CN105138729A - 基于pso-grnn风电场风电机缺损风速值填充方法 - Google Patents

Abstract

本发明公开了基于PSO-GRNN风电场风电机缺损风速值填充方法，依次进行风速数据相似性判定；确定GRNN填充子模型待优化参数集和评价此优化参数集的适应度函数；运用PSO算法优化待优化的参数，建立GRNN填充子模型；GRNN填充子模型进行GRNN组合，生成最终的填充结果。本发明针对以往单一填充模型稳定性差的缺点，提取与缺损测量风速风电机在缺损采样点附近风速演化最相似的若干台风电机的测量风速，采用PSO-GRNN神经网络组合填充模型对各子模型的填充结果进行动态组合，同时设计了对于组合用GRNN最佳平滑系数的确定方案，进一步提高了最终的填充结果精度和稳定性。

Description

基于PSO-GRNN风电场风电机缺损风速值填充方法

技术领域

本发明属于风电机技术领域，特别涉及了基于PSO-GRNN风电场风电机缺损风速值填充方法。

背景技术

为了有效地将风能并入电网中，对于风电场的出力进行准确预测是极其必要和关键的，这其中，0至6小时的短期预报对于电网实时调度，确保电网频率、功率和电压平衡等涉及电网安全的技术参数具有重要意义。风电场风机测量风速的完整性无论对于风电场出力研究、还是对于研究风机布局以及风机紊流影响等都具有重要意义。针对我国多个风场的采集数据进行分析，在经过必要的数据质量检查后，最突出的问题是出现了缺损的数据，其时间跨度从10分钟至几小时。现有研究表明风力数据的缺失对于风电的预估将产生重要影响，必须加以考量。

1997年，美国能源部发布《风能资源预估手册(WindResourcesAssessmentHandbook，WRAH)NREL/SR-440-22223》，中国政府于2002年发布了《风场风能资源测量方法GB/T18709-2002》、《风场风能资源评估方法GB/T18710-2002》以及2010年发布了《地面气象观测资料质量控制QX/T118-2010》。这些手册只是做了规范性的指导和要求，缺乏具体的技术方法。针对风场测量风速缺损值的填充策略大多是围绕空间相关性，采用持续法、曲线拟合法、差分自回归移动平均法(AutoregressiveIntegratedMovingAverageModel，简称ARIMA)以及神经网络模型等。持续法假设风速不变；曲线拟合插值函数的非线性特性很难与风速变化趋势一致，使得缺损值填充效果不好。ARIMA将风速数据视为一个随机序列，通过对历史风速数据进行平稳化处理、模型识别，来近似描述风速的变化趋势。由于风速数据的高度非线性，ARIMA也较适用于超短期的缺损值的填补应用中。人工神经网络作为一种新的方法，具有分布并行处理、非线性映射、自适应学习和鲁棒容错等特点，符合风速数据高度非线性的特点。

已有文献多基于空间相关性原理，即相邻地区气象观测资料强相关的基础，采用地理位置上相邻的测量设备或站点的测量数据组织神经网络训练集并进行缺损值的填充。由于整个风场占地面积较大，风电机众多，如果考虑到风场地势高低起伏的地理环境、风电机的紊流效应以及季节对风速风向等影响因素，风场中空间位置邻近的风电机，其测量风速很难保证强相关；相关系数法强调其线性相关性，而风速具有强非线性特点，极大影响了最终的填充效果，同时单一模型的稳定性也欠佳，也影响了最终填充结果的可靠性。

发明内容

为了解决上述背景技术提出的技术问题，本发明旨在提供基于PSO-GRNN风电场风电机缺损风速值填充方法，针对以往单一填充模型稳定性差的缺点，采用基于GRNN的神经网络组合填充模型对各子模型的填充结果进行动态组合，克服了传统组合模型中子模型权系数固定导致的组合模型效果欠佳的不足，同时设计了对于组合用GRNN最佳平滑系数的确定方案，进一步提高了最终的填充结果精度和稳定性。

为了实现上述技术目的，本发明的技术方案为：

基于PSO-GRNN风电场风电机缺损风速值填充方法，包括以下步骤：

(1)读入风电场中风电机的原始采样风速集V＝{v(#WT_p,T_q),p＝1,2,…,S，q＝1,2,…,Z，其中，v(#WT_p,T_q)表示风电机#WT_p在采样点T_q的测量风速值，S为风电机的总数，Z为采样点总数；在采样区间[T_k～T_l]内，从风场内采样风速完整的风电机集#WT中搜索与缺损采样风速的风电机#WT_i风速演化最相似的前n台风电机，其中，n为整数，T_k和T_l分别为采样区间[T_k～T_l]的起始点和终止点，[T_k～T_l]的区间长度为Lmiss；

(2)确定GRNN填充子模型待优化参数集以及评价此优化参数集的适应度函数；

(3)运用PSO算法优化步骤(2)中待优化的参数，建立GRNN填充子模型；

(4)确定GRNN组合神经网络平滑参数，对步骤(3)建立的GRNN填充子模型进行GRNN组合，生成最终的填充结果。

进一步地，在步骤(1)中，分别采用动态时间规整法、Pearson相关系数法和空间近邻法，从风场内采样风速完整的风电机集#WT中搜索与缺损采样风速的风电机#WT_i风速演化最相似的前n台风电机，具体过程如下：

动态时间规整法，计算缺损采样风速的风电机#WT_i与风电机集#WT中的每台风电机对应采样区间[T_k-Len～T_k-1]中风速数据的DTW距离，取DTW距离最小的前n台风电机；

Pearson相关系数法，计算缺损采样风速的风电机#WT_i与风电机集#WT中的每台风电机对应采样区间[T_k-Len～T_k-1]中风速数据的相关系数R，取R最大的前n台风电机；

空间近邻法，计算缺损采样风速的风电机#WT_i与风电机集#WT中的每台风电机的大圆距离D，取D最小的前n台风电机；

其中，T_k-Len和T_k-1分别为动态时间规整法和Pearson相关系数法中进行风速演化相似性计算的采样区间的起始点和终止点，[T_k-Len～T_k-1]的区间长度为Len。

进一步地，步骤(2)的具体过程如下：

(a)以动态时间规整法生成的数据构造GRNN，待优化的参数共有3个，分别为GRNN输入层向量维数I₁、进行演化相似性比较的风速长度L₁、GRNN的平滑参数S₁，此处I₁即为步骤(1)中计算得到的缺损采样风速的风电机#WT_i与风电机集#WT中的每台风电机对应采样区间[T_k-Len～T_k-1]中风速数据的DTW距离最小的前I₁台风电机，1≤I₁≤n，L₁＝Len，取一正整数m，以该I₁台风电机在采样区间[T_k-m*Lmiss～T_k-Lmiss-1]的采样风速作为训练组输入数据，以#WT_i在采样区间[T_k-m*Lmiss～T_k-Lmiss-1]的采样风速作为训练组目标数据，以该I₁台风电机在采样区间[T_k-Lmiss～T_k-1]的采样风速作为测试组输入数据，以#WT_i在采样区间[T_k-Lmiss～T_k-1]的采样风速作为模拟填充用的测试组目标数据，建立GRNN模型，它适应度函数为此训练组、测试组数据对于平滑参数为S₁的GRNN的模拟填充结果的均方误差MSE_DTW；

(b)以Pearson相关系数法生成的训练组数据构造GRNN，待优化的参数共有3个，分别为GRNN输入层向量维数I₂、进行演化相似性比较的风速长度L₂、GRNN的平滑参数S₂，此处I₂即为步骤(1)中计算得到的计算缺损采样风速的风电机#WT_i与风电机集#WT中的每台风电机对应采样区间[T_k-Len～T_k-1]中风速数据的相关系数R最大的前I₂台风电机，1≤I₂≤n，L₂＝Len，取一正整数m，以该I₂台风电机在采样区间[T_k-m*Lmiss～T_k-Lmiss-1]的采样风速作为训练组输入数据，以#WT_i在采样区间[T_k-m*Lmiss～T_k-Lmiss-1]的采样风速作为训练组目标数据；以该I₂台风电机在采样区间[T_k-Lmiss～T_k-1]的采样风速作为测试组输入数据，以#WT_i在采样区间[T_k-Lmiss～T_k-1]的采样风速作为模拟填充用的测试组目标数据，建立GRNN模型，它的适应度函数为此训练组、测试组数据对于平滑参数为S₂的GRNN的模拟填充结果的均方误差MSE_PCC；

(c)以空间近邻法生成的训练组数据构造GRNN，待优化的参数共有2个，分别为GRNN输入层向量维数I₃和GRNN的平滑参数S₃，此处I₃为步骤(1)中计算得到的缺损采样风速的风电机#WT_i与风电机集#WT中的每台风电机的大圆距离D最小的前I₃台风电机，1≤I₃≤n，L₃＝Len，取一正整数m，以该I₃台风电机在采样区间[T_k-m*Lmiss～T_k-Lmiss-1]的采样风速作为训练组输入数据，以#WT_i在采样区间[T_k-m*Lmiss～T_k-Lmiss-1]的采样风速作为训练组目标数据，以该I₃台风电机在采样区间[T_k-Lmiss～T_k-1]的采样风速作为测试组输入数据，以#WT_i在采样区间[T_k-Lmiss～T_k-1]的采样风速作为模拟填充用的测试组目标数据，建立GRNN模型，它的适应度函数为此训练组、测试组数据对于平滑参数为S₃的GRNN的模拟填充结果的均方误差MSE_SPA。

进一步地，步骤(3)的具体过程如下：

(A)采用PSO算法对MSE_DTW求最小，进行迭代寻优，当达到迭代终止条件时，获得以动态时间规整法生成的训练组数据构造GRNN的最优参数，分别为I_DTW、L_DTW和S_DTW，建立第1个GRNN填充子模型；

(B)采用PSO算法对MSE_PCC求最小，进行迭代寻优，当达到迭代终止条件时，获得以Pearson相关系数法生成的训练组数据构造GRNN的最优参数，分别为I_PCC、L_PCC和S_PCC，建立第2个GRNN填充子模型；

(C)采用PSO算法对MSE_SPA求最小，进行迭代寻优，当达到迭代终止条件时，获得以空间近邻法生成的训练组数据构造GRNN的最优参数，分别为I_SPA和S_SPA，建立第3个GRNN填充子模型。

进一步地，步骤(4)的具体过程如下：

(Ⅰ)以建立好的3个GRNN填充子模型分别在采样区间[T_k-m*Lmiss～T_k-Lmiss-1]内对风电机#WT_i的模拟输出作为训练组输入数据，以#WT_i在采样区间[T_{k- m*Lmiss}～T_k-Lmiss-1]内的采样风速作为训练组目标数据，以各GRNN填充子模型分别在采样区间[T_k-Lmiss～T_k-1]内的模拟结果作为测试组输入数据，以#WT_i在采样区间[T_k-Lmiss～T_k-1]内的采样风速作为测试组目标数据，建立GRNN模型，采用交叉验证法，以针对测试组目标数据的均方误差最小为衡量标准，确定GRNN组合神经网络的最佳平滑参数S_c；

(Ⅱ)以建立好的3个GRNN填充子模型分别在采样区间[T_k-m*Lmiss～T_k-1]内对风电机#WT_i的模拟输出作为训练组输入数据，以#WT_i在采样区间[T_{k- m*Lmiss}～T_k-1]内的采样风速作为训练组目标数据，以各GRNN填充子模型分别在采样区间[T_k～T_l]内的填充结果作为测试组输入数据，建立GRNN模型，平滑参数为S_c，该GRNN模型的输出即为针对#WT_i在采样区间[T_k～T_l]内的缺损采样风速的组合填充结果。

采用上述技术方案带来的有益效果：

(1)本发明组合动态时间规整法、Pearson相关系数法和空间近邻法，分别提取与缺损测量风速风电机在缺损采样点附近风速演化最相似的若干台风电机的测量风速，生成训练组数据构造GRNN填充子模型，提出改进PSO算法对于GRNN训练集参数和平滑参数进行全局优化方案，不仅可以提高单个子模型的填充精度，更能适应不同风电场的风速数据的特点；

(2)本发明采用基于GRNN的神经网络组合填充模型对各子模型的填充结果进行动态组合，克服了传统组合模型中子模型权系数固定导致的组合模型效果欠佳的不足，同时设计了对于组合用GRNN最佳平滑系数的确定方案，进一步提高了最终的填充结果精度和稳定性。

附图说明

图1是本发明的基本流程图；

图2是本发明的具体流程图；

图3是测试实例中某风电场#WT₁～#WT₄风电机的采样风速数据图，包括(a)-(b)4幅子图；

图4是测试实例1中第#WT₂₇号风电机各子模型和组合模型的填充结果对比示意图，包括(a)-(f)6幅子图。

具体实施方式

以下将结合附图，对本发明的技术方案进行详细说明。

如图1和图2所示，基于PSO-GRNN风电场风电机缺损风速值填充方法，包括以下步骤：

步骤1、风速数据相似性判定：读入风电场中风电机的原始采样风速集V＝{v(#WT_p,T_q),p＝1,2,…,S，q＝1,2,…,Z，其中，v(#WT_p,T_q)表示风电机#WT_p在采样点T_q的测量风速值，S为风电机的总数，Z为采样点总数；在采样区间[T_k～T_l]内，从风场内采样风速完整的风电机集#WT中搜索与缺损采样风速的风电机#WT_i风速演化最相似的前n台风电机，其中，T_k和T_l分别为采样区间[T_k～T_l]的起始点和终止点，[T_k～T_l]的区间长度为Lmiss；分别采用动态时间规整法、Pearson相关系数法和空间近邻法从风场内采样风速完整的风电机集#WT中搜索与缺损采样风速的风电机#WT_i风速演化最相似的前10台风电机，具体过程如下：

(1)动态时间规整法，计算风电机#WT_i与风电机集#WT中的每台风电机对应采样区间[T_k-Len～T_k-1]风速数据的DTW距离，取DTW距离最小的前10台风电机。假设风电机#WT_i和#WT_j的采样风速数据分别为{v(#WT_i,T₁),v(#WT_i,T₂),...,v(#WT_i,T_N)}和{v(#WT_j,T₁),v(#WT_j,T₂),...,v(#WT_j,T_N)}，N为采样点的个数。初始化风电机测量风速数据距离矩阵d_NN，其中d_NN的每一个元素为：l,k＝1,2,...,N。在矩阵d_NN中，把一组相邻的矩阵元素的集合称为弯曲路径，记为W＝{w₁,w₂,...,w_K}，W的第k个元素w_k＝(i,j)_k，这条路径满足下列条件：(a)N≤K＜2N-1；(b)w₁＝(1,1)，w_K＝(N,N)；(c)对于w_k＝(i,j)，w_k-1＝(i',j')，满足0≤i-i'≤1，0≤j-j'≤1。在此基础上，DTW算法可以归结为运用动态规划思想寻找一条从d(1,1)到d(N,N)的最短路径D，其状态转移方程： $\left\{\begin{array}{c}D\left(1,1\right)=d\left(1,1\right)\\ D\left(i,j\right)=\min \left\{D\left(i-1,j-1\right),D\left(i,j-1\right),D\left(i-1,j\right)\right\}+d\left(i,j\right)\end{array}\right.,$ DTW(#WT_i,#WT_j)越小说明风电机#WT_i和#WT_j的采样风速数据在时间轴上伸缩后相似度越高。

(2)Pearson相关系数法，计算风电机#WT_i与风电机集#WT中的每台风电机对应采样区间[T_k-Len～T_k-1]风速数据的相关系数R，取R最大的前10台风电机。假设风电机#WT_i和#WT_j的采样风速数据分别为{v(#WT_i,T₁),v(#WT_i,T₂),...,v(#WT_i,T_N)}和{v(#WT_j,T₁),v(#WT_j,T₂),...,v(#WT_j,T_N)}，其中N为采样点的个数。风电机#WT_i和#WT_j的采样风速数据的Pearson相关系数： $R(\#{\mathrm{WT}}_i,\#{\mathrm{WT}}_j)=\frac{\underset{k=1}{\overset{N}{\Σ}}\left(v\right(\#{\mathrm{WT}}_i,T_k)-\stackrel{\‾}{v(\#{\mathrm{WT}}_i,T_k)})\left(v\right(\#{\mathrm{WT}}_j,T_k)-\stackrel{\‾}{v(\#{\mathrm{WT}}_j,T_k)})}{\sqrt{\underset{k=1}{\overset{N}{\Σ}}{\left(v\right(\#{\mathrm{WT}}_i,T_k)-\stackrel{\‾}{v(\#{\mathrm{WT}}_i,T_k)})}^2}\·\sqrt{\underset{k=1}{\overset{N}{\Σ}}{\left(v\right(\#{\mathrm{WT}}_j,T_k)-\stackrel{\‾}{v(\#{\mathrm{WT}}_j,T_k)})}^2}},$ 其中v(#WT_i,T_k)、v(#WT_j,T_k)和分别为风电机#WT_i和#WT_j在采样区间[T₁～T_N]的测量风速和平均风速。R(#WT_i,#WT_j)越大说明风电机#WT_i和#WT_j的采样风速数据线性相关性越强。

(3)空间近邻法，计算风电机#WT_i与风电机集#WT中的每台风电机的大圆距离D，取D最小的前10台风电机。假设风电机#WT_i和#WT_j的经纬度坐标分别为φ_i，λ_i；φ_j，λ_j，计算两风电机大圆距离其中： $\mathrm{\Δ}\widehat{\mathrm{\σ}}=arccos({\mathrm{sin\φ}}_i\·{\mathrm{sin\φ}}_j+{\mathrm{cos\φ}}_i\·{\mathrm{cos\φ}}_j\·cos({\mathrm{\λ}}_i-{\mathrm{\λ}}_j\left)\right),$ 为两台风电机的圆心角；R为地球半径。D(#WT_i,#WT_j)越小，说明风电机#WT_i和#WT_j的大圆距离越近。

其中，定义T_k和T_l为风电机#WT_i缺损采样区间的起始点和终止点，[T_k～T_l]的区间长度为Lmiss，T_k-Len和T_k-1为动态时间规整法和Pearson相关系数法中进行风速演化相似性计算的采样区间的起始点和终止点，[T_k-Len～T_k-1]的区间长度为Len，6≤Len≤120。

步骤2、确定GRNN填充子模型待优化参数集以及评价此优化参数集的适应度函数，具体过程如下：

(a)以动态时间规整法生成的数据构造GRNN，待优化的参数共有3个，分别为GRNN输入层向量维数I₁、进行演化相似性比较的风速长度L₁、GRNN的平滑参数S₁，此处I₁即为步骤(1)中计算得到的缺损采样风速的风电机#WT_i与风电机集#WT中的每台风电机对应采样区间[T_k-Len～T_k-1]中风速数据的DTW距离最小的前I₁台风电机，1≤I₁≤10，L₁＝Len；以该I₁台风电机在采样区间[T_k-10*Lmiss～T_k-Lmiss-1]的采样风速作为训练组输入数据，以#WT_i在采样区间[T_{k- 10*Lmiss}～T_k-Lmiss-1]的采样风速作为训练组目标数据，以该I₁台风电机在采样区间[T_k-Lmiss～T_k-1]的采样风速作为测试组输入数据，以#WT_i在采样区间[T_k-Lmiss～T_k-1]的采样风速作为模拟填充用的测试组目标数据，建立GRNN模型，它适应度函数为此训练组、测试组数据对于平滑参数为S₁的GRNN的模拟填充结果的均方误差MSE_DTW；

(b)以Pearson相关系数法生成的训练组数据构造GRNN，待优化的参数共有3个，分别为GRNN输入层向量维数I₂、进行演化相似性比较的风速长度L₂、GRNN的平滑参数S₂，此处I₂为步骤(1)中计算得到的计算缺损采样风速的风电机#WT_i与风电机集#WT中的每台风电机对应采样区间[T_k-Len～T_k-1]中风速数据的相关系数R最大的前I₂台风电机，1≤I₂≤10，L₂＝Len；以该I₂台风电机在采样区间[T_k-10*Lmiss～T_k-Lmiss-1]的采样风速作为训练组输入数据，以#WT_i在采样区间[T_k-10*Lmiss～T_k-Lmiss-1]的采样风速作为训练组目标数据；以该I₂台风电机在采样区间[T_k-Lmiss～T_k-1]的采样风速作为测试组输入数据，以#WT_i在采样区间[T_k-Lmiss～T_k-1]的采样风速作为模拟填充用的测试组目标数据，建立GRNN模型，它的适应度函数为此训练组、测试组数据对于平滑参数为S₂的GRNN的模拟填充结果的均方误差MSE_PCC；

(c)以空间近邻法生成的训练组数据构造GRNN，待优化的参数共有2个，分别为GRNN输入层向量维数I₃和GRNN的平滑参数S₃，此处I₃为步骤(1)中计算得到的缺损采样风速的风电机#WT_i与风电机集#WT中的每台风电机的大圆距离D最小的前I₃台风电机，1≤I₃≤10，L₃＝Len；以该I₃台风电机在采样区间[T_k-10*Lmiss～T_k-Lmiss-1]的采样风速作为训练组输入数据，以#WT_i在采样区间[T_{k- 10*Lmiss}～T_k-Lmiss-1]的采样风速作为训练组目标数据，以该I₃台风电机在采样区间[T_k-Lmiss～T_k-1]的采样风速作为测试组输入数据，以#WT_i在采样区间[T_k-Lmiss～T_k-1]的采样风速作为模拟填充用的测试组目标数据，建立GRNN模型，它的适应度函数为此训练组、测试组数据对于平滑参数为S₃的GRNN的模拟填充结果的均方误差MSE_SPA。

步骤3、运用PSO算法优化步骤2中需要优化的参数，建立GRNN填充子模型，具体过程如下：

(A)采用PSO算法对MSE_DTW求最小，进行迭代寻优，当达到迭代终止条件时，获得以动态时间规整法生成的训练组数据构造GRNN的最优参数，分别为I_DTW、L_DTW和S_DTW，建立第1个GRNN填充子模型；

(B)采用PSO算法对MSE_PCC求最小，进行迭代寻优，当达到迭代终止条件时，获得以Pearson相关系数法生成的训练组数据构造GRNN的最优参数，分别为I_PCC、L_PCC和S_PCC，建立第2个GRNN填充子模型；

(C)采用PSO算法对MSE_SPA求最小，进行迭代寻优，当达到迭代终止条件时，获得以空间近邻法生成的训练组数据构造GRNN的最优参数，分别为I_SPA和S_SPA，建立第3个GRNN填充子模型。

其中，步骤3所采用的PSO算法是附带线性递减惯性因子、异步变化学习因子和遗传杂交算法的改进粒子群算法，其具体过程如下：

(ⅰ)随机初始化种群中各粒子的位置和速度；

(ⅱ)评价每个粒子的适应度，将当前各粒子的位置和适应度值存储在各粒子的pbest中，将所有pbest中适应度值最优个体的位置和适应度值存储于gbest中；

(ⅲ)用下式更新每个粒子的速度和位置；

v_i,j(t+1)＝wv_i,j(t)+c₁r₁[p_i,j-x_i,j(t)]+c₂r₂[p_g,j-x_i,j(t)]

x_i,j(t+1)＝x_i,j(t)+v_i,j(t),j＝1,2,...,d

$w=w_{max}-\frac{t*\left(w_{\max }-w_{\min }\right)}{t_{\max }}$

$c_{1,j}=c_{1,ini}+\frac{c_{1,fln}-c_{1,ini}}{t_{max}}*t$

$c_{2,j}=c_{2,ini}+\frac{c_{2,fln}-c_{2,ini}}{t_{max}}*t$

其中，w_max、w_min分别表示w的最大值和最小值，通常取w_min＝0.4，w_max＝0.9；c_1,ini、c_2,ini分别为c₁和c₂的初始值，c_1,fln、c_2,fln分别为c₁和c₂的迭代终止值。取c_1,ini＝2.5，c_1,fln＝0.5；c_2,ini＝0.5，c_2,fln＝2.5；t表示当前的迭代步数，t_max表示最大迭代步数；

(ⅳ)对每个粒子，将其适应度值与经历过的最好位置作比较，如果较好，则将其作为当前的最好位置，并储存于pbest中，根据当前各粒子的pbest值更新gbest；

(ⅴ)根据杂交概率选取指定数量的粒子放入杂交池，池中的粒子随机两两杂交产生同样数目的子代粒子，在保持pbest和gbest不变的同时，子代的位置和速度计算公式如下：

child(x)＝p*parent₁(x)+(1-p)*parent₂(x)

$child\left(v\right)=\frac{{\mathrm{parent}}_1\left(v\right)+{\mathrm{parent}}_2\left(v\right)}{|{\mathrm{parent}}_1\left(v\right)+{\mathrm{parent}}_2\left(v\right)|}*\left|{\mathrm{parent}}_1\left(v\right)\right|$

其中，p为0到1之间的随机数，parent(x)和child(x)为杂交的父代粒子和子代粒子。

(ⅵ)判断是否达到迭代终止条件，以达到最大迭代步数或满足收敛精度要求为迭代终止条件，若达到迭代终止条件，迭代结束，并输出全局最优粒子的相关参数，否则返回步骤c。

改进的PSO算法采用附带线性递减惯性因子、异步变化学习因子和遗传杂交算法的改进粒子群算法，其优点在于：(1)线性递减权重使得在迭代的初始阶段，较大的惯性因子有利于跳出局部极小点，便于全局搜索，而在迭代的后期，较小的惯性因子则有利于对当前的搜索区域进行精确局部搜索，以利于算法收敛；(2)异步变化的学习因子使得在迭代的初始阶段，粒子具有较大的自我学习能力和较小的社会学习能力，加强全局搜索能力；而在迭代的后期，粒子具有较大的社会学习能力和较小的自我学习能力，有利于收敛到全局最优解；(3)借鉴遗传算法的杂交操作期望将有益粒子的基因组合以产生新的粒子，可以提高粒子群算法跳出局部最优解，加强全局搜索的能力。

步骤4、确定GRNN组合神经网络平滑参数，对步骤(3)建立的GRNN填充子模型进行GRNN组合，生成最终的填充结果，其具体过程如下：

(Ⅰ)以建立好的3个GRNN填充子模型分别在采样区间[T_k-10*Lmiss～T_k-Lmiss-1]内对风电机#WT_i的模拟输出作为训练组输入数据，以#WT_i在采样区间[T_{k- 10*Lmiss}～T_k-Lmiss-1]内的采样风速作为训练组目标数据，以各GRNN填充子模型分别在采样区间[T_k-Lmiss～T_k-1]内的模拟结果作为测试组输入数据，以#WT_i在采样区间[T_k-Lmiss～T_k-1]内的采样风速作为测试组目标数据，建立GRNN模型，采用交叉验证法，以针对测试组目标数据的均方误差最小为衡量标准，确定GRNN组合神经网络的最佳平滑参数S_c；

(Ⅱ)以建立好的3个GRNN填充子模型分别在采样区间[T_k-10*Lmiss～T_k-1]内对风电机#WT_i的模拟输出作为训练组输入数据，以#WT_i在采样区间[T_{k- 10*Lmiss}～T_k-1]内的采样风速作为训练组目标数据，以各GRNN填充子模型分别在采样区间[T_k～T_l]内的填充结果作为测试组输入数据，建立GRNN模型，平滑参数为S_c，该GRNN模型的输出即为针对#WT_i在采样区间[T_k～T_l]内的缺损采样风速的组合填充结果。

本发明组合了动态时间规整法、Pearson相关系数法和空间近邻法，共同搜寻与缺损测量风速风电机风速演化最相似的若干台风电机，利用这些风电机的测量风速来为缺损测量风速风电机进行风速填充；选取具有极强非线性映射能力和柔性网络结构以及高度的容错性和鲁棒性的GRNN作为填充子模型，并针对风速高度非线性的特点，采用改进的PSO算法对于GRNN的训练集参数和平滑参数进行全局寻优，极大提高单个子模型填充精度；采用基于GRNN的神经网络组合填充模型对各子模型的填充结果进行动态组合，生成最终的填充结果，其填充精度远优于单个填充方法的填充精度，并且极大增强了填充结果的稳定性。

具体测试实例：

首先，图3为某风电场SCADA系统采集的风电机#WT₁～#WT₄于2008年10月23日起各800个采样风速数据，每个数据为10分钟测量风速平均值，每天共采集风速数据144个。图3包括(a)-(b)4幅子图，分别表示风电机#WT₁～#WT₄，其横坐标为采样点，纵坐标为平均风速。由图3可见，风电场中风电机短时测量风速变化剧烈，波动幅度大；此外，由于风电场范围有限，其中的风电机的测量风速的变化趋势大致趋同，这也是本专利的出发点，即搜索与缺损测量风速风电机风速演化最为相似的风电机，用它们的测量风速建立填充模型。

下文附上2个测试实例，测试实例1为未优化参数的GRNN模型与本申请优化参数的各子模型、组合模型对该风电场第#WT₂₇号风电机的对比测试结果，测试实例2是对于该风电场第#WT₂₈～#WT₃₇共10台风电机对比测试统计结果。所有的测试实验均从第650至第680采样点，每隔6个采样点模拟一个填充起始点，填充步长为20个采样点距离，误差评判标准为均方误差MSE(MeanSquaredError)、平均绝对百分误差MAPE(MeanAbsolutePercentageError)和平均绝对误差MAE(MeanAbsoluteError)：

$MSE=\sqrt{\frac{1}{n}\underset{i=1}{\overset{n}{\Σ}}{(Y_i-y_i)}^2}$

$MAPE=\frac{1}{n}\underset{i=1}{\overset{n}{\Σ}}\left|\frac{Y_i-y_i}{Y_i}\right|$

$MAE=\frac{1}{n}\underset{i=1}{\overset{n}{\Σ}}|Y_i-y_i|$

其中，Y_i和y_i分别为步长为i时的真实值和预测值，n为总的预测步长。

测试实例1第#WT₂₇号风电机对比测试结果

在未采用PSO优化前，命名基于动态时间规整法生成的训练组数据构造的GRNN为DTW_GRNN，命名基于Pearson相关系数法生成的训练组数据构造的GRNN为PCC_GRNN，命名运用空间近邻法生成的训练组数据构造的GRNN为SPA_GRNN。由于动态时间规整法和Pearson相关系数法均需要一定长度的风速数据进行相似性比较，此处统一采用6小时，即36个采样点的风速数据进行风速演化相似性比较，分别取DTW距离最小、Pearson相关系数最大、空间距离最近的前10台风机的测量风速构造DTW_GRNN、PCC_GRNN和SPA_GRNN，GRNN平滑系数统一为0.5，模拟填充结果列于表1中。

表1

命名运用PSO算法优化得到的以Pearson相关系数法生成的训练组数据构造的GRNN为PSO_PCC_GRNN，命名运用PSO算法优化得到的以空间近邻法生成的训练组数据构造的GRNN为PSO_SPA_GRNN，命名运用PSO算法优化得到的组合GRNN为PSO_COM_GRNN。按照本发明执行步骤1～步骤3，对各个预报起始点，分别根据动态时间规整法、Pearson相关系数法、空间近邻法规则搜索与风电机#WT₂₇风速演化最相似的前10台风电机；之后确定各子模型待优化参数集，以及采取模拟填充误差确定的适应度函数，采用PSO算法对各子模型的优化参数集进行优化，结果如表2所示。其中，PSO_DTW_GRNN模型中，I_DTW为GRNN输入层最优向量维数，L_DTW为采用动态时间规整法进行演化相似性比较的最优风速长度，S_DTW为GRNN最优平滑参数；PSO_PCC_GRNN模型中，I_PCC为GRNN输入层最优向量维数，L_PCC为采用Pearson相关系数法进行演化相似性比较的最优风速长度，S_PCC为GRNN最优平滑参数；PSO_SPA_GRNN模型中，I_PCC为GRNN输入层最优向量维数，S_SPA为GRNN最优平滑参数。

表2

以PSO_DTW_GRNN、PSO_PCC_GRNN和PSO_SPA_GRNN分别对#27风电机分别在采样区间[T_k-200～T_k-21]对风电机#WT_i的模拟输出作为训练组输入数据，以#WT_i在采样区间[T_k-200～T_k-21]的采样风速作为训练组目标数据；以各GRNN子模型分别在采样区间[T_k-20～T_k-1]的模拟结果作为测试组输入数据，以#WT_i在采样区间[T_k-20～T_k-1]的采样风速作为测试组目标数据，建立GRNN模型，采用交叉验证法，以针对测试组目标数据的均方误差最小为衡量标准，确定PSO_COM_GRNN的最佳平滑参数S_c如表3所示。

表3

预报起始点Tk	650	656	662	668	674	680
							Sc	0.1	0.4	0.4	0.3	0.2	0.1

如图4所示第#WT₂₇号风电机6个模拟填充起始点((a)-(f)，横坐标为预测步长，纵坐标为预测风速值)，填充步长为20的各子模型和组合模型的填充结果，其对应的误差列于表4中。

表4

综合表1、表4可见，总体来看，在采用PSO算法优化前后，PSO_DTW_GRNN和PSO_SPA_GRNN较DTW_GRNN和SPA_GRNN在填充精度上有较大提升，以MSE指标为例，PSO_DTW_GRNN较DTW_GRNN减少了17.87％，PSO_SPA_GRNN较SPA_GRNN减少了12.06；PSO_PCC_GRNN填充精度与PCC_GRNN较为相似，其MSE指标仅减少了1.48％，MAPE指标和MAE指标还略有增加。组合GRNN模型PSO_COM_GRNN的填充误差低于其3个子模型的平均填充误差，显示出了良好的适应性。

测试实例2第#WT₂₈～#WT₃₇共10台风电机对比测试结果

命名在未采用PSO优化前3个子模型DTW_GRNN、PCC_GRNN和SPA_GRNN的平均为AVE_NOPSO_GRNN；命名采用PSO优化后3个子模型PSO_DTW_GRNN、PSO_PCC_GRNN和PSO_SPA_GRNN的平均为AVE_PSO_GRNN；命名直接采用该风电机在风速缺损值发生时刻之前的采样风速来构建的GRNN神经网络为SINGLE_GRNN，此处假定采用前6个采样风速训练下一个采样风速，训练长度为600个步长，GRNN平滑系数统一为0.5，将训练好的SINGLE_GRNN对于缺损测量的20个步长的风速数据进行填充；命名直接采用该风电机在风速缺损值发生时刻之前的采样风速来构建的BP神经网络为SINGLE_BP，此处假定采用前6个采样风速训练下一个采样风速，训练长度为600个步长，此处采样标准3层6-13-1结构的BP神经网络，并假定SINGLE_BP的学习率为0.1，期望训练误差为0.00004，最大训练步数为1000次，将训练好的SINGLE_BP对于缺损测量的20个步长的风速数据进行填充，模拟填充结果列于表5中.

表5

	MSE	MAPE	MAE
				AVE_NOPSO_GRNN	0.6705	0.1782	0.5760
AVE_PSO_GRNN	0.6386	0.1687	0.5413
				SINGLE_GRNN	1.6583	0.4080	1.4587
SINGLE_BP	2.1404	0.4489	1.8555
				PSO_COM_GRNN	0.6139	0.1633	0.5193

由表5可见，SINGLE_GRNN的误差好于SINGLE_BP，说明GRNN神经网络的学习和泛化性能优于BP神经网络，本申请提出的风电机测量风速缺损值的组合填充系统在3个误差指标上都好于其它模型，表现出了良好的系统平稳性和精准性。

以上实施例仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明保护范围之内。

Claims (5)

1.基于PSO-GRNN风电场风电机缺损风速值填充方法，其特征在于，包括以下步骤：

(1)读入风电场中风电机的原始采样风速集V＝{v(#WT_p,T_q),p＝1,2,…,S，q＝1,2,…,Z，其中，v(#WT_p,T_q)表示风电机#WT_p在采样点T_q的测量风速值，S为风电机的总数，Z为采样点总数；在采样区间[T_k～T_l]内，从风场内采样风速完整的风电机集#WT中搜索与缺损采样风速的风电机#WT_i风速演化最相似的前n台风电机，其中，n为整数，T_k和T_l分别为采样区间[T_k～T_l]的起始点和终止点，[T_k～T_l]的区间长度为Lmiss；

(2)确定GRNN填充子模型待优化参数集以及评价此优化参数集的适应度函数；

(3)运用PSO算法优化步骤(2)中待优化的参数，建立GRNN填充子模型；

(4)确定GRNN组合神经网络平滑参数，对步骤(3)建立的GRNN填充子模型进行GRNN组合，生成最终的填充结果。

2.根据权利要求1所述基于PSO-GRNN风电场风电机缺损风速值填充方法，其特征在于：在步骤(1)中，分别采用动态时间规整法、Pearson相关系数法和空间近邻法，从风场内采样风速完整的风电机集#WT中搜索与缺损采样风速的风电机#WT_i风速演化最相似的前n台风电机，具体过程如下：

动态时间规整法，计算缺损采样风速的风电机#WT_i与风电机集#WT中的每台风电机对应采样区间[T_k-Len～T_k-1]中风速数据的DTW距离，取DTW距离最小的前n台风电机；

Pearson相关系数法，计算缺损采样风速的风电机#WT_i与风电机集#WT中的每台风电机对应采样区间[T_k-Len～T_k-1]中风速数据的相关系数R，取R最大的前n台风电机；

空间近邻法，计算缺损采样风速的风电机#WT_i与风电机集#WT中的每台风电机的大圆距离D，取D最小的前n台风电机；

其中，T_k-Len和T_k-1分别为动态时间规整法和Pearson相关系数法中进行风速演化相似性计算的采样区间的起始点和终止点，[T_k-Len～T_k-1]的区间长度为Len。

3.根据权利要求2所述基于PSO-GRNN风电场风电机缺损风速值填充方法，其特征在于，步骤(2)的具体过程如下：

(a)以动态时间规整法生成的数据构造GRNN，待优化的参数共有3个，分别为GRNN输入层向量维数I₁、进行演化相似性比较的风速长度L₁、GRNN的平滑参数S₁，此处I₁即为步骤(1)中计算得到的缺损采样风速的风电机#WT_i与风电机集#WT中的每台风电机对应采样区间[T_k-Len～T_k-1]中风速数据的DTW距离最小的前I₁台风电机，1≤I₁≤n，L₁＝Len，取一正整数m，以该I₁台风电机在采样区间[T_k-m*Lmiss～T_k-Lmiss-1]的采样风速作为训练组输入数据，以#WT_i在采样区间[T_k-m*Lmiss～T_k-Lmiss-1]的采样风速作为训练组目标数据，以该I₁台风电机在采样区间[T_k-Lmiss～T_k-1]的采样风速作为测试组输入数据，以#WT_i在采样区间[T_k-Lmiss～T_k-1]的采样风速作为模拟填充用的测试组目标数据，建立GRNN模型，它适应度函数为此训练组、测试组数据对于平滑参数为S₁的GRNN的模拟填充结果的均方误差MSE_DTW；

(b)以Pearson相关系数法生成的训练组数据构造GRNN，待优化的参数共有3个，分别为GRNN输入层向量维数I₂、进行演化相似性比较的风速长度L₂、GRNN的平滑参数S₂，此处I₂即为步骤(1)中计算得到的计算缺损采样风速的风电机#WT_i与风电机集#WT中的每台风电机对应采样区间[T_k-Len～T_k-1]中风速数据的相关系数R最大的前I₂台风电机，1≤I₂≤n，L₂＝Len，取一正整数m，以该I₂台风电机在采样区间[T_k-m*Lmiss～T_k-Lmiss-1]的采样风速作为训练组输入数据，以#WT_i在采样区间[T_k-m*Lmiss～T_k-Lmiss-1]的采样风速作为训练组目标数据；以该I₂台风电机在采样区间[T_k-Lmiss～T_k-1]的采样风速作为测试组输入数据，以#WT_i在采样区间[T_k-Lmiss～T_k-1]的采样风速作为模拟填充用的测试组目标数据，建立GRNN模型，它的适应度函数为此训练组、测试组数据对于平滑参数为S₂的GRNN的模拟填充结果的均方误差MSE_PCC；

(c)以空间近邻法生成的训练组数据构造GRNN，待优化的参数共有2个，分别为GRNN输入层向量维数I₃和GRNN的平滑参数S₃，此处I₃为步骤(1)中计算得到的缺损采样风速的风电机#WT_i与风电机集#WT中的每台风电机的大圆距离D最小的前I₃台风电机，1≤I₃≤n，L₃＝Len，取一正整数m，以该I₃台风电机在采样区间[T_k-m*Lmiss～T_k-Lmiss-1]的采样风速作为训练组输入数据，以#WT_i在采样区间[T_k-m*Lmiss～T_k-Lmiss-1]的采样风速作为训练组目标数据，以该I₃台风电机在采样区间[T_k-Lmiss～T_k-1]的采样风速作为测试组输入数据，以#WT_i在采样区间[T_k-Lmiss～T_k-1]的采样风速作为模拟填充用的测试组目标数据，建立GRNN模型，它的适应度函数为此训练组、测试组数据对于平滑参数为S₃的GRNN的模拟填充结果的均方误差MSE_SPA。

4.根据权利要求3所述基于PSO-GRNN风电场风电机缺损风速值填充方法，其特征在于，步骤(3)的具体过程如下：

(A)采用PSO算法对MSE_DTW求最小，进行迭代寻优，当达到迭代终止条件时，获得以动态时间规整法生成的训练组数据构造GRNN的最优参数，分别为I_DTW、L_DTW和S_DTW，建立第1个GRNN填充子模型；

(B)采用PSO算法对MSE_PCC求最小，进行迭代寻优，当达到迭代终止条件时，获得以Pearson相关系数法生成的训练组数据构造GRNN的最优参数，分别为I_PCC、L_PCC和S_PCC，建立第2个GRNN填充子模型；

(C)采用PSO算法对MSE_SPA求最小，进行迭代寻优，当达到迭代终止条件时，获得以空间近邻法生成的训练组数据构造GRNN的最优参数，分别为I_SPA和S_SPA，建立第3个GRNN填充子模型。

5.根据权利要求4所述基于PSO-GRNN风电场风电机缺损风速值填充方法，其特征在于，步骤(4)的具体过程如下：

(Ⅰ)以建立好的3个GRNN填充子模型分别在采样区间[T_k-m*Lmiss～T_k-Lmiss-1]内对风电机#WT_i的模拟输出作为训练组输入数据，以#WT_i在采样区间[T_{k- m*Lmiss}～T_k-Lmiss-1]内的采样风速作为训练组目标数据，以各GRNN填充子模型分别在采样区间[T_k-Lmiss～T_k-1]内的模拟结果作为测试组输入数据，以#WT_i在采样区间[T_k-Lmiss～T_k-1]内的采样风速作为测试组目标数据，建立GRNN模型，采用交叉验证法，以针对测试组目标数据的均方误差最小为衡量标准，确定GRNN组合神经网络的最佳平滑参数S_c；

(Ⅱ)以建立好的3个GRNN填充子模型分别在采样区间[T_k-m*Lmiss～T_k-1]内对风电机#WT_i的模拟输出作为训练组输入数据，以#WT_i在采样区间[T_{k- m*Lmiss}～T_k-1]内的采样风速作为训练组目标数据，以各GRNN填充子模型分别在采样区间[T_k～T_l]内的填充结果作为测试组输入数据，建立GRNN模型，平滑参数为S_c，该GRNN模型的输出即为针对#WT_i在采样区间[T_k～T_l]内的缺损采样风速的组合填充结果。