一种基于平行小波神经网络的风力发电功率预测方法技术

本发明专利技术属于分布式能源发电控制的技术领域，具体涉及一种基于平行小波神经网络的风力发电功率预测方法，包括：1)获取风电场的条件参数和风电输出功率数据；2)构建预测样本的训练数据集及测试数据集；3)构建并训练平行神经网络模型；4)平行神经网络模型训练完成，投入使用。本发明专利技术缩短了神经网络的训练时间，既保留了传统小波神经网络在进行时序预测中的优点，又解决了小波神经网络参数难以确定的缺点，提升了其预测精度。

【技术实现步骤摘要】
一种基于平行小波神经网络的风力发电功率预测方法
本专利技术属于分布式能源发电控制的
，具体涉及一种基于平行小波神经网络的风力发电功率预测方法。
技术介绍
风力发电是一种绿色可再生能源，随着环境的恶化，风能成为最具吸引力的可再生能源，逐渐受到各国的重视并在全球范围内快速发展。短期风力发电预测对于风力发电系统的规划及设计、电网的调度等问题起着至关重要的作用。由于风能具有间歇性和随机性，因此风力发电具有较强的非线性及不稳定性，相对于短期电力负荷预测而言难度更大，如何快速准确的预测风力发电功率成为了研究的热点。风力发电预测能为风电场设备规划以及电力调度提供可靠的信息，由于风力发电具有较强的随机性和非线性，而小波神经网络在非稳定时间序列的预测方面具有较好的性能，因此本文选取小波神经网络来作为风力发电功率预测的手段。小波神经网络结合了小波分析与神经网络的优点，具有较强的函数逼近效果、较好的局部特性以及良好的学习能力，在时序预测当中有良好的预测效果。但是由于小波神经网络的权值、尺度伸缩因子、时间平移因子不仅会对预测精度造成影响，甚至会影响到网络能否收敛，因此，如何得到合适的参数成为研究的重点本文档来自技高网...

【技术保护点】
1.一种基于平行小波神经网络的风力发电功率预测方法，其特征在于，包括以下步骤：步骤1：构建平行小波神经网络，其由左侧小波神经网络L‑WNN与右侧小波神经网络R‑WNN组成；步骤2：采集风电场任意关键位置的相关数据，包括条件参数和风力发电功率；其中条件参数为影响风力发电功率的因素，风力发电功率通过风电场数据采集获得；步骤3，根据所述相关数据，构建预测样本的训练数据集和测试数据集；所述训练数据集为各个时刻的条件参数的数据集，即包括时刻T1、T2、T3……Tn所对应的条件参数的数据集；所述测试数据集为所述各个时刻后的第K个时刻所对应的风力发电功率的数据集，即包括时刻T1+k、T2+k、T3+k……T...

【技术特征摘要】
1.一种基于平行小波神经网络的风力发电功率预测方法，其特征在于，包括以下步骤：步骤1：构建平行小波神经网络，其由左侧小波神经网络L-WNN与右侧小波神经网络R-WNN组成；步骤2：采集风电场任意关键位置的相关数据，包括条件参数和风力发电功率；其中条件参数为影响风力发电功率的因素，风力发电功率通过风电场数据采集获得；步骤3，根据所述相关数据，构建预测样本的训练数据集和测试数据集；所述训练数据集为各个时刻的条件参数的数据集，即包括时刻T1、T2、T3……Tn所对应的条件参数的数据集；所述测试数据集为所述各个时刻后的第K个时刻所对应的风力发电功率的数据集，即包括时刻T1+k、T2+k、T3+k……Tn+k所对应的风力发电功率的数据集；其中，n为神经网络的迭代次数，k为设定值；将所述训练数据集中的条件参数作为L-WNN和R-WNN的输入，将所述测试数据集中的风力发电功率作为L-WNN和R-WNN的期望输出；步骤4，将L-WNN和R-WNN的参数进行初始化，分别开始进行训练；步骤4.1：对R-WNN参数迭代更新；步骤4.1.1：对右侧小波神经网络R-WNN的权值W1R(n)及W2R(n)进行调整，即ER(n)＝D(n)-OR(n)其中，n为神经网络的迭代次数；OR(n)为R-WNN的预测输出；D(n)为与OR(n)对应的期望输出；ER(n)为R-WNN的预测误差；lr1R表示R-WNN的权重学习率；W1R(n)为R-WNN的输入层与隐含层之间的权值；W2R(n)为R-WNN的隐含层及输出层之间的权值；步骤4.1.2：对R-WNN小波基函数的参数进行调整，即其中，a2R(n)为R-WNN小波基函数的伸缩因子；b2R(n)为R-WNN小波基函数的时间平移因子；ER(n)为R-WNN的预测误差；lr2R表示小波基函数尺度伸缩因子及时间平移因子的学习率；步骤4.2：对左侧小波神经网络L-WNN参数迭代更新；步骤4.2.1：对L-WNN的权值W1L(n)及W2L(n)进行调...

【专利技术属性】
技术研发人员：王炳达，柳义鹏，刘丕丕，高浩源，邢作霞，
申请(专利权)人：王炳达，
类型：发明
国别省市：辽宁,21