一种基于人工神经网络的风速区间预测方法与系统技术方案

本发明专利技术公开了一种基于人工神经网络的风速区间预测方法与系统，用于风场的短期风速预测。首先运用变分模态分解(variational mode decomposition，VMD)把初始复杂的时间序列分解为多个结构简单的时间序列。再用Gram‑Schmidt正交化(Gram‑Schmidt orthogonal，GSO)进行特征选择。将处理好的风速序列作为人工神经网络(artificial neural network，ANN)的输入，ANN的输出为未来时刻风速的上下界。最后通过多目标引力搜索算法(Multi objective gravitational search algorithm，MOGSA)训练ANN权重与偏置，以覆盖率和区间宽度两个矛盾的指标作为优化目标，得到最优方案集。通过该方法预测出来的风速区间对实际的风速区间覆盖率高，区间宽度窄。该组合模型将预测的准确度提升到一个很高的水平。

Prediction method and system of wind speed interval based on artificial neural network

The invention discloses a wind speed interval prediction method and system based on artificial neural network, and is used for short-term wind speed prediction in wind farms. First, the initial complex time series is decomposed into several simple structural time series by variational mode decomposition (variational mode mode decomposition, VMD). The feature selection is then performed by orthogonal Gram (Schmidt Gram Schmidt) and GSO (GSO). The processed wind speed sequence is input to the artificial neural network (neural network, ANN), and the output of ANN is the upper and lower bounds of the wind speed in the future. Finally, the Multi objective gravitational search algorithm, MOGSA) is used to train ANN weight and bias, and the optimal set is obtained by using the two contradictory indexes of coverage and interval width as the optimization target. The wind speed interval predicted by this method has high coverage rate and narrow interval width for the actual wind speed interval. The combination model improves the prediction accuracy to a very high level.

【技术实现步骤摘要】
一种基于人工神经网络的风速区间预测方法与系统
本专利技术属于风速预测
，更具体地，涉及一种基于人工神经网络的风速区间预测方法与系统。
技术介绍
随着能源需求的提升和全球变暖因素的影响，世界各国都在积极寻求可替代的清洁能源。风力发电因清洁、分布广泛而受到人们的青睐。但由于风能的间歇、不可控性，造成风力发电出力的随机性，势必会给电力系统的安全可靠运行带来严峻挑战。而风电场出力直接取决于风速，风速预测是风电机组控制和风电场出力预测的基础。点预测结果必然无法表征实际风电中潜在的随机性从而使决策工作面临一定的风险，鉴于此若能在给出风速波动的区间将有利于机组组合决策和给电网调度人员提供更科学的参考。然而，现有风速预测方法与技术体系中尚缺乏风速区间预测方法，有必要做专门的技术研究。传统的区间预测方法有结合人工神经网络(artificialneuralnetwork，ANN)的单目标优化的区间预测。就是把区间宽度与覆盖率两个目标通过算法结合，因此会产生连接两个目标的超参数。超参数定义不当会极大地降低区间预测的效果。本专利技术采用多目标优化的区间预测从而避免了超参数的定义，提高了区间预测的效果。现有的区间预测方法还有未加前处理的ANN的多目标优化的区间预测，然而实际的风速序列的波动具有较强的随机性和非线性，导致ANN很难对风速序列进行精确的拟合，因此本专利技术采用VMD进行波形分解和GSO进行特征选择。使用这种组合前处理将有利于ANN对风速序列进行更好的拟合，让区间预测达到更好的效果。
技术实现思路
针对现有技术的以上缺陷或改进需求，本专利技术提供了一种基于人工神经网络的风速区间预测方法与系统，其目的在于提升风速区间的预测效果。为了实现上述目的，按照本专利技术的一个方面，提供了一种基于人工神经网络的风速区间预测方法，所述方法包括如下步骤：步骤1：采集风场的风速序列：每隔m分钟采集一次实时风速，取实时风速的前len个数据作为风速序列，m的大小选取根据实际需求来定，len为预设值；步骤2：对不稳定非线性的所述风速序列进行VMD分解得出K个结构简单的子时间序列uk(t)，其中k的取值从1到K；步骤3：对步骤(2)得到的K个特征u(t)进行数据处理，用循环结构i＝1:1:len-L，每次取第i个数到第i+L-1个数总共L个数据作为输入，取第i+L个数据作为参考输出，得到一个len-L列L行的输入数组P和len-L列1行的参考输出数组T；步骤4：对输入数组P进行GSO相关性选择，得到所有Xl对Y的相关性排序，P的第l行表示为Xl＝[xl1，xl2，…，xlM]，T表示为Y＝y1，y1，…，yM]，其中l的取值范围是从1到L，M表示数组的列数，其值等于len-L；步骤5：对步骤4得到的相关性排序中选出前LL个最相关的Xl作为人工神经网络ANN的输入，ANN的输入层数为LL，隐藏层数hiddennum，输出层数为2，隐藏层与输出层的激活函数采用线性函数；步骤6：P取前RR％的列作为训练输入数据集P_train，T取前RR％的列作为训练参考输出数据集T_train，使用MOGSA训练人工神经网络，得到人工神经网络的最优权重与偏置fbest，其中RR为预设值；步骤7：令k＝k+1，返回到步骤(3)，若迭代次数达到K，则算法停止；步骤8：将待预测风速序列作为ANN的输入，最终训练出的fbest作为的ANN的权重与偏置，得到子区间序列，然后把k个子序列反归一化后相加，得到预测风速区间。本专利技术的一个实施例中，在所述步骤4中，对输入数组P进行GSO相关性选择，得到所有Xl对Y的相关性排序，具体为：步骤4.1：将下式作为迭代过程中的目标最大化函数，算出所有选出最大的一个值，从而选出与参考输出Y最相关的一个输入Xlmax，其中是第l个输入向量Xl与参考输出Y的夹角，<>表示内积，如果Xl和Y完全成比例则为0，如果Xl和Y完全不相关则为π/2；步骤4.2：为了选出下一个最相关的输入，对剩下的输入向量和参考输出向量进行更新，更新公式：上式r表示更新前，r+1表示更新后，Xi中的i的取值范围是1到J，表示已经排好的J个输入向量X，按照上述两个公式更新Y和所有的未排序的X；步骤4.3：回到步骤4.1，不断迭代直到得到所有Xl对Y的相关性排序为止。本专利技术的一个实施例中，所述步骤6具体为：步骤6.1：算法初始化：设置算法参数，包括个体数量nPop、迭代次数t＝1，最大迭代次数max_it、非劣解集规模nRep，其中每一个个体的坐标代表一组ANN的权重与偏置；步骤6.2：粒子位置初始化：使用matlab工具箱的train函数实现，train函数的输入数据为P_train和T_train，BP神经网络的结构与步骤5中的ANN相同，得到一组BP神经网络训练出来的权重与偏置，把这组权重与偏置放在行向量range中，将range中每个数上下扩展δ，δ取0到1之间的数，得到一个的初始解空间，在这个空间中随机选取nPop个初始个体，然后用range随机替换掉其中的一个个体；步骤6.3：目标函数的设置与计算：为了得到更准确的预测区间设计下列两个目标函数：区间非覆盖率：其中n为样本总数，PICP为区间覆盖率，Ui和Li为上下界，若Li≤Ci≤Ui则Ci为1，否则Ci为0，区间宽度：R是参考输出的变化范围，计算每一个初始个体对应的目标函数，计算过程如下：ANN的输入为P_train，权重与偏置采用对应的个体的坐标，ANN的两个输出代表预测出来的上届和下界，将输出反归一化后就可计算出每一个个体对应的1-PICP和PINRW两个指标；步骤6.4：对粒子进行非支配排序和拥挤距离计算；步骤6.5：质量，加速度，速度和位置的更新；步骤6.6：令t＝t+1，返回到步骤6.3，若迭代次数t达到max_it，则算法停止；步骤6.7：根据最终的最优解集画图，得到帕累托前沿，选取拐角处的点作为MOGSA训练出的人工神经网络最优权重与偏置fbest。本专利技术的一个实施例中，所述步骤6.4中，首先定义支配的概念，若p支配q，则必须满足一下两个条件：(1)fa(p)≤fa(q)，即对所有的子目标，p不比q差；(2)fa(p)＜fa(q)，即至少存在一个子目标，使得p比q好，1-PICP和PINRW对应f1和f2；具体算法包括：步骤6.4.1：非支配排序，当前所有个体没有被其他任何个体所支配的个体为非劣解集，定义该个体集为rank＝1，去掉这些非劣解集，对余下的群体按照上述方法产生新的非劣解集，定义该个体集为rank＝2，以此类推，每一个个体都有一个rank值，步骤6.4.2：计算拥挤距离，按照下式计算出每一个个体的拥挤距离Idistance，I[i].表示第i个个体在子目标a上的函数值，和分别表示第a子目标函数值的最大值和最小值，步骤6.4.2：按照下式得到nPop个个体的偏序排序，并保留前nRep个个体中rank＝1的个体作为最优解集，定义偏序关系，假如第i和第j个个体的偏序关系是第i个体在前则必须满足下列条件：I[i]rank≤I[j]rank和I[i]distance＞I[j]distance。本专利技术的一个实施例中，所述步骤6.5具体为：步骤6.5.1：首先定义质量函数，nPo本文档来自技高网...

【技术保护点】
一种基于人工神经网络的风速区间预测方法，其特征在于，所述方法包括如下步骤：步骤1：采集风场的风速序列：每隔m分钟采集一次实时风速，取实时风速的前len个数据作为风速序列，m的大小选取根据实际需求来定，len为预设值；步骤2：对不稳定非线性的所述风速序列进行VMD分解得出K个结构简单的子时间序列uk(t)，其中k的取值从1到K；步骤3：对步骤(2)得到的K个特征u(t)进行数据处理，用循环结构i＝1:1:len‑L，每次取第i个数到第i+L‑1个数总共L个数据作为输入，取第i+L个数据作为参考输出，得到一个len‑L列L行的输入数组P和len‑L列1行的参考输出数组T；步骤4：对输入数组P进行GSO相关性选择，得到所有Xl对Y的相关性排序，P的第l行表示为Xl＝[xl1，xl2，…，xlM]，T表示为Y＝[y1，y1，…，yM]，其中l的取值范围是从1到L，M表示数组的列数，其值等于len‑L；步骤5：对步骤4得到的相关性排序中选出前LL个最相关的Xl作为人工神经网络ANN的输入，ANN的输入层数为LL，隐藏层数hiddennum，输出层数为2，隐藏层与输出层的激活函数采用线性函数；步骤6：P取前RR％的列作为训练输入数据集P_train，T取前RR％的列作为训练参考输出数据集T_train，使用MOGSA训练人工神经网络，得到人工神经网络的最优权重与偏置fbest，其中RR为预设值；步骤7：令k＝k+1，返回到步骤(3)，若迭代次数达到K，则算法停止；步骤8：将待预测风速序列作为ANN的输入，最终训练出的fbest作为的ANN的权重与偏置，得到子区间序列，然后把k个子序列反归一化后相加，得到预测风速区间。...

【技术特征摘要】
1.一种基于人工神经网络的风速区间预测方法，其特征在于，所述方法包括如下步骤：步骤1：采集风场的风速序列：每隔m分钟采集一次实时风速，取实时风速的前len个数据作为风速序列，m的大小选取根据实际需求来定，len为预设值；步骤2：对不稳定非线性的所述风速序列进行VMD分解得出K个结构简单的子时间序列uk(t)，其中k的取值从1到K；步骤3：对步骤(2)得到的K个特征u(t)进行数据处理，用循环结构i＝1:1:len-L，每次取第i个数到第i+L-1个数总共L个数据作为输入，取第i+L个数据作为参考输出，得到一个len-L列L行的输入数组P和len-L列1行的参考输出数组T；步骤4：对输入数组P进行GSO相关性选择，得到所有Xl对Y的相关性排序，P的第l行表示为Xl＝[xl1，xl2，…，xlM]，T表示为Y＝[y1，y1，…，yM]，其中l的取值范围是从1到L，M表示数组的列数，其值等于len-L；步骤5：对步骤4得到的相关性排序中选出前LL个最相关的Xl作为人工神经网络ANN的输入，ANN的输入层数为LL，隐藏层数hiddennum，输出层数为2，隐藏层与输出层的激活函数采用线性函数；步骤6：P取前RR％的列作为训练输入数据集P_train，T取前RR％的列作为训练参考输出数据集T_train，使用MOGSA训练人工神经网络，得到人工神经网络的最优权重与偏置fbest，其中RR为预设值；步骤7：令k＝k+1，返回到步骤(3)，若迭代次数达到K，则算法停止；步骤8：将待预测风速序列作为ANN的输入，最终训练出的fbest作为的ANN的权重与偏置，得到子区间序列，然后把k个子序列反归一化后相加，得到预测风速区间。2.如权利要求1所述的基于人工神经网络的风速区间预测方法，其特征在于，在所述步骤4中，对输入数组P进行GSO相关性选择，得到所有Xl对Y的相关性排序，具体为：步骤4.1：将下式作为迭代过程中的目标最大化函数，算出所有选出最大的一个值，从而选出与参考输出Y最相关的一个输入Xlmax，其中是第l个输入向量Xl与参考输出Y的夹角，<>表示内积，如果Xl和Y完全成比例则为0，如果Xl和Y完全不相关则为π/2；步骤4.2：为了选出下一个最相关的输入，对剩下的输入向量和参考输出向量进行更新，更新公式：上式r表示更新前，r+1表示更新后，Xi中的i的取值范围是1到J，表示已经排好的J个输入向量X，按照上述两个公式更新Y和所有未排序的X；步骤4.3：回到步骤4.1，不断迭代直到得到所有Xl对Y的相关性排序为止。3.如权利要求1或2所述的基于人工神经网络的风速区间预测方法，其特征在于，所述步骤6具体为：步骤6.1：算法初始化：设置算法参数，包括个体数量nPop、迭代次数t＝1，最大迭代次数max_it、非劣解集规模nRep，其中每一个个体的坐标代表一组ANN的权重与偏置；步骤6.2：粒子位置初始化：使用matlab工具箱的train函数实现，train函数的输入数据为P_train和T_train，BP神经网络的结构与步骤5中的ANN相同，得到一组BP神经网络训练出来的权重与偏置，把这组权重与偏置放在行向量range中，将range中每个数上下扩展δ，δ取0到1之间的数，得到一个的初始解空间，在这个空间中随机选取nPop个初始个体，然后用range随机替换掉其中的一个个体；步骤6.3：目标函数的设置与计算：为了得到更准确的预测区间设计下列两个目标函数：区间非覆盖率：其中n为样本总数，PICP为区间覆盖率，Ui和Li为上下界，若Li≤Ci≤Ui则Ci为1，否则Ci为0，区间宽度：R是参考输出的变化范围，计算每一个初始个体对应的目标函数，计算过程如下：ANN的输入为P_train，权重与偏置采用对应的个体的坐标，ANN的两个输出代表预测出来的上届和下界，将输出反归一化后就可计算出每一个个体对应的1-PICP和PINRW两个指标；步骤6.4：对粒子进行非支配排序和拥挤距离计算；步骤6.5：质量，加速度，速度和位置的更新；步骤6.6：令t＝t+1，返回到步骤6.3，若迭代次数t达到max_it，则算法停止；步骤6.7：根据最终的最优解集画图，得到帕累托前沿，选取拐角处的点作为MOGSA训练出的人工神经网络最优权重与偏置fbest。4.如权利要求3所述的基于人工神经网络的风速区间预测方法，其特征在于，所述步骤6.4中，首先定义支配的概念，若p支配q，则必须满足一下两个条件：(1)fa(p)≤fa(q)，即对所有的子目标，p不比q差；(2)fa(p)＜fa(q)，即至少存在一个子目标，使得p比q好，1-PICP和PINRW对应f1和f2；具体算法包括：步骤6.4.1：非支配排序，当前所有个体没有被其他任何个体所支配的个体为非劣解集，定义该个体集为rank＝1，去掉这些非劣解集，对余下的群体按照上述方法产生新的非劣解集，定义该个体集为rank＝2，以此类推，每一个个体都有一个rank值，步骤6.4.2：计算拥挤距离，按照下式计算出每一个个体的拥挤距离Idistance，I[i]·α表示第i个个体在子目标a上的函数值，和分别表示第a子目标函数值的最大值和最小值，步骤6.4.2：按照下式得到nPop个个体的偏序排序，并保留前nRep个个体中rank＝1的个体作为最优解集，定义偏序关系，假如第i和第j个个体的偏序关系是第i个体在前则必须满足下列条件：I[i]rank≤I[j]rank和I[i]distance＞I[j]distance。5.如权利要求3所述的基于人工神经网络的风速区间预测方法，其特征在于，所述步骤6.5具体为：步骤6.5.1：首先定义质量函数，nPop个个体适应度fit的值按照偏序排序前后依次为1，2…nPop，按照下计算出nPop个个体的质量，fiti(t)和Mi(t)分别表示第t次迭代时第i个个体的适应度函数值和质量；best(t)和worst(t)表示第t次迭代时所有个体最优适应度函数值和最差适应度函数值；步骤6.5.2：由下面5个公式更新出第i个个体第d维坐标：G(t)＝G0e-αt/T其中，G(t)表示在第t次迭代时万有引力常数的取值，G0和α为常数，Rij(t)为第i和第j个个体之间的欧式距离；在第d维上，个体i所受的合力为：其中，randj表示在[0，1]之间服从均匀分布的一个随机变量；kbest表示个体质量按照降序排在前kbest个的个体；个体i在第d维的加速度方程为：更新速度和位置：

【专利技术属性】
技术研发人员：李超顺，陈新彪，邹雯，赖昕杰，陈昊，
申请(专利权)人：华中科技大学，
类型：发明
国别省市：湖北,42