CN103927460A - 一种基于rbf的风电场短期风速预测方法 - Google Patents

Abstract

本发明公开了一种基于RBF的风电场短期风速预测方法，属于风电场风速预测领域。目的是为了解决风电场风速预测不准确而对风电并网以及生产带来的困难。其原理是利用风电场与风速相关信息(气压，湿度，风向，温度)的历史数据归一化得到训练样本。通过K均值聚类来优化RBF人工神经网络的中心和宽度，再利用最小二乘法来得到权值。使用K均值聚类和最小二乘法来对RBF人工神经网络进行建模；使用该模型对风电场短期风速快速有效预测。本发明基于应用K均值聚类和最小二乘法来对RBF进行建模，有效提高预测精度。准确的预测可以减少电力系统运行成本，对电网调度和资源配置具有重要意义。

Description

一种基于RBF的风电场短期风速预测方法

技术领域

本发明涉及一种基于RBF的风电场短期风速预测方法，属于风电场风速预测领域。

背景技术

正确的预测风电场短期风速是一项艰巨而复杂的工作，也是风电并网安全的根本任务之一。常用的风电场风速预测方法主要有时间序列法、卡尔曼滤波法、数值天气预报法，以及人工神经网络模型为代表的一些智能预测技术。由于风电场风速受到气温、气压、湿度等因素的综合影响，普遍存在高度的非线性、随机性和复杂性。

人工神经网络网络模型的出现，可以利用其逼近任意连续函数的性质，通过模型的自我学习监督，将预测因素之间的内在联系通过人工神经网络的权值分布实现隐形表达。传统的人工神经网络模型在预测风电场短期风速时，普遍采用构建BP神经网络模型，其中模型训练采用包括基于误差反向传播的最速下降法或拟牛顿方法。这些方法在网络学习方面表现出比较好的性质，收敛速度也较好，但是难以实现对未来风速的准确预测。因此本文利用具有更好逼近能力的RBF人工神经网络进行预测，采用K均值聚类和最小二乘法的方法进行建模，具有更高的预测精度，实现预测的准确性。

发明内容

本发明的目的是克服目前风电场短期风速预测方法的不足，提供具有更高精度和泛化能力更好的一种基于RBF的风电场短期风速预测方法。

为实现上述目的，本发明的技术方案包括以下步骤：

步骤一、构建归一化风速训练样本

短期风速预测中，找出风速、温度、湿度、气压和风向的M组历史数据，每个历史数据都是风电场每隔10分钟记录一次的对应数据。其中，温度、湿度、气压和风向为输入的4维数据，风速为输出的1维数据。选取前面N组数据作为训练数据，后面(M-N)组数据作为测试数据。然后将上述历史数据经行归一化处理，归一化公式为：

$X^{\text{'}}=\frac{x-\min \left(x\right)}{\max \left(x\right)-\min \left(x\right)}$

步骤二、构建RBF人工神经网络

确定RBF人工神经网络具有三层，输入层、隐层和输出层：

1)确定RBF人工神经网络输入层神经元个数：输入层神经元个数为风速相关因素的个数，即4个；

2)确定RBF人工神经网络输出层神经元个数：即风速，为1个；

3)确定RBF人工神经网络隐层神经元个数：根据Hecht-Nielsen的经验公式确定隐层神经元的个数，公式为：

$h=2*n+\sqrt{p^2+2}-1$

此公式所得值向上取整数，其中h为隐层神经元个数，n为输入层神经元个数，p为输出层神经元个数，经计算可得h为9；

步骤三、计算RBF人工神经网络的中心、宽度和权值

思路是用K均值聚类方法确定RBF人工神经网络中h个隐节点的数据中心，再根据各数据中心之间的距离确定隐节点的宽度，最后应用最小二乘法确定各隐节点的输出权值。

假设k为迭代次数，第k次迭代时的聚类中心为c₁(k)、c₂(k)，…,c_h(k),相应的聚类域为w₁(k)，w₂(k)，…,w_h(k)。K均值聚类算法确定RBF网数据中心c_i和宽度δ_i的步骤如下：

1)算法初始化：选择h个不同的初始聚类中心，并令k＝1；

2)计算所有样本与聚类中心的距离‖X_j-c_i(k)‖，i＝1,2,…,h,j＝1,2,…,N；

3)对样本输入X_j，按最小距离原则对其进行分类：即当i＝1,2,…,h,时，X_j即被归为第i类；

4)重新计算各类的新的聚类中心：i＝1,2,…,h,其中N_i为第i个聚类域中包含的样本数；

5)如果c_i(k+1)≠c_i(k)，转(2)，否则聚类结束，转(6)。

6)根据各聚类中心之间的距离确定各隐节点的宽度。隐节点的宽度δ_i＝κd_i，其中di为第i个数据中心与其他最近的数据中心的距离，κ为重叠系数。

一旦各隐节点的数据中心和宽度确定了，就可以用最小二乘法(LMS)直接计算得到输出权值。输入为X_i，i＝1,2,…,N,隐层输出阵为根据最小二乘法可通过下式求出网络的输出权值w:

$w{=\hat{H}}^{+}y$

其中y为输出矩阵，为的伪逆矩阵。通过上述的方法便确定了RBF人工神经网络的中心、宽度和权值。

步骤四、风电场风速预测

此时运用搜集的N-M个数据用于测试，首先我们将测试数据按照步骤一中的那样进行归一化处理，处理之后得到的数据就是测试样本。接下来运用步骤三训练好的RBF人工神经网络建立预测的模型。

此时的预测模型为：X＝[x₁,x₂,...,x_n]^T，其中h_j为高斯基函数，即：

$h_j=\exp (-\frac{{\left|\right|X-C_j\left|\right|}^2}{2b_j^2}),j=\mathrm{1,2},...,h$

式中，网络中第j个节点的中心向量为C_j＝[c_j1,c_j2,...,c_jn]^T，网络的宽度向量为B＝[b₁,b₂,...,b_h]^T，网络的权值为W＝[w₁,w₂,...,w_h]^T，于是可以得到网络的预测输出值为： $Y=\hat{H}W$

这样得到的是归一化的预测值，再将Y反归一化得到风速实际预测值。

附图说明

为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步的详细描述，其中：

图1是本发明RBF人工神经网络预测方法框图；

图2是K-均值聚类算法求解RBF中心、宽度图；

图3是利用最小二乘法求解RBF权值图；

具体实施方式

下面结合附图对本发明的技术方案作进一步的描述。

从图1可知，本发明RBF人工神经网络模型预测风电场短期风速时需要以下步骤：

1.获取风电场风速等相关因素的历史数据

首先对温度、气压等历史数据进行线性变换，通过最大最小值进行归一化处理，也就是通过如下公式：

$X^{\text{'}}=\frac{x-\min \left(x\right)}{\max \left(x\right)-\min \left(x\right)}$

其中，max(x)和min(x)分别为最大值和最小值，x’为归一化后的数据。

2.构建RBF人工神经网络预测模型

根据以上转换的风电场风速样本，可构建出基于RBF人工神经网络预测模型，其中输入层神经元个数为风速相关因素的个数，即4个。网络的输出层节点数为1个，表示对未来时刻的风速预测值，隐层神经元个数可通过经验公式得到为9个。

3.利用K均值聚类方法求解RBF中心和宽度

从图2可知，是运用K均值聚类方法求解RBF中心和宽度。思路是用K-均值聚类方法确定RBF人工神经网络中h个隐节点的数据中心，再根据各数据中心之间的距离确定隐节点的宽度。

假设k为迭代次数，第k次迭代时的聚类中心为c₁(k)、c₂(k)，…,c_h(k),相应的聚类域为w₁(k)，w₂(k)，…,w_h(k)。K均值聚类算法确定RBF网数据中心c_i和宽度δ_i的步骤如下：

1)算法初始化：选择h个不同的初始聚类中心，并令k＝1；

2)计算所有样本与聚类中心的距离‖X_j-c_i(k)‖，i＝1,2,…,h,j＝1,2,…,N。

3)对样本输入X_j，按最小距离原则对其进行分类：即当i＝1,2,…,h,X_j即被归为第i类。

4)重新计算各类的新的聚类中心：i＝1,2,…,h,其中N_i为第i个聚类域中包含的样本数；

5)如果c_i(k+1)≠c_i(k)，转(2)，否则聚类结束。

6)根据各聚类中心之间的距离确定各隐节点的宽度。隐节点的宽度δ_i＝κd_i，其中d_i为第i个数据中心与其他最近的数据中心的距离，κ为重叠系数。

4.从图3可知，利用前面已经确定的中心和宽度，就可以用最小二乘法(LMS)直接计算得到输出权值。输入为X_i，i＝1,2,…,N,隐层输出阵为根据最小二乘法可通过下式求出网络的输出权值w:

$w{=\hat{H}}^{+}y$

其中y为输出矩阵，为的伪逆矩阵。通过上述的方法便确定了RBF人工神经网络的中心、宽度和权值。

5.检验测试阶段，把测试数据按照步骤一中归一化公式处理，再应用步骤三优化好的预测模型带入测试数据便可计算得出归一化的预测值，然后对该预测值进行反归一化计算可得到风速的实际预测值。本发明有效地获取了风速相关因素数据，同时运用K均值聚类方法和最小二乘法对RBF神经网络的参数进行了优化，具有较高的学习效率和预测效果。

Claims (5)

1.一种基于RBF的风电场短期风速预测方法，其特征包括以下步骤：

步骤一：利用风速、温度、湿度、气压和风向的历史数据，将历史数据归一化，构建训练样本；

步骤二：构建RBF人工神经网络，确定RBF人工神经网络的输入层神经元个数、隐层神经元个数以及输出层神经元个数；

步骤三：运用K均值聚类和最小二乘法对训练样本进行求解，训练求出RBF人工神经网络的中心、宽度和权值；

步骤四：利用训练好的RBF人工神经网络的中心、宽度和权值建立预测模型，实现对风速的预测。

2.根据权利要求1所述的一种基于RBF的风电场短期风速预测方法，其特征在于：在步骤一中采用归一化的方法对搜集的历史数据进行预处理，构建训练样本。

3.根据权利要求1所述的一种基于RBF的风电场短期风速预测方法，其特征在于：在步骤二中需要确定RBF模型的结构，利用样本输入输出的个数确定输入层和输出层神经元的个数，再利用经验公式求得隐层神经元个数。

4.根据权利要求1所述的一种基于RBF的风电场短期风速预测方法，其特征在于：在步骤三中具体包括如下步骤：

4.1：初始化聚类中心；

4.2：计算样本与聚类中心的欧氏距离；

4.3：按最小距离原则对样本重新分类；

4.4：重新计算各类的中心；

4.5：判断新旧中心是否相等，如果不等就循环4.1，如果相等就得到RBF的中心；

4.6：利用各聚类中心的距离计算RBF的宽度；

4.7：利用最小二乘法得到RBF的权值。

5.根据权利要求1所述的一种基于RBF的风电场短期风速预测方法，其特征在于：在步骤四中利用训练好的RBF人工神经网络的中心、宽度和权值建立预测模型，输入归一化后的测试数据，就可以得到风速的归一化预测值，再将其反归一化就可以得到真实预测值。