基于人工神经网络改进灰色模型的短期风速预测方法技术

本发明专利技术公开了一种基于人工神经网络改进灰色模型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。利用灰色风速预测模型得出预测值，然后与真实值进行比较得到残差数列，利用人工神经网络法对残差进行预测，根据残差预测结果，进一步获得最终风速预测值；最后对风速预测能力进行评价。本发明专利技术在数据相对缺失的情况下可以完成预测，相对于传统的灰色模型预测的精度和稳定性有了显著的提高。

【技术实现步骤摘要】
基于人工神经网络改进灰色模型的短期风速预测方法
专利技术涉及一种基于人工神经网络改进灰色模型的短期风速预测方法，属于短期风速预测领域。
技术介绍
世界能源危机和环境保护的双重压力，促使世界各国家地区更加重视可持续发展能源和清洁能源的开发利用。其中风能清洁无污染，能量大，使用前景广阔。如今国内外对于风力发电的研究日渐深入，范围也日趋变广，包括大型风力发电机组、风电穿透功率等方面。发电量由风能大小决定。风能的大小则受到风速大小的影响。由此可以得出，风速的大小同风力发电效率有着密切的联系。当风机刚刚投入工作发电时，风速的值被称作切入风速，也称作启动风速。这个时刻是风机用于确定额定功率时风的速度的。它是一个确定的值。此时风机的功率达到最大值。当风速为某一个数值——切出风速时，风电机继续运行会有一定的危险。此时风速是一个极大值。可能出现的情况有损坏机械、大幅度不稳定输出等。这些都要求我们对未来风速要有一个相对准确的预测。目前适合用于风速短期预测的方法有很多。其中一些统计方法包括有线性回归，多元回归分析，ARMA(自回归移动平均)，基于卡尔曼滤波器技术方法，博克斯和詹金斯模型。同时越来越多的智能本文档来自技高网...

【技术保护点】
基于神经网络法改进灰色模型的短期风速预测方法，其特征在于，包括以下步骤：1)输入风速数据，对风速数据构成的原始序列进行数据预处理；2)建立基于灰色理论的风速预测模型；3)利用人工神经网络法预测灰色风速的残差序列；4)根据步骤3)得到的残差序列预测值进一步获取风速预测值。

【技术特征摘要】
1.基于神经网络法改进灰色模型的短期风速预测方法，其特征在于，包括以下步骤：1)输入风速数据，对风速数据构成的原始序列进行数据预处理；2)建立基于灰色理论的风速预测模型；3)利用人工神经网络法预测灰色风速的残差序列；4)根据步骤3)得到的残差序列预测值进一步获取风速预测值。2.根据权利要求1所述的基于神经网络法改进灰色模型的短期风速预测方法，其特征在于，所述步骤1)中进行数据预处理是指当预测时刻的风速数据与前一时刻的风速数据大小相差超过10％时，基于以下方程对风速数据进行预处理：上式中Xs(m+1)表示m+1时刻的风速数据，Xs(m)表示m时刻的风速数据。3.根据权利要求1所述的基于神经网络法改进灰色模型的短期风速预测方法，其特征在于，所述步骤2)中建立基于灰色理论的风速预测模型，包括以下步骤：1)对风速数据进行累加生成操作，如下：用X(0)代表风速数据，进行累加生成操作，其中，X(1)是X(0)的一阶累加生成，它的元素可由以下公式确定：X(1)(1)＝X(0)(1)其中，上标1表示原始序列的一阶累加生成；2)灰色风速预测模型的背景值确定如下：Z(1)(k)＝gX(1)(k)+(1-g)X(1)(k-1),k＝2,3...5上式中Z(1)(k)表示背景值，g是生成系数；3)建立灰色风速预测模型的方程如下：X(0)(k)+aZ(1)(k)＝bX(1)(k)上式中a是发展系数，b是由最小二乘法获得的灰色输入系数；定义矩阵B和YN如下：系数a，b的值由以下等式确定：14)确定灰色风速预测模型的微分方程如下：上述微分方程的解如下：其中，e为数学常数，是自然对数函数的底数，是的X(1)(k)的估计值，由一个序列的一阶累加生成的第一个元素估计值等于该序列的第一个元素，确定以下关系：5)进行累减生成操作，确定风速预测值：其中，是原始序列X(0)(k)...

【专利技术属性】
技术研发人员：卫志农，郭勉，臧海祥，王苗苗，孙国强，朱瑛，
申请(专利权)人：河海大学，
类型：发明
国别省市：江苏,32