CN106326982B - 一种基于神经网络和模式搜索优化的多气象风速融合方法 - Google Patents

一种基于神经网络和模式搜索优化的多气象风速融合方法 Download PDF

Info

Publication number
CN106326982B
CN106326982B CN201610677214.1A CN201610677214A CN106326982B CN 106326982 B CN106326982 B CN 106326982B CN 201610677214 A CN201610677214 A CN 201610677214A CN 106326982 B CN106326982 B CN 106326982B
Authority
CN
China
Prior art keywords
wind speed
neural network
pattern search
prediction
meteorological
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
Application number
CN201610677214.1A
Other languages
English (en)
Other versions
CN106326982A (zh
Inventor
向婕
雍正
陈栋
王思源
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
New Energy Polytron Technologies Inc
Original Assignee
New Energy Polytron Technologies Inc
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by New Energy Polytron Technologies Inc filed Critical New Energy Polytron Technologies Inc
Priority to CN201610677214.1A priority Critical patent/CN106326982B/zh
Publication of CN106326982A publication Critical patent/CN106326982A/zh
Application granted granted Critical
Publication of CN106326982B publication Critical patent/CN106326982B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01P—MEASURING LINEAR OR ANGULAR SPEED, ACCELERATION, DECELERATION, OR SHOCK; INDICATING PRESENCE, ABSENCE, OR DIRECTION, OF MOVEMENT
    • G01P5/00—Measuring speed of fluids, e.g. of air stream; Measuring speed of bodies relative to fluids, e.g. of ship, of aircraft
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Physiology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提出一种基于神经网络和模式搜索优化的多气象风速融合方法，由于神经网络理论上可以逼近任意非线性函数，所以采用神经网络进行风速融合，能准确的挖掘出NWP预测风速的非线性特点。另外，由于神经网络基于梯度下降的学习算法，存在容易陷入局部最小解的缺陷，因此引入了模式搜索算法来调整神经网络的参数，模式搜索算法可以在更大的空间内搜索，在一定程度上避免了以上问题，使其达到全局最优，从而提高风速预测精度的稳定性。

Description

一种基于神经网络和模式搜索优化的多气象风速融合方法
技术领域
本发明属于电网风电预测领域,特别是涉及到一种基于神经网络和模式搜索优化的多气象风速融合方法。
背景技术
风能具有随机性、间歇性的特点，对电网的运行调度带来很大的困难，功率预测是保障风电并网的关键技术。风电功率预测利用数值天气预报NWP(Numerical WeatherPrediction)预测出来的风速，然后建立风速->功率数学模型，预测风场出力功率。功率预测的准确性很大程度上依赖NWP预测风速的准确性。
当前解决NWP预测风速准确性不稳定的最有效手段主要是引入多个NWP系统的预测功率，然后与实际风速进行比较，从中选择最接近实际风速的NWP系统的风速作为最终预测风；或者对多个NWP系统的预测功率进行简单加权，然后进行风速预测。
NWP系统预测风速误差有着很强的非线性特性，只是从多个NWP预测风速中选择一个精度最高的；或者进行简单的加权，并不能充分发挥单个NWP系统的优点。这就导致在某些天气模式下风速预测精度较高，但是在天气模式发生变化后，风速预测精度大幅下降，进而影响功率预测精度的稳定性。
发明内容
有鉴于此，本发明提出一种基于神经网络和模式搜索优化的多气象风速融合方法，采用神经网络进行风速融合，同时引入了模式搜索优化算法来调整神经网络的参数，能准确的挖掘出NWP预测风速的非线性特点，提高风速预测精度的稳定性。
为达到上述目的，本发明的技术方案是这样实现的：
一种基于神经网络和模式搜索优化的多气象风速融合方法，包括以下步骤：
(1)、从电场数据库中获取实际风速及各个气象源的NWP预测风速数据，剔除不合理的数据；按时间先后次序分成建模数据段及验证数据段；
(2)、设计神经网络结构，根据气象源的个数，设定输入层神经元个数，输出层神经元个数设定为1，隐含层的神经元个数设定初步值并根据预测结果进行调整；
(3)、利用建模数据段的数据，采用模式搜索算法，优化神经网络的权值w和b，优化目标为风速均方根误差或者绝对偏差；
(4)、利用验证数据段的数据测试模型的精度，如果精度不满足要求，则回到步骤(2)，调整神经网络的结构，重新训练网络；如果精度满足要求则得到最终的融合模型，进行风速预测。
进一步的，步骤(1)所述不合理的数据剔除方法为：按照风速数值进行判断，风速的合理范围一般为0～25m/s。
更进一步的，步骤(1)所述不合理的数据剔除方法还包括：如果连续若干采样点的风速数据完全一样，则认为是风速仪出现故障或者数据采集软件故障，该数据剔除。
进一步的，步骤(2)所述隐含层神经元个数的初步值设定方法为：若有m组NWP预测风速，则神经网络隐含层神经元个数范围在1～m+1。
进一步的，步骤(3)所述采用模式搜索算法优化的方法为：首先利用梯度下降的学习算法,训练神经网络的参数w及b；然后将这组参数作为模式搜索的出发点，搜索步长在10～100中选择，以保证模式搜索算法的全局最优性；最后采用模式搜索方法，在各个参数的维度上搜索最优的神经网络参数。
进一步的，步骤(4)所述调整神经网络结构的方法为：调整隐含层神经元个数，比较相应的验证数据段的预测风速均方根误差RMSE，选择最优的神经元个数。
进一步的，步骤(4)所述精度的要求为预测风速均方根误差RMSE在2.5m/s以内。
更进一步的，所述预测风速均方根误差RMSE的公式为：
其中n为验证数据段样本个数，s为实际风速，ps为预测风速。
相对于现有技术，本发明所述的一种基于神经网络和模式搜索优化的多气象风速融合方法，主要有以下优势：
本发明针对NWP预测风速偏差的非线性特征，采用神经网络+模式搜索寻优的算法可以充分表达NWP预测风速与实际风速之间的关系，提高预测风速的精度，进而提高了风功率预测数值预报的精度。
附图说明
图1是本发明的流程图；
图2是本发明实施例的NWP预测风速1-实际风速散点图；
图3是本发明实施例的NWP预测风速2-实际风速散点图；
图4是本发明实施例的NWP预测风速3-实际风速散点图；
图5是本发明实施例的神经网络结构图；
图6是本发明实施例的融合后预测风速-实际风速的散点图。
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。
下面将结合实施例以及附图来详细说明本发明。
本发明引入神经网络及模式搜索优化算法进行NWP预测风速融合，算法流程图如图1所示，步骤如下:
1)、剔除异常数据：从电场数据库中获取实际风速及各个气象源的NWP预测风速，剔除不合理的数据。
按照风速数值进行判断，风速的合理范围一般为0～25m/s。另外，如果风速数据连续几个采样点(例如连续3个)完全一样，那么这段数据一般是风速仪出现故障或者数据采集软件故障，也要将其剔除。
2)、设计神经网络结构：根据气象源的个数，设定输入层神经元个数，由于最终只需预测出风速，所以输出层则只有1个神经元，隐含层的神经元个数需要根据经验及预测结果进行调整。
3)、模式搜索算法优化网络权值：利用模式搜索算法，优化神经网络的权值w和b，优化目标可以是传统的风速均方根误差或者绝对偏差。
具体步骤为：步骤3)所述采用模式搜索算法优化的方法为：首先利用梯度下降的学习算法,训练神经网络的参数w及b；然后将这组参数作为模式搜索的出发点，搜索步长在10～100中选择，以保证模式搜索算法的全局最优性；最后采用模式搜索方法，在各个参数的维度上搜索最优的神经网络参数。
4)、测试融合模型：利用测试数据测试模型的精度，如果精度不满足要求，则回到步骤2，调整神经网络的结构，重新训练网络；如果精度满足要求则得到最终的融合模型，进行风速预测。
将1)中的实际风速与NWP预测风速按时间分成建模及验证数据段，设置隐含层神经元个数后，利用建模数据段，采用模式搜索算法训练神经网络模型，然后利用验证数据段验证模型的有效性(通过预测风速与实际风速的均方根误差(RMSE:Root Mean SquareError)来判断，误差越小说明模型越有效)。
其中n为验证数据段样本个数，s为实际风速，ps为预测风速。假设有m组NWP预测风速，神经网络隐含层神经元个数一般在1～m+1的范围，可以尝试不同的隐含层神经元个数，比较相应的验证数据段的预测风速均方根误差，选择最优的神经元个数。
另外，国家电网要求预测功率精度在80％以上，对预测风速的精度现阶段还没有进行考核，但是如果预测风速精度太低会导致预测功率偏差较大，我们一般要求预测风速RMSE在2.5m/s以下。
以山西某风电场为例，为该电场提供了3组NWP预测风速，选取2015年10月～2016年5月的数据进行仿真测试。用2015年10月～2016年2月的数据进行建模，用2016年3月至5月的数据进行验证。图2-图4是验证数据段这3组预测风速与实际风速的散点图，横坐标为NWP预测风速，纵坐标为实际风速。可见这3组NWP预测风速与实际风速均有偏差，均方根误差分别为2.95m/s，2.64m/s，3.3m/s，偏差都比较大，需要进行风速融合提高预测风速的精度。
将异常风速数据剔除后，利用建模数据段建立神经网络模型，采用2)～4)中的流程，调整神经网络隐含层神经元个数，然后用模式搜索法训练神经网络的参数w及b，具体训练方法为：首先利用梯度下降的学习算法,训练神经网络的参数w及b；然后将这组参数作为模式搜索的出发点，搜索步长在10～100中选择，以保证模式搜索算法的全局最优性；最后采用模式搜索方法，在各个参数的维度上搜索最优的神经网络参数。
图5是神经网络结构图，根据测试数据段预测风速的均方根误差，最后选择隐含层神经元个数为1时，均方根误差最小为2.12m/s，3组NWP预测风速的均方根误差都小，图6为融合后预测风速-实际风速的散点图，从散点图上也可以看出融合后的预测风速-实际风速的散点图最为紧凑，偏差最小。因此通过模式搜索算法来训练神经网络的方法可以有效提高预测风速的精度。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种基于神经网络和模式搜索优化的多气象风速融合方法，其特征在于，包括以下步骤：
（1）、从电场数据库中获取实际风速及各个气象源的NWP预测风速数据，剔除不合理的数据；按时间先后次序分成建模数据段及验证数据段；
（2）、设计神经网络结构，根据气象源的个数，设定输入层神经元个数，输出层神经元个数设定为1，隐含层的神经元个数设定初步值并根据预测结果进行调整；
（3）、利用建模数据段的数据，采用模式搜索算法，优化神经网络的权值w和b，优化目标为风速均方根误差或者绝对偏差；
（4）、利用验证数据段的数据测试模型的精度，如果精度不满足要求，则回到步骤（2），调整神经网络的结构，重新训练网络；如果精度满足要求则得到最终的融合模型，进行风速预测。
2.根据权利要求1所述的一种基于神经网络和模式搜索优化的多气象风速融合方法，其特征在于，步骤（1）所述不合理的数据剔除方法为：按照风速数值进行判断，风速的合理范围为0~25m/s。
3.根据权利要求2所述的一种基于神经网络和模式搜索优化的多气象风速融合方法，其特征在于，步骤（1）所述不合理的数据剔除方法还包括：如果连续若干采样点的风速数据完全一样，则认为是风速仪出现故障或者数据采集软件故障，该数据剔除。
4.根据权利要求1所述的一种基于神经网络和模式搜索优化的多气象风速融合方法，其特征在于，步骤（2）所述隐含层神经元个数的初步值设定方法为：若有m组NWP预测风速，则神经网络隐含层神经元个数范围在1~m+1。
5.根据权利要求1所述的一种基于神经网络和模式搜索优化的多气象风速融合方法，其特征在于，步骤（3）所述采用模式搜索算法优化的方法为：首先利用梯度下降的学习算法,训练神经网络的参数w及b；然后将这组参数作为模式搜索的出发点，搜索步长在10~100中选择，以保证模式搜索算法的全局最优性；最后采用模式搜索方法，在各个参数的维度上搜索最优的神经网络参数。
6.根据权利要求1所述的一种基于神经网络和模式搜索优化的多气象风速融合方法，其特征在于，步骤（4）所述调整神经网络结构的方法为：调整隐含层神经元个数，比较相应的验证数据段的预测风速均方根误差RMSE，选择最优的神经元个数。
7.根据权利要求1所述的一种基于神经网络和模式搜索优化的多气象风速融合方法，其特征在于，步骤（4）所述精度的要求为预测风速均方根误差RMSE在2.5m/s以内。
8.根据权利要求1-7任一项所述的一种基于神经网络和模式搜索优化的多气象风速融合方法，其特征在于，所述预测风速均方根误差RMSE的公式为：
其中n为验证数据段样本个数，s为实际风速，ps为预测风速。
CN201610677214.1A 2016-08-16 2016-08-16 一种基于神经网络和模式搜索优化的多气象风速融合方法 Active CN106326982B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610677214.1A CN106326982B (zh) 2016-08-16 2016-08-16 一种基于神经网络和模式搜索优化的多气象风速融合方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610677214.1A CN106326982B (zh) 2016-08-16 2016-08-16 一种基于神经网络和模式搜索优化的多气象风速融合方法

Publications (2)

Publication Number Publication Date
CN106326982A CN106326982A (zh) 2017-01-11
CN106326982B true CN106326982B (zh) 2019-02-15

Family

ID=57740592

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610677214.1A Active CN106326982B (zh) 2016-08-16 2016-08-16 一种基于神经网络和模式搜索优化的多气象风速融合方法

Country Status (1)

Country Link
CN (1) CN106326982B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107992983A (zh) * 2017-12-30 2018-05-04 中国移动通信集团江苏有限公司 用于物流博览会平台的能耗预测方法、系统、设备及存储介质
CN108983320B (zh) * 2018-04-08 2020-09-01 浙江大学 一种沿海台风极值风速的数值天气预报-人工智能耦合预测方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007056686A (ja) * 2005-08-22 2007-03-08 Univ Of Ryukyus 風速予測に基づく風力発電機の数時間先発電電力予測装置
CN101149819A (zh) * 2007-10-31 2008-03-26 山东省科学院海洋仪器仪表研究所 气象要素实时数据中奇异值的剔除方法
CN101788692A (zh) * 2009-11-24 2010-07-28 西北电网有限公司 基于神经网络的短时风速预报方法
CN102184453A (zh) * 2011-05-16 2011-09-14 上海电气集团股份有限公司 基于模糊神经网络和支持向量机的风电功率组合预测方法
CN102708305A (zh) * 2012-06-20 2012-10-03 天津工业大学 一种基于卡尔曼滤波融合的风速序列预测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007056686A (ja) * 2005-08-22 2007-03-08 Univ Of Ryukyus 風速予測に基づく風力発電機の数時間先発電電力予測装置
CN101149819A (zh) * 2007-10-31 2008-03-26 山东省科学院海洋仪器仪表研究所 气象要素实时数据中奇异值的剔除方法
CN101788692A (zh) * 2009-11-24 2010-07-28 西北电网有限公司 基于神经网络的短时风速预报方法
CN102184453A (zh) * 2011-05-16 2011-09-14 上海电气集团股份有限公司 基于模糊神经网络和支持向量机的风电功率组合预测方法
CN102708305A (zh) * 2012-06-20 2012-10-03 天津工业大学 一种基于卡尔曼滤波融合的风速序列预测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Very-short-term prediction of wind speed based on chaos phase space reconstruction and NWP;Shuang Gao et al.;《Proceedings of the 32nd Chinese Control Conference》;20131021;第8863-8867页
基于全局和局部搜索的整型权值神经网络混合学习算法;卢金鑫;《计算机应用与软件》;20140228;第287-292页
基于多位置NWP的超短期风速预测研究;任亮 等;《电网与清洁能源》;20140531;第99-104页

Also Published As

Publication number Publication date
CN106326982A (zh) 2017-01-11

Similar Documents

Publication Publication Date Title
Wu et al. A data mining approach combining $ K $-Means clustering with bagging neural network for short-term wind power forecasting
Diao et al. Decision tree-based online voltage security assessment using PMU measurements
Wang et al. Decision tree based online stability assessment scheme for power systems with renewable generations
CN106354985B (zh) 一种考虑分布式电源的配电系统可靠性评估方法
CN110474339A (zh) 一种基于深度发电负荷预测的电网无功控制方法
CN104933483A (zh) 一种基于天气过程划分的风电功率预测方法
CN104715142B (zh) 一种电站锅炉NOx排放动态软测量方法
CN110210648B (zh) 基于灰色长短期记忆网络的管制空域战略流量预测方法
CN108876163A (zh) 综合因果分析与机器学习的暂态功角稳定快速评估方法
CN104732296A (zh) 一种分布式光伏输出功率短期预测模型建模方法
Malz et al. Drag-mode airborne wind energy vs. wind turbines: An analysis of power production, variability and geography
CN109274121B (zh) 一种风电场控制参数优化方法及系统
CN111458769B (zh) 用于输电线路环境气象数据预测的方法及系统
CN113988273A (zh) 基于深度学习的冰灾环境主动配电网态势预警及评估方法
CN109325633A (zh) 一种天气预报集合成员选取方法和系统
CN111488896A (zh) 一种基于多源数据挖掘的配电线路时变故障概率计算方法
CN105069236A (zh) 考虑风电场节点空间相关性的广义负荷联合概率建模方法
CN106326982B (zh) 一种基于神经网络和模式搜索优化的多气象风速融合方法
CN106451418A (zh) 光伏电站的在线分群等值建模方法
Chen et al. Research on wind power prediction method based on convolutional neural network and genetic algorithm
Lange et al. Wind power forecasting
CN111680823A (zh) 一种风向信息预测方法及系统
CN102570448A (zh) 基于wams的电力系统分群及稳定裕度评估系统及方法
Li et al. Spiral-based chaotic chicken swarm optimization algorithm for parameters identification of photovoltaic models
Finamore et al. A day-ahead wind speed forecasting using data-mining model-a feed-forward NN algorithm

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
CB02 Change of applicant information
CB02 Change of applicant information

Address after: 100081 four, 407, 19 Building, 68 South Road, Haidian District, Beijing.

Applicant after: New energy Polytron Technologies Inc

Address before: 100081 four, 407, 19 Building, 68 South Road, Haidian District, Beijing.

Applicant before: Beijing Guo Nengxin system control technique company limited

GR01 Patent grant
GR01 Patent grant