CN106845863A - 一种分布式风力发电出力与供暖负荷同步指数预测方法 - Google Patents

Abstract

本发明提供一种分布式风力发电出力与供暖负荷同步指数预测方法，涉及风力发电技术领域。该方法对风电供暖系统的系统参数的非线性时间序列进行相空间重构后，作为样本集进行分布式风力发电出力与供暖负荷同步指数数学建模，利用模糊神经网络求解该数学模型，针对相空间重构后的数据对下一时刻的系统同步性进行预测，得到分布式风力发电出力与供暖负荷同步指数预测值。本发明针对热电联产系统进行实时监测，测量系统运行参数以及系统的地理气象环境参数，对分布式风力发电出力与供暖负荷同步指数进行预测，根据计算结果实时地对热电联产系统进行控制，能够有效利用风能，显著提高热电联产系统运行的可靠性与经济性。

Description

一种分布式风力发电出力与供暖负荷同步指数预测方法

技术领域

本发明涉及风力发电技术领域，尤其涉及一种分布式风力发电出力与供暖负荷同步指数预测方法。

背景技术

从能源产业发展的角度看，为解决“三北”地区供暖季弃风难题，通过电蓄热锅炉替代燃煤小锅炉，增加冬季低谷负荷时段的用电负荷，热电联产系统日益推广。以往分布式风力发电出力与供暖负荷同步性计算方法的特点是忽略网架结构与地理气象条件间的相互作用关系，由单一的气象条件对热电联产系统的同步性进行计算，不能有效利用电网运行状态数据及地理气象综合数据资源，计算准确度和可靠度不高。

发明内容

针对现有技术的缺陷，本发明提供一种分布式风力发电出力与供暖负荷同步指数预测方法，根据分布式风力发电与供暖联合系统的网架结构、地理气象条件、电网和负荷运行条件，对分布式风力发电出力与供暖负荷同步指数进行有效预测，对热电联产系统的风险及效益做出评估，使热电联产系统能安全、稳定、高效运行。

一种分布式风力发电出力与供暖负荷同步指数预测方法，包括如下步骤：

步骤1：建立分布式风力发电出力与供暖负荷同步预测系统参数非线性时间序列，具体方法为：

步骤1.1：根据时间顺序按相同的时间间隔测量风电供暖系统的系统参数，所述系统参数包括：分布式风电系统所在环境的风速v、温度T、气压P、供暖负荷总负荷电流I及系统母线电压V；

步骤1.2：根据测量的系统参数构建如下非线性时间序列：

其中，vgn₁，vgn₂，...，vgnn表示风速时间序列，Tgn₁，Tgn₂，....，Tgn_n表示温度时间序列，Pgn₁，Pgn₂，....，Pgn_n表示气压时间序列，Ign₁，Ign₂，....，Ign_n表示总负荷电流时间序列，Vgn₁，Vgn₂，...，Vgn_n表示系统母线电压平均值时间序列；

步骤2：采用坐标延迟法对构建的非线性时间序列进行相空间事构，具体如下：

根据风速时间序列vgn₁，vgn₂，....，vgn_n，在n维状态空间中重构风速状态矢量vgn_i′为：vgn_i′＝{vgn_i，vgn_i+τ，...，vgn_i+(m-1)τ}，其中，i＝1，2，...，n，τ为延迟时间，m为嵌入维数；

根据温度时间序列Tgn₁，Tgn₂，....，Tgn_n，在n维状态空间中重构温度状态矢量Tgn_i′为：Tgn_i′＝{Tgn_i，Tgn_i+τ，…，Tgn_i+(m-1)τ}；

根据气压时间序列Pgn₁，Pgn₂，....，Pgn_n，在n维状态空间中重构气压状态矢量Pgn_i′为：Pgn_i′＝{Pgn_i，Pgn_i+τ，…，Pgn_i+(m-1)τ}；

根据供暖负荷总负荷电流的时间序列为Ign₁，Ign₂，....，Ign_n，在n维状态空间中重构总负荷电流状态矢量Ign_i′为：Ign_i′＝{Ign_i，Ign_i+τ，...，Ign_i+(m-1)τ}；

根据母线电压的时间序列为Vgn₁，Vgn₂，...，Vgn_n，在n维状态空间中重构母线电压状态矢量Vgn_i′为：Vgn_i′＝{Vgn_i，Vgn_i+τ，...，Vgn_i+(m-1)τ}；

步骤3：将步骤2重构的相空间中的相点作为样本集，建立分布式风力发电出力与供暖负荷同步指数数学模型，如下式所示；

其中，y_gn为分布式风力发电出力与供暖负荷同步指数，f_mb(vgn_i′，Tgn_i′，Pgn_i′，Ign_i′，Vgn_i′)为目标函数，其中gn_i′为公式简化过程的中间符号，g_cf(vgn_i′，Tgn_i′，Pgn_i′)为分布式风力发电出力与供暖负荷同步指数目标函数的惩罚因子，r_ys(Ign_i′，Vgn_i′)为分布式风力发电出力与供暖负荷同步指数目标函数的约束项，

步骤4：利用模糊神经网络求解分布式风力发电出力与供暖负荷同步指数数学模型，针对相空间重构后的数据对下一时刻的系统同步性进行预测，得到分布式风力发电出力与供暖负荷同步指数预测值，具体方法为：

步骤4.1：采用粒子群聚类算法对模糊神经网络隐含层节点数进行求取；

利用粒子群聚类算法对重构后的相空间相点所代表的系统运行工况进行分类，得到分类数m_gn，并将m_gn作为神经网络隐含层的节点数，其中粒子群聚类算法的输入数据为相空间重构后的相点，输出为分类数m_gn，输入数据个数为N_gn，最大迭代次数为τ_max；

步骤4.2：根据隐含层节点数m_gn建立多输入单输出的模糊神经网络系统，根据模糊神经网络系统计算分布式风力发电出力与供暖负荷同步指数预测值。

进一步地，所述步骤4.1的具体方法为：

步骤4.1.1：分类数初始化，m_gn＝1；

步骤4.1.2：对粒子群参数进行初始化；相空间相点中随机选择m_gn个值作为聚类中心值，并将这m_gn个聚类中心值作为粒子群初始值；

计算粒子的适应度，粒子群适应度用如下函数计算；

其中，f_fit为粒子群适应度函数，J_m为各个粒子到聚类中心的欧氏距离之和；

步骤4.1.3：进行粒子群迭代搜索，得到运行方式分类数m_gl下的最优聚类中心，最大迭代次数为τ_max，粒子群迭代更新方程如下式所示；

其中，为第k次迭代下，第i个粒子的速度；表示第k次迭代为止第i个粒子的最佳位置；表示第k次迭代为止粒子种群中所有粒子位置中的最佳位置，表示第i个粒子第k次迭代所在位置，c₁、c₂表示学习常数，rand()为0～1之间的随机数，w为惯性权重，用于权衡局部最优能力和全局最优能力；

粒子群适应度用如下函数计算；

其中，f_fit为粒子群适应度函数，J_m为各个粒子到聚类中心的欧氏距离之和；

步骤4.1.4：计算聚类中心值间的欧氏距离之和JP_phm，其中phm＝1，2，…，N_gn；

步骤4.1.5：将m_gn加1，若m_gn＜N_gn，则重复步骤4.1.2至4.1.5，否则，执行步骤4.1.6；

步骤4.1.6：比较分类数m_gn从1到N_gn对应的欧氏距离之和将JP_phm最小值所对应的m_gn作为神经网络隐含层的节点数。

进一步地，所述步骤4.2的具体方法为：

步骤4.2.1：神经网络目标函数如下式所示；

其中，为神经网络第m次训练后系统期望输出，y_gn(m)为神经网络第m次训练后系统实际输出；

步骤4.2.2：进行网络权值训练，计算输出层权值ω，权值更新公式如下式所示；

ω(m)＝ω(m-1)+△ω(m)+a(ω(m-1)-ω(m-2))

其中，ω(m)为第m次训练后的输出层权值，η为学习速率，a为动量因子，η，a∈[0，1]；设定阈值当时，网络权值训练结束；

步骤4.2.3：预测分布式风力发电出力与供暖负荷同步指数；

将重构相空间中的相点vgn_i′，Tgn_i′，Pgn_i′，Ign_i′和Vgn_i′输入权值训练结束的神经网络，网络实际输出的y_gn即为分布式风力发电出力与供暖负荷同步指数的预测值。

由上述技术方案可知，本发明的有益效果在于：本发明提供的一种分布式风力发电出力与供暖负荷同步指数预测方法，针对热电联产系统进行实时监测，选取系统运行参数——供暖负荷总负荷电流、系统母线电压平均值，以及系统所在环境地理气象环境参数——风速、温度、气压；并根据监测参数对分布式风力发电出力与供暖负荷同步指数进行预测，根据计算结果实时地对热电联产系统进行控制，能够有效利用风能，显著提高热电联产系统运行的可靠性与经济性。

附图说明

图1为本发明实施例提供的分布式风力发电出力与供暖负荷同步指数预测方法流程图。

具体实施方式

下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。

一种分布式风力发电出力与供暖负荷同步指数预测方法，如图1所示，具体步骤如下。

步骤1：建立分布式风力发电出力与供暖负荷同步预测系统参数非线性时间序列；

步骤1.1：根据时间顺序按相同的时间间隔测量风电供暖系统的一系列系统参数，其中系统参数包括：分布式风电系统所在环境的风速v、温度T、气压P、供暖负荷总负荷电流I及系统母线电压V；

步骤1.2：根据测量的系统参数构建如下非线性时间序列：

其中，vgn₁，vgn₂，....，vgn_n表示风速时间序列、Tgn₁，Tgn₂，....，Tgn_n表示温度时间序列、Pgn₁，Pgn₂，....，Pgn_n表示气压时间序列、Ign₁，Ign₂，....，Ign_n表示总负荷电流时间序列、Vgn₁，Vgn₂，...，Vgn_n表示系统母线电压平均值时间序列。

步骤2：采用坐标延迟法对构建的非线性时间序列进行相空间重构，具体如下：

在n维状态空间中重构的风速状态矢量vgn_i′、温度状态矢量Tgn_i′、气压状态矢量Pgn_i′、总负荷电流状态矢量Ign_i′、母线电压状态矢量Vgn_i′分别表示为：

vgn_i′＝{vgn_i，vgn_i+τ，...，vgη_i+(m-1)τ}；

Tgn_i′＝{Tgn_i，Tgn_i+τ，...，Tgn_i+(m-1)τ}；

Pgn_i′＝{Pgn_i，Pgn_i+τ，…，Pgn_i+(m-1)τ}；

Ign_i′＝{Ign_i，Ign_i+τ，...，Ign_i+(m-1)τ}；

Vgn_i′＝{Vgn_i，Vgn_i+τ，...，Vgn_i+(m-1)τ}；

其中，i＝1，2，...，n，τ为延迟时间，m为嵌入维数。在本实施例中，选择m＝10，τ＝105ms。

步骤3：将步骤2重构的相空间中的相点作为样本集，建立分布式风力发电出力与供暖负荷同步指数数学模型，如下式所示；

其中，y_gn为分布式风力发电出力与供暖负荷同步指数，f_mb(vgn_i′，Tgn_i′，Pgn_i′，Ign_i′，Vgn_i′)为目标函数，其中gn_i′为公式简化过程的中间符号，g_cf(vgn_i′，Tgn_i′，Pgn_i′)为分布式风力发电出力与供暖负荷同步指数目标函数的惩罚因子，r_ys(Ign_i′，Vgn_i′)为分布式风力发电出力与供暖负荷同步指数目标函数的约束项，max()为相空间重构后数据中的最大值，min()为相空间重构后数据中的最小值。

步骤4：利用模糊神经网络求解分布式风力发电出力与供暖负荷同步指数数学模型，针对相空间重构后的数据对下一时刻的系统同步性进行预测，得到分布式风力发电出力与供暖负荷同步指数预测值，分布式风力发电出力与供暖负荷同步指数越大则分布式风力发电出力与供暖负荷同步可能性越大，具体方法为：

步骤4.1：采用粒子群聚类算法对模糊神经网络隐含层节点数进行求取；

利用粒子群聚类算法对重构后的相空间相点所代表的系统运行工况进行分类，得到分类数m_gn，并将m_gn作为神经网络隐含层的节点数，其中粒子群聚类算法的输入数据为相空间重构后的相点，输出为分类数m_gn，输入数据个数N_gn＝500，具体方法如下：

步骤4.1.1：分类数初始化，m_gn＝1；

步骤4.1.2：对粒子群参数进行初始化；相空间相点中随机选择m_gn个值作为聚类中心值，并将这m_gn个聚类中心值作为粒子群初始值；

计算粒子的适应度，粒子群适应度用如下函数计算；

其中，f_fit为粒子群适应度函数，J_m为各个粒子到聚类中心的欧氏距离之和；

步骤4.1.3：进行粒子群迭代搜索，得到运行方式分类数m_gl下的最优聚类中心，最大迭代次数为τ_max＝50，粒子群迭代更新方程如下式所示；

其中，为第k次迭代下，第i个粒子的速度；表示第k次迭代为止第i个粒子的最佳位置；表示第k次迭代为止粒子种群中所有粒子位置中的最佳位置，表示第i个粒子第k次迭代所在位置，c₁、c₂表示学习常数，rand()为0～1之间的随机数，w为惯性权重，用于权衡局部最优能力和全局最优能力。本实施例中，c₁＝1，c₂＝2，w＝0.6，当随机数rand()分别为0.2或0.5时，粒子群算法寻优效果最好。

粒子群适应度用如下函数计算；

其中，f_fit为粒子群适应度函数，J_m为各个粒子到聚类中心的欧氏距离之和。

步骤4.1.4：计算聚类中心值间的欧氏距离之和JP_phm，其中phm＝1，2，…，N_gn；

步骤4.1.5：将m_gn加1，若m_gn＜N_gn，则重复步骤4.1.2至4.1.5，否则，执行步骤4.1.6；

步骤4.1.6：比较分类数m_gn从1到N_gn对应的欧氏距离之和将JP_phm最小值所对应的m_gn作为神经网络隐含层的节点数。

本实施例中，设最大迭代次数为500，得到的神经网络隐含层的节点数为11。

步骤4.2：根据隐含层节点数m_gn建立多输入单输出的模糊神经网络系统，根据模糊神经网络系统计算分布式风力发电出力与供暖负荷同步指数预测值，具体方法为：

步骤4.2.1：神经网络目标函数如下式所示；

其中，为神经网络第m次训练后系统期望输出，y_gn(m)为神经网络第m次训练后系统实际输出；

步骤4.2.2：进行网络权值训练，计算输出层权值ω，权值更新公式如下式所示；

ω(m)＝ω(m-1)+Δω(m)+a(ω(m-1)-ω(m-2))

其中，ω(m)为第m次训练后的输出层权值，η为学习速率，a为动量因子，η，a∈[0，1]；设定阈值当时，网络权值训练结束；本实施例中，设定阈值为训练结束后f_a＝0.048。

步骤4.2.3：预测分布式风力发电出力与供暖负荷同步指数；

将重构相空间的相点vgn_i′，Tgn_i′，Pgn_i′，Ign_i′和Vgn_i′输入权值训练结束的神经网络，网络实际输出的y_gn即为分布式风力发电出力与供暖负荷同步指数的预测值。本实施例中，最终得到的分布式风力发电出力与供暖负荷同步指数预测值为y_gn＝0.8。

在分布式风力发电系统的控制中，根据预测得到的同步指数来进行风机出力大小的控制，若得到的预测值y_gn小于0.7，则增加风机出力，若得到的预测值y_gn处于0.7～1.2时，则保持风机现有出力，若得到的预测值y_gn大于1.2时，则减小风机出力，使分布式风力发电出力与供暖负荷同步指数保持在0.7～1.2之间，从而提高系统的稳定性。

本实施例提供的一种分布式风力发电出力与供暖负荷同步指数预测方法，根据分布式风力发电与供暖联合系统的网架结构、地理气象条件、电网和负荷运行条件，针对热电联产系统进行实时监测，选取系统运行参数——供暖负荷总负荷电流、系统母线电压平均值，以及系统所在环境地理气象环境参数——风速、温度、气压，并根据监测参数对分布式风力发电出力与供暖负荷同步指数进行预测，根据计算结果实时地对热电联产系统进行控制，对热电联产系统的风险及效益做出评估，能够有效利用风能，使热电联产系统能安全、稳定、高效运行。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明权利要求所限定的范围。

Claims (3)

1.一种分布式风力发电出力与供暖负荷同步指数预测方法，其特征在于：该方法包括如下步骤：

步骤1：建立分布式风力发电出力与供暖负荷同步预测系统参数非线性时间序列，具体方法为：

步骤1.1：根据时间顺序按相同的时间间隔测量风电供暖系统的系统参数，所述系统参数包括：分布式风电系统所在环境的风速v、温度T、气压P、供暖负荷总负荷电流I及系统母线电压V；

步骤1.2：根据测量的系统参数构建如下非线性时间序列：

$\left\{\begin{array}{c}{\mathrm{vgn}}_1,{\mathrm{vgn}}_2,\mathrm{....},{\mathrm{vgn}}_n\\ {\mathrm{Tgn}}_1,{\mathrm{Tgn}}_2,\mathrm{....},{\mathrm{Tgn}}_n\\ {\mathrm{Pgn}}_1,{\mathrm{Pgn}}_2,\mathrm{....},{\mathrm{Pgn}}_n\\ {\mathrm{Ign}}_1,{\mathrm{Ign}}_2,\mathrm{....},{\mathrm{Ign}}_n\\ {\mathrm{Vgn}}_1,{\mathrm{Vgn}}_2,...,{\mathrm{Vgn}}_n\end{array}\right.;$

其中，vgn₁，vgn₂，....，vgn_n表示风速时间序列，Tgn₁，Tgn₂，....，Tgn_n表示温度时间序列，Pgn₁，Pgn₂，....，Pgn_n表示气压时间序列，Ign₁，Ign₂，....，Ign_n表示总负荷电流时间序列，Vgn₁，Vgn₂，...，Vgn_n表示系统母线电压平均值时间序列；

步骤2：采用坐标延迟法对构建的非线性时间序列进行相空间重构，具体如下：

根据风速时间序列vgn₁，vgn₂，...，vgn_n，在n维状态空间中重构风速状态矢量vgn_i′为：vgn_i′＝{vgn_i，vgn_i+τ，...，vgn_i+(m-1)τ}，其中，i＝1，2，...，n，τ为延迟时间，m为嵌入维数；

根据温度时间序列Tgn₁，Tgn₂，....，Tgn_n，在n维状态空间中重构温度状态矢量Tgn_i′为：Tgn_i′＝{Tgn_i，Tgn_i+τ，...，Tgn_i+(m-1)τ}；

根据气压时间序列Pgn₁，Pgn₂，....，Pgn_n，在n维状态空间中重构气压状态矢量Pgn_i′为：Pgn_i′＝{Pgn_i，Pgn_i+τ，…，Pgn_i+(m-1)τ}；

根据供暖负荷总负荷电流的时间序列为Ign₁，Ign₂，....，Ign_n，在n维状态空间中重构总负荷电流状态矢量Ign_i′为：Ign_i′＝{Ign_i，Ign_i+τ，...，Ign_i+(m-1)τ}；

根据母线电压的时间序列为Vgn₁，Vgn₂，...，Vgn_n，在n维状态空间中重构母线电压状态矢量Vgn_i′为：Vgn_i′＝{Vgn_i，Vgn_i+τ，...，Vgn_i+(m-1)τ}；

步骤3：将步骤2重构的相空间中的相点作为样本集，建立分布式风力发电出力与供暖负荷同步指数数学模型，如下式所示；

$y_{gn}=\frac{1}{\min f_{mb}({{\mathrm{vgn}}_i}^{\′},{{\mathrm{Tgn}}_i}^{\′},{{\mathrm{Pgn}}_i}^{\′},{{\mathrm{Ign}}_i}^{\′},{{\mathrm{Vgn}}_i}^{\′})+g_{cf}({{\mathrm{vgn}}_i}^{\′},{{\mathrm{Tgn}}_i}^{\′},{{\mathrm{Pgn}}_i}^{\′})+r_{ys}({{\mathrm{Ign}}_i}^{\′},{{\mathrm{Vgn}}_i}^{\′})}$

其中，y_gn为分布式风力发电出力与供暖负荷同步指数，f_mb(vgn_i′，Tgn_i′，Tgn_i′，Ign_i′，Vgn_i′)为目标函数，其中gn_i′为公式简化过程的中间符号，g_cf(vgn_i′，Tgn_i′，Pgn_i′)为分布式风力发电出力与供暖负荷同步指数目标函数的惩罚因子，r_ys(Ign_i′，Vgn_i′)为分布式风力发电出力与供暖负荷同步指数目标函数的约束项，

步骤4：利用模糊神经网络求解分布式风力发电出力与供暖负荷同步指数数学模型，针对相空间重构后的数据对下一时刻的系统同步性进行预测，得到分布式风力发电出力与供暖负荷同步指数预测值，具体方法为：

步骤4.1：采用粒子群聚类算法对模糊神经网络隐含层节点数进行求取；

利用粒子群聚类算法对重构后的相空间相点所代表的系统运行工况进行分类，得到分类数m_gn，并将m_gn作为神经网络隐含层的节点数，其中粒子群聚类算法的输入数据为相空间重构后的相点，输出为分类数m_gn，输入数据个数为N_gn，最大迭代次数为τ_max；

步骤4.2：根据隐含层节点数m_gn建立多输入单输出的模糊神经网络系统，根据模糊神经网络系统计算分布式风力发电出力与供暖负荷同步指数预测值。

2.根据权利要求1所述的一种分布式风力发电出力与供暖负荷同步指数预测方法，其特征在于：所述步骤4.1的具体方法为：

步骤4.1.1：分类数初始化，m_gn＝1；

步骤4.1.2：对粒子群参数进行初始化；相空间相点中随机选择m_gn个值作为聚类中心值，并将这m_gn个聚类中心值作为粒子群初始值；

计算粒子的适应度，粒子群适应度用如下函数计算；

$f_{fit}=\frac{1}{1+J_m}$

其中，f_fit为粒子群适应度函数，J_m为各个粒子到聚类中心的欧氏距离之和；

步骤4.1.3：进行粒子群迭代搜索，得到运行方式分类数m_gl下的最优聚类中心，最大迭代次数为τ_max，粒子群迭代更新方程如下式所示；

$\left\{\begin{array}{c}{v}_{iD}^{k+1}=w{v}_{iD}^k+c_{1}rand\left(\right)(p{b}_{iD}^k-x_{iD}^k)+c_{2}rand\left(\right)(g{b}_{iD}^k-x_{iD}^k)\\ x_{iD}^{k+1}=x_{iD}^k+v_{iD}^{k+1}\end{array}\right.$

其中，为第k次迭代下，第i个粒子的速度；表示第k次迭代为止第i个粒子的最佳位置；表示第k次迭代为止粒子种群中所有粒子位置中的最佳位置，表示第i个粒子第k次迭代所在位置，c₁、c₂表示学习常数，rand()为0～1之间的随机数，w为惯性权重，用于权衡局部最优能力和全局最优能力；

粒子群适应度用如下函数计算；

$f_{fit}=\frac{1}{1+J_m}$

其中，f_fit为粒子群适应度函数，J_m为各个粒子到聚类中心的欧氏距离之和；

步骤4.1.4：计算聚类中心值间的欧氏距离之和JP_phm，其中phm＝1，2，…，N_gn；

步骤4.1.5：将m_gn加1，若m_gn＜N_gn，则重复步骤4.1.2至4.1.5，否则，执行步骤4.1.6；

步骤4.1.6：比较分类数m_gn从1到N_gn对应的欧氏距离之和将JP_phm最小值所对应的m_gn作为神经网络隐含层的节点数。

3.根据权利要求2所述的一种分布式风力发电出力与供暖负荷同步指数预测方法，其特征在于：所述步骤4.2的具体方法为：

步骤4.2.1：神经网络目标函数如下式所示；

$f_a=\frac{1}{2}{\left({\hat{y}}_{gn}\right(m)-y_{gn}(m\left)\right)}^2$

其中，为神经网络第m次训练后系统期望输出，y_gn(m)为神经网络第m次训练后系统实际输出；

步骤4.2.2：进行网络权值训练，计算输出层权值ω，权值更新公式如下式所示；

ω(m)＝ω(m-1)+△ω(m)+a(ω(m-1)-ω(m-2))

其中，ω(m)为第m次训练后的输出层权值，η为学习速率，a为动量因子，η，a∈[0，1]；设定阈值当时，网络权值训练结束；

步骤4.2.3：预测分布式风力发电出力与供暖负荷同步指数；

将重构相空间中的相点vgn_i′，Tgn_i′，Pgn_i′，Ign_i′和Vgn_i′输入权值训练结束的神经网络，网络实际输出的y_gn即为分布式风力发电出力与供暖负荷同步指数的预测值。