【技术实现步骤摘要】
一种基于区间二型T-S模糊模型的短期风速预测方法与系统
本专利技术属于风速短期预测
,更具体地,涉及一种基于区间二型T-S模糊模型的短期风速预测方法与系统。
技术介绍
传统的化石能源日益枯竭、全球变暖等问题使得新型清洁能源的利用日益迫切。风电作为一种蕴量巨大、转换快速且无公害的能源系统,中国新能源战略开始把大力发展风力发电设为重点。按照国家规划,未来15年,全国风力发电装机容量将达到2000万至3000万千瓦。风电能源的不稳定性和不可控性给电能稳定利用带来严峻挑战。有效的风速预测机制能为风电场检修计划以及电力系统调度计划提供可靠依据,保证电力系统安全稳定运行。另一方面准确的风速预测能提高风电场的能源利用效率、减轻并网运行时对电网的不利影响、降低风电场运行成本。因此,对风速的精确预测显得尤为重要。
技术实现思路
本专利技术的目的是针对风能的不稳定性导致对电能利用效率的不良影响,设计了一种基于区间二型T-S模糊模型的短期风速预测方法与系统,结合GSA优化算法能有效提高T-S模糊预测模型的辨识精度,减小风速预测的预测误差。为了实现上述目的,本专利技术提供了一种基于区间二型T-S模糊模型的短期风速预测方法,如图2所示,包括:步骤1、风速观测时间序列数据data预处理,建立T-S模糊预测模型的输入输出矩阵(input,output):步骤1.1、利用变分模态分解VMD将风速观测时间序列数据data分解为K个本征模态函数IMF,对每个IMF都独立执行下列步骤;步骤1.2、取IMF前L间隔数据分量划分候选输入属性矩阵In,其中Output为风速实际观测数据矩阵,LL为 ...
【技术保护点】
一种基于区间二型T‑S模糊模型的短期风速预测方法,其特征在于,方法包括:风速观测数据data预处理,通过变分模态分解VMD将原始风速观测数据分解为K个本征模态函数IMF,并对于每一个本征模态函数IMF建立各自的T‑S模糊预测模型的输入输出矩阵(input,output);对应于每一个本征模态函数IMF,建立区间二型T‑S模糊模型,其中,T‑S模糊模型是由一组“IF‑THEN”模糊规则来描述的非线性系统,每一个规则代表一个子系统,整个非线性系统为各个子系统的线性组合;所述IF‑THEN模糊规则如下:规则i:
【技术特征摘要】
1.一种基于区间二型T-S模糊模型的短期风速预测方法,其特征在于,方法包括:风速观测数据data预处理,通过变分模态分解VMD将原始风速观测数据分解为K个本征模态函数IMF,并对于每一个本征模态函数IMF建立各自的T-S模糊预测模型的输入输出矩阵(input,output);对应于每一个本征模态函数IMF,建立区间二型T-S模糊模型,其中,T-S模糊模型是由一组“IF-THEN”模糊规则来描述的非线性系统,每一个规则代表一个子系统,整个非线性系统为各个子系统的线性组合;所述IF-THEN模糊规则如下:规则i:其中是线性隶属度函数的模糊集合、C是聚类规则数、N是输入输出矩阵行数、M为输入矩阵的列数、xk=[xk1,···xkM]是模糊模型输入矩阵x=(x1,x2…xN)T的第k分量、是第k个模型预测输出中隶属于第i类的分量、αi是模型后件参数,用于指代超平面;再通过线性组合得到T-S模糊模型;其中,记ωi为高斯模糊权重;根据(input,output)数据对,通过区间二型模糊C回归聚类IT2-FCR,进行T-S模糊模型参数辨识,得到上下超平面参数和α;根据(input,output)数据对,利用引力搜索算法GSA进行模型上下超平面参数优化,得到优化后上下超平面参数;得到完整的模型前件参数及后件参数,利用(input,output)数据对计算当前IMF计算模型预测输出;对于每一个本征模态函数IMF建立各自的T-S模糊预测模型,并计算相应IMF计算模型预测输出;进一步,反归一化后合并得到(input,output)数据对的模型预测输出。2.根据权利要求1所述的基于区间二型T-S模糊模型的短期风速预测方法,其特征在于,通过变分模态分解VMD将原始风速观测数据分解为K个本征模态函数IMF,并对于每一个本征模态函数IMF建立各自的T-S模糊预测模型的输入输出矩阵,具体包括:对每个IMF都执行下列内容:对IMF前L间隔数据分量划分候选输入属性矩阵In,IOnu(tt)p=ut[(dt)at=a(dta),tda(atta+(tL)+,t1=).L..Ld-aLta(t+L-1)],其中Output为风速实际观测数据矩阵,LL为风速观测时间序列长度,利用克莱姆-施密特正交化方法GSO进行候选输入属性对实际输出值的相关性排序,从中挑选前M个属性,建立风速预测T-S模糊模型的数据对(Input,Output);其中,M≤L。3.根据权利要求3所述的基于区间二型T-S模糊模型的短期风速预测方法,其特征在于,方法还包括:在所述方法进行模型精确度的测试时,所述数据对(Input,Output)被分为三部分,包括:第一部分数据用作模型初始化(xini,yini),第二部分数据用作模型优化(xopt,yopt),第三部分数据用作模型测试(xtest,ytest);在所述方法进行实际模型使用时,所述数据对(Input,Output)被分为两部分,包括第一部分数据用作模型初始化(xini,yini),第二部分数据用作模型优化(xopt,yopt)。4.根据权利要求1所述的基于区间二型T-S模糊模型的短期风速预测方法,其特征在于,所述利用区间二型模糊C回归聚类IT2-FCR进行T-S模糊模型参数辨识,得到上下超平面参数和α,具体包括:步骤3.1、设置算法参数,所述算法参数包括两个模糊因子m1和m2、聚类总数C、距离调节参数η、最大迭代次数Tmax和停止迭代阈值ε;利用模糊C均值进行粗聚类获取一型隶属度矩阵U=[uik],令初始和uik是xk分别隶属于第i类上超平面和下超平面的隶属度,初始划分矩阵令当前迭代次数t=0;步骤3.2、利用下式计算每个聚类的上下超平面参数:其中,X=[x1]∈RN×(M+1);步骤3.3、利用类型还原并计算实际观测值与模糊模型预测输出的误差Eik(αi)=yk-fi(xk,αi),其中yk是实际观测矩阵y=(y1,y2…yN)T的第k分量;步骤3.4、按照下式计算上下隶属度函数:步骤3.5、利用上下隶属度更新计算划分矩阵和P;步骤3.6、令t=t+1,转至步骤3.2,直到相邻两次迭代的差值||αicurrent-αilast||>ε,或者t>Tmax时,停止迭代;其中,αicurrent是当前迭代的第i类超平面参数,αilast是上一次迭代的第i类超平面参数;步骤3.7、计算每个聚类的上下超平面参数。5.根据权利要求1所述的基于区间二型T-S模糊模型的短期风速预测方法,其特征在于,所述采用引力搜索算法GSA进行模型超平面参数优化,具体包括:步骤4.1、...
【专利技术属性】
技术研发人员:李超顺,邹雯,甘振豪,陈昊,赖昕杰,
申请(专利权)人:华中科技大学,
类型:发明
国别省市:湖北,42
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。