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方案

本发明专利技术公开一种基于区间二型T‑S模糊模型的短期风速预测方法与系统。方法中对历史实际风速观测数据进行变分模态分解VMD为K个模态，对每个模态进行属性选择和归一化处理，建立预测模糊模型；利用区间二型模糊C回归聚类IT2‑FCR对模型进行结构划分，并以实际观测风速数据与模糊模型预测结果的加权均方根误差为目标函数利用引力搜索算法GSA进行模型前件参数优化；利用最小二乘法对模型参数进行辨识。从而得到以历史实际观测数据为输入的短期风速预测区间二型T‑S模糊模型。本发明专利技术采用一种新型的二型超平面隶属函数，可以提高风速模糊预测模型的辨识精度，能得到更精确的辨识参数，使得对应的风速预测结果与实际观测风速吻合更好。

【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观测值的相关性排序，从中挑选前M(M≤L)个属性，建立风速预测T-S模糊模型的数据对(Input,Output)；步骤1.3、将数据对(Input,Output)进行数据归一化处理，归一化到区间[-1,1]内，得到归一化后的数据对(input,output)；步骤2、建立区间二型T-S模糊模型，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，整个模糊系统即为各个子系统的线性组合。所述IF-THEN模糊规则如下：规则i:i＝1…C,k＝1…N,j＝1…M其中是线性隶属度函数的模糊集合，缩写为前件参数、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，指代超平面。再通过线性组合得到T-S模糊模型。其中记其中ωi为高斯模糊权重；步骤3、将数据对(input,output)分为三部分，第一部分用作模型初始化(xini,yini)，第二部分用作模型优化(xopt,yopt)，第三部分用作模型测试(xtest,ytest)。利用第一部分数据，通过区间二型模糊C回归聚类(InterType-2FuzzyC-regression，IT2-FCR)进行T-S模糊模型前件参数辨识，得到上下超平面参数和α：步骤3.1、算法初始化：设置算法参数，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、停止迭代阈值ε。特别地，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：αi＝[XTPiX]-1XTPiy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和uik：步骤3.5、利用上下隶属度函数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是当前迭代的第i类超平面参数，是上一次迭代的第i类超平面参数，ε是停止迭代阈值，或者t＞Tmax时，停止迭代；步骤3.7、按照上述步骤计算每个聚类的上下超平面参数；步骤4、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：步骤4.1、算法初始化，设置GSA算法参数，包括最大迭代次数Nitmax、群体规模N0、初始引力常数G0，衰减系数β等。选取模型上下超平面参数和α为待优化变量确定待优化变量的上下界[BL,BU]，和αmax分别为上下超平面参数的最小值和最大值。在此区间随机初始化群体中所有个体的位置向量，个体位置向量代表一组控制参数；令当前迭代次数t＝0；步骤4.2、计算群体目标函数最小值，具有最小目标函数值的个体确定为当前最优个体Xbest；步骤4.2.1、个体i位置向量Xi(t)解码得到控制参数，分别为模型上超平面参数和下超平面参数，基于超平面型隶属函数计算高斯模糊权重ωi：步骤4.2.1.1、计算输入数据点距离上下超平面的距离：步骤4.2.1.2、依据下式计算数据点分别隶属于上下超平面型的高斯隶属度函数和步骤4.2.1.3、计算模糊权重ωi(xk)表示第k个输入分量属于第i类的程度。步骤4.2.2、最小二乘法辨识模糊后件参数：利用第一部分数据得到Α＝(ΦTΦ)-1XTy；步骤4.2.3、分别以第一和第二部分数据计算模型预测输出和Φopt是按照第二部分数据计算得到。反归一化后按照下式分别计算两部分数据的模型预测值与实际观测值的均方根误差RMSEtrain和RMSEopt：其中N为采样总数，yk表示k时刻实际的观测数据，表示k时刻的预测结果值。以两部分数据所计算得到的RMSE的加权平均值作为个体i的目标函数值：fiti＝t1*RMSEtrain+t2*RMSEopt其中，t1+t2＝1。步骤4.2.4、重复步骤4.2.1-4.2.3，获取种群中N0个个体的目标函数值；步骤4.3、更新所有个体的引力常数Gi；其中，G0为引力常数初始值，β为衰减系数，t为当前迭代次数，Nitmax为最大迭代次数。步骤4.4、计算所有个体的万有引力Fi和加速度ai；依据牛顿引力定理，第i个粒子受到第j个粒子的作用力为：其中，Maj是第j个粒子主动引力质量，Mpi是第i个粒子的被动引力质量，G(t)是引力时间常数，此时认为其为时变量。对第i个粒子，受到来自其他粒子引力合力用引力的随机加权和表示为：基于牛顿第二定理，粒子i产生的加速度为：其中，Mii为粒子i的惯性质量；引力及惯性质量则依据目标函数值计算。质量重的个体较质量轻的个体更为优秀。假设引力质量与惯性质量相等，根据目标函数给出粒子质量，其定义为：Mai＝Mpi＝Mii＝Mi对于极小化问题best＝minfitj，worst＝maxfitj；步骤4.5、更新所有个体的速度vi和位置Xi；randi为(0，1)之间随机数，d表示位置向量的第d维；步骤4.6、t＝t+1，如果t>Nitmax，当前最优个体位置作为终解；否则，转入步骤4.2。步骤4.7、输出最优个体位置即为模型上下超平面的最优参数、优本文档来自技高网...

【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