CN103559540B - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN103559540B CN103559540B CN201310571081.6A CN201310571081A CN103559540B CN 103559540 B CN103559540 B CN 103559540B CN 201310571081 A CN201310571081 A CN 201310571081A CN 103559540 B CN103559540 B CN 103559540B
- Authority
- CN
- China
- Prior art keywords
- wind speed
- value
- sigma
- prediction
- abnormal
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 59
- 230000003044 adaptive effect Effects 0.000 title claims abstract description 18
- 230000002159 abnormal effect Effects 0.000 claims abstract description 32
- 238000012549 training Methods 0.000 claims abstract description 16
- 230000006870 function Effects 0.000 claims description 34
- 239000013598 vector Substances 0.000 claims description 25
- 238000010606 normalization Methods 0.000 claims description 21
- 238000012545 processing Methods 0.000 claims description 14
- 230000001537 neural effect Effects 0.000 claims description 9
- 238000012937 correction Methods 0.000 claims description 6
- 238000009499 grossing Methods 0.000 claims description 6
- 238000011437 continuous method Methods 0.000 claims description 5
- 238000007689 inspection Methods 0.000 claims description 4
- 238000001514 detection method Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 abstract description 2
- 238000010248 power generation Methods 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Feedback Control In General (AREA)
Abstract
本发明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。
Description
技术领域
本发明涉及风力发电并网接入技术领域,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。
背景技术
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。
发明内容
本发明的目的在于提供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,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。
上述的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,其中,所述步骤S1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-1)代替该异常值v(t);
步骤S14,按公式进行归一化处理;
其中,v(t)是原始风速数据,x(t)是归一化后的数据,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。
上述的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,其中,所述步骤S12中,若v(t)满足条件: 则表示v(t)正常;否则,表示v(t)异常。
上述的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,其中,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{V1,…,VN+1},得:
(x1,x2,x3,x4,x5,x6)=V1
(x2,x3,x4,x5,x6,x7)=V2
……
(xN,xN+1,xN+2,xN+3,xN+4,xN+5)=VN
(xN+1,xN+2,xN+3,xN+4,xN+5,xN+6)=VN+1
进而将前N个矢量最后一维数据的下一时刻的风速值与该矢量进行配对,组成初始的样本对:{(V1,x7),(V2,x8),…,(VN,xN+6)};
计算VN+1与其他所有矢量{V1,…,VN}的相关系数ρ,相关系数计算公式如下:
然后从N个结果中取相关系数最高的前K个矢量所在的样本对组成最终的训练样本集,K为正整数。
上述的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,其中,步骤S3包括:
步骤S31,采用ANFIS对风速时间序列进行建模,得:
其中,i=1,2,…,n;j=1,2,…,6;x(t-j)是输入量;x(t)是输出量;ξi为后件参数,n是规则条数;cij,σij为前件参数;
步骤S32,针对训练样本集进行减法聚类分析,具体指:
按照公式:计算得到数据点密度Dp,
其中,p,q=(1,2,…,K),Y为样本对,K为样本对的个数,δa为聚类中心有效邻域半径;
选择密度指标最高值得到第一个聚类中心重新构造密度函数:
其中,δb=1.25δa,利用新的密度函数求出所有数据点的密度指标,确定下一个聚类中心再次构造新的密度函数,重复该过程直至满足 为第p个聚类中心的密度指标最高值;
从而得到最优模糊规则条数n和初始模型前件参数cij和σij;
步骤S33,采用混合学习法优化模型参数,即后件采用最小二乘法辨识参数,前件采用反向传播算法优化参数:
将步骤S31得到的公式变换为X=Φ·θ,Φ为K×2n的矩阵,θ为2n×1的后件参数向量;X为K×1的输出向量;
令误差指标函数为 为期望输出,根据最小二乘法原理,使J(θ)最小,必有:从而得到最优化的模型后件参数和ξi;
固定后件参数和ξi,采用反向传播算法调整前件参数cij和σij,校正算法为:
其中,αc和ασ为学习速率;cij(r+1)、σij(r+1)、cij(r)、σij(r)分别表示校正算法中第r+1步及r步的前件隶属度函数的中心参数和宽度参数。
上述的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,其中,
所述的 中,
学习速率αc和ασ的初始值取0.01,混合学习的训练周期数为35,0≤r≤35。
上述的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,其中,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0≤xN+7≤1,则表示该预测值有效,否则,仍采用持续法预测。
上述的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,其中,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-1)代替该异常值P(t)。
上述的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,其中,所述步骤S72中,若P(t)满足条件: 则表示P(t)正常;否则,表示P(t)异常。
本发明的有益效果是:本发明利用风电场现场采集的风速数据,采用基于风速时间序列相关性度量的方法确定训练样本集,以减法聚类确定模糊规则个数和初始参数,并采用反向传播算法和最小二乘法实现模型参数优化,从而能够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,进而可以实现风电场发电功率的在线预测。
附图说明
图1是本发明的风速超短期在线预测方法的流程图;
图2是ANFIS模型结构图;
图3是输入变量1的隶属度函数;
图4是输入变量2的隶属度函数;
图5是输入变量3的隶属度函数;
图6是输入变量4的隶属度函数;
图7是输入变量5的隶属度函数;
图8是输入变量6的隶属度函数;
图9是1小时预测结果比较及误差曲线;
图10是4小时预测结果比较及误差曲线。
具体实施方式
下面将结合附图对本发明作进一步说明。
请参阅图1,本发明的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;本实施例中,利用数据采集程序从风场的测风塔和监控系统中获取风场风速和每台风机的功率产出等数据,采集频率为30秒,进而统计出风速和功率值的15分钟的平均值,保存在历史数据库中;步骤S1具体包括:
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,且N的大小取决于目前可利用的历史数据的多少,若数据充分,可取最近一个月的数据,即N=2880;
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,若异常,进入步骤S13;若否,进入步骤S14;其中,判断是否异常的标准为:
若v(t)满足条件: 则表示v(t)正常;否则,表示v(t)异常;其中,v(t-1)表示v(t)前一时刻的正常风速数据;
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-1)代替该异常值v(t);
步骤S14,按公式进行归一化处理;
其中,v(t)是原始风速数据,x(t)是归一化后的数据,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,0≤x(t)≤1。
步骤S2,基于时间序列相关性度量标准提取训练样本集,具体指:
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{V1,…,VN+1},得:
(x1,x2,x3,x4,x5,x6)=V1
(x2,x3,x4,x5,x6,x7)=V2
……
(xN,xN+1,xN+2,xN+3,xN+4,xN+5)=VN
(xN+1,xN+2,xN+3,xN+4,xN+5,xN+6)=VN+1
进而将前N个矢量最后一维数据的下一时刻的风速值与该矢量进行配对,组成初始的样本对:{(V1,x7),(V2,x8),…,(VN,xN+6)};其中,VN+1即是模型的预测输入,xN+6的下一时刻值xN+7即是我们需要预测的值;
然后,计算VN+1与其他所有矢量{V1,…,VN}的相关系数ρ,相关系数计算公式如下:
然后从N个结果中取相关系数最高的前K个矢量所在的样本对组成最终的训练样本集{(V,x)T},1≤T≤K,T、K为正整数,V为模型输入值,x为模型输出值;本实施例中,K为100。
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;具体包括:
步骤S31,采用ANFIS对风速时间序列进行建模,如下:
构建风速时间序列的ANFIS模型框架:
Then
其中,i=1,2,…,n;j=1,2,…,6;x(t-1)、x(t-2)、x(t-3)、x(t-4)、x(t-5)、x(t-6)是输入量,ξi为后件参数,n是规则条数;是输入量x(t-j)的模糊集;
模糊集采用高斯隶属度函数表示:其中,表示隶属度;前件参数cij和σij分别表示隶属度函数的中心和宽度;
利用图2所示的5层ANFIS网络结构获得模糊推理规则:
其中,x(t)是输出量;
通过代入,得
再根据模糊推理规则,将xi(t)代入上式则有如下表达式:
步骤S32,减法聚类是将每个数据点作为可能的聚类中心,并根据各个数据点周围的数据点密度来计算该点作为聚类中心的可能性,克服了其他聚类法计算量随着问题的维数而以指数方式增长的不足。针对训练样本集进行减法聚类分析,具体指:
按照公式:计算得到数据点密度Dp,
其中,p,q=(1,2,…,K),Y为样本对,K为样本对的个数,本实施例中,K为100;δa为聚类中心有效邻域半径,是一个正数,本实施例中设定为0.5;
选择密度指标最高值得到第一个聚类中心重新构造密度函数:
其中,δb=1.25δa,利用新的密度函数求出所有数据点的密度指标,确定下一个聚类中心再次构造新的密度函数,重复该过程直至满足 为第p个聚类中心的密度指标最高值;
从而得到最优模糊规则条数n和初始模型前件参数cij和σij;
步骤S33,采用混合学习法优化模型参数,即后件采用最小二乘法辨识参数,前件采用反向传播算法优化参数:
采用最小二乘法辨识后件参数和ξi,即:将步骤S31得到的公式变换为X=Φ·θ,Φ为K×2n的矩阵,θ为2n×1的后件参数向量;X为K×1的输出向量;
令误差指标函数为 为期望输出,根据最小二乘法原理,使J(θ)最小,必有:从而得到最优化的模型后件参数和ξi;
固定后件参数和ξi,采用反向传播算法调整前件参数cij和σij,考虑到误差指标函数xi(t)是t时刻的当前输出,是期望输出,校正算法为:
其中,学习速率αc和ασ的初始值取0.01,混合学习的训练周期数为35,0≤r≤35;cij(r+1)、σij(r+1)、cij(r)、σij(r)分别表示校正算法中第r+1步及r步的前件隶属度函数的中心参数和宽度参数。
步骤S4,输入预测样本,计算得到预测值,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,即以当前时刻的风速值作为下一时刻的风速预测值;
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0≤xN+7≤1,则表示该预测值有效,否则,仍采用持续法预测。至此,单步预测完成。
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,重复、依此循环得到多步预测值;
步骤S7,将预测值进行反归一化处理,并进行异常检验,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,将模型预测值还原为真实值;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;其中,判断是否异常的标准为:
若P(t)满足条件: 则表示P(t)正常;否则,表示P(t)异常;
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-1)代替该异常值P(t)。
以下以一具体案例说明:
选用上海市崇明县北沿风力发电场的风速数据作为实验验证对象。采集2013年4月1日8:00至5月1日8:00之间的风速15分钟平均值作为初始建模数据样本,共2880个,预测5月1日整天24小时的风速15分钟平均值,共96个点。
首先对2880个数据进行异常检验,并作归一化处理。再将其划分为2874个6维向量,并计算最后一个向量与其他所有向量的相关系数,挑选出100个相似度最高的,组成训练样本对。采用减法聚类确定模糊规则数为4,再采用反向传播和最小二乘法获得模型的前后件参数。模型的六个输入量的隶属度函数如图3至图8所示。图中,in1ct1~in1ct4表示第一维输入变量的四个隶属度函数曲线图;in2ct1~in2ct4表示第二维输入变量的四个隶属度函数曲线图;in3ct1~in3ct4表示第三维输入变量的四个隶属度函数曲线图;in4ct1~in4ct4表示第四维输入变量的四个隶属度函数曲线图;in5ct1~in5ct4表示第五维输入变量的四个隶属度函数曲线图;in6ct1~in6ct4表示第六维输入变量的四个隶属度函数曲线图。
模糊规则前件高斯隶属度函数的参数如下表1中所示,后件线性函数参数如下表2中所示。
表1
模糊规则 | 后件线性参数(λ1,λ2,λ3,λ4,λ5,λ6,ξ) |
R1 | [0.518,-0.033,-0.233,-0.286,-0.022,1.303,-0.056] |
R2 | [0.316,-1.081,1.300,-1.214,0.305,2.231,-0.441] |
R3 | [-0.374,0.071,-0.797,0.874,0.074,1.167,-0.039] |
R4 | [0.237,-0.118,0.949,-1.820,2.039,0.671,-0.6248] |
表2
将4月30号最后6个15分钟(即22点30分至24:00之间)风速平均值作为预测样本输入模型,可得出下一个15分钟的平均值,重复4次可得到未来1个小时的预测值,耗时1.48秒;重复16次可得到未来4小时的预测值,耗时5.05秒。为验证模型的有效性,预测5月1日整天的风速值,1小时预测每间隔1小时预测一次,共24次,预测曲线及误差曲线见图9所示,平均绝对误差为0.64m/s,最大绝对误差为1.87m/s,平均相对误差为14.07%;4小时预测每间隔4小时预测一次,共6次,预测曲线及误差曲线见图10所示,预测平均绝对误差为1.18m/s,最大绝对误差为3.82m/s,平均相对误差为23.38%。其中,平均绝对误差err_abs和平均相对误差err_rel分别按下式计算:
式中,为实测风速,Pi为预测风速,N'为预测点的个数。
综上可见,预测模型具备较高的预测精度,而且预测过程耗时较少。相比离线建模,在线建模每次都采用最近一段时间的历史数据来训练模型,因此预测模型还具备良好的自适应性。
以上实施例仅供说明本发明之用,而非对本发明的限制,有关技术领域的技术人员,在不脱离本发明的精神和范围的情况下,还可以作出各种变换或变型,因此所有等同的技术方案也应该属于本发明的范畴,应由各权利要求所限定。
Claims (6)
1.一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,
所述步骤S1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-1)代替该异常值v(t);
步骤S14,按公式进行归一化处理;
其中,v(t)是原始风速数据,x(t)是归一化后的数据,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,
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{V1,…,VN+1},得:
(x1,x2,x3,x4,x5,x6)=V1
(x2,x3,x4,x5,x6,x7)=V2
……
(xN,xN+1,xN+2,xN+3,xN+4,xN+5)=VN
(xN+1,xN+2,xN+3,xN+4,xN+5,xN+6)=VN+1
进而将前N个矢量最后一维数据的下一时刻的风速值与该矢量进行配对,组成初始的样本对:{(V1,x7),(V2,x8),…,(VN,xN+6)};
计算VN+1与其他所有矢量{V1,…,VN}的相关系数ρ,相关系数计算公式如下:
然后从N个结果中取相关系数最高的前K个矢量所在的样本对组成最终的训练样本集,K为正整数,
步骤S3包括:
步骤S31,采用ANFIS对风速时间序列进行建模,得:
其中,i=1,2,…,n;j=1,2,…,6;x(t-j)是输入量;x(t)是输出量;ξi为后件参数,n是规则条数;cij,σij为前件参数;
步骤S32,针对训练样本集进行减法聚类分析,具体指:
按照公式:计算得到数据点密度Dp,
其中,p,q=(1,2,…,K),Y为样本对,K为样本对的个数,δa为聚类中心有效邻域半径;
选择密度指标最高值得到第一个聚类中心重新构造密度函数:
其中,δb=1.25δa,利用新的密度函数求出所有数据点的密度指标,确定下一个聚类中心再次构造新的密度函数,重复该过程直至满足 为第p个聚类中心的密度指标最高值;
从而得到最优模糊规则条数n和初始模型前件参数cij和σij;
步骤S33,采用混合学习法优化模型参数,即后件采用最小二乘法辨识参数,前件采用反向传播算法优化参数:
将步骤S31得到的公式变换为X=Φ·θ,Φ为K×2n的矩阵,θ为2n×1的后件参数向量;X为K×1的输出向量;
令误差指标函数为 为期望输出,根据最小二乘法原理,使J(θ)最小,必有:从而得到最优化的模型后件参数和ξi;
固定后件参数和ξi,采用反向传播算法调整前件参数cij和σij,校正算法为:
其中,αc和ασ为学习速率;cij(r+1)、σij(r+1)、cij(r)、σij(r)分别表示校正算法中第r+1步及r步的前件隶属度函数的中心参数和宽度参数。
2.根据权利要求1所述的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,所述步骤S12中,若v(t)满足条件: 则表示v(t)正常;否则,表示v(t)异常。
3.根据权利要求1所述的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,
所述的 中,
学习速率αc和ασ的初始值取0.01,混合学习的训练周期数为35,0≤r≤35。
4.根据权利要求1所述的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,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0≤xN+7≤1,则表示该预测值有效,否则,仍采用持续法预测。
5.根据权利要求1所述的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,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-1)代替该异常值P(t)。
6.根据权利要求5所述的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,所述步骤S72中,若P(t)满足条件: 则表示P(t)正常;否则,表示P(t)异常。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310571081.6A CN103559540B (zh) | 2013-11-13 | 2013-11-13 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310571081.6A CN103559540B (zh) | 2013-11-13 | 2013-11-13 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103559540A CN103559540A (zh) | 2014-02-05 |
CN103559540B true CN103559540B (zh) | 2016-03-09 |
Family
ID=50013781
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310571081.6A Active CN103559540B (zh) | 2013-11-13 | 2013-11-13 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103559540B (zh) |
Families Citing this family (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103869783B (zh) * | 2014-03-18 | 2016-07-13 | 东北大学 | 一种精矿产量在线预测方法 |
CN103902837B (zh) * | 2014-04-16 | 2017-02-15 | 广西大学 | 一种基于经验Copula函数进行风速预测的方法 |
CN104537033B (zh) * | 2014-12-23 | 2017-08-11 | 清华大学 | 基于贝叶斯网络和极限学习机的区间型指标预报方法 |
CN104933489A (zh) * | 2015-06-29 | 2015-09-23 | 东北电力大学 | 基于自适应神经模糊推理系统的风电功率实时高精度预测方法 |
CN105279582B (zh) * | 2015-11-20 | 2019-01-04 | 水电十四局大理聚能投资有限公司 | 基于动态相关性特征的超短期风电功率预测方法 |
CN106897784A (zh) * | 2015-12-18 | 2017-06-27 | 中国电力科学研究院 | 一种基于在线建模的分布式光伏发电功率预测方法 |
CN106773682B (zh) * | 2016-12-05 | 2019-11-22 | 清华大学 | 基于时滞动态确定的玻璃窑炉池底温度智能预测控制方法 |
CN107239599A (zh) * | 2017-05-16 | 2017-10-10 | 五邑大学 | 基于神经模糊推理系统的盾构施工引起的地表沉降预测方法 |
CN106991507A (zh) * | 2017-05-19 | 2017-07-28 | 杭州意能电力技术有限公司 | 一种SCR入口NOx浓度在线预测方法及装置 |
CN107590540B (zh) * | 2017-09-18 | 2020-09-15 | 中国林业科学研究院资源信息研究所 | 一种依赖于相邻木特征的林木冠幅估算方法 |
CN109255726A (zh) * | 2018-09-07 | 2019-01-22 | 中国电建集团华东勘测设计研究院有限公司 | 一种混合智能技术的超短期风功率预测方法 |
CN110286586A (zh) * | 2019-05-09 | 2019-09-27 | 江苏大学 | 一种磁流变阻尼器混合建模方法 |
CN110210124B (zh) * | 2019-05-31 | 2020-05-05 | 河海大学 | 一种基于anfis算法的光伏组件倾角优化方法 |
CN111144611A (zh) * | 2019-11-22 | 2020-05-12 | 国网辽宁省电力有限公司经济技术研究院 | 一种基于聚类和非线性自回归的空间负荷预测方法 |
CN112801332B (zh) * | 2020-11-18 | 2024-03-26 | 国网江苏省电力有限公司江阴市供电分公司 | 一种基于灰度共生矩阵的短期风速预测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102102626A (zh) * | 2011-01-30 | 2011-06-22 | 华北电力大学 | 风电场短期功率预测方法 |
CN103019267A (zh) * | 2012-12-10 | 2013-04-03 | 华东交通大学 | 高速列车anfis建模与运行速度预测控制方法 |
CN103323102A (zh) * | 2013-06-13 | 2013-09-25 | 华北电力大学 | 大型汽轮发电机组低频振动预测优化方法 |
-
2013
- 2013-11-13 CN CN201310571081.6A patent/CN103559540B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102102626A (zh) * | 2011-01-30 | 2011-06-22 | 华北电力大学 | 风电场短期功率预测方法 |
CN103019267A (zh) * | 2012-12-10 | 2013-04-03 | 华东交通大学 | 高速列车anfis建模与运行速度预测控制方法 |
CN103323102A (zh) * | 2013-06-13 | 2013-09-25 | 华北电力大学 | 大型汽轮发电机组低频振动预测优化方法 |
Non-Patent Citations (2)
Title |
---|
基于模糊神经网络的风速预测研究;郭华旺 等;《电气传动自动化》;20120630;第34卷(第3期);1-5 * |
基于自适应神经网络模糊推理的负荷预测;覃彬 等;《微计算机信息》;20091231;第25卷(第2-3期);194-196 * |
Also Published As
Publication number | Publication date |
---|---|
CN103559540A (zh) | 2014-02-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103559540B (zh) | 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 | |
CN103559561B (zh) | 一种光伏电站辐照度的超短期预测方法 | |
Wang et al. | A compound framework for wind speed forecasting based on comprehensive feature selection, quantile regression incorporated into convolutional simplified long short-term memory network and residual error correction | |
CN111080032A (zh) | 一种基于Transformer结构的负荷预测方法 | |
CN102562469B (zh) | 基于校正算法的短期风力发电机输出功率预测方法 | |
CN104361414B (zh) | 一种基于相关向量机的输电线路覆冰预测方法 | |
Zhu et al. | Wind power forecasting based on new hybrid model with TCN residual modification | |
CN104239982A (zh) | 一种基于时间序列和神经网络的建筑节假日能耗预测方法 | |
CN112396234A (zh) | 一种基于时域卷积神经网络的用户侧负荷概率预测方法 | |
Yang et al. | Short-term load forecasting with an improved dynamic decomposition-reconstruction-ensemble approach | |
CN109063892A (zh) | 基于bp-lssvm组合优选模型的工业电量预测方法 | |
CN114548509A (zh) | 一种多能源系统多类型负荷联合预测方法及系统 | |
CN116306798A (zh) | 一种超短时风速预测方法及系统 | |
CN114298134A (zh) | 风电功率预测方法及装置、电子设备 | |
CN116307291B (zh) | 一种基于小波分解的分布式光伏发电预测方法及预测终端 | |
Wang et al. | Hybrid deep learning model for short-term wind speed forecasting based on time series decomposition and gated recurrent unit | |
CN104408317A (zh) | 一种基于Bootstrap回声状态网络集成的冶金企业煤气流量区间预测方法 | |
Duong-Ngoc et al. | Short term load forcast using deep learning | |
Wang et al. | Probabilistic power curve estimation based on meteorological factors and density LSTM | |
Huang et al. | Elman neural network considering dynamic time delay estimation for short-term forecasting of offshore wind power | |
CN103489037B (zh) | 一种可发电风资源的预测方法 | |
CN108038518A (zh) | 一种基于气象数据的光伏发电功率确定方法及系统 | |
Zhang | Short‐Term Power Load Forecasting Based on SAPSO‐CNN‐LSTM Model considering Autocorrelated Errors | |
CN105205560B (zh) | 一种基于正负误差变权的光伏发电功率预测方法 | |
Heng et al. | A hybrid forecasting model based on empirical mode decomposition and the cuckoo search algorithm: a case study for power load |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |