CN104732300B - 一种基于模糊分区理论的神经网络风功率短期预测方法 - Google Patents
一种基于模糊分区理论的神经网络风功率短期预测方法 Download PDFInfo
- Publication number
- CN104732300B CN104732300B CN201510161140.1A CN201510161140A CN104732300B CN 104732300 B CN104732300 B CN 104732300B CN 201510161140 A CN201510161140 A CN 201510161140A CN 104732300 B CN104732300 B CN 104732300B
- Authority
- CN
- China
- Prior art keywords
- mrow
- wind
- power
- fuzzy
- msub
- 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
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种基于模糊分区理论的神经网络风功率短期预测方法。本发明通过分析风速变化的重要特征，以及风速与功率之间关系，采用模糊理论、人工智能及统计学理论相结合的模式。在进行风力发电预测时，先将从气象预测获得的风速数据按时间段进行风力等级模糊分区处理，然后进行BP神经网络分区预测，分区预测值乘以其隶属度值再将所有分区值相加即是预测的功率值，然后进行概率统计修正算法，得到预测功率；本发明有效的提高功率预测模型准确度。
Description
技术领域
本发明属于风功率预测方法领域，尤其是涉及一种基于模糊分区理论的神经网络风功率短期预测方法。
背景技术
风电并网容量迅速增加，风电与系统之间的联系越来越紧密，必须考虑风能的波动性和间歇性引起风电出力的变化给电力系统电能质量、安全稳定运行和经济效益带来的不利影响。因此，进行风电功率预测具有重要的现实意义。国际上风速及功率预测模型主要为物理模型、统计学模型、时间序列模型、人工智能模型等。
目前风功率预测多采用基于NWP功率预测模型，没有对不同风速等级、不同时间段做深入分析，且模型具有单一性，风功率预测准确率较低。因此有必要研究一种新的风功率预测方法，提高风功率预测的准确率。
发明内容
有鉴于此，本发明旨在提出一种基于模糊分区理论的神经网络风功率短期预测方法，以提高风功率预测模型的准确度。
为达到上述目的，本发明的技术方案是这样实现的：
一种基于模糊分区理论的神经网络风功率短期预测方法，包括如下步骤，
步骤1)，基于模糊分区理论，将风力等级分为无风(ZO)、小风(S)、中小风(MS)、中风(M)、中大风(MB)、大风(B)、超大风(BB)七个模糊分区，也称模糊集合A，并确定该模糊集合A的隶属度函数类型；
步骤2)，将从气象预测获得的风速数据按时间段进行风力等级模糊分区处理，确定各模糊分区范围，通过步骤1所述的隶属度函数，得到各个分区的隶属度值，用μi表示；
步骤3)，进行BP神经网络分区预测，得到各个分区的预测值，用net_outi表示，然后将各个分区的预测值net_outi乘以该分区的隶属度值μi，再将所有分区μi·net_outi的值相加，得到功率预测值；
步骤4)，将步骤3得到的功率预测值进行概率修正，获得功率阈值。
对于某一个具体的事物，在模糊数学中我们并不将其非此即彼的划分到某个集合中，而是给出一个属于某个模糊分区的程度值，该值一般在[0，1]之间。
优选的，步骤1)中，所述模糊集合A是指，对于任意的x∈X，都有一个确定的数μA(x)∈[0,1]与其对应，μA(x)表示x相对于A的隶属程度，映射：
叫做A的隶属度函数，隶属度函数有很多类型，这里选取三角形隶属度函数：
其中，a，b，c是三角形的3个顶点位置，且满足a＜b＜c。
优选的，步骤2)包括如下步骤，
a)对国内Ⅱ、Ⅲ类风区的风电厂，确定无风(ZO)模糊分区的范围为0～4m/s、小风(S)模糊分区范围为2～6m/s、中小风(MS)模糊分区范围为4～8m/s、中风(M)模糊分区范围为6～10m/s、中大风(MB)模糊分区范围为8～12m/s、大风(B)模糊分区范围为10～14m/s、超大风(BB)模糊分区范围为12m/s以上；其中I类风区平均风速10m/s，II类风速平均风速8.5m/s，III类风区平均风速7.5m/s，依据的是IEC(国际电工委员会)风能分区分类标准。
b)选取连续时间段的风速数据V，取该时间段内的风速的算术平均值为该时间段的风速值，将该时间段的风速值作为模糊分区的依据，即步骤1)所述的公式(1.1)、(1.2)中的x值；各模糊分区的隶属度函数对应于公式(1.2)中，a为该模糊分区的最小风速，b为该模糊分区的风速范围的中间值，c为该模糊分区的最大风速，即得到该时间段风速隶属于相应的模糊分区的隶属度值μi；对于最后一个模糊分区，风速在12～14m/s范围内的隶属度函数依旧按公式(1.2)表示，14m/s以上其隶属度函数值全取1。同样的，第一个模糊分区0m/s风速隶属度函数值取1，0～4m/s内风速按照公式(1.2)后两个分式计算。这样就保证在做预测时，得到一段时间内的风速预测值后，其一般会隶属于一到两个模糊分区，但是所有模糊分区的隶属度值相加总是1。对于处于Ⅰ类风区或其他类风区的风电厂，其风力等级分区范围、隶属度函数类型可做相应调整。
每一个风力模糊分区的发电功率模型是有各自不同的特点的，因此针对不同的风力分区，分别建立不同分区的BP神经网络预测模型。BP神经网络是多层前馈型网络，其原理是输入矢量经过隐层节点的转换，得到一个输出矢量，经过训练之后得到一个映射关系。典型的三层BP神经网络是由输入层，隐含层和输出层组成，其核心就是利用边向后传递误差，边修正误差的方式来不断调整网络的权值和阈值，从而实现或逼近要寻找的输入，输出映射关系。神经网络的参数，采用误差反馈修订算法自适应调整，输出节点的线性函数就是ax+b，其中参数也是学习过程中自动修订。
优选的，步骤3)包括如下步骤，
a)对风电功率输入参数的N组数据进行主成分分析，得到m个主成分量，作为神经网络输入层神经元数，隐层神经元数靠经验选取，这里记为p，p＝2*m，输出层神经元数为1，即完成f:Rm→R1，BP神经网络隐层传递函数采用Sigmoid函数，输出层采用线性函数；
b)隐层节点的输入：
式中，ωij是输入层到隐层的连接权，θj是隐层节点的阈值，其初始值通过经验选取，采用误差反馈修订算法自适应调整；xi表示神经网络输入量；
c)隐层节点的输出:
d)输出层节点的输入:
式中，vj是隐层到输出层的连接权值，γ是输出层的阈值；
e)输出层节点的输出:
式中，为线性函数；
f)经模糊分区和神经网络预测后的系统功率预测值为
y＝μA·net_outB+μA·net_outB (2-5)
式中，μA、μB表示该时间段风速隶属于相应两个模糊分区的隶属度值，net_outA、net_outB表示在相应两个模糊分区下的BP神经网络预测模型的输出值。
优选的，步骤4)包括如下步骤，
a)统计统计年风速-功率概率分布函数，以风速Δv(1-3m/s)，功率Δp(5-10MW)为区间，统计每个风速、功率区间内有功功率出现的概率，那么在第(i，j)个区间内，有功功率概率为
m为区间(i，j)内，有功功率样本个数，n为年历史有效功率样本个数；为区间内平均功率，[p(i,j)min,p(i,j)max]为区间阈值，区间功率最大值及最小值分别是历史年统计的区间左侧功率及右侧功率，当v＝i·Δv时，有功功率出现最大概率此时功率区间为k；
b)对BP神经网络预测模型的输出值进行概率修正：
如果y＞p(i,j)max，Pp＝p(i,j)max；
如果y≤p(i,j)min，Pp＝p(i,j)min； (3-2)
如果p(i,j)min＜y＜p(i,j)max，
a、b模型参数采用最小二乘下估计；
优化目标为RMSE最小，
其中，PMt为t时刻的实际功率，PPt为t时刻的预测功率，为所有样本实际功率的平均值，为所有预测功率样本的平均值，Cap为平均开机容量，n为样本个数。
相对于现有技术，本发明所述的基于模糊分区理论的神经网络风功率短期预测方法，具有以下优势：
1)由于我国的风资源不但具有明显季节性变化，而且同一季节内不同天的风速的变化也非常明显，即使是同一天也非常容易出现风速的大范围变化。所以针对不同风速等级，采用分级建模方式，建立不同风力等级的预测模型将对提高风功率预测精度大有裨益。
2)本发明充分利用风速变化的内在特征，按照不同风速等级进行模糊分区处理，然后进行BP神经网络的分区预测，在基于NWP以及大数据统计下，修正风功率预测结果，实现高精度预测。
附图说明
图1是通过各种模型进行风功率短期预测的日考核精度对比图；
其中，纵坐标为日考核精度，日考核精度＝1-RMSE；模型1是多项式回归风功率短期预测方法；模型2是神经网络风功率短期预测方法；模型3是本发明所述的基于模糊分区理论的神经网络风功率短期预测方法。
具体实施方式
需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
下面将结合实施例来详细说明本发明。
一种基于模糊分区理论的神经网络风功率短期预测方法，包括如下步骤，
步骤1)，基于模糊分区理论，将风力等级分为无风(ZO)、小风(S)、中小风(MS)、中风(M)、中大风(MB)、大风(B)、超大风(BB)七个模糊分区，也称模糊集合A，并确定该模糊集合A的隶属度函数类型；所述模糊集合A是指，对于任意的x∈X，都有一个确定的数μA(x)∈[0,1]与其对应，μA(x)表示x相对于A的隶属程度，映射：
叫做A的隶属度函数，隶属度函数有很多类型，这里选取三角形隶属度函数：
其中，a，b，c是三角形的3个顶点位置，且满足a＜b＜c。
步骤2)，将从气象预测获得的风速数据按时间段进行风力等级模糊分区处理，通过步骤1所述的隶属度函数，得到各个分区的隶属度值，用μi表示；包括如下步骤，
a)对国内Ⅱ、Ⅲ类风区的风电厂，确定无风(ZO)模糊分区的范围为0～4m/s、小风(S)模糊分区范围为2～6m/s、中小风(MS)模糊分区范围为4～8m/s、中风(M)模糊分区范围为6～10m/s、中大风(MB)模糊分区范围为8～12m/s、大风(B)模糊分区范围为10～14m/s、超大风(BB)模糊分区范围为12m/s以上；其中I类风区平均风速10m/s,II类风速平均风速8.5m/s,III类风区平均风速7.5m/s，依据IEC(国际电工委员会)风能分区分类标准；
b)选取连续时间段的风速数据V，取该时间段内的风速的算术平均值为该时间段的风速值，将该时间段的风速值作为模糊分区的依据，即步骤1)所述的公式(1.1)、(1.2)中的x值；各模糊分区的隶属度函数对应于公式(1.2)中，a为该模糊分区的最小风速，b为该模糊分区的风速范围的中间值，c为该模糊分区的最大风速，即得到该时间段风速隶属于相应的模糊分区的隶属度值μi；对于最后一个模糊分区，风速在12～14m/s范围内的隶属度函数依旧按公式(1.2)表示，14m/s以上其隶属度函数值全取1。同样的，第一个模糊分区0m/s风速隶属度函数值取1，0～4m/s内风速按照公式(1.2)后两个分式计算。这样就保证在做预测时，得到一段时间内的风速预测值后，其一般会隶属于一到两个模糊分区，但是所有模糊分区的隶属度值相加总是1。对于处于Ⅰ类风区或其他类风区的风电厂，其风力等级分区范围、隶属度函数类型可做相应调整。
每一个风力模糊分区的发电功率模型是有各自不同的特点的，因此针对不同的风力分区，分别建立不同分区的BP神经网络预测模型。BP神经网络是多层前馈型网络，其原理是输入矢量经过隐层节点的转换，得到一个输出矢量，经过训练之后得到一个映射关系。典型的三层BP神经网络是由输入层，隐含层和输出层组成，其核心就是利用边向后传递误差，边修正误差的方式来不断调整网络的权值和阈值，从而实现或逼近要寻找的输入，输出映射关系。
步骤3)，进行BP神经网络分区预测，得到各个分区的预测值，用net_outi表示，然后将各个分区的预测值net_outi乘以该分区的隶属度值μi，再将所有分区μi·net_outi的值相加，得到功率预测值；包括如下步骤，
a)对风电功率输入参数的N组数据进行主成分分析，得到m个主成分量，作为神经网络输入层神经元个数，隐层神经元数靠经验选取，这里记为p，p＝2*m，输出层神经元数为1，即完成f:Rm→R1，BP神经网络隐层传递函数采用Sigmoid函数，输出层采用线性函数；
b)隐层节点的输入：
式中，ωij是输入层到隐层的连接权，θj是隐层节点的阈值，其初始值通过经验选取，采用误差反馈修订算法自适应调整；xi表示神经网络输入量；
c)隐层节点的输出:
d)输出层节点的输入:
式中，vj是隐层到输出层的连接权值，γ是输出层的阈值；
e)输出层节点的输出:
式中，为线性函数；
f)经模糊分区和神经网络预测后的系统功率预测值为
y＝μA·net_outB+μA·net_outB (2-5)
式中，μA、μB表示该时间段风速隶属于相应两个模糊分区的隶属度值，net_outA、net_outB表示在相应两个模糊分区下的BP神经网络预测模型的输出值。
步骤4)，将步骤3得到的功率预测值进行概率修正，获得功率阈值。包括如下步骤，
a)统计年风速-功率概率分布函数，以风速Δv(1-3m/s)，功率Δp(5-10MW)为区间，统计每个风速、功率区间内有功功率出现的概率，那么在第(i，j)个区间内，有功功率概率为
m为区间(i，j)内，有功功率样本个数，n为年历史有效功率样本个数；为区间内平均功率，[p(i,j)min,p(i,j)max]为区间阈值，区间功率最大值及最小值分别是历史年统计的区间左侧功率及右侧功率，当v＝i·Δv时，有功功率出现最大概率此时功率区间为k；
b)对BP神经网络预测模型的输出值进行概率修正：
如果y＞p(i,j)max，Pp＝p(i,j)max；
如果y≤p(i,j)min，Pp＝p(i,j)min； (3-2)
如果p(i,j)min＜y＜p(i,j)max，
a、b模型参数采用最小二乘下估计；
优化目标为RMSE最小，
其中，PMt为t时刻的实际功率，PPt为t时刻的预测功率，为所有样本实际功率的平均值，为所有预测功率样本的平均值，Cap为平均开机容量，n为样本个数。
为了更好的证明本发明的效果，在采用本发明所述的基于模糊分区理论的神经网络风功率短期预测方法的同时，采用多项式回归风功率短期预测方法以及神经网络风功率短期预测方法，然后将各种方法得到的日考核精度进行对比，如图1所示，通过图1，可以得出本发明的预测方法得到的功率的准确度明显提高。
对本发明的实施例进行了详细说明，但所述内容仅为本发明的较佳实施例，不能被认为用于限定本发明的实施范围。凡依本发明范围所作的均等变化与改进等，均应仍归属于本专利涵盖范围之内。
Claims (4)
1.一种基于模糊分区理论的神经网络风功率短期预测方法，其特征在于：所述方法包括如下步骤，
步骤1)，基于模糊分区理论，将风力等级分为无风ZO、小风S、中小风MS、中风M、中大风MB、大风B、超大风BB七个模糊分区，也称模糊集合A，并确定该模糊集合A的隶属度函数类型；所述模糊集合A是指，对于任意的x∈X，都有一个确定的数μA(x)∈[0,1]与其对应，μA(x)表示x相对于A的隶属程度，映射：
<mrow>
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>&mu;</mi>
<mi>A</mi>
</msub>
<mo>:</mo>
<mi>X</mi>
<mo>&RightArrow;</mo>
<mo>&lsqb;</mo>
<mn>0</mn>
<mo>,</mo>
<mn>1</mn>
<mo>&rsqb;</mo>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mi>x</mi>
<mo>&RightArrow;</mo>
<msub>
<mi>&mu;</mi>
<mi>A</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
</mtable>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1.1</mn>
<mo>)</mo>
</mrow>
</mrow>
叫做A的隶属度函数，所述隶属度函数选取三角形隶属度函数：
<mrow>
<msub>
<mi>&mu;</mi>
<mrow>
<mi>t</mi>
<mi>r</mi>
<mi>i</mi>
<mi>a</mi>
<mi>n</mi>
<mi>g</mi>
<mi>l</mi>
<mi>e</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>;</mo>
<mi>a</mi>
<mo>,</mo>
<mi>b</mi>
<mo>,</mo>
<mi>c</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mn>0</mn>
<mo>,</mo>
<mi>x</mi>
<mo>&le;</mo>
<mi>a</mi>
<mo>,</mo>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mfrac>
<mrow>
<mi>x</mi>
<mo>-</mo>
<mi>a</mi>
</mrow>
<mrow>
<mi>b</mi>
<mo>-</mo>
<mi>a</mi>
</mrow>
</mfrac>
<mo>,</mo>
<mi>a</mi>
<mo>&le;</mo>
<mi>x</mi>
<mo>&le;</mo>
<mi>b</mi>
<mo>,</mo>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mfrac>
<mrow>
<mi>c</mi>
<mo>-</mo>
<mi>x</mi>
</mrow>
<mrow>
<mi>c</mi>
<mo>-</mo>
<mi>b</mi>
</mrow>
</mfrac>
<mo>,</mo>
<mi>b</mi>
<mo>&le;</mo>
<mi>x</mi>
<mo>&le;</mo>
<mi>c</mi>
<mo>,</mo>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mn>0</mn>
<mo>,</mo>
<mi>c</mi>
<mo>&le;</mo>
<mi>x</mi>
<mo>.</mo>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1.2</mn>
<mo>)</mo>
</mrow>
</mrow>
其中，a，b，c是三角形的3个顶点位置，且满足a<b<c；
步骤2)，将从气象预测获得的风速数据按时间段进行风力等级模糊分区处理，确定各模糊分区范围，通过步骤1)所述的隶属度函数，得到各个分区的隶属度值，用μi表示；包括如下步骤，
a)对国内Ⅱ、Ⅲ类风区的风电厂，确定无风ZO模糊分区的范围为0～4m/s、小风S模糊分区范围为2～6m/s、中小风MS模糊分区范围为4～8m/s、中风M模糊分区范围为6～10m/s、中大风MB模糊分区范围为8～12m/s、大风B模糊分区范围为10～14m/s、超大风BB模糊分区范围为12m/s以上；
b)选取连续时间段的风速数据V，取该时间段内的风速的算术平均值为该时间段的风速值将该时间段的风速值作为模糊分区的依据，即步骤1)所述的公式(1.1)、(1.2)中的x值；各模糊分区的隶属度函数对应于公式(1.2)中，a为该模糊分区的最小风速，b为该模糊分区的风速范围的中间值，c为该模糊分区的最大风速，即得到该时间段风速隶属于相应的模糊分区的隶属度值μi；对于最后一个模糊分区，风速在12～14m/s范围内的隶属度函数依旧按公式(1.2)表示，14m/s以上其隶属度函数值全取1；同样的，第一个模糊分区0m/s风速隶属度函数值取1，0～4m/s内风速按照公式(1.2)后两个分式计算；
步骤3)，进行BP神经网络分区预测，得到各个分区的预测值，用net_outi表示，然后将各个分区的预测值net_outi乘以该分区的隶属度值μi，再将所有分区μi·net_outi的值相加，得到功率预测值；
步骤4)，将步骤3)得到的功率预测值进行概率修正，获得功率阈值。
2.根据权利要求1所述的基于模糊分区理论的神经网络风功率短期预测方法，其特征在于：步骤b)中，时间段为4小时或24小时。
3.根据权利要求1所述的基于模糊分区理论的神经网络风功率短期预测方法，其特征在于：步骤3)包括如下步骤，
a)对风电功率输入参数的N组数据进行主成分分析，得到m个主成分量，作为神经网络输入层神经元数，隐层神经元数靠经验选取，这里记为p，p＝2*m，输出层神经元数为1，即完成f:Rm→R1，BP神经网络隐层传递函数采用Sigmoid函数，输出层采用线性函数；
b)隐层节点的输入：
<mrow>
<msub>
<mi>S</mi>
<mi>j</mi>
</msub>
<mo>=</mo>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>m</mi>
</munderover>
<msub>
<mi>w</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msub>
<mi>&theta;</mi>
<mi>j</mi>
</msub>
<mo>,</mo>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<mi>p</mi>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
式中，ωij是输入层到隐层的连接权，θj是隐层节点的阈值，其初始值通过经验选取，采用误差反馈修订算法自适应调整；xi表示神经网络输入量；
c)隐层节点的输出:
<mrow>
<msub>
<mi>b</mi>
<mi>j</mi>
</msub>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mrow>
<mn>1</mn>
<mo>+</mo>
<mi>exp</mi>
<mrow>
<mo>(</mo>
<mo>-</mo>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>m</mi>
</munderover>
<msub>
<mi>&omega;</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>+</mo>
<msub>
<mi>&theta;</mi>
<mi>j</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo>,</mo>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<mi>p</mi>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>-</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</mrow>
d)输出层节点的输入:
<mrow>
<mi>L</mi>
<mo>=</mo>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>p</mi>
</munderover>
<msub>
<mi>v</mi>
<mi>j</mi>
</msub>
<msub>
<mi>b</mi>
<mi>j</mi>
</msub>
<mo>-</mo>
<mi>&gamma;</mi>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>-</mo>
<mn>3</mn>
<mo>)</mo>
</mrow>
</mrow>
式中，vj是隐层到输出层的连接权值，γ是输出层的阈值；
e)输出层节点的输出:
式中，为线性函数；
f)经模糊分区和神经网络预测后的系统功率预测值为
y＝μA·net_outA+μB·net_outB (2-5)
式中，μA、μB表示该时间段风速隶属于相应两个模糊分区的隶属度值，net_outA、net_outB表示在相应两个模糊分区下的BP神经网络预测模型的输出值。
4.根据权利要求1所述的基于模糊分区理论的神经网络风功率短期预测方法，其特征在于：步骤4)包括如下步骤，
a)统计年风速-功率概率分布函数，以风速Δv为1-3m/s，功率Δp为5-10MW为区间，分别划分风速和功率，统计每个风速、功率区间内有功功率出现的概率，那么在第(i，j)个区间内，有功功率概率为
m为区间(i，j)内，有功功率样本个数，n为年历史有效功率样本个数；为区间内平均功率，[p(i,j)min,p(i,j)max]为区间阈值，区间功率最大值及最小值分别是历史年统计的区间左侧功率及右侧功率，当v＝i·Δv时，有功功率出现最大概率此时功率区间为k；
b)对BP神经网络预测模型的输出值进行概率修正：
如果y≥p(i，j)max，Pp＝p(i,j)max；
如果y≤p(i,j)min，Pp＝p(i,j)min； (3-2)
如果p(i,j)min<y<p(i,j)max，
a、b模型参数采用最小二乘法估计；
优化目标为RMSE最小，
其中，PMt为t时刻的实际功率，PPt为t时刻的预测功率，为所有样本实际功率的平均值，为所有预测功率样本的平均值，Cap为平均开机容量，n为样本个数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510161140.1A CN104732300B (zh) | 2015-04-07 | 2015-04-07 | 一种基于模糊分区理论的神经网络风功率短期预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510161140.1A CN104732300B (zh) | 2015-04-07 | 2015-04-07 | 一种基于模糊分区理论的神经网络风功率短期预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN104732300A CN104732300A (zh) | 2015-06-24 |
| CN104732300B true CN104732300B (zh) | 2017-10-17 |
Family
ID=53456172
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510161140.1A Active CN104732300B (zh) | 2015-04-07 | 2015-04-07 | 一种基于模糊分区理论的神经网络风功率短期预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN104732300B (zh) |
Families Citing this family (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105528650A (zh) * | 2015-12-02 | 2016-04-27 | 江苏省电力公司信息通信分公司 | 基于主成分分析和bp神经网络的机房温湿度预测方法 |
| CN105652658B (zh) * | 2015-12-29 | 2018-12-04 | 国能日新科技股份有限公司 | 基于光伏电场数据分析及实时环境监测的有功控制系统 |
| CN105425591B (zh) * | 2015-12-29 | 2017-12-08 | 北京国能日新系统控制技术有限公司 | 基于风电场区域实时风速分析调控风电场有功的方法和装置 |
| CN105550943A (zh) * | 2016-01-18 | 2016-05-04 | 重庆大学 | 一种基于模糊综合评判的风电机组状态参数异常辨识方法 |
| CN109102110B (zh) * | 2018-07-23 | 2022-03-22 | 云南电网有限责任公司临沧供电局 | 一种径流式小水电短期出力预测方法和装置 |
| CN109242143A (zh) * | 2018-07-31 | 2019-01-18 | 中国电力科学研究院有限公司 | 一种神经网络风电功率预测方法及系统 |
| CN108876060B (zh) * | 2018-08-01 | 2021-05-11 | 国网吉林省电力有限公司长春供电公司 | 一种基于大数据的样本采集风电出力概率预测方法 |
| CN110717581A (zh) * | 2019-09-26 | 2020-01-21 | 国网福建省电力有限公司 | 一种基于温度模糊处理和dbn的短期负荷预测方法 |
| CN111967745B (zh) * | 2020-08-06 | 2023-10-24 | 中煤能源研究院有限责任公司 | 基于bp神经网络和概率统计的综采放煤时间智能确定方法 |
| CN112733279B (zh) * | 2020-09-11 | 2022-05-03 | 新天绿色能源股份有限公司 | 基于模糊分区的风电机组变桨系统故障预警识别方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103106544A (zh) * | 2013-02-01 | 2013-05-15 | 东南大学 | 一种基于t-s型模糊神经网络的光伏发电预测系统 |
| CN104239968A (zh) * | 2014-09-02 | 2014-12-24 | 浙江大学 | 一种快速模糊粗糙集短期负荷预测方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20070112695A1 (en) * | 2004-12-30 | 2007-05-17 | Yan Wang | Hierarchical fuzzy neural network classification |
-
2015
- 2015-04-07 CN CN201510161140.1A patent/CN104732300B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103106544A (zh) * | 2013-02-01 | 2013-05-15 | 东南大学 | 一种基于t-s型模糊神经网络的光伏发电预测系统 |
| CN104239968A (zh) * | 2014-09-02 | 2014-12-24 | 浙江大学 | 一种快速模糊粗糙集短期负荷预测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 基于主成分分析与人工神经网络的风电功率预测;周松林等;《电网技术》;20110905;第35卷(第9期);第128-132页 * |
| 基于模糊聚类的GA-BP风电场短期风速及功率预测的研究;都晨;《中国优秀硕士学位论文全文数据库工程科技II辑》;20130715(第7期);第C042-579页，第37，43-47页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN104732300A (zh) | 2015-06-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104732300B (zh) | 一种基于模糊分区理论的神经网络风功率短期预测方法 | |
| Shi et al. | Hybrid forecasting model for very-short term wind power forecasting based on grey relational analysis and wind speed distribution features | |
| CN103401236B (zh) | 一种基于风电场流动相关性的风电场机组分组方法 | |
| CN102012956B (zh) | 一种考虑风电场输入风速和风向随机波动的风电场等值方法 | |
| CN107591844A (zh) | 考虑节点注入功率不确定性的主动配电网鲁棒重构方法 | |
| CN103106544B (zh) | 一种基于t-s型模糊神经网络的光伏发电预测系统 | |
| CN107316125A (zh) | 一种基于经济运行域的主动配电网经济运行评价方法 | |
| CN105046374A (zh) | 一种基于核极限学习机模型的功率区间预测方法 | |
| CN107425520A (zh) | 一种含节点注入功率不确定性的主动配电网三相区间状态估计方法 | |
| CN108306303A (zh) | 一种考虑负荷增长和新能源出力随机的电压稳定评估方法 | |
| CN104319807B (zh) | 一种基于Copula函数获取多风电场容量可信度的方法 | |
| CN103093027B (zh) | 基于双馈风电场等值模型的电力系统分析方法 | |
| CN103455716B (zh) | 一种基于超短期风电功率预测的电力系统电压稳定裕度计算方法 | |
| Wu et al. | The SOC estimation of power Li-Ion battery based on ANFIS model | |
| CN105389634A (zh) | 一种组合式短期风电功率预测系统及方法 | |
| CN103839192A (zh) | 基于层次分析法及距离综合评价法的风电场综合评价方法 | |
| CN104408562A (zh) | 一种基于bp神经网络的光伏系统发电效率综合评估方法 | |
| CN104050517A (zh) | 基于grnn神经网络的光伏发电预测方法 | |
| CN110009141B (zh) | 基于sdae特征提取和svm分类模型的爬坡事件预测方法及系统 | |
| CN105186499A (zh) | 一种配电网多目标概率最优潮流模糊建模与求解方法 | |
| CN103065202A (zh) | 一种基于组合核函数的风电场超短期风速预测方法 | |
| CN105303250A (zh) | 一种基于最优权系数的风电功率组合预测方法 | |
| CN104734175A (zh) | 一种实现风电机组风速功率曲线的智能修正方法 | |
| CN110837915A (zh) | 一种基于混合集成深度学习的电力系统低压负荷点预测及概率预测方法 | |
| CN107330573A (zh) | 一种光伏系统关键设备的状态评估方法及装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CP03 | Change of name, title or address | ||
| CP03 | Change of name, title or address |
Address after: Room 227, 2nd floor, No. 27 Building Material City Middle Road, Xisanqi, Haidian District, Beijing 100096 Patentee after: New energy Polytron Technologies Inc Address before: 100081 four, 407, 19 Building, 68 South Road, Haidian District, Beijing. Patentee before: Beijing Guo Nengxin system control technique company limited |
|
| PE01 | Entry into force of the registration of the contract for pledge of patent right | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: Neural network wind power short-term forecasting method based on fuzzy partition theory Effective date of registration: 20190404 Granted publication date: 20171017 Pledgee: Zhongguancun Beijing technology financing Company limited by guarantee Pledgor: New energy Polytron Technologies Inc Registration number: 2019990000290 |
|
| PC01 | Cancellation of the registration of the contract for pledge of patent right | ||
| PC01 | Cancellation of the registration of the contract for pledge of patent right |
Date of cancellation: 20200911 Granted publication date: 20171017 Pledgee: Zhongguancun Beijing technology financing Company limited by guarantee Pledgor: SPRIXIN TECHNOLOGY Co.,Ltd. Registration number: 2019990000290 |