp(t)为第p个PF分量，p＝1,2,...,k；uk(t)为残余函数，代表信号的平均趋势。所述骤S2的构建自训练数据集和测试数据集的方法具体为：PF分量PFk和余量uk的训练数据集Trn包含模型的输入数据Xn和输出数据Yn，输入数据和输出数据是对PF分量和余量的时间序列进行连续采集而来，输入数据其中m为预测模型输入个数，输出数据l的取值由预测模型输出个数决定；PF分量PFk和余量uk的训练数据集Ten包含模型的输入数据XXn和输出数据YYn，输入数据和输出数据是在训练数据集采集完成后，接着对PF分量和余量的时间序列进行连续采集而来，输入数据其中m为预测模型输入个数，输出数据l的取值由预测模型输出个数决定。所述步骤S3的建立改进粒子群算法优化神经网络的风速预测模型具体为：1)神经网络包括一个输入层、一个隐含层和一个输出层，输入层神经元个数等于模型输入个数m，输出层神经元个数等于模型输出个数l，隐含层神经元个数a为1～10中的自然数；其中隐含层神经元激活函数使用sigmoid函数，sigmoid函数计算公式为：式中，x为隐含层神经元的输入，f(x)为隐含层神经元的输出。输出层神经元激活函数使用线性函数，线性函数计算公式为：f'(x)＝w*x'+b其中，x'为输出层神经元的输入，f'(x)本文档来自技高网...

【技术保护点】
一种短期风速预测方法，其特征在于包括以下步骤：S1、获取原始风速时间序列，根据局域均值分解对原始风速时间序列进行分解，得到多个PF分量和一个余量；S2、对每个PF分量和余量构建各自训练数据集和测试数据集；S3、对每个PF分量和余量分别建立改进粒子群算法优化神经网络的风速预测模型；S4、将训练数据集中全部PF分量和余量的训练样本逐一输入改进粒子群算法优化神经网络的风速预测模型进行训练，针对不同PF分量设定数据输入维数学习反馈机制，得到各自对应的风速预测子模型；S5、将测试数据集输入到各自对应的风速预测子模型进行预测，得到每个风速预测子模型的预测输出值；S6、将每个风速预测子模型的预测输出值进行叠加处理，得到最终的风速预测结果。

【技术特征摘要】
1.一种短期风速预测方法，其特征在于包括以下步骤：S1、获取原始风速时间序列，根据局域均值分解对原始风速时间序列进行分解，得到多个PF分量和一个余量；S2、对每个PF分量和余量构建各自训练数据集和测试数据集；S3、对每个PF分量和余量分别建立改进粒子群算法优化神经网络的风速预测模型；S4、将训练数据集中全部PF分量和余量的训练样本逐一输入改进粒子群算法优化神经网络的风速预测模型进行训练，针对不同PF分量设定数据输入维数学习反馈机制，得到各自对应的风速预测子模型；S5、将测试数据集输入到各自对应的风速预测子模型进行预测，得到每个风速预测子模型的预测输出值；S6、将每个风速预测子模型的预测输出值进行叠加处理，得到最终的风速预测结果。2.根据权利要求1所述的短期风速预测方法，其特征在于：所述步骤S1中由局域均值分解对原始风速时间序列分解的具体步骤为：1)找出原始信号x(t)所有的局部极值点ni，求出所有相邻的局部极值点的平均值：式中：i代表局部极值点的个数，原始信号x(t)代表风速信号，t代表风速信号数据个数；将所有相邻的平均值点mi用直线连接起来，然后用滑动平均法进行平滑处理，得到局部均值函数m11(t)；2)求出包络估计值点ai：将所有相邻的估计值点ai用直线连接起来，然后用滑动平均法进行平滑处理，得到包络估计函数a11(t)；3)将局部均值函数m11(t)从原始信号x(t)中分离出来，得到：h11(t)＝x(t)-m11(t)；h11(t)代表第一次分离计算得到的余量函数；4)用h11(t)除以包络估计函数a11(t)，以对h11(t)进行解调，得到：s11(t)＝h11(t)/a11(t)；s11(t)代表第一次解调后的调频信号。对s11(t)重复步骤1)-2)，得到s11(t)的包络估计函数a12(t)；假如a12(t)不等于1，说明s11(t)不是一个纯调频信号，需重复上述步骤1)-4)n次，直至s1n(t)为一个纯调频信号，也就是s1n(t)的包络估计函数a1(n+1)(t)＝1，所以有：式中，h11(t),h12(t),…,h1n(t)代表从第1次计算到第n次计算得到的n个余量函数；m11(t),m12(t),…,m1n(t)代表第1次计算到第n次计算得到的n个局部均值函数；s11(t),s12(t),…,s1n(t)代表第1次计算到第n次计算得到的n个调频信号；a11(t),a12(t),…,a1n(t)代表第1次计算到第n次计算得到的n个包络估计函数。迭代终止条件为：式中，a1n(t)为第n次计算得到的包络估计函数。实际应用中，在不影响分解效果的前提下，为了减少迭代次数，降低运算时间，可设置一个变量Δ，使得当满足1-Δ≤a1n(t)≤1+Δ时，终止迭代；5)将迭代过程中所产生的全部包络估计函数相乘，得到第一个分量的包络信号(瞬时幅值函数)：式中，a1q(t)代表第q次计算得到的包络估计函数，q＝1,2,...,n。6)将包络信号a1(t)和纯调频信号s1n(t)相乘得：PF1(t)＝a1(t)s1n(t)；式中，PF1(t)为信号x(t)的第一个PF分量，包含了原始信号的最高频成分，是一个单分量的调幅-调频信号，瞬时频率f1(t)由调频信号s1n(t)求出：从原始信号x(t)中将第一个PF分量PF1(t)分离出来，得到剩余信号u1(t)，由于剩余信号u1(t)中还包含较多频率成分，因此将u1(t)作为原始数据重复上述步骤1)到6)k次对其进行分解，得到第二个PF分量，重复这个过程直到uk(t)为一个单调函数(单调递增或单调递减函数)为止；如此得到一定数量的PF分量：

【专利技术属性】
技术研发人员：肖建华，陈冬沣，卢丹，黄庆仕，
申请(专利权)人：广东电网有限责任公司揭阳供电局，
类型：发明
国别省市：广东,44