CN102542133A - 风电场短时风速预测方法及系统 - Google Patents

Abstract

本发明提供一种风电场短时风速预测方法及系统。该风电场短时风速预测方法，包括如下步骤：采集初始风速数据；采用多孔小波变换将所述初始风速数据分解为初始低频风速数据和初始高频风速数据；利用BP神经网络建立高频风速预测模型，将初始高频风速数据输入所述高频风速预测模型，计算得到预测高频风速数据；利用BP神经网络建立低频风速预测模型，将初始低频风速数据输入所述低频风速预测模型，计算得到预测低频风速数据；及采用多孔小波逆变换法将所述预测高频风速数据和所述预测低频风速数据进行重构，获得风速预测值。上述风电场短时风速预测方法具有预测数据较为精确的优点。

Description

风电场短时风速预测方法及系统

【技术领域】

本发明涉及风速预测技术领域，尤其涉及一种风电场短时风速预测系统及方法。

【背景技术】

随着环保问题的日益突出，能源供应的渐趋紧张，风力发电作为一种清洁的可再生能源的发电方式，越来越受到世界各国的欢迎和重视。我国幅员辽阔，拥有丰富的风能资源，因此，近几年来我国的风力发电事业得到了很快的发展。

随着风力发电技术的不断发展，风电单机容量和并网型风电场的规模都在不断增加，在电力需求中所占比例也越来越大。这个趋势致使风力发电对电网的影响越来越明显。为了满足供电需求，保证电网稳定运行和供电系统的可靠性，必须对供电系统进行有效的计划和调度。而风力发电本身所特有的间歇性和不确定性，增加了对电网计划和调度的难度。为了解决风电场发电量不稳定的问题，必须加大供电系统的旋转备用容量(特指运行正常的发电机组维持额定转速，随时可以并网，或者已并网运行仅带一部分负荷，随时可以增加出力至额定的发电机组)。旋转备用容量的增加间接地增加了风力发电的运营整体成本。所以需要对大型风电场风速进行预测，通过对风电场风速进行短期和中期的准确预测，可以大幅降低电网旋转备用容量，从而有效降低风力发电系统成本，并且为电网运行调度提供可靠的依据。

传统的风速预测方法有时间序列法、神经网络法、卡尔曼滤波法等。而时间序列法具有低阶模型预测精度低、高阶模型参数固定难度大的不足；而神经网络法也存在收敛速度慢、隐节点的选取缺乏理论指导、训练数据庞大等缺陷；卡尔曼滤波方法又存在建立卡尔曼状态方程和测量方程较困难的不足，且对复杂的非线性系统难以准确预测。因此传统的风速预测方法预测的准确度不高。

【发明内容】

基于此，有必要提供一种能提高预测准确度的风电场短时风速预测方法及系统。

一种风电场短时风速预测方法，包括如下步骤：步骤一、采集初始风速数据；步骤二、采用多孔小波变换将所述初始风速数据分解为初始低频风速数据和初始高频风速数据；步骤三、利用BP神经网络建立高频风速预测模型，将所述初始高频风速数据输入所述高频风速预测模型，计算得到预测高频风速数据；步骤四、利用BP神经网络建立低频风速预测模型，将所述初始低频风速数据输入所述低频风速预测模型，计算得到预测低频风速数据；及步骤五、采用多孔小波逆变换法将所述预测高频风速数据和所述预测低频风速数据进行重构，获得风速预测值。

在优选的实施例中，所述步骤二中采用如下公式得到初始低频风速数据和初始高频风速数据：

设初始风速数据的风速序列为X₀＝{x₁，x₂，…x_t-1}，其中，x_t是t时刻的风速数据；

则初始低频风速的风速序列为X₁＝X₀*H，且

初始高频风速的风速序列为D＝X₀-X₁；

其中H为低频滤波器。

在优选的实施例中，所述步骤三为：

(1)、将步骤二得到的初始高频风速的风速序列D作为训练数据通过隐含层节点作用于输出层节点，经过如下非线形变换，产生输出数据Y_k；

O_j＝f(∑w_i，jD_i)-θ_i；

Y_k＝f(∑T_j，kO_j)-θ_k；

其中，O_j为隐含层节点j处的输出值；f(x)＝1/(1+e^-x)；w_i，j为连接输入层节点i与隐含层节点j的权值，其初始值由系统随机给定；θ_i为输入层节点i处的阈值，其初始值由系统随机给定；Y_k为输出层节点k处的输出值；Y_j，k为连接隐含层节点j与输出层节点k处的权值，其初始值由系统随机给定；θ_k为输出层节点k处的阈值，其初始值由系统随机给定；

(2)、神经网络输出值Y_k与期望输出值t_k之间的偏差，通过调整权值w_i，j、T_j，k以及阈值θ_i、θ_k，使误差沿梯度方向下降；经过反复学习训练，确定与最小误差相对应权值和阈值，训练即停止；

误差的计算公式为： $E=\frac{1}{2}\underset{k}{\mathrm{\Σ}}{(Y_k-t_k)}^2\text{;}$

调整的权值w_i，j计算公式为：w_i，j(n+1)＝ηδ_i，j+w_i，j(n)；

其中：η为学习因子，0＜η＜1；n为学习次数；δ_i，j表示误差对权值w_i，j的负梯度；

权值T_j，k的计算公式为：

其中：η为学习因子，0＜η＜1；n为学习次数；

表示误差对T_j，k的负梯度；

阈值θ_i的计算公式为：θ_i(n+1)＝ηδ_i+θ_i(n)；

其中：η为学习因子，0＜η＜1；n为学习次数；δ_i表示误差对阈值θ_i的负梯度；

阈值θ_k的计算公式为：θ_k(n+1)＝ηδ_k+θ_k(n)；

其中：η为学习因子，0＜η＜1；n为学习次数；δ_k表示误差对阈值θ_k的负梯度；

(3)、将(2)中确定的权值和阈值作为预测数据的权值和阈值代入(1)中进行计算，得到预测高频风速数据D^f。

在优选的实施例中，所述步骤四为：

(1)、将步骤二得到的初始低频风速的风速序列X₁作为训练数据通过隐含层节点作用于输出层节点，经过如下非线形变换，产生输出数据Y_1k；

Q_1j＝f(∑w_1i，jX_1i)-θ_1i；

Y_1k＝f(∑T_1j，kO_1j)-θ_1k；

其中，O_1j为隐含层节点j处的输出值；f(x)＝1/(1+e^-x)；w_1i，j为连接输入层节点i与隐含层节点j的权值，其初始值由系统随机给定；θ_1i为输入层节点i处的阈值，其初始值由系统随机给定；Y_1k为输出层节点k处的输出值；T_1j，k为连接隐含层节点j与输出层节点k处的权值，其初始值由系统随机给定；θ_1k为输出层节点k处的阈值，其初始值由系统随机给定；

(2)、神经网络输出值Y_1k与期望输出值t_1k之间的偏差，通过调整权值w_1i，j、T_j，k以及阈值θ_1i、θ_1k，使误差沿梯度方向下降；经过反复学习训练，确定与最小误差相对应权值和阈值，训练即停止；

误差的计算公式为： $E_1=\frac{1}{2}\underset{k}{\mathrm{\Σ}}{(Y_{1k}-t_{1k})}^2\text{;}$

调整的权值w_i，j计算公式为：w_1i，j(n+1)＝ηδ_1i，j+w_1i，j(n)；

其中：η为学习因子，0＜η＜1；n为学习次数；δ_1i，j表示误差对权值w_1i，j的负梯度；

权值T_1j，k的计算公式为：

其中：η为学习因子，0＜η＜1；n为学习次数；

表示误差对T_1j，k的负梯度；

阈值θ_1i的计算公式为：θ_1i(n+1)＝ηδ_1i+θ_1i(n)；

其中：η为学习因子，0＜η＜1；n为学习次数；δ_1i表示误差对阈值θ_i的负梯度；

阈值θ_1k的计算公式如下：θ_1k(n+1)＝ηδ_1k+θ_1k(n)；

其中：η为学习因子，0＜η＜1；n为学习次数；δ_1k表示误差对阈值θ_1k的负梯度；

(3)、将(2)中确定的权值和阈值作为预测数据的权值和阈值代入(1)中进行计算，得到预测低频风速数据

在优选的实施例中，η＝0.1；n＝2000。

在优选的实施例中，步骤五中所述风速预测值为：

$X^f=X_1^f+D^f.$

一种风电场短时风速预测系统，包括：初始风速采集模块，用于采集初始风速数据；初始风速分解模块，用于采用多孔小波变换将所述初始风速数据分解为初始低频风速数据和初始高频风速数据；高频风速预测模块，用于利用BP神经网络建立高频风速预测模型，将所述初始高频风速数据输入所述高频风速预测模型，计算得到预测高频风速数据；低频风速预测模块，用于利用BP神经网络建立低频风速预测模型，将所述初始低频风速数据输入所述低频风速预测模型，计算得到预测低频风速数据；及预测风速重构模块，用于采用多孔小波逆变换法将所述预测低频风速数据和所述预测高频风速数据进行重构，获得风速预测值。

在优选的实施例中，所述初始风速分解模块采用如下公式得到初始低频风速数据和初始高频风速数据：

设初始风速数据的风速序列为X₀＝{x₁，x₂，…x_t-1}，其中，x_t是t时刻的风速数据；

则初始低频风速的风速序列为X₁＝X₀*H，且

初始高频风速的风速序列为D＝X₀-X₁；

其中H为低频滤波器。

在优选的实施例中，所述高频风速预测模块采用如下方法计算得到预测高频风速数据：

(1)、将所述初始风速分解模块得到的初始高频风速的风速序列D作为训练数据通过隐含层节点作用于输出层节点，经过如下非线形变换，产生输出数据Y_k；

O_j＝f(∑w_i，jD_i)-θ_i；

Y_k＝f(∑T_j，kO_j)-θ_k；

其中，O_j为隐含层节点j处的输出值；f(x)＝1/(1+e^-x)；w_i，j为连接输入层节点i与隐含层节点j的权值，其初始值由系统随机给定；θ_i为输入层节点i处的阈值，其初始值由系统随机给定；Y_k为输出层节点k处的输出值；T_j，k为连接隐含层节点j与输出层节点k处的权值，其初始值由系统随机给定；θ_k为输出层节点k处的阈值，其初始值由系统随机给定；

(2)、神经网络输出值Y_k与期望输出值t_k之间的偏差，通过调整权值w_i，j、T_j，k以及阈值θ_i、θ_k，使误差沿梯度方向下降；经过反复学习训练，确定与最小误差相对应权值和阈值，训练即停止；

误差的计算公式为： $E=\frac{1}{2}\underset{k}{\mathrm{\Σ}}{(Y_k-t_k)}^2\text{;}$

调整的权值w_i，j计算公式为：w_i，j(n+1)＝ηδ_i，j+w_i，j(n)；

其中：η为学习因子，0＜η＜1；n为学习次数；δ_i，j表示误差对权值w_i，j的负梯度；

权值T_j，k的计算公式为：

其中：η为学习因子，0＜η＜1；n为学习次数；表示误差对T_j，k的负梯度；

阈值θ_i的计算公式为：θ_i(n+1)＝ηδ_i+θ_i(n)；

其中：η为学习因子，0＜η＜1；n为学习次数；δ_i表示误差对阈值θ_i的负梯度；

阈值θ_k的计算公式为：θ_k(n+1)＝ηδ_k+θ_k(n)；

其中：η为学习因子，0＜η＜1；n为学习次数；δ_k表示误差对阈值θ_k的负梯度；

(3)、将(2)中确定的权值和阈值作为预测数据的权值和阈值代入(1)中进行计算，得到预测高频风速数据D^f。

在优选的实施例中，所述低频风速预测模块采用如下方法计算得到预测低频风速数据：

(1)、将所述初始风速分解模块得到的初始低频风速的风速序列X₁作为训练数据通过隐含层节点作用于输出层节点，经过如下非线形变换，产生输出数据Y_k；

O_1j＝f(∑w_1i，jX_1i)-θ_1i；

Y_1k＝f(∑T_1j，kO_1j)-θ_1k；

其中，O_1j为隐含层节点j处的输出值；f(x)＝1/(1+e^-x)；w_1i，j为连接输入层节点i与隐含层节点j的权值，其初始值由系统随机给定；θ_1i为输入层节点i处的阈值，其初始值由系统随机给定；Y_1k为输出层节点k处的输出值；T_1j，k为连接隐含层节点j与输出层节点k处的权值，其初始值由系统随机给定；θ_1k为输出层节点k处的阈值，其初始值由系统随机给定；

(2)、神经网络输出值Y_1k与期望输出值t_1k之间的偏差，通过调整权值w_1i，j、T_j，k以及阈值θ_1i、θ_1k，使误差沿梯度方向下降；经过反复学习训练，确定与最小误差相对应权值和阈值，训练即停止；

误差的计算公式为： $E_1=\frac{1}{2}\underset{k}{\mathrm{\Σ}}{(Y_{1k}-t_{1k})}^2\text{;}$

调整的权值w_i，j计算公式为：w_1i，j(n+1)＝ηδ_1i，j+w_1i，j(n)；

其中：η为学习因子，0＜η＜1；n为学习次数；δ_1i，j表示误差对权值w_1i，j的负梯度；

权值T_1j，k的计算公式为：

其中：η为学习因子，0＜η＜1；n为学习次数；表示误差对T_1j，k的负梯度；

阈值θ_1i的计算公式为：θ_1i(n+1)＝ηδ_1i+θ_1i(n)；

其中：η为学习因子，0＜η＜1；n为学习次数；δ_1i表示误差对阈值θ_i的负梯度；

阈值θ_1k的计算公式如下：θ_1k(n+1)＝ηδ_1k+θ_1k(n)；

其中：η为学习因子，0＜η＜1；n为学习次数；δ_1k表示误差对阈值θ_1k的负梯度；

(3)、将(2)中确定的权值和阈值作为预测数据的权值和阈值代入(1)中进行计算，得到预测低频风速数据

在优选的实施例中，η＝0.1；n＝2000。

在优选的实施例中，所述预测风速重构模块采用如下公式计算得到所述风速预测值：

$X^f=X_1^f+D^f.$

上述风电场短时风速预测系统利用初始风速分解模块将风速分解为低频风速和高频风速，由此可以在不同频率尺度上对风速进行预测，避免高频风速的过拟合现象，因此能够得到较高精度的风速预测数据。

【附图说明】

图1为一个实施方式的风电场短时风速预测系统的结构示意图；

图2为图1中高频风速预测模块的模型图；

图3为一个实施方式的风电场短时风速预测方法的流程图；

图4为实施例1的预测效果图；

图5为实施例1的预测误差图；

图6为实施例2的预测效果图；

图7为实施例2的预测误差图；

图8为实施例3的预测效果图；

图9为实施例3的预测误差图。

【具体实施方式】

下面将结合附图及实施例对风电场短时风速预测系统和方法作进一步的详细说明。

针对现有预测方法的不足，本申请提出了一种多孔小波变换和BP(Back-Propagation，前馈)神经网络结合的方法。由于风速序列固有的波动性和周期性，可以看作多个不同频率分量的叠加。因此，在对风速序列进行频域分解的基础上，根据各频率分量的特点进行建模是提高预测精度的有效途径。本申请采用多孔小波变换将风速数据分解为低频风速和高频风速，并由BP神经网络模型对低频风速和高频风速分别进行预测，然后采用多孔小波重构模型对预测风速进行重构，由此得到较高精度的风速预测数据。本系统对复杂的非线性系统也可以进行较高精度的预测。

请参阅图1，一实施方式的风电场短时风速预测系统100，包括：初始风速采集模块10，用于采集初始风速数据；初始风速分解模块20，用于采用多孔小波变换将所述初始风速数据分解为初始低频风速数据和初始高频风速数据；高频风速预测模块30，用于利用BP神经网络建立高频风速预测模型，将初始高频风速数据输入高频风速预测模型，计算得到预测高频风速数据；低频风速预测模块40，用于利用BP神经网络建立低频风速预测模型，将初始低频风速数据输入低频风速预测模型，计算得到预测低频风速数据；及预测风速重构模块50，用于采用多孔小波逆变换法将预测低频风速数据和预测高频风速数据进行重构，获得风速预测值。

初始风速采集模块10利用侧风塔观测数据作为初始数据，观测数据包括每隔一段时间(例如10分钟)一次的风速、风向、温度和气压等数据。然后上述观测数据被整理成连续的时间序列X₀＝{x₁，x₂，…x_t-1}，其中，x_t是t时刻的风速数据。

初始风速分解模块20采用如下公式得到初始低频风速数据和初始高频风速数据：

X₁＝X₀*H

D＝X₀-X₁

其中，X₁为初始低频风速的风速序列；D为初始高频风速的风速序列；H为低频滤波器。

设H＝[h₁，h₂，....h_l]，其中l为低频滤波器的长度，则H与尺度函数

满足：

其中x为任意的整数。

如果低频滤波器系数h还满足下列限制条件，则可以作为多孔小波的低频滤波器：

其中，δ(k)为狄拉克δ函数。k为任意的整数。

本实施方式中，

H＝[-0.1629 0.5055 -0.4461 -0.0198 0.1323 0.0218 -0.0233 -0.0075]。当然，H也为其他低频滤波器。例如，H＝[0.125 0.375 0.375 0.125]。

高频风速预测模块30是基于BP神经网络算法构建的模块。BP神经网络是一种按误差逆传播算法训练的多层前馈网络，是目前应用最广泛的神经网络模型之一。BP神经网络能学习和存贮大量的输入-输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程。它的学习规则是使用最速下降法，通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小。另外，BP神经网络可以不用考虑风速数据的背景信息，只需根据风速数据的统计特征就可以建立预测模型。请参阅图2，所示为高频风速预测模块30的模型图。由图可知，BP神经网络由输入层、隐含层和输出层组成。每一个神经元用一个节点表示。隐含层可为一层或多层，每一层的神经元仅通过权值与下一层的神经元相连接，本层内的神经元之间无相互连接。

高频风速预测模块30采用如下方法计算得到预测高频风速数据：

(1)、将初始风速分解模块20得到的初始高频风速的风速序列D作为训练数据通过隐含层节点作用于输出层节点，经过如下非线形变换，产生输出数据Y_k；

O_j＝f(∑w_i，jD_i)-θ_i；

Y_k＝f(∑T_j，kO_j)-θ_k；

其中，O_j为隐含层节点j处的输出值；f为非线性作用函数，本实施方式采用Sigmoid函数，即f(x)＝1/(1+e^-x)；w_i，j为连接输入层节点i与隐含层节点j的权值，其初始值由系统随机给定；θ_i为输入层节点i处的阈值，其初始值由系统随机给定；Y_k为输出层节点k处的输出值；T_j，k为连接隐含层节点j与输出层节点k处的权值，其初始值由系统随机给定；θ_k为输出层节点k处的阈值，其初始值由系统随机给定；

(2)、神经网络输出值Y_k与期望输出值t_k之间的偏差，通过调整权值w_i，j、T_j，k以及阈值θ_i、θ_k，使误差沿梯度方向下降；经过反复学习训练，确定与最小误差相对应权值和阈值，训练即停止；

误差的计算公式为： $E=\frac{1}{2}\underset{k}{\mathrm{\Σ}}{(Y_k-t_k)}^2\text{;}$

调整的权值w_i，j计算公式为：w_i，j(n+1)＝ηδ_i，j+w_i，j(n)；

其中：η为学习因子，0＜η＜1，本实施方式中，η＝0.1；n为学习次数，本实施方式中，n＝2000；δ_i，j表示误差对权值w_i，j的负梯度；

权值T_j，k的计算公式为：

其中：η为学习因子，0＜η＜1，本实施方式中，η＝0.1；n为学习次数，本实施方式中，n＝2000；

表示误差对T_j，k的负梯度；

阈值θ_i的计算公式为：θ_i(n+1)＝ηδ_i+θ_i(n)；

其中：η为学习因子，0＜η＜1，本实施方式中，η＝0.1；n为学习次数，本实施方式中，n＝2000；δ_i表示误差对阈值θ_i的负梯度；

阈值θ_k的计算公式为：θ_k(n+1)＝ηδ_k+θ_k(n)；

其中：η为学习因子，0＜η＜1，本实施方式中，η＝0.1；n为学习次数，本实施方式中，n＝2000；δ_k表示误差对阈值θ_k的负梯度；

(3)、将(2)中确定的权值和阈值作为预测数据的权值和阈值代入(1)中进行计算，得到预测高频风速数据D^f。

低频风速预测模块40与高频风速预测模块30的结构和原理相似，其采用如下方法计算得到预测低频风速数据：

(1)、将所述初始风速分解模块得到的初始低频风速的风速序列X₁作为训练数据通过隐含层节点作用于输出层节点，经过如下非线形变换，产生输出数据Y_k；

O_1j＝f(∑w_1i，jX_i)-θ_1i；

Y_1k＝f(∑T_1j，kO_1j)-θ_1k；

其中，O_1j为隐含层节点j处的输出值；f(x)＝1/(1+e^-x)；w_1i，j为连接输入层节点i与隐含层节点j的权值，其初始值由系统随机给定；θ_1i为输入层节点i处的阈值，其初始值由系统随机给定；Y_1k为输出层节点k处的输出值；T_1j，k为连接隐含层节点j与输出层节点k处的权值，其初始值由系统随机给定；θ_1k为输出层节点k处的阈值，其初始值由系统随机给定；

(2)、神经网络输出值Y_1k与期望输出值t_1k之间的偏差，通过调整权值w_1i，j、T_j，k以及阈值θ_1i、θ_1k，使误差沿梯度方向下降；经过反复学习训练，确定与最小误差相对应权值和阈值，训练即停止；

误差的计算公式为： $E_1=\frac{1}{2}\underset{k}{\mathrm{\Σ}}{(Y_{1k}-t_{1k})}^2\text{;}$

调整的权值w_i，j计算公式为：w_1i，j(n+1)＝ηδ_1i，j+w_1i，j(n)；

其中：η为学习因子，0＜η＜1，本实施方式中，η＝0.1；n为学习次数，本实施方式中，n＝2000；δ_1i，j表示误差对权值w_1i，j的负梯度；

权值T_1j，k的计算公式为：

其中：η为学习因子，0＜η＜1，本实施方式中，η＝0.1；n为学习次数，本实施方式中，n＝2000；表示误差对T_1j，k的负梯度；

阈值θ_1i的计算公式为：θ_1i(n+1)＝ηδ_1i+θ_1i(n)；

其中：η为学习因子，0＜η＜1，本实施方式中，η＝0.1；n为学习次数，本实施方式中，n＝2000；δ_1i表示误差对阈值θ_i的负梯度；

阈值θ_1k的计算公式如下：θ_1k(n+1)＝ηδ_1k+θ_1k(n)；

其中：η为学习因子，0＜η＜1，本实施方式中，η＝0.1；n为学习次数，本实施方式中，n＝2000；δ_1k表示误差对阈值θ_1k的负梯度；

(3)、将(2)中确定的权值和阈值作为预测数据的权值和阈值代入(1)中进行计算，得到预测低频风速数据

预测风速重构模块50采用如下公式计算得到风速预测值：

$X^f=X_1^f+D^f.$

请参阅图3，一实施方式的风电场短时风速预测方法包括如下步骤：

S10、采集初始风速数据。可利用侧风塔观测数据作为初始数据，观测数据包括每隔一段时间(例如10分钟)一次的风速、风向、温度和气压等数据。然后上述观测数据被整理成连续的时间序列X₀＝{x₁，x₂，…x_t-1}，其中，x_t是t时刻的风速数据。

S20、采用多孔小波变换将所述初始风速数据分解为初始低频风速数据和初始高频风速数据。可采用如下公式得到初始低频风速数据和初始高频风速数据：

X₁＝X₀*H

D＝X₀-X₁

其中，X₁为初始低频风速的风速序列；D为初始高频风速的风速序列；H为低频滤波器。

设H＝[h₁，h₂，....h_l]，其中l为低频滤波器的长度，则H与尺度函数

满足：

其中x为任意的整数。

如果低频滤波器系数h还满足下列限制条件，则可以作为多孔小波的低频滤波器：

其中，δ(k)为狄拉克δ函数，k为任意的整数。

本实施方式中，

H＝[-0.1629 0.5055 -0.4461 -0.0198 0.1323 0.0218 -0.0233 -0.0075]。当然，H也为其他低频滤波器。例如，H＝[0.125 0.375 0.375 0.125]。

S30、利用BP神经网络建立高频风速预测模型，将初始高频风速数据输入所述高频风速预测模型，计算得到预测高频风速数据。

建立高频风速预测模型和计算预测高频风速数据的方法包括：

S31、将初始风速分解模块20得到的初始高频风速的风速序列D作为训练数据通过隐含层节点作用于输出层节点，经过如下非线形变换，产生输出数据Y_k；

O_j＝f(∑w_i，jD_i)-θ_i；

Y_k＝f(∑T_j，kO_j)-θ_k；

其中，O_j为隐含层节点j处的输出值；f为非线性作用函数，本实施方式采用Sigmoid函数，即f(x)＝1/(1+e^-x)；w_i，j为连接输入层节点i与隐含层节点j的权值，其初始值由系统随机给定；θ_i为输入层节点i处的阈值，其初始值由系统随机给定；Y_k为输出层节点k处的输出值；T_j，k为连接隐含层节点j与输出层节点k处的权值，其初始值由系统随机给定；θ_k为输出层节点k处的阈值，其初始值由系统随机给定；

S32、神经网络输出值Y_k与期望输出值t_k之间的偏差，通过调整权值w_i，j、T_j，k以及阈值θ_i、θ_k，使误差沿梯度方向下降；经过反复学习训练，确定与最小误差相对应权值和阈值，训练即停止；

误差的计算公式为： $E=\frac{1}{2}\underset{k}{\mathrm{\Σ}}{(Y_k-t_k)}^2\text{;}$

调整的权值w_i，j计算公式为：w_i，j(n+1)＝ηδ_i，j+w_i，j(n)；

其中：η为学习因子，0＜η＜1，本实施方式中，η＝0.1；n为学习次数，本实施方式中，n＝2000；δ_i，j表示误差对权值w_i，j的负梯度；

权值T_j，k的计算公式为：

其中：η为学习因子，0＜η＜1，本实施方式中，η＝0.1；n为学习次数，本实施方式中，n＝2000；表示误差对T_j，k的负梯度；

阈值θ_i的计算公式为：θ_i(n+1)＝ηδ_i+θ_i(n)；

其中：η为学习因子，0＜η＜1，本实施方式中，η＝0.1；n为学习次数，本实施方式中，n＝2000；δ_i表示误差对阈值θ_i的负梯度；

阈值θ_k的计算公式为：θ_k(n+1)＝ηδ_k+θ_k(n)；

其中：η为学习因子，0＜η＜1，本实施方式中，η＝0.1；n为学习次数，本实施方式中，n＝2000；δ_k表示误差对阈值θ_k的负梯度；

S33、将S32中确定的权值和阈值作为预测数据的权值和阈值代入S31中进行计算，得到预测高频风速数据D^f。

S40、利用BP神经网络建立低频风速预测模型，将初始低频风速数据输入所述低频风速预测模型，计算得到预测低频风速数据。

建立低频风速预测模型和计算预测低频风速数据的方法包括：

S41、将所述初始风速分解模块得到的初始低频风速的风速序列X₁作为训练数据通过隐含层节点作用于输出层节点，经过如下非线形变换，产生输出数据Y_k；

O_1j＝f(∑w_1i，jX_1i)-θ_1i；

Y_1k＝f(∑T_1j，kO_1j)-θ_1k；

其中，O_1j为隐含层节点j处的输出值；f(x)＝1/(1+e^-x)；w_1i，j为连接输入层节点i与隐含层节点j的权值，其初始值由系统随机给定；θ_1i为输入层节点i处的阈值，其初始值由系统随机给定；Y_1k为输出层节点k处的输出值；T_1j，k为连接隐含层节点j与输出层节点k处的权值，其初始值由系统随机给定；θ_1k为输出层节点k处的阈值，其初始值由系统随机给定；

S42、神经网络输出值Y_1k与期望输出值t_1k之间的偏差，通过调整权值w_1i，j、T_j，k以及阈值θ_1i、θ_1k，使误差沿梯度方向下降；经过反复学习训练，确定与最小误差相对应权值和阈值，训练即停止；

误差的计算公式为： $E_1=\frac{1}{2}\underset{k}{\mathrm{\Σ}}{(Y_{1k}-t_{1k})}^2\text{;}$

调整的权值w_i，j计算公式为：w_1i，j(n+1)＝ηδ_1i，j+w_1i，j(n)；

其中：η为学习因子，0＜η＜1，本实施方式中，η＝0.1；n为学习次数，本实施方式中，n＝2000；δ_1i，j表示误差对权值w_1i，j的负梯度；

权值T_1j，k的计算公式为：

其中：η为学习因子，0＜η＜1，本实施方式中，η＝0.1；n为学习次数，本实施方式中，n＝2000；

表示误差对T_1j，k的负梯度；

阈值θ_1i的计算公式为：θ_1i(n+1)＝ηδ_1i+θ_1i(n)；

其中：η为学习因子，0＜η＜1，本实施方式中，η＝0.1；n为学习次数，本实施方式中，n＝2000；δ_1i表示误差对阈值θ_i的负梯度；

阈值θ_1k的计算公式如下：θ_1k(n+1)＝ηδ_1k+θ_1k(n)；

其中：η为学习因子，0＜η＜1，本实施方式中，η＝0.1；n为学习次数，本实施方式中，n＝2000；δ_1k表示误差对阈值θ_1k的负梯度；

S43、将S42中确定的权值和阈值作为预测数据的权值和阈值代入S41中进行计算，得到预测低频风速数据

S50、采用多孔小波逆变换法将所述预测高频风速数据和所述低频风速数据进行重构，获得风速预测值。

重构方法采用如下公式计算得到所述风速预测值：

$X^f=X_1^f+D^f.$

上述风电场短时风速预测系统利用初始风速分解模块将风速分解为低频风速数据和高频风速数据，由此可以在不同频率尺度上对风速进行预测，避免高频风速的过拟合现象，因此对于非线性的风速数据也可得到精确地风速预测数据。

下面以具体实施例来详细说明。

实施例1，数据来源：深圳市自动气象风速观测，站点G3668(22.46N，114.62E)。抽样时间段为2009年1月1日00:00至2008年1月2日9:40，每1小时采样一次。其中2009年1月1日00:00至2008年1月1日13:40时间段内的风速数据作为BP神经网络的初始训练数据，1小时风速预测结果如图4所示，误差如图5所示。图4中观测数据用线来表示，预测数据用点来表示。由图4和图5可知，预测数据与观察数据的最大绝对误差小于1.5m/s，平均相对误差为9.2374％。预测效果较好。

实施例2，数据来源：National Data Buoy Center(美国浮标数据中心)，站点41004(32.50N，79.10W)。抽样时间段为2009年1月1日00:00至2008年1月2日9:40，每10分钟采样一次。其中2009年1月1日00:00至2008年1月1日13:40时间段内的风速数据作为BP神经网络的初始训练数据，10分钟风速预测结果如图6所示，误差如图7所示。由图6和图7可知，预测数据与观察数据的最大绝对误差小于0.8m/s，平均相对误差为1.5257％。预测效果较好。

实施例3，数据来源National Data Buoy Center(美国浮标数据中心)，站点42040(29.21N，88.20W)。抽样时间段为2009年1月1日00:00至2008年1月2日9:40，每10分钟采样一次。其中2009年1月1日00:00至2008年1月1日13:40时间段内的风速数据作为BP神经网络的初始训练数据，10分钟风速预测结果如图8所示，误差如图9所示。由图8和图9可知，预测数据与观察数据的最大绝对误差小于1m/s，平均相对误差为1.3875％。预测效果较好。

以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (12)

1.一种风电场短时风速预测方法，包括如下步骤：

步骤一、采集初始风速数据；

步骤二、采用多孔小波变换将所述初始风速数据分解为初始低频风速数据和初始高频风速数据；

步骤三、利用BP神经网络建立高频风速预测模型，将所述初始高频风速数据输入所述高频风速预测模型，计算得到预测高频风速数据；

步骤四、利用BP神经网络建立低频风速预测模型，将所述初始低频风速数据输入所述低频风速预测模型，计算得到预测低频风速数据；及

步骤五、采用多孔小波逆变换法将所述预测高频风速数据和所述预测低频风速数据进行重构，获得风速预测值。

2.根据权利要求1所述的风电场短时风速预测方法，其特征在于：所述步骤二中采用如下公式得到初始低频风速数据和初始高频风速数据：

设初始风速数据的风速序列为X₀＝{x₁，x_t，…x_t-1}，其中，x_t是t时刻的风速数据；

则初始低频风速的风速序列为X₁＝X₀*H，且

初始高频风速的风速序列为D＝X₀-X₁；

其中H为低频滤波器。

3.根据权利要求2所述的风电场短时风速预测方法，其特征在于：所述步骤三为：

(1)、将步骤二得到的初始高频风速的风速序列D作为训练数据通过隐含层节点作用于输出层节点，经过如下非线形变换，产生输出数据Y_k；

O_j＝f(∑w_i，jD_i)-θ_i；

Y_k＝f(∑T_j，kO_j)-θ_k；

其中，O_j为隐含层节点j处的输出值；f(x)＝1/(1+e^-x)；w_i，j为连接输入层节点i与隐含层节点j的权值，其初始值由系统随机给定；θ_i为输入层节点i处的阈值，其初始值由系统随机给定；Y_k为输出层节点k处的输出值；T_j，k为连接隐含层节点j与输出层节点k处的权值，其初始值由系统随机给定；θ_k为输出层节点k处的阈值，其初始值由系统随机给定；

(2)、神经网络输出值Y_k与期望输出值t_k之间的偏差，通过调整权值w_i，j、T_j，k以及阈值θ_i、θ_k，使误差沿梯度方向下降；经过反复学习训练，确定与最小误差相对应权值和阈值，训练即停止；

误差的计算公式为： $E=\frac{1}{2}\underset{k}{\mathrm{\Σ}}{(Y_k-t_k)}^2\text{;}$

调整的权值w_i，j计算公式为：w_i，j(n+1)＝ηδ_i，j+w_i，j(n)；

其中：η为学习因子，0＜η＜1；n为学习次数；δ_i，j表示误差对权值w_i，j的负梯度；

权值T_j，k的计算公式为：

其中：η为学习因子，0＜η＜1；n为学习次数；

表示误差对T_j，k的负梯度；

阈值θ_i的计算公式为：θ_i(n+1)＝ηδ_i+θ_i(n)；

其中：η为学习因子，0＜η＜1；n为学习次数；δ_i表示误差对阈值θ_i的负梯度；

阈值θ_k的计算公式为：θ_k(n+1)＝ηδ_k+θ_k(n)；

其中：η为学习因子，0＜η＜1；n为学习次数；δ_k表示误差对阈值θ_k的负梯度；

(3)、将(2)中确定的权值和阈值作为预测数据的权值和阈值代入(1)中进行计算，得到预测高频风速数据D^f。

4.根据权利要求2所述的风电场短时风速预测方法，其特征在于，所述步骤四为：

(1)、将步骤二得到的初始低频风速的风速序列X₁作为训练数据通过隐含层节点作用于输出层节点，经过如下非线形变换，产生输出数据Y_1k；

O_1j＝f(∑w_1i，jX_1i)-θ_1i；

Y_1k＝f(∑T_1j，kO_1j)-θ_1k；

其中，O_1j为隐含层节点j处的输出值；f(x)＝1/(1+e^-x)；w_1i，j为连接输入层节点i与隐含层节点j的权值，其初始值由系统随机给定；θ_1i为输入层节点i处的阈值，其初始值由系统随机给定；Y_1k为输出层节点k处的输出值；T_1j，k为连接隐含层节点j与输出层节点k处的权值，其初始值由系统随机给定；θ_1k为输出层节点k处的阈值，其初始值由系统随机给定；

(2)、神经网络输出值Y_1k与期望输出值t_1k之间的偏差，通过调整权值w_1i，j、T_j，k以及阈值θ_1i、θ_1k，使误差沿梯度方向下降；经过反复学习训练，确定与最小误差相对应权值和阈值，训练即停止；

误差的计算公式为： $E_1=\frac{1}{2}\underset{k}{\mathrm{\Σ}}{(Y_{1k}-t_{1k})}^2\text{;}$

调整的权值w_i，j计算公式为：w_1i，j(n+1)＝ηδ_1i，j+w_1i，j(n)；

其中：η为学习因子，0＜η＜1；n为学习次数；δ_1i，j表示误差对权值w_1i，j的负梯度；

权值T_1j，k的计算公式为：

其中：η为学习因子，0＜η＜1；n为学习次数；

表示误差对T_1j，k的负梯度；

阈值θ_1i的计算公式为：θ_1i(n+1)＝ηδ_1i+θ_1i(n)；

其中：η为学习因子，0＜η＜1；n为学习次数；δ_1i表示误差对阈值θ_i的负梯度；

阈值θ_1k的计算公式如下：θ_1k(n+1)＝ηδ_1k+θ_1k(n)；

其中：η为学习因子，0＜η＜1；n为学习次数；δ_1k表示误差对阈值θ_1k的负梯度；

(3)、将(2)中确定的权值和阈值作为预测数据的权值和阈值代入(1)中进行计算，得到预测低频风速数据

5.根据权利要求3或4所述的风电场短时风速预测方法，其特征在于：η＝0.1；n＝2000。

6.根据权利要求4所述的，其特征在于：步骤五中所述风速预测值为：

$X^f=X_1^f+D^f.$

7.一种风电场短时风速预测系统，其特征在于，包括：

初始风速采集模块，用于采集初始风速数据；

初始风速分解模块，用于采用多孔小波变换将所述初始风速数据分解为初始低频风速数据和初始高频风速数据；

高频风速预测模块，用于利用BP神经网络建立高频风速预测模型，将所述初始高频风速数据输入所述高频风速预测模型，计算得到预测高频风速数据；

低频风速预测模块，用于利用BP神经网络建立低频风速预测模型，将所述初始低频风速数据输入所述低频风速预测模型，计算得到预测低频风速数据；及

预测风速重构模块，用于采用多孔小波逆变换法将所述预测低频风速数据和所述预测高频风速数据进行重构，获得风速预测值。

8.根据权利要求7所述的风电场短时风速预测系统，其特征在于：所述初始风速分解模块采用如下公式得到初始低频风速数据和初始高频风速数据：

设初始风速数据的风速序列为X₀＝{x₁，x₂，…x_t-1}，其中，x_t是t时刻的风速数据；

则初始低频风速的风速序列为X₁＝X₀*H，且

初始高频风速的风速序列为D＝X₀-X₁；

其中H为低频滤波器。

9.根据权利要求8所述的风电场短时风速预测系统，其特征在于：所述高频风速预测模块采用如下方法计算得到预测高频风速数据：

(1)、将所述初始风速分解模块得到的初始高频风速的风速序列D作为训练数据通过隐含层节点作用于输出层节点，经过如下非线形变换，产生输出数据Y_k；

O_j＝f(∑w_i，jD_i)-θ_i；

Y_k＝f(∑T_j，kO_j)-θ_k；

其中，O_j为隐含层节点j处的输出值；f(x)＝1/(1+e^-x)；w_i，j为连接输入层节点i与隐含层节点j的权值，其初始值由系统随机给定；θ_i为输入层节点i处的阈值，其初始值由系统随机给定；Y_k为输出层节点k处的输出值；T_j，k为连接隐含层节点j与输出层节点k处的权值，其初始值由系统随机给定；θ_k为输出层节点k处的阈值，其初始值由系统随机给定；

(2)、神经网络输出值Y_k与期望输出值t_k之间的偏差，通过调整权值w_i，j、T_j，k以及阈值θ_i、θ_k，使误差沿梯度方向下降；经过反复学习训练，确定与最小误差相对应权值和阈值，训练即停止；

误差的计算公式为： $E=\frac{1}{2}\underset{k}{\mathrm{\Σ}}{(Y_k-t_k)}^2\text{;}$

调整的权值w_i，j计算公式为：w_i，j(n+1)＝ηδ_i，j+w_i，j(n)；

其中：η为学习因子，0＜η＜1；n为学习次数；δ_i，j表示误差对权值w_i，j的负梯度；

权值T_j，k的计算公式为：

其中：η为学习因子，0＜η＜1；n为学习次数；

表示误差对T_j，k的负梯度；

阈值θ_i的计算公式为：θ_i(n+1)＝ηδ_i+θ_i(n)；

其中：η为学习因子，0＜η＜1；n为学习次数；δ_i表示误差对阈值θ_i的负梯度；

阈值θ_k的计算公式为：θ_k(n+1)＝ηδ_k+θ_k(n)；

其中：η为学习因子，0＜η＜1；n为学习次数；δ_k表示误差对阈值θ_k的负梯度；

(3)、将(2)中确定的权值和阈值作为预测数据的权值和阈值代入(1)中进行计算，得到预测高频风速数据D^f。

10.根据权利要求8所述的风电场短时风速预测系统，其特征在于：所述低频风速预测模块采用如下方法计算得到预测低频风速数据：

(1)、将所述初始风速分解模块得到的初始低频风速的风速序列X₁作为训练数据通过隐含层节点作用于输出层节点，经过如下非线形变换，产生输出数据Y_k；

O_1j＝f(∑w_1i，jX_1i)-θ_1i；

Y_1k＝f(∑T_1j，kO_1j)-θ_1k；

其中，O_1j为隐含层节点j处的输出值；f(x)＝1/(1+e^-x)；w_1i，j为连接输入层节点i与隐含层节点j的权值，其初始值由系统随机给定；θ_1i为输入层节点i处的阈值，其初始值由系统随机给定；Y_1k为输出层节点k处的输出值；T_1j，k为连接隐含层节点j与输出层节点k处的权值，其初始值由系统随机给定；θ_1k为输出层节点k处的阈值，其初始值由系统随机给定；

(2)、神经网络输出值Y_1k与期望输出值t_1k之间的偏差，通过调整权值w_1i，j、T_j，k以及阈值θ_1i、θ_1k，使误差沿梯度方向下降；经过反复学习训练，确定与最小误差相对应权值和阈值，训练即停止；

误差的计算公式为： $E_1=\frac{1}{2}\underset{k}{\mathrm{\Σ}}{(Y_{1k}-t_{1k})}^2\text{;}$

调整的权值w_i，j计算公式为：w_1i，j(n+1)＝ηδ_1i，j+w_1i，j(n)；

其中：η为学习因子，0＜η＜1；n为学习次数；δ_1i，j表示误差对权值w_1i，j的负梯度；

权值T_1j，k的计算公式为：

其中：η为学习因子，0＜η＜1；n为学习次数；

表示误差对T_1j，k的负梯度；

阈值θ_1i的计算公式为：θ_1i(n+1)＝ηδ_1i+θ_1i(n)；

其中：η为学习因子，0＜η＜1；n为学习次数；δ_1i表示误差对阈值θ_i的负梯度；

阈值θ_1k的计算公式如下：θ_1k(n+1)＝ηδ_1k+θ_1k(n)；

其中：η为学习因子，0＜η＜1；n为学习次数；δ_1k表示误差对阈值θ_1k的负梯度；

(3)、将(2)中确定的权值和阈值作为预测数据的权值和阈值代入(1)中进行计算，得到预测低频风速数据

11.根据权利要求9或10所述的风电场短时风速预测系统，其特征在于：η＝0.1；n＝2000。

12.根据权利要求10所述的风电场短时风速预测系统，其特征在于：所述预测风速重构模块采用如下公式计算得到所述风速预测值：

$X^f=X_1^f+D^f.$

Images