一种基于神经网络的短期风场风速预测方法及系统技术方案

本发明专利技术实施例公开了一种基于神经网络的短期风场风速预测方法及系统，包括：获取目标区域的历史风速数据集；对历史风速数据集进行预处理，获得历史风速波动量和历史风速趋势量；提取历史风速波动量；利用预先构建好的LSTM神经网络预测模型对历史风速趋势量进行预测，获得预测风速趋势量；预先构建好的LSTM神经网络预测模型包括利用蜻蜓算法对LSTM神经网络进行优化，获得最优参数值；将预测风速趋势量与提取的历史风速波动量进行数据融合后，输出风速的预测结果。本发明专利技术利用蜻蜓算法优化LSTM神经网络提高了神经网络的预测精度和计算效率。和计算效率。和计算效率。

【技术实现步骤摘要】
一种基于神经网络的短期风场风速预测方法及系统


[0001]本专利技术涉及短期风场风速预测方法
，具体涉及一种基于神经网络的短期风场风速预测方法及系统。

技术介绍

[0002]目前，随着微型电网、智能电网、分布式发电的出现，以及世界对能源需求量的不断增长，这些都使诸如风力和太阳能这样的洁净资源能够在电网中保持稳定。可持续发展的电力资源每年都会增加，风能已经在中国的经济发展中占有举足轻重的地位，风能又是一种环境友好、储量丰富的可再生资源。在电力市场、电力市场、电力管理、风电场优化、电力疏散等方面，由于风力资源的不稳定，对电力市场的运营、能源管理、风电场的优化、电力的疏散等都产生了不利影响，所以，对电力市场的发展具有十分关键的意义。因此，准确有效的风速预报对于大规模的风力资源的开发与利用有着重大的理论与实际应用价值，而准确的风速预报更是其中的一个关键问题。
[0003]为此，人们对风力发电的预报提出了很多新的预报手段。从模式上讲，有物理学的、统计学的、人工智能的。由于物理模拟需要大量的气象、地形等环境资料，所以通常采用物理模型进行长时间本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于神经网络的短期风场风速预测方法，其特征在于，包括：获取目标区域的历史风速数据集；对所述历史风速数据集进行预处理，利用式1获得历史风速波动量和历史风速趋势量；其中，式1为V
y
＝V
q
+V
b
，式中，V
y
为历史风速，V
q
为历史风速趋势量；V
b
为历史风速波动量；提取所述历史风速波动量；利用预先构建好的LSTM神经网络预测模型对按时间序列分布的所述历史风速趋势量进行预测，获得预测风速趋势量；其中，预先构建好的LSTM神经网络预测模型包括：利用蜻蜓算法对LSTM神经网络进行优化，获得最优参数值，将最优参数值作为LSTM神经网络预测模型的初值；其中，最优参数值包括网络层数l
h
和神经元数量g
h
；将所述预测风速趋势量与提取的所述历史风速波动量进行数据融合后，输出风速的预测结果。2.如权利要求1所述的基于神经网络的短期风场风速预测方法，其特征在于，对所述历史风速训练集进行预处理包括：利用集合经验模式分解的方式对所述历史风速进行分解，获得n个历史风速分量；其中，分解公式如式2：式2为V
y
＝V
f1
+V
f2
+V
f3
+
…
+V
fn
，式中，V
y
为历史风速分量，V
f1
为第一历史风速分量，V
f2
为第二历史风速分量，V
f3
为第三历史风速分量，V
fn
为第n历史风速分量；利用样本熵对n个所述历史风速分量进行重构计算，获得所述历史风速趋势量。3.如权利要求2所述的基于神经网络的短期风场风速预测方法，其特征在于，利用样本熵对n个所述历史风速分量进行重构计算包括：根据分解获得的n个历史风速分量，利用式3计算各个历史风速分量的样本熵值，将历史风速分量根据样本熵值从大到小依次合并，并采用偏差和峰位联合检验进行标准正态化正态分析，并将符合标准正态分布的最大历史风速分量组合作为历史风速波动量；式3为式中：m
v
为重构计算维数；r
v
为阈值；根据所述历史风速波动量，利用式4计算得出所述历史风速趋势量；其中，式4为V
q
＝V
y
‑
V
b
，式中，V
y
为历史风速，V
q
为历史风速趋势量；V
b
为历史风速波动量。4.如权利要求1
‑
3任意一项所述的基于神经网络的短期风场风速预测方法，其特征在于，利用蜻蜓算法对LSTM神经网络进行优化，包括如下步骤：初始化参数设置：LSTM神经网络的参数设置有网络层数l
h
和神经元数量g
h
，蜻蜓算法的参数设置有最大迭代次数、种群数量；设置数据集：按照相同比例设置相应的数据集，主要设置的数据集包括由若干个历史风速趋势量构成的风速趋势量训练集；初始化蜻蜓算法：蜻蜓位置初始化X、位置变化步长初始化ΔX，将网络层数l
h
和神经元数量g
h
设置为每只蜻蜓要为LSTM神经网络优化的组合，其中X矩阵的第一行存放参数网络层数l
h
的值，X矩阵的第二行存放参数神经元数量g
h
的值；
更新各权重值：根据初始化参数设置步骤中的初始值，更新s、a、c、f、e、ω'、网络层数l
h
和神经元数量g
h
；其中s为分离权重，a为排队权重，c为集合权重，f为猎食权重，e为逃避天敌权重，ω'为惯性权重；计算适应度值：根据风速趋势量训练集训练LSTM神经网络，将输出值的均方根误差E
RMSE
的倒数作为个体的适应度值M；其中，个体的适应度值M：M＝1/E
RMSE
，E
RMSE
利用式5计算得出：式5为式中，Y
o
为实际值，Y
m
为预测值；更新食物和天敌的位置；更新蜻蜓个体的位置：对蜻蜓个体的位置和位置变化步长进行更新，计算对应的蜻蜓个体的适应度值M，并与计算适应度值步骤中已保存的适应度值进行比较，具体过...

【专利技术属性】
技术研发人员：刘桂谦，张占辉，汪永超，桂艳，
申请(专利权)人：广州番禺职业技术学院，
类型：发明
国别省市：