基于自适应神经模糊推理系统的风速超短期在线预测方法技术方案

本发明专利技术公开了一种基于自适应神经模糊推理系统的风速超短期在线预测方法，包括步骤：从历史数据库中提取风速数据，并进行异常检验和归一化处理；基于时间序列相关性度量标准提取训练样本集；采用ANFIS对风速时间序列进行建模，采用减法聚类确定ANFIS模型的规则数和初始参数，并采用反向传播算法和最小二乘法优化模糊模型参数；输入预测样本，计算得到预测值；加入预测值形成新的样本集，循环实现多步预测；将预测值进行反归一化处理，并进行异常检验。本发明专利技术能以较快的速度和较少的计算资源完成风速序列建模，实现风速的超短期在线预测。

【技术实现步骤摘要】
【专利摘要】本专利技术公开了一种，包括步骤：从历史数据库中提取风速数据，并进行异常检验和归一化处理；基于时间序列相关性度量标准提取训练样本集；采用ANFIS对风速时间序列进行建模，采用减法聚类确定ANFIS模型的规则数和初始参数，并采用反向传播算法和最小二乘法优化模糊模型参数；输入预测样本，计算得到预测值；加入预测值形成新的样本集，循环实现多步预测；将预测值进行反归一化处理，并进行异常检验。本专利技术能以较快的速度和较少的计算资源完成风速序列建模，实现风速的超短期在线预测。【专利说明】
本专利技术涉及风力发电并网接入
，尤其涉及一种基于自适应神经模糊推理系统(ANFIS)的风速超短期在线预测方法。
技术介绍
由于风电是一种间歇性、波动性能源，大规模的风电接入对电力系统的安全、稳定运行以及保证电能质量带来了严峻挑战。若能对风力发电场发电功率做出比较准确的预测，则可有效减轻风电对整个电网的影响，有助于电网调度部门及时制定合理的运行方式并准确地调整调度计划，从而保证电力系统的可靠、优质、经济地运行。由于风电场的发电功率受风速影响最大，而风速受温度、气压等多种因素的影响，具有很强的随机性，要实现精确的预测难度很大。针对风速时间序列的建模，通常采用的方法有:(1)持续法。这是最简单的一种方法，认为风速预测值等于最近几个风速历史值的滑动平均值，而且通常只把最近一点的风速观测值作为下一点的预测值，该方法预测结果不稳定，误差会随着时间的增加快速变大；(2)自回归滑动平均(ARMA)模型。该方法利用历史数据，经过模型识别、参数估计、模型检验来确定一个能够描述风速时间序列的数学模型，进而达到预测目的。该方法优于持续法，但由于ARMA仍是线性模型，因此预测精度有限；(3)神经网络(ANN)方法。该方法属于非线性方法，精度一般来说高于ARMA，但通常需要较多的历史样本，且建模时间较长，无法实现在线预测。因此，如何实现较高精度的风速超短期在线预测，成为本 申请人:致力于解决的问题。
技术实现思路
本专利技术的目的在于提供一种，能以较快的速度和较少的计算资源完成风速序列建模，实现风速的超短期在线预测，精度较高。实现上述目的的技术方案是:一种，包括下列步骤:步骤SI，从历史数据库中提取风速数据，并对所有风速数据完成异常检验后，进行归一化处理；步骤S2，基于时间序列相关性度量标准提取训练样本集；步骤S3，采用ANFIS对风速时间序列进行建模，模型为6维输入I维输出，采用减法聚类确定ANFIS模型的规则数和初始参数，并采用反向传播算法和最小二乘法优化模糊模型参数；步骤S4，输入预测样本，计算得到预测值； 步骤S5，判断多步预测是否完成，若是，进入步骤S7 ;若否，进入步骤S6 ；步骤S6，加入预测值形成新的样本集，并返回步骤S2 ；步骤S7，将预测值进行反归一化处理，并进行异常检验。上述的，其中，所述步骤SI包括:步骤S11，从历史数据库中提取出当前时刻之前的N+6个连续的风速时间序列值v(t)作为原始样本集，N为正整数；步骤S12，判断原始样本集中的各个风速时间序列值V (t)是否异常，若是，进入步骤S13 ;若否，进入步骤S14 ；步骤S13，对异常值v(t)进行平滑性处理，即:将前一时刻的正常数据v(t-l)代替该异常值v(t)；咖18]步骤S14，按公式【权利要求】1.一种，其特征在于，包括下列步骤: 步骤SI，从历史数据库中提取风速数据，并对所有风速数据完成异常检验后，进行归一化处理； 步骤S2，基于时间序列相关性度量标准提取训练样本集； 步骤S3，采用ANFIS对风速时间序列进行建模，模型为6维输入I维输出，采用减法聚类确定ANFIS模型的规则数和初始参数，并采用反向传播算法和最小二乘法优化模糊模型参数； 步骤S4，输入预测样本，计算得到预测值； 步骤S5，判断多步预测是否完成，若是，进入步骤S7 ;若否，进入步骤S6 ； 步骤S6，加入预测值形成新的样本集，并返回步骤S2 ； 步骤S7，将预测值进行反归一化处理，并进行异常检验。2.根据权利要求1所述的，其特征在于，所述步骤SI包括: 步骤S11，从历史数据库中提取出当前时刻之前的N+6个连续的风速时间序列值V(t)作为原始样本集，N为正整数； 步骤S12，判断原始样本集中的各个风速时间序列值V (t)是否异常，若是，进入步骤S13 ;若否，进入步骤S14 ； 步骤S13，对异常值v(t)进行平滑性处理，即:将前一时刻的正常数据v(t-l)代替该异常值v(t)； 步骤S14,按公式 3.根据权利要求2所述的， 其特征在于，所述步骤S12中，若v(t)满足条件 4.根据权利要求2所述的，其特征在于，所述步骤S2指: 将归一化后的N+6个连续的风速时间序列(X1, X2, X3, *.., xN+5, xN+6}分解成N+1个6维的矢量IV1,…，VN+1},得:5.根据权利要求1或4所述的，其特征在于，步骤S3包括: 步骤S31，采用ANFIS对风速时间序列进行建模，得: 6.根据权利要求5所述的，其特征在于， 所述的 7.根据权利要求5所述的，其特征在于，所述步骤S4具体指: 判断得到的最优模糊规则条数n，若规则数为一条，则采用持续法预测； 若规则数多于一条，则将预测样本VN+1输入到模型，得到预测值xN+7:若O ( xN+7 < I，则表示该预测值有效，否则，仍采用持续法预测。8.根据权利要求1所述的，其特征在于，所述步骤S7具体包括:步骤 S71,按照公式:P (t) =x (t) * (max (v (t)) -min (v (t))) +min (v (t))对得到的预测值进行反归一化处理；其中，x(t)是预测值，P(t)是反归一化后的数据，min (V (t))指提取出的所有原始风速数据值中的最小值，max(v(t))指提取出的所有原始风速数据值中的最大值； 步骤S72，判断反归一化处理得到的各预测风速P(t)是否异常，若是，进入步骤S73 ;若否，则结束； 步骤S73，对异常值P(t)进行平滑性处理，即:将前一时刻的正常数据P(t-l)代替该异常值P(t)。9.根据权利要求8所述的，其特征在于，所述步骤S72中，若P (t)满足条件: 【文档编号】G06N3/02GK103559540SQ201310571081【公开日】2014年2月5日 申请日期:2013年11月13日 优先权日:2013年11月13日 【专利技术者】李卫, 席林, 佘慎思, 杨文斌, 曾旭 申请人:上海电气集团股份有限公司本文档来自技高网...

【技术保护点】
一种基于自适应神经模糊推理系统的风速超短期在线预测方法，其特征在于，包括下列步骤：步骤S1，从历史数据库中提取风速数据，并对所有风速数据完成异常检验后，进行归一化处理；步骤S2，基于时间序列相关性度量标准提取训练样本集；步骤S3，采用ANFIS对风速时间序列进行建模，模型为6维输入1维输出，采用减法聚类确定ANFIS模型的规则数和初始参数，并采用反向传播算法和最小二乘法优化模糊模型参数；步骤S4，输入预测样本，计算得到预测值；步骤S5，判断多步预测是否完成，若是，进入步骤S7；若否，进入步骤S6；步骤S6，加入预测值形成新的样本集，并返回步骤S2；步骤S7，将预测值进行反归一化处理，并进行异常检验。

【技术特征摘要】

【专利技术属性】
技术研发人员：李卫，席林，佘慎思，杨文斌，曾旭，
申请(专利权)人：上海电气集团股份有限公司，
类型：发明
国别省市：