一种基于神经网络外推的风速概率模型的建模方法技术

本发明专利技术为一种基于神经网络外推的风速概率模型的建模方法，该建模方法包括以下内容：将风电场多年的历史风速数据进行分解，获得多个不同频率的风速分量，然后将多个风速分量重构为风速低频分量和风速高频分量；针对风速低频分量建立广义的风速

【技术实现步骤摘要】
一种基于神经网络外推的风速概率模型的建模方法


[0001]本专利技术属于风力发电领域，具体涉及一种基于神经网络外推的风速概率模型的建模方法，根据风速历史数据，采用概率学的统计方法对风速进行建模并采用神经网络对风速模型进行外推。

技术介绍

[0002]风力发电是现如今中国能源结构的重要组成部分，准确的风能预测对于电力系统的安全稳定运行具有重要意义，电网根据风速预测结果制定调度计划、调节电网频率，确保电网稳定和供电质量；风电场根据风速预测结果调整风机来提高发电效益。
[0003]风速模型的准确建立是风速预测的基础，风速具有不确定性的特点，由于其随机性和波动性导致风速的建模困难，为简化模型并且提高模型准确度，可将分解重构后的风速分量分别建立模型。为此，将风速分解重构为具有一定规律的低频分量和随机性强的高频分量，然后分别建立模型来描述风速的波动性和随机性；既可以简化建模，也可以提高模型准确度。
[0004]风速的概率建模方法是对大量的历史风速数据进行分析统计，得到其概率模型的方法，现有概率方法大多直接对历史风速数据的概率分布进行分析，历本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于神经网络外推的风速概率模型的建模方法，该建模方法包括以下内容：将风电场多年的历史风速数据进行分解，获得多个不同频率的风速分量，然后将多个风速分量重构为风速低频分量和风速高频分量；针对风速低频分量建立广义的风速
‑
变化量的联合概率密度模型：利用区间风速和风速变化量在小风速区间内建立风速
‑
变化量联合概率密度模型；利用第一神经网络对风速
‑
变化量联合概率密度模型进行外推，获得大风速区间内的概率密度、区间风速、风速变化量三者关联的离散数据点，采用分布模型对离散数据点进行拟合获得大风速区间下的每一区间风速V
t
下对应的风速变化量ΔV
t
的概率密度曲线f
j
，概率密度曲线中的分布模型的参数分别与区间风速进行拟合，再利用粒子群算法对拟合后的表达式中的参数进行优化，进而得到大风速区间下的概率密度函数表达式，即广义的风速
‑
变化量的联合概率密度模型；针对风速高频分量建立广义的通用描述模型：将小风速区间内的风度低频分量重新进行更密集的区间风速的划分，找出每个低频分量的区间风速值对应的高频分量V
f
，带着高频分量V
f
对低频分量的区间风速值从小到大排序，分别获得每个低频分量的区间风速值对应的风速高频分量的最大、最小值，记为V
f_max
和V
f_min
；利用第四、第五神经网络分别对风速高频分量的最大值、最小值进行外推，获得大风速区间下的风速高频分量V
f
的最大值、最小值与相应区间风速的离散数据点；对大风速区间下的风速高频分量V
f
的最大值、最小值与风速低频分量的区间风速值的函数关系进行拟合，并通过粒子群算法对其函数关系中的参数进行优化得到广义的风速高频分量的最值与低频分量的区间风速值的函数关系；将每个区间风速下风速高频分量V
f
标幺化到[0，1]，将风速高频分量表达为与风速低频分量的关系，即为广义的风速高频分量的通用描述模型。2.根据权利要求1所述的建模方法，其特征在于，第一神经网络在训练时设置区间约束进行第一神经网络的修正，具体区间约束函数的建立过程是：将小风速区间内的风度低频分量重新进行更密集的区间风速的划分，将风速变化量按照低频分量的区间风速值进行分组并带着风速变化量对风速的低频分量从小到大进行排序，分别统计每个低频分量的区间风速值对应风速变化量ΔV
t
的最大、最小值，分别记为和将风速低频分量的区间风速值为输入，与其对应的风速变化量ΔV
t
的最大值为目标输出，训练第二神经网络；将风速低频分量的区间风速值为输入，与其对应的风速变化量ΔV
t
的最小值为目标输出，训练第三神经网络；通过第二神经网络和第三神经网络实现对风速变化量区间的外推，得到大风速区间下对应的风速变化量ΔV
t
的最大值、最小值；将大风速区间下的风速低频分量的区间风速值与其对应的风速变化量ΔV
t
最大值、最小值的函数关系进行拟合，得到每个低频分量的区间风速值下风速变化量的区间约束，并通过粒子群算法分别进行优化，得到优化后的风速变化量的区间约束。3.根据权利要求1所述的建模方法，其特征在于，所述第一神经网络的输入为区间风速
和风速变化量的数据，输出为概率密度值；风速变化量的数据确定过程是：统计小风速区间下的历史数据中风速变化量的范围，记风速变化量的范围在区间[a，b]内，其中a、b为常数，将区间[a，b]按照固定间隔g等分为s个小区间，以每个小区间中点风速变化量数值作为该小区间的风速变化量的数据，风速变化量的数据记为ΔV
t_k
，(k＝1，2
…
，s)，将其作为第一神经网络的一个输入量。4.根据权利要求1所述的建模方法，其特征在于，所述第四、第五神经网络的输入均为更密集划分后的区间风速值，目标输出分别为与更密集划分后的区间风速值对应的风速高频分量V
f
的最大值和最小值。5.一种基于神经网络外推的风速概率模型的建模方法，将风电场多年的历史风速数据进行分解，获得多个不同频率的风速分量，然后将多个风速分量重构为风速低频分量和风速高频分量；其特征在于，该建模方法还包括下述内容：1)针对风速低频分量，建立风速
‑
变化量联合概率密度模型：计算风速的时间序列中相邻两风速点的风速变化量得到风速的变化量ΔV
t
；将连续的风速低频分量的数据进行多区间划分，所划分的区间数记为m，以区间中点V
t_j
作为该区间风速值，然后带着变化量ΔV
t
对区间风速进行从小到大的排序；分别统计每个区间风速下风速变化量的个数，生成风速变化量的频数分布直方图，然后取直方图中点生成频数分布折线图，进而可得风速变化量的频率分布直方图和折线图；由频率分布直方图和折线图获得每个区间风速下的变化量的分布模型，通过分布模型拟合出每个区间风速下的变化量的概率密度函数，进而得到区间风速从V
t_1
到V
t_m
的范围内的变化量的概率密度曲线，生成风速
‑
变化量联合概率密度三维图，即为风速
‑
变化量联合概率密度模型；2)基于第一神经网络对风速
‑
变化量联合概率密度模型进行外推：统计步骤1)中的风速变化量的范围，记风速变化量的范围在区间[a，b]内，其中a、b为常数，将区间[a，b]按照固定间隔g等分为s个小区间，以每个小区间中点风速变化量数值作为该小区间的风速变化量的数据，风速变化量的数据记为ΔV
t_k
，(k＝1，2
…
，s)，将其作为第一神经网络的一个输入量；以步骤1)确定的区间风速V
t_j
的数据导出作为第一神经网络的另一个输入量；将(V
t_j
，ΔV
t_k
)带入风速
‑
变化量联合概率密度模型获得相应的概率密度值得到对应的一组概率密度数据，以该概率密度数据作为第一神经网络的目标输出；基于历史数据以构成的数据集训练第一神经网络，利用训练好的第一神经网络来预测更大风速值所对应的概率密度值，得到区间风速从V
t_1
～V
t_n
之间的离散的数据点，采用高斯分布分别拟合每一区间风速V
t
下对应的风速变化量ΔV
t
的概率密度曲线f
j
，j＝1，2，3
……
n，得到区间风速从V
t_1
到V
t_n
的范围内的概率密度函数；实现概率密度模型从区间风速V
t_1
～V
t_m
到风速V
t_1
～V
t_n
的外推，其中n＞m；再对每个区间风速下对应风速变化量ΔV
t
的概率密度曲线中的一组高斯分布参数分别与区间风速进行拟合，再利用粒子群算法对拟合后的表达式中的参数进行优化，进而得到风速从V
t_1
到V
t_n
的范围内的概率密度函数表达式，即广义的风速
‑
变化量的联合概率密度模型；3)建立风速低频分量的风速变化量...

【专利技术属性】
技术研发人员：张家安，王军燕，王向伟，
申请(专利权)人：华能新能源股份有限公司河北分公司，
类型：发明
国别省市：