基于BP神经网络的超短期风电功率预测方法技术

本发明专利技术涉及一种基于BP神经网络的超短期风电功率预测方法，其技术特点是：包括以下步骤：通过交叉分组方法对数据进行分组，作为BP神经网络训练过程的输入；采用修正学习速率算法进行BP神经网络训练；计算风电场的风电功率得到预测结果。本发明专利技术设计合理，其采用BP神经网络改进算法，通过在训练过程中修改学习速率的大小，解决训练过程收敛速度慢的问题，可以大大提高训练过程的收敛速度，同时采用交叉分组方法选取数据对神经网络进行训练，可以按照任意精度逼近任何连续的非线性函数，随着风电场规模的增大和风速变化的非线性增加，所采用的风电功率预测方法具有很好的鲁棒性。

【技术实现步骤摘要】
基于BP神经网络的超短期风电功率预测方法
本专利技术属于风力发电领域，尤其是一种基于BP神经网络的超短期风电功率预测方法。
技术介绍
风力发电的调度需要超短期风电功率预测技术的支持。超短期风电功率预测的定义是风电场未来15min-4h的输出功率预测，时间分辨率为15min，其对应的英文表达是 Super short term wind power prediction。风速及风电场功率的预测对象属于一个涉及因素繁多、十分复杂的非线性过程， 并且具有高度的不确定性。传统的风电功率预测方法采用时间序列法预测风速，再根据风速预测风电功率，其存在的问题是时间序列模型的建模过程十分复杂，模型定阶过程和模型参数估计的适当与否会直接影响到风速预测的误差，由于时间序列模型是线性模型，对非线性的风速预测效果不是很好，而且预测误差随着预测时间的增加而显著增加，传统预测方法的精度对风速变化的规律性有一定的依赖。采用物理模型方法进行超短期风电功率预测存在较大的误差，而且由于物理模型法需要大量的气象信息，并且建模工作十分复杂， 成本非常高。采用BP神经网络(Back-Propagation Neural Networks)算法进行超短期风电功率预测，可以在一定程度上解决风速预测中的非线性问题，但是BP算法有其自身的缺陷易形成局部极小而得不到全局最优；学习效率低，需要经过较多次的训练才能收敛，收敛速度慢；隐层节点数的选取缺乏理论指导；训练时学习新样本有遗忘旧样本的趋势。
技术实现思路
本专利技术的目的在于克服现有技术的不足，提供一种基于BP神经网络的超短期风电功率预测方法，该方法通过在训练过程中修改学习速率的大小，解决了训练过程收敛速度慢的问题，克服了风速预测中存在的非线性问题。本专利技术解决其技术问题是采取以下技术方案实现的一种基于BP神经网络的超短期风电功率预测方法，包括以下步骤(1)通过交叉分组方法对数据进行分组，作为BP神经网络训练过程的输入；(2)采用修正学习速率算法进行BP神经网络训练；(3)计算风电场的风电功率得到预测结果。而且，所述步骤C3)后还包括对预测结果进行校正的步骤，该步骤将得到的预测结果与历史最大、最小值进行比较，若大于历史最大值，或小于历史最小值，则修正其结果为历史最大值或历史最小值。而且，所述步骤(1)交叉分组方法是根据风速变化规律，用第一个周期的数据建立训练样本，用第二个周期的数据训练网络，完成一次训练后，再用第二周期的的数据建立训练样本，用第一个周期的数据训练网络。而且，所述第一个周期和第二个周期合计为一个月。而且，所述在建立训练样本时，需要对数据进行归一化处理，使输入数据变换到-1 至1之间。而且，所述的数据包括风速、风向正弦、风向余弦。而且，所述步骤( 修正学习速率算法是根据前一步的总误差函数，增加或减小学习速率。而且，所述修正学习速率算法包括以下内容(1)如果在整个训练集合中误差函数已经降低，通过乘一个大于1的系数来增加学习速率；(2)如果误差函数增加超过百分之几，通过乘一个小于1的系数来降低学习速率；(3)如果误差函数增加少于百分之几，学习速率维持不变。而且，所述的学习速率大于特定阈值ymin。而且，所述步骤(3)计算风电场的风电功率得到预测结果的方法为根据风电功率曲线计算对应风速下的风机出力，对于整个风电场的出力预测，采用逐个预测风电场中每个风机的出力，然后求和得到整个风电场的出力预测结果；或者选取其中几个有代表性的风机预测其出力，然后等效得到其他风机的出力预测结果。本专利技术的优点和积极效果是1、本方法采用BP神经网络改进算法，通过在训练过程中修改学习速率的大小，解决训练过程收敛速度慢的问题，可以大大提高训练过程的收敛速度。2、本方法采用交叉分组方法选取数据对神经网络进行训练，可以按照任意精度逼近任何连续的非线性函数，随着风电场规模的增大和风速变化的非线性增加，所采用的风电功率预测方法具有很好的鲁棒性。附图说明图1是BP神经网络模型示意图2是本专利技术BP神经网络训练过程的处理流程示意图。具体实施方式以下结合附图对本专利技术实施例做进一步详述一种基于BP神经网络的超短期风电功率预测方法，是将BP神经网络 (Back-Propagation Neural Networks)这一人工智能技术引入到风电场的超短期风电功率预测，以克服风速预测中存在的非线性问题，同时，在训练过程中修改学习速率的值的大小，解决训练过程收敛速度慢的问题，通过交叉分组方法选取数据对神经网络进行训练，随着风电场规模的增大和风速变化的非线性增加，所采用的风电功率预测方法具有很好的鲁棒性。BP神经网络(Back-Propagation Neural Networks)即多层前馈网络，是人工神经网络的一种。BP神经网络能以任意精度逼近非线性映射，具有自学习、自适应能力，具有并行处理和分布式存储的特性，具有很强的鲁棒性和容错性，因此构造出来的系统具有良好的适应性，适合处理复杂问题。BP神经网络最基本的处理单元是人工神经元，人工神经元是一个多输入、单输出的非线性元件。通常神经元的输出除了受输入信号的影响外，还受到神经元内部其他因素的影响，因此在建模时，加入一个额外输入信号，称为偏差或阈值。控制神经元的输入输出关系的是激活函数。常用的激活函数有线性型激活函数、对数S型激活函数和双曲正切S型激活函数。如图1所示，BP神经网络模型中以单隐层的三层网络应用最为普遍，其包括一个输入层(Input Layer)、一个隐层(Implicit Layer)和一个输出层(Output Layer)。本实施例以三层前馈网络为例进行说明在三层前馈网络中，设输入层、隐层、输出层神经元数分别为ηι，n2, n3，输入向量为P =(灼，A，...，凡，...,Pni)隐层输入为S = O1J2^l,...隐层输出为万= (1 ，…為，...A2Y输出层输入为丄= ΚΛ，...，(，-Jj输出层输出为C = (C15C2,…、输入层与隐层的连接权值为W =(Wijj) (i = 1,2... H1, j = 1,2... n2)隐层与输出层的连接权值为V=(Vijj) (j = l,2...n2,k= l,2...n3)则各层信号之间的数学关系为对隐层有权利要求1.一种基于BP神经网络的超短期风电功率预测方法，其特征在于包括以下步骤(1)通过交叉分组方法对数据进行分组，作为BP神经网络训练过程的输入；(2)采用修正学习速率算法进行BP神经网络训练；(3)计算风电场的风电功率得到预测结果。2.根据权利要求1所述的基于BP神经网络的超短期风电功率预测方法，其特征在于 所述步骤(3)后还包括对预测结果进行校正的步骤，该步骤将得到的预测结果与历史最大、最小值进行比较，若大于历史最大值，或小于历史最小值，则修正其结果为历史最大值或历史最小值。3.根据权利要求1所述的基于BP神经网络的超短期风电功率预测方法，其特征在于 所述步骤(1)交叉分组方法是根据风速变化规律，用第一个周期的数据建立训练样本，用第二个周期的数据训练网络，完成一次训练后，再用第二周期的的数据建立训练样本，用第一个周期的数据训练网络。4.根据权利要求3所述的基于BP神经网络的超短期风电功率预测方法，其特征在于 所述本文档来自技高网...

【技术保护点】

【技术特征摘要】

【专利技术属性】
技术研发人员：李振华，李玉志，葛少云，申刚，刘中胜，林勇，吴金玉，刘贯红，陈晓东，王涛，王君安，廖承民，
申请(专利权)人：山东电力集团公司潍坊供电公司，天津天大求实电力新技术股份有限公司，
类型：发明
国别省市：