一种基于改进型神经网络的短期风功率预测方法技术

本发明专利技术公开了一种基于改进型神经网络的短期风功率预测方法。本发明专利技术选择神经网络算法和粒子群算法相结合，构建了一种基于改进型神经网络的短期风功率预测方法，包含离线参数寻优和预测算法主体两部分。离线参数寻优的历史数据集包含两个月的历史数据，每周更新一次，并将输出的最优参数传递给预测算法主体；预测算法主体的风功率预测模型结合预测风速风向和离线寻优参数，完成短期风功率预测，并输出风功率预测结果。本发明专利技术所提的方法实用性强，具有收敛速度快、精度高、全局最优的特点。

【技术实现步骤摘要】
一种基于改进型神经网络的短期风功率预测方法
本专利技术属于风功率预测
，具体涉及一种基于改进型神经网络的短期风功率预测方法。
技术介绍
全球气候变暖以及常规化石能源的日益枯竭等一系列的全球性问题，引起了人们对新能源的广泛关注。风电相比其他可再生能源而言，技术更成熟，其效率也更高，发展迅速。截至2014年底，全球风电累计装机容量达到359.7GW。预计2018年以后，伴随着市场的良性发展，全球陆上风电年新增装机容量将超过55GW。然而，风电具有波动性、间歇性，随着并网风电系统在电网中的比例不断增大，给电力系统的安全稳定运行带来严峻的挑战。做好风力发电预测工作，可有效提高整个电力系统运行的可靠性和安全性，对我国未来更好地开发利用风力发电具有十分重要的意义。目前应用于短期风功率预测的方法主要有以下几种：持续法、卡尔曼滤波法、遗传算法、神经网络法。持续法简单易操作，但适合用于超短期预测，应用范围窄；卡尔曼滤波法，适合实时在线预测，但需要假定己知噪声统计特性，实用性差；神经网络法具有非线性、容错性、自学习和自适应等能力，但本质上属于局部优化搜索，可能陷入局部极值；遗传算法具有全局优化能力，但需要选择、杂交、变异、评价等操作，计算复杂。
技术实现思路
本专利技术的主要目的在于，针对上述现有技术中的不足，提出一种基于改进型神经网络的短期风功率预测方法。本专利技术至少通过如下技术方案之一实现。、一种基于改进型神经网络的短期风功率预测方法，包含离线参数寻优和预测算法主体两部分；离线参数寻优的历史数据集包含两个月的历史数据，每周更新一次，选择神经网络算法和粒子群算法相结合，并将输出的最优参数传递给预测算法主体；预测算法主体的风功率预测模型结合预测风速风向和离线寻优参数，完成短期风功率预测，并输出风功率预测结果。(1)离线参数寻优步骤如下：步骤1：将收集的两个月历史数据分成历史风速风向X、历史风功率Y两部分；步骤2：历史风速风向X、历史风功率Y输入到基于神经网络的风功率预测模型中，得到神经网络预测风功率O，作为粒子群算法的输入；步骤3：计算历史风功率Y与神经网络预测风功率O的平均绝对百分比误差ε，作为粒子群算法的目标函数，神经网络算法的连接权值w、隐含层阀值a和输出层阀值b作为粒子群算法的解；步骤4：精度达到要求或者达到迭代次数时，输出粒子群算法的最优解，作为离线参数寻优的最优参数。(2)预测算法主体如下：将离线参数寻优的最优参数和未来三天的预测风速风向输入到风功率预测模型中，输出未来三天风功率的预测结果。(3)基于神经网络的风功率预测模型步骤如下：步骤1：根据系统的输入确定网络参数，网络参数包括输入层节点数n、隐含层节点数l，输出层节点数m，初始化各层之间的连接权值w，以及隐含层阀值a，输出层阀值b，确定传递函数；步骤2：由系统输入的风速风向X，各层之间连接权值以及隐含层阀值，计算隐含层第j节点的值Hj如下式所示：其中，aj表示隐含层第j节点的阀值，xi表示输入层第i节点的值，wij表示输入层第i节点与隐含层第j节点之间的连接权值，f为隐含层传递函数；步骤3：由步骤2计算得到的隐含层，连接权值wjk和阀值b，按照下式计算神经网络输出层第k节点的值Ok：其中，bk表示输出层第k节点的阀值，wjk表示隐含层第j节点与输出层第k节点之间的连接权值。(4)所述的平均绝对百分比误差，采用如下计算方法：其中，Ok为第k个神经网络预测风功率，Yk为第k个历史风功率，PM为被预测风电场的额定容量。相比于现有技术，本专利技术构建了一种基于改进型神经网络的短期风功率预测方法，包含离线参数寻优和预测算法主体两部分。离线参数寻优的历史数据集包含两个月的历史数据，每周更新一次，并将输出的最优参数传递给预测算法主体；预测算法主体的风功率预测模型结合预测风速风向和离线寻优参数，完成短期风功率预测，并输出风功率预测结果。本专利技术既保留了神经网络非线性、容错性、自适应等优点，又利用了离子群算法的并行全局收索策略，具有收敛速度快、精度高、全局最优的特点。附图说明图1是本专利技术一种基于改进型神经网络的短期风功率预测方法流程图。图2是本专利技术算例的实际预测效果。具体实施方式下面结合实施例及附图，对本专利技术作进一步详细的说明，但本专利技术的实施方式不限于此。参照图1所示，其为一种基于改进型神经网络的短期风功率预测方法，包含离线参数寻优和预测算法主体两部分；离线参数寻优的历史数据集包含两个月的历史数据，每周更新一次，选择神经网络算法和粒子群算法相结合，并将输出的最优参数传递给预测算法主体；预测算法主体的风功率预测模型结合预测风速风向和离线寻优参数，完成短期风功率预测，并输出风功率预测结果。(1)离线参数寻优步骤如下：步骤1：将收集的两个月历史数据分成历史风速风向X、历史风功率Y两部分；步骤2：历史风速风向X、历史风功率Y输入到基于神经网络的风功率预测模型中，得到神经网络预测风功率O，作为粒子群算法的输入；步骤3：计算历史风功率Y与神经网络预测风功率O的平均绝对百分比误差ε，作为粒子群算法的目标函数；神经网络算法的连接权值w、隐含层阀值a和输出层阀值b作为粒子群算法的解；步骤4：精度达到要求或者达到迭代次数时，输出粒子群算法的最优解，作为离线参数寻优的最优参数。(2)预测算法主体如下：将离线参数寻优的最优参数和未来三天的预测风速风向输入到风功率预测模型中，输出未来三天风功率的预测结果。(3)基于神经网络的风功率预测模型步骤如下：步骤1：根据系统的输入确定网络参数，网络参数包括输入层节点数n、隐含层节点数l，输出层节点数m，初始化各层之间的连接权值w，以及隐含层阀值a，输出层阀值b，确定传递函数；步骤2：由系统输入的风速风向X，各层之间连接权值以及隐含层阀值，计算隐含层第j节点的值Hj如下式所示：其中，aj表示隐含层第j节点的阀值，xi表示输入层第i节点的值，wij表示输入层第i节点与隐含层第j节点之间的连接权值，f为隐含层传递函数；步骤3：由步骤2计算得到的隐含层，连接权值wjk和阀值b，按照下式计算神经网络输出层第k节点的值Ok：其中，bk表示输出层第k节点的阀值，wjk表示隐含层第j节点与输出层第k节点之间的连接权值。(4)所述的平均绝对百分比误差，采用如下计算方法：其中，Ok为第k个神经网络预测风功率，Yk为第k个历史风功率，PM为被预测风电场的额定容量。图2为短期风功率预测的实际预测效果，虚线为预测功率，实线为实际功率。原始数据为2015-09-15到2016-09-30某地区风电场的风速、风向、风功率。从图2可以看出，本专利技术提出的短期风功率预测方法能够较好地预测风电场的功率，经误差分析可得，其平均绝对百分比误差为7.38％，预测精度较高。以上所述仅为本专利技术的优选实施例，并非因此限制其专利范围，凡是利用本专利技术说明书及附图内容所作的等效结构变换，直接或间接运用在其他相关的
，均同理包括在本专利技术的专利保护范围内。本文档来自技高网...

【技术保护点】
一种基于改进型神经网络的短期风功率预测方法，其特征在于，包含离线参数寻优和预测算法主体两部分；离线参数寻优的历史数据集包含两个月的历史数据，每周更新一次，选择神经网络算法和粒子群算法相结合，并将输出的最优参数传递给预测算法主体；预测算法主体的风功率预测模型结合预测风速风向和离线寻优参数，完成短期风功率预测，并输出风功率预测结果。

【技术特征摘要】
1.一种基于改进型神经网络的短期风功率预测方法，其特征在于，包含离线参数寻优和预测算法主体两部分；离线参数寻优的历史数据集包含两个月的历史数据，每周更新一次，选择神经网络算法和粒子群算法相结合，并将输出的最优参数传递给预测算法主体；预测算法主体的风功率预测模型结合预测风速风向和离线寻优参数，完成短期风功率预测，并输出风功率预测结果。2.根据权利要求1所述的一种基于改进型神经网络的短期风功率预测方法，其特征在于，离线参数寻优步骤如下：步骤1：将收集的两个月历史数据分成历史风速风向X、历史风功率Y两部分；步骤2：历史风速风向X、历史风功率Y输入到基于神经网络的风功率预测模型中，得到神经网络预测风功率O，作为粒子群算法的输入；步骤3：计算历史风功率Y与神经网络预测风功率O的平均绝对百分比误差ε，作为粒子群算法的目标函数，神经网络算法的连接权值w、隐含层阀值a和输出层阀值b作为粒子群算法的解；步骤4：精度达到设定的要求或者达到设定的迭代次数时，输出粒子群算法的最优解，作为离线参数寻优的最优参数。3.根据权利要求1所述的一种基于改进型神经网络的短期风功率预测方法，其特征在于，预测算法主体包括：将离线参数寻优的最优参数和未来三天的预测风速风向输入到所述风功率预测模型中，输出未来三天风功率的预测结果。4.根据权利要求1所述的一种基于改进型神经网络的短期风功率预测方法，其特征在...

【专利技术属性】
技术研发人员：杨苹，郑成立，黄梓健，何婷，宋嗣博，张育嘉，彭嘉俊，刘泽健，许志荣，
申请(专利权)人：华南理工大学，
类型：发明
国别省市：广东,44