一种风能资源数据补偿方法技术

本发明专利技术公开了一种风能资源数据补偿方法，利用鲸鱼优化算法对BP神经网络进行优化，构建数据补偿模型，通过输入气象要素，即可获得相对应的输出数据，以补偿观测期间的缺失数据。本发明专利技术利用鲸鱼优化算法在搜索寻优方面收敛速度快、精度高、且易跳出局部最优的优势，通过BP神经网络更新权值阈值的同时进行鲸鱼寻优的方式，解决BP神经网络易陷入局部最优而导致的预测精度低的问题。同时，针对BP神经网络中存在的收敛速度慢的问题，改进鲸鱼优化算法动态收敛因子，提高了算法可靠性及精度。

A Data Compensation Method for Wind Energy Resources

【技术实现步骤摘要】
一种风能资源数据补偿方法
本专利技术涉及一种风能资源数据补偿方法。
技术介绍
在风能资源的测量过程中，往往会出现数据缺失问题，相较于地面测风，海洋测风、高空测风、复杂山地测风等测风方式所测得的风能资源数据难以即时补充。而常用的预测算法，例如BP神经网络预测算法，由于其初始权值具有随机性，导致算法整体可靠性、时效性以及准确性较差，难以提供准确的数据保障。如专利号为201210460427.0的中国专利技术专利，提供了一种基于BP神经网络的风电场短期功率预测方法，其核心思想为：将风速、风向、空气密度和相对湿度作为BP神经网络输入，风电场的发电输出功率作为BP神经网络输出，利用BP神经网络预测某一时间段的风电场的发电输出功率。具体工作步骤如下：a.获取风电场所在地的包括风速、风向和空气密度的气象要素数据的历史记录及与每一记录相对的风电场发电输出功率；b.其中，将风速、风向和空气密度修正为风电机组轮毂处的风速、风向和空气密度，从而生成修正后的气象要素数据；c.将修正后的气象要素数据作为输入数据输入BP神经网络，将与每一气象要素数据对应的风电场发电输出功率作为BP神经网络的输出对BP神经网络进行训练；d.根据数值天气预报获得风电场所在地在预测时间段的包括风速、风向和空气密度的气象要素数据，并将风速、风向和空气密度修正为风电机组轮毂处的风速、风向和空气密度，从而生成修正后的气象要素数据；e.将步骤d所得的修正后的气象要素数据输入经步骤c训练后的BP神经网络，BP神经网络输出的数据即为该预测时间段的风电场的发电输出功率。轮毂处的相对湿度，以作为输入数据输入BP神经网络。整个技术方案仍旧是利用BP神经网络进行风电场的发电输出功率预测，其本质仍属于BP神经网络的范畴，将BP神经网络算法用在了风电场短期功率预测上，由于该方法存在易陷入局部最优解的问题，导致预测精度低、预测结果不可靠。基于此，本专利技术提出了一种风能资源数据补偿方法，旨在为风能资源缺失数据进行准确补偿。
技术实现思路
本专利技术的目的是提出一种风能资源数据补偿方法，利用鲸鱼优化算法在搜索寻优方面收敛速度快、精度高、且易跳出局部最优的优势，通过BP神经网络更新权值阈值的同时进行鲸鱼寻优的方式，解决由于BP神经网络易陷入局部最优导致的预测精度低的问题。同时，针对BP神经网络中存在的收敛速度慢的问题，利用鲸鱼优化算法在全局寻优能力方面的优势，改进鲸鱼优化算法动态收敛因子，提高算法可靠性。为此，本专利技术提供了一种风能资源数据补偿方法，通过基于鲸鱼优化算法的BP神经网络模型，构建数据补偿模型，以防止BP神经网络陷入局部最优，从而根据输入的气象要素模型，即可获得相对应的输出数据，以补偿观测期间的缺失数据。本专利技术的优点是：利用鲸鱼优化算法在搜索寻优方面收敛速度快、精度高、且易跳出局部最优的优势，通过BP神经网络更新权值阈值的同时进行鲸鱼寻优的方式，解决由于BP神经网络易陷入局部最优导致的预测精度低的问题。同时，针对BP神经网络中存在的收敛速度慢的问题，利用鲸鱼优化算法在全局寻优能力方面的优势，改进鲸鱼优化算法动态收敛因子，提高了算法可靠性和精度。以下将结合附图对本专利技术做进一步详细说明。附图说明图1是WOA-BP算法流程图。图2是WOA-BP预测误差图。图3是WOA-BP风速训练和测试对比图。图4是为典型三层BP神经网络结构图。图5是BP神经网络算法流程图。图6鲸鱼优化算法流程图。图7收缩环绕机制。图8螺旋位置更新机制。具体实施方式本实施例提供了一种风能资源数据补偿方法，通过实验仿真的方式，得出该方法具有可靠性强，预测结果准确等优点，且解决了BP神经网络局部极小化及算法的收敛速度慢的问题，实验数据如下。采用国家气象信息中心提供的中国国家级地面站小时值数据，采用四川省攀枝花市2019年3月16日至3月18日每隔3小时的大气压力、相对湿度、平均温度等13种数据作为模型输入，并同时获取该地区该时刻实际风速数据作为模型输出进行建模采用前128组数据训练模型。将第20组数据的大气压力、相对湿度、平均温度等13种数据作为模型输入，补偿后10组数据的风速数据。实验所得数据如图2-3及表1所示。表1WOA-BP神经网络部分风速训练表后10组数据的大气压力、相对湿度、平均温度等13种数据作为模型输入，输出对应的风速数据。实验数据表明，本专利技术数据补偿方法具有高可靠性，误差低，性能好，可为风电场的选址规划提供可靠数据基础。该风能资源数据补偿方法，主要是通过基于鲸鱼优化算法的BP神经网络模型，构建数据补偿模型，以防止BP神经网络陷入局部最优，从而根据输入的气象要素模型，即可获得相对应的输出数据，以补偿观测期间的缺失数据。为解决上述问题，本实施例提供了一种风能资源数据补偿方法，主要实现过程如图1所示，主要流程是：开始，初始化参数、建立元胞数组，计算适应度函数(误差)，判断误差是否小于最优解，如果是，则将该误差作为当前最优解，并计算A、C、P等参数，如果不是，扔继续计算A、C、P等参数，之后进行W1、B1、W2、B2的遍历迭代；判断P是否小于0.5，如果是，计算A的绝对值是否大于1，如果是，则环绕式搜索以扩大搜索范围，并输出当前最优权值阈值，如果A的绝对值是不大于1，则搜索捕食，向最优解更新搜索，直至输出当前最优解权值阈值；随后，将当前最优解存入元胞数组，重新计算当前最优解，利用梯度下降法更新W1、B1、W2、B2；此时判断是否满足最大迭代次数，如果是，则输出当前最优解及误差，结束；如果不是，则重新计算适应度函数，并顺次执行循环，直至结束；若P是否不小于0.5，则螺旋泡泡网搜索模式，扩大局部搜索，直至输出当前最优权值阈值。具体操作过程如下：步骤1：数据归一化采用premnmx归一化函数对大气压力、平均温度、相对湿度等气象数据进行归一化处理便于计算，例如，输入训练样本大气压力为761.7百帕，平均温度为-2.6摄氏度，相对湿度为65％，训练样本输出风速为0.7m/s,生成一组新的输入数据SamIn为[1,-1,-0.8231]；对风速进行归一化处理，生成另一组新的输出数据tnOut为[0.7]。其中SamIn和tnOut会随着样本数量的变化而变化；步骤2：依据归一化结果初始化神经网络参数，即图1中所示的初始化参数，建立元胞数组。对归一化后的输出数据加入数值为0.01的噪声，目的是为了防止BP神经网络过拟合，具体方法如下：a、将噪声与归一化输出数据相加，记为SamOut，如公式1所示；SamOut＝tnOut+Noise公式1b、所述噪声Noise由随机数与噪声强度相乘得到，如公式2所示；Noise＝NoiseVar*Y公式2c、所述噪声强度NoiseVar通常为0.01；d、所述随机数由公式3得到。Y＝rand()公式3依据步骤1初始化数据的个数建立BP神经网络模型，输入层节点的个数InDim(本例为3)，隐含层节点的个数HiddenUnitNum(本例为8)，输出层节点的个数OutDim(本例为1)；依据前述建立的BP神经网络模型，初始化模型参数，具体包括：所述BP神经网络模型学习率为动态学习率，如公式4所示。lr＝1-t/max_iteration公式4BP神经网络模型所采用激活函数为sigmoid函数，本文档来自技高网...

【技术保护点】
1.一种风能资源数据补偿方法，其特征在于，包括：通过改进鲸鱼优化算法对BP神经网络进行优化，得到优化过后神经网络权值阈值；根据所述优化过后神经网络权值阈值构建数据补偿模型，基于该数据补偿模型输入气象要素，以获得相对应的输出数据，从而获取补偿观测期间的缺失数据。

【技术特征摘要】
1.一种风能资源数据补偿方法，其特征在于，包括：通过改进鲸鱼优化算法对BP神经网络进行优化，得到优化过后神经网络权值阈值；根据所述优化过后神经网络权值阈值构建数据补偿模型，基于该数据补偿模型输入气象要素，以获得相对应的输出数据，从而获取补偿观测期间的缺失数据。2.如权利要求1所述的风能资源数据补偿方法，其特征在于，所述改进鲸鱼优化算法，具体是：对鲸鱼优化算法的线性收敛因子进行改进，如公式6所示，t为当前迭代次数，max_iteration为最大迭代次数。3.如权利要求2所述风能资源数据补偿方法，其特征在于，所述改进鲸鱼优化算法还包括如下过程：将误差平方和SSE作为适应度函数，计算鲸鱼种群的最小适应度值；将每头鲸鱼的适应度值与个体最优鲸鱼进行比较，得到当前最优鲸鱼位置；根据收缩环绕机制和螺旋位置更新机制完成所述鲸鱼种群位置更新；利用梯度下降法，更新当前最优鲸鱼位置的权值阈值，梯度下降法更新权值阈值，更新公式...

【专利技术属性】
技术研发人员：赵小强，郭铮，崔砚鹏，高传义，韩雪峰，高强，鲍泰宇，郑一扬，
申请(专利权)人：西安邮电大学，
类型：发明
国别省市：陕西,61