CN106961104A - 基于数据分析和组合基函数神经网络的风电功率预测方法 - Google Patents

基于数据分析和组合基函数神经网络的风电功率预测方法 Download PDF

Info

Publication number
CN106961104A
CN106961104A CN201710219591.5A CN201710219591A CN106961104A CN 106961104 A CN106961104 A CN 106961104A CN 201710219591 A CN201710219591 A CN 201710219591A CN 106961104 A CN106961104 A CN 106961104A
Authority
CN
China
Prior art keywords
basis function
neural network
wind power
transformation
function neural
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.)
Granted
Application number
CN201710219591.5A
Other languages
English (en)
Other versions
CN106961104B (zh
Inventor
王聪
张宏立
范文慧
马萍
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.)
Xinjiang University
Original Assignee
Xinjiang University
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 Xinjiang University filed Critical Xinjiang University
Priority to CN201710219591.5A priority Critical patent/CN106961104B/zh
Publication of CN106961104A publication Critical patent/CN106961104A/zh
Application granted granted Critical
Publication of CN106961104B publication Critical patent/CN106961104B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Physics & Mathematics (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Power Engineering (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Feedback Control In General (AREA)
  • Wind Motors (AREA)

Abstract

基于数据分析和组合基函数神经网络的风电功率预测方法涉及风力发电功率预测领域，该发明包括：对采集的风电功率数据运用可变模式分解、样本熵技术和相空间重构技术进行数据分析，得到四组子序列；利用正交多项式构造基函数神经网络，建立含四组基函数神经网络的组合基函数预测模型；利用状态转移算法对基函数神经网络的权值和阈值进行优化；将重构后的子序列作为基函数神经网络的输入，优化的预测模型组合基函数神经网络用于风电功率的预测。预测准确率明显高于BP网络和RBF神经网络。

Description

基于数据分析和组合基函数神经网络的风电功率预测方法
技术领域
本发明涉及风电功率预测技术领域，属于一种基于数据处理和组合基函数神经网络的风电功率预测方法。
背景技术
世界风能协会在2016年底发布全世界总装机容量达到435 GW，整体增长率达到17.2%。在近十几年，风力发电已经成为发展最迅速的清洁能源之一。而风力的间接性和随机性对风力发电系统的稳定性造成很大的影响，成为电力系统调度运行和安全稳定面临的一个巨大挑战。有效的风电功率预测可以减少电力系统备用容量、降低系统运行成本，提高系统的经济性和可靠性。
风电功率预测模型主要有物理预测模型和统计预测模型等。物理预测模型是通过考虑地形、地表、湍流等多因素、天气预报数据以及历史功率输出，得到预测结果。该方法在环境和天气因素稳定的情况下可以获得高的预测精度。但该方法具有成本高，复杂的地形等信息不易收集，天气数据更新较慢等缺点。统计预测模型主要针对短期预测，是典型的基于时间序列的预测方法。是利用风速、风向和输出功率的实测数据构成历史统计数据，采用线性预测或非线性预测来进行预测。该统计方法对短期和超短期的预测可以得到较好的预测精度，但对提前更长时间的预测达不到预测精度要求，且预测的精度易受构建模型的精准程度的影响。
由于天气系统存在混沌特性，许多研究表明风电功率时间序列具有明显的混沌特征。混沌是出于确定映射的伪随机，揭示了自然界和人类社会普遍存在的复杂性、有序性与无序性的统一，确定性与随机性的统一。因此，单一的预测方法在预测中都存在自身的局限性，无法保证对任何数据样本均能获得稳定优良的预测精度，因此，综合预测模型的建立和应用得到了越来越多的关注。目前已有的风电功率预测方法多存在预测提前时间短或预测精度低以及预测耗时长等缺点。
发明内容
本发明的目的是为了克服上述现有技术的缺点，增加预测提前时间、提高预测精度以及减少预测耗时等，提出了一种基于数据分析和组合基函数神经网络的风电功率预测方法。该方法针对风电功率时间序列包含多频段随机量的特点，利用可变模式分解和样本熵技术将原始风电功率序列分解为一系列有限带宽的子序列；再针对风电功率序列具有混沌特性的特点，对子序列分别进行相空间重构；最后利用Chebyshev、Hermite、Bernstein以及Laguerre基函数神经网络分别对子序列进行预测并合并得到预测序列。
为了实现上述目的，本发明采用如下技术方案。
基于数据分析和组合基函数神经网络的风电功率预测方法，包括以下步骤。
步骤（1），样本数据的选取：选取新疆某发电厂历史发电功率连续数据，时间间隔为10分钟，选取样本数据长度为N的连续时间序列风电功率数据。
步骤（2），样本数据的分析与处理：对样本数据进行可变模式分解，并依据其样本熵值进行子模式组合，得到子序列，再根据相空间重构理论重构各子序列。
（2.1）样本数据的可变模式分解：
可变模式分解是一种可变尺度的信号处理方法，是一种新型的信号分解技术。通过将原始风电功率时间序列分为由k个中心频率为的信号得到k个模态函数，其中k为预设尺度，得到一系列有限带宽的子信号，定义以下法则评价子序列的带宽：1）采用Hilbert变换计算相应的解析信号得到单侧频谱；2）通过与的中心频率的指数项混叠，将的频率变换至基带；3）利用高斯平滑法估算子序列的带宽，其解转化为带约束的变分问题：
将以上的最小化问题转化为一系列子优化问题，对优化问题求解即可得到模态分解后的子序列。
（2.2）样本熵的子序列组合：
样本熵是一种无需自身模板匹配的量化时间序列复杂性的重要工具。更大的样本熵值序列具有更高的复杂性，它有更大的概率建立一个新的模式。同样,样本熵值越小，则序列的复杂度较低，具有较高的自相似序列。风电功率子序列样本熵的算法流程如下：
1）将每个风电功率子序列按顺序组成m维矢量， ，其中；
2）定义为向量和的距离，其中， ；
3）给定阈值r，统计的数量，记为，定义函数，其中，, ；
4）增加维数，重复计算，其中，,；
5）得到子序列的样本熵为，当n取有限值时，计算子序列的样本熵值为：。
通过以上分析，根据样本熵值的大小进行组合子序列，得到新的子序列，。
（2.3）子序列的相空间重构：
各风电功率子序列都是离散的时间序列，根据 Takens 的嵌入定理，只要嵌入维数足够大，在该嵌入维空间里可把有规律的轨道（吸引子）恢复出来，即重构的空间中的轨道与原动力系统保持微分同胚，与原吸引子的拓扑结构完全相同。基于相空间重构理论，将各子序列进行重构，嵌入维数，得到一个新的数据矩阵：
其中，为延迟时间，h为嵌入维数。利用Cao方法求取最佳嵌入维数，利用自相关法确定最佳延迟时间。
（2.3.1）自相关法求取延迟时间：
自相关法也称自相关函数法，通过计算自相关函数来判断和，的相关性。定义自相关函数如下：
其中，为时间序列，n为序列长度；；研究表明，下降到距离初始值的最近的为最佳延迟时间。
（2.3.2）Cao方法求取嵌入维数：
采用Cao方法确定最小嵌入维数，h维相空间中的重构时间延迟相量为：
这里，是向量的2—范数。
定义：
式中，是所有的平均值。由定理可知，在h维空间中离得近的两个点在h+1 维空间中也离得最近。当h大于某个值的时候，不再变化，这时的m就是饱和嵌入维数。
步骤（3）组合预测模型的建立。
（3.1）基函数神经网络的建立
基函数神经网络具有网络结构简单、学习收敛速度快、高精度逼近任意非线性映射等优异特点。在原有基函数的基础上，将重构后的矩阵数据作为输入，避免了网络结构的选择。新型的基函数神经网络定义如下：
式中，是新型的基函数神经网络，v是一个阈值常数，是网络权值，，为正交基函数多项式。其中各基函数多项式如下：
Chebyshev基函数：；
Hermite基函数：；
Bernstein基函数：；
Laguerre基函数：；
将和v作为基函数神经网络的输入，, M和S函数作为隐层神经元，为待训练的权值，其中，, M和S如下所示：
。
（3.2）组合基函数神经网络系统的建立
根据步骤（2）得到四组新的子序列，将相空间重构后的子序列作为预测模型的输入。四组基函数神经网络同时对四组子序列进行预测，最后将预测结果进行叠加得到风电功率的实际预测结果。
步骤（4）预测模型的优化：阈值常数和网络权值为待确定的预测模型的参数，本发明采用状态转移算法对模型进行优化，确定模型的参数：
步骤4.1初始化：随机初始化初始状态，设置旋转因子、平移因子、伸缩因子、坐标因子、搜索执行参数以及迭代次数等参数；并利用式计算初始各状态的适应度函数值，使适应度函数值最小的状态即最优状态初始值；
步骤4.2 迭代：根据状态转移算法的四种算子进行状态变换，并利用适应度函数计算状态值；在迭代过程中，只有在旋转变换(RT)、伸缩变换(ET)、坐标变换(AT)操作取得更优值时，再进行平移操作(TT)，否则进行正交变换操作；
旋转变换（Rotation Transformation, RT）：，其中，，是旋转因子，为一个正常数；是一个在[-1,1]之间均匀分布的随机矩阵；是2-范数或欧几里德范数。旋转变换使状态转移算法具有旋转的功能，使算法实现在超球体范围内搜索最优解，即旋转变换完成了局部搜索；
平移变换(Translation Transformation, TT)：，其中，是平移因子，为一个正常数；为元素在[0,1]之间的随机变量；平移算子使算法由开始沿到方向，以最大步长进行直线搜索。平移变换简化了一维搜索，协调全局搜索与局部搜索的平衡性；
伸缩变换(Expansion Transformation, ET)，其中，是伸缩因子，为一个正常数；为元素服从高斯分布的随机对角阵；伸缩变换使状态转移算法具有可以在整个搜索空间进行搜索的功能，即伸缩变换完成了全局搜索；
坐标变换(Axesion Transformation, AT): ,其中，是坐标因子，为一个正常数；为服从高斯分布的随机对角阵且仅有一个随机位置为非零值。坐标变换可以增强单一空间的搜索能力；
步骤4.3 更新状态：若存在,则代替，否则保持不变；
步骤4.4对当前最好状态进行间歇性交流，得到更好的解状态；
步骤4.5 用随机取代当前的某个状态；
步骤4.6 判断是否满足要求，若满足则算法结束，否则返回步骤4.2。
步骤（5）使用训练好的组合基函数神经网络对风电场的输出功率进行预测。
步骤（6）预测误差的计算：为了对预测结果精度和模型的有效性判断，本文采用平均相对误差（MAE）、平均百分比绝对误差（NMAE）和百分比均方根误差（NRMSE），定义如下：
其中，N为数据长度，为实际功率，为预测功率，为装机容量。
附图说明
图1是本发明的风电功率短期预测流程。
图2是样本数据图。
图3是本发明数据处理后的子序列图。
图4是本发明的基函数神经网络结构图。
图5是组合基函数神经网络结构图。
图6是状态转移算法的计算流程。
图7是实测结果与基于数据分析和组合基函数神经网络提前1h预测值的对比图。
图8是实测结果与基于数据分析和组合基函数神经网络提前3h预测值的对比图。
图9是实测结果与基于数据分析和组合基函数神经网络提前6h预测值的对比图。
具体实施方式
以下结合具体实例对本发明的风电功率预测方法进一步说明。
（1）选取采用新疆某风电场1.5MW的风机2014全年输出功率样本数据，选择时间分辨率为10min，其中每月的5日、15日数据作为训练样本，25日数据作为预测数据，共5184个数据作为训练和预测数据点，如图2。
（2）参数的设置：相比于传统的神经网络预测模型，本发明的组合基函数神经网络的各个子网络避免了网络结构的选择，模型的输入完全取决于相空间重构的结果；状态转移算法参数设置为：执行搜索群体规模（SE）设为80，迭代次数为500，间歇性交流频率（CF）为50，α为均为1，为2。
由图1可知，基于数据分析和组合基函数神经网络的风电功率预测方法，包括以下步骤。
步骤1样本数据的选取：选取新疆某发电厂历史发电功率连续数据，时间间隔为10分钟，选取样本数据长度为N的连续时间序列风电功率数据。
步骤2样本数据的分析与处理：对样本数据进行可变模式分解，并依据其样本熵值进行子模式组合，得到子序列，再根据相空间重构理论重构各子序列；
（2.1）样本数据的可变模式分解
可变模式分解是一种可变尺度的信号处理方法，是一种新型的信号分解技术。通过将原始风电功率时间序列分为由k个中心频率为的信号得到k个模态函数，其中k为预设尺度，得到一系列有限带宽的子信号，定义以下法则评价子序列的带宽：1）采用Hilbert变换计算相应的解析信号得到单侧频谱；2）通过与的中心频率的指数项混叠，将的频率变换至基带；3）利用高斯平滑法估算子序列的带宽，其解转化为带约束的变分问题：
将以上的最小化问题转化为一系列子优化问题，对优化问题求解即可得到模态分解后的子序列；
（2.2）样本熵的子序列组合
样本熵是一种无需自身模板匹配的量化时间序列复杂性的重要工具。更大的样本熵值序列具有更高的复杂性，它有更大的概率建立一个新的模式。同样,样本熵值越小，则序列的复杂度较低，具有较高的自相似序列。风电功率子序列样本熵的算法流程如下：
1）将每个风电功率子序列按顺序组成m维矢量， ，其中；
2）定义为向量和的距离，其中， ；
3）给定阈值r，统计的数量，记为，定义函数，其中，,；
4）增加维数，重复计算，其中，,；
5）得到子序列的样本熵为，当n取有限值时，计算子序列的样本熵值为：；
通过以上分析，根据样本熵值的大小进行组合子序列，得到新的子序列，；
（2.3）子序列的相空间重构
各风电功率子序列都是离散的时间序列，根据 Takens 的嵌入定理，只要嵌入维数足够大，在该嵌入维空间里可把有规律的轨道（吸引子）恢复出来，即重构的空间中的轨道与原动力系统保持微分同胚，与原吸引子的拓扑结构完全相同。基于相空间重构理论，将各子序列进行重构，嵌入维数，得到一个新的数据矩阵：
其中，为延迟时间，h为嵌入维数。利用Cao方法求取最佳嵌入维数，利用自相关法确定最佳延迟时间；
（2.3.1）自相关法求取延迟时间
自相关法也称自相关函数法，通过计算自相关函数来判断和，的相关性。定义自相关函数如下：
其中，为时间序列，n为序列长度；；
研究表明，下降到距离初始值的最近的为最佳延迟时间；
（2.3.2）Cao方法求取嵌入维数
采用Cao方法确定最小嵌入维数，h维相空间中的重构时间延迟相量为：
这里，是向量的2—范数；
定义：
式中，是所有的平均值。由定理可知，在h维空间中离得近的两个点在h+1 维空间中也离得最近。当h大于某个值的时候，不再变化，这时的m就是饱和嵌入维数。
步骤3组合预测模型的建立
（3.1）基函数神经网络的建立
基函数神经网络具有网络结构简单、学习收敛速度快、高精度逼近任意非线性映射等优异特点。在原有基函数的基础上，将重构后的矩阵数据作为输入，避免了网络结构的选择。新型的基函数神经网络定义如下：
式中，是新型的基函数神经网络，v是一个阈值常数，
是网络权值，，为正交基函数多项式。其中各基函数多项式如下：
Chebyshev基函数：；
Hermite基函数：；
Bernstein基函数：；
Laguerre基函数：；
将和v作为基函数神经网络的输入，, M和S函数作为隐层神经元，为待训练的权值，其中，, M和S如下所示：
（3.2）组合基函数神经网络系统的建立
根据步骤（2）得到四组新的子序列，将相空间重构后的子序列作为预测模型的输入。四组基函数神经网络同时对四组子序列进行预测，最后将预测结果进行叠加得到风电功率的实际预测结果。
步骤4预测模型的优化：阈值常数和网络权值为待确定的预测模型的参数，本发明采用状态转移算法对模型进行优化，确定模型的参数；
步骤4.1初始化：随机初始化初始状态，设置旋转因子、平移因子、伸缩因子、坐标因子、搜索执行参数以及迭代次数等参数；并利用式计算初始各状态的适应度函数值，使适应度函数值最小的状态即最优状态初始值；
步骤4.2 迭代：根据状态转移算法的四种算子进行状态变换:
旋转变换（Rotation Transformation, RT）：，其中，，是旋转因子，为一个正常数；是一个在[-1,1]之间均匀分布的随机矩阵；是2-范数或欧几里德范数。旋转变换使状态转移算法具有旋转的功能，使算法实现在超球体范围内搜索最优解，即旋转变换完成了局部搜索；
平移变换(Translation Transformation, TT)：，其中，是平移因子，为一个正常数；为元素在[0,1]之间的随机变量；平移算子使算法由开始沿到方向，以最大步长进行直线搜索。平移变换简化了一维搜索，协调全局搜索与局部搜索的平衡性；
伸缩变换(Expansion Transformation, ET) 其中，是伸缩因子，为一个正常数；为元素服从高斯分布的随机对角阵；伸缩变换使状态转移算法具有可以在整个搜索空间进行搜索的功能，即伸缩变换完成了全局搜索；
坐标变换(Axesion Transformation, AT): ,其中，是坐标因子，为一个正常数；为服从高斯分布的随机对角阵且仅有一个随机位置为非零值。坐标变换可以增强单一空间的搜索能力；
再利用适应度函数计算状态值；在迭代过程中，只有在旋转变换(RT)、伸缩变换(ET)、坐标变换(AT)操作取得更优值时，再进行平移操作(TT)，否则进行正交变换操作；
步骤4.3 更新状态：若存在,则代替，否则保持不变；
步骤4.4对当前最好状态进行间歇性交流，得到更好的解状态；
步骤4.5 用随机取代当前的某个状态；
步骤4.6 判断是否满足要求，若满足则算法结束，否则返回步骤4.2。
步骤5使用训练好的组合基函数神经网络对风电场的输出功率进行预测。
步骤6预测误差的计算：为了对预测结果精度和模型的有效性判断，本文采用平均相对误差（MAE）、平均百分比绝对误差（NMAE）和百分比均方根误差（NRMSE），定义如下：
其中，N为数据长度，为实际功率，为预测功率，为装机容量。
由图7，图8，图9可知，风电功率的预测值与实际的测量值变化趋于一致，说明了本发明的预测方法可靠性较高。同时，表1给出了预测误差结果：
表1 预测误差结果
由表可知本发明提出的基于数据分析和组合基函数神经网络方法具有更好的预测精度。
以上介绍了本发明的原理及优点，但本发明不受上述实施例子的限制，在不脱离本发明原理范围的前提下，本发明还有各类变化和改进，应视为本发明的保护范围。

Claims (4)

1.基于数据分析和组合基函数神经网络的风电功率预测方法，包括以下步骤：
步骤（1），样本数据的选取：选取新疆某发电厂历史发电功率连续数据，时间间隔为10分钟，选取样本数据长度为N的连续时间序列风电功率数据；
步骤（2），样本数据的分析与处理：对样本数据进行可变模式分解，并依据其样本熵值进行子模式组合，得到子序列，再根据相空间重构理论重构各子序列；
步骤（3），组合预测模型的建立；
步骤（4），预测模型的优化：阈值常数和网络权值为待确定的预测模型的参数，本发明采用状态转移算法对模型进行优化，确定模型的参数；
步骤（5），使用训练好的组合基函数神经网络对风电场的输出功率进行预测；
步骤（6），预测误差的计算：为了对预测结果精度和模型的有效性判断，本文采用平均相对误差（MAE）、平均百分比绝对误差（NMAE）和百分比均方根误差（NRMSE）。
2.如权利要求1所述的基于数据分析和组合基函数神经网络的风电功率预测方法，所述步骤（2）中，其特征在于，利用可变模式分解将风电功率历史数据序列分解为多个子序列，样本熵进行子序列熵计算，得到四组新序列，并利用相空间重构技术进行各子序列的重构，采用自相关法求取延迟时间、Cao方法求取嵌入维数。
3.如权利要求1所述的基于数据分析和组合基函数神经网络的风电功率预测方法，所述步骤（3）中，其特征在于，基函数神经网络的建立：在原有基函数的基础上，将重构后的矩阵数据作为输入，避免了网络结构的选择：
新型的基函数神经网络定义如下：
式中，是新型的基函数神经网络，v是一个阈值常数，是网络权值，，为正交基函数多项式；
其中各基函数多项式如下：
Chebyshev基函数：；
Hermite基函数：；
Bernstein基函数：；
Laguerre基函数：；
将和v作为基函数神经网络的输入，, M和S函数作为隐层神经元，为待训练的权值，其中，, M和S如下所示：
（3.2）组合基函数神经网络系统的建立
根据步骤（2）得到四组新的子序列，将相空间重构后的子序列作为预测模型的输入；
四组基函数神经网络同时对四组子序列进行预测，最后将预测结果进行叠加得到风电功率的实际预测结果。
4.如权利要求1所述的基于数据分析和组合基函数神经网络的风电功率预测方法，所述步骤（4）中，其特征在于，采用状态转移算法进行组合基函数神经网络的权值和阈值的训练；
具体方法如下：
步骤4.1初始化：随机初始化初始状态，设置旋转因子、平移因子、伸缩因子、坐标因子、搜索执行参数以及迭代次数等参数；并利用式计算初始各状态的适应度函数值，使适应度函数值最小的状态即最优状态初始值；
步骤4.2 迭代：根据状态转移算法的四种算子进行状态变换:
旋转变换（Rotation Transformation, RT）：，其中，，是旋转因子，为一个正常数；是一个在[-1,1]之间均匀分布的随机矩阵；是2-范数或欧几里德范数；旋转变换使状态转移算法具有旋转的功能，使算法实现在超球体范围内搜索最优解，即旋转变换完成了局部搜索；
平移变换(Translation Transformation, TT)：，其中，是平移因子，为一个正常数；为元素在[0,1]之间的随机变量；平移算子使算法由开始沿到方向，以最大步长进行直线搜索；平移变换简化了一维搜索，协调全局搜索与局部搜索的平衡性；
伸缩变换(Expansion Transformation, ET) ，其中，是伸缩因子，为一个正常数；为元素服从高斯分布的随机对角阵；伸缩变换使状态转移算法具有可以在整个搜索空间进行搜索的功能，即伸缩变换完成了全局搜索；
坐标变换(Axesion Transformation, AT): ,其中，是坐标因子，为一个正常数；为服从高斯分布的随机对角阵且仅有一个随机位置为非零值，坐标变换可以增强单一空间的搜索能力；
再利用适应度函数计算状态值；在迭代过程中，只有在旋转变换(RT)、伸缩变换(ET)、坐标变换(AT)操作取得更优值时，再进行平移操作(TT)，否则进行正交变换操作；
步骤4.3 更新状态：若存在,则代替，否则保持不变；
步骤4.4对当前最好状态进行间歇性交流，得到更好的解状态；
步骤4.5 用随机取代当前的某个状态；
步骤4.6 判断是否满足要求，若满足则算法结束，否则返回步骤4.2。
CN201710219591.5A 2017-04-06 2017-04-06 基于数据分析和组合基函数神经网络的风电功率预测方法 Expired - Fee Related CN106961104B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710219591.5A CN106961104B (zh) 2017-04-06 2017-04-06 基于数据分析和组合基函数神经网络的风电功率预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710219591.5A CN106961104B (zh) 2017-04-06 2017-04-06 基于数据分析和组合基函数神经网络的风电功率预测方法

Publications (2)

Publication Number Publication Date
CN106961104A true CN106961104A (zh) 2017-07-18
CN106961104B CN106961104B (zh) 2021-07-02

Family

ID=59485100

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710219591.5A Expired - Fee Related CN106961104B (zh) 2017-04-06 2017-04-06 基于数据分析和组合基函数神经网络的风电功率预测方法

Country Status (1)

Country Link
CN (1) CN106961104B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107944070A (zh) * 2017-10-09 2018-04-20 中国电子科技集团公司第二十八研究所 一种城市气体危化品泄漏的扩散仿真方法及系统
CN108564201A (zh) * 2018-03-16 2018-09-21 电子科技大学 一种基于相空间重构与分位数回归的盐密区间预测方法
CN108736515A (zh) * 2018-05-30 2018-11-02 国网电力科学研究院(武汉)能效测评有限公司 基于神经网络的风电消纳相变储热站负荷预测系统和方法
CN109256799A (zh) * 2018-09-17 2019-01-22 大连理工大学 一种基于样本熵的新能源电力系统优化调度方法
CN109449974A (zh) * 2018-11-16 2019-03-08 大连理工大学 一种基于变模式分解和样本熵理论的综合能源系统优化调度方法
CN109787295A (zh) * 2019-02-26 2019-05-21 东北电力大学 一种计及风电场状态的风电功率超短期预测计算方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104573621A (zh) * 2014-09-30 2015-04-29 李文生 基于Chebyshev神经网络的动态手势学习和识别方法
CN105447572A (zh) * 2015-12-21 2016-03-30 广东智造能源科技研究有限公司 一种基于遗传算法优化神经网络的风电功率预测系统及方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104573621A (zh) * 2014-09-30 2015-04-29 李文生 基于Chebyshev神经网络的动态手势学习和识别方法
CN105447572A (zh) * 2015-12-21 2016-03-30 广东智造能源科技研究有限公司 一种基于遗传算法优化神经网络的风电功率预测系统及方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
CONG WANG等: ""A new wind power prediction method based on chaotic theory and Bernstein Neural Network"", 《ENERGY》 *
迟恩楠等: ""基于优化组合核和Morlet小波核的LSSVM脉动风速预测方法"", 《振动与冲击》 *

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107944070A (zh) * 2017-10-09 2018-04-20 中国电子科技集团公司第二十八研究所 一种城市气体危化品泄漏的扩散仿真方法及系统
CN107944070B (zh) * 2017-10-09 2021-06-25 中国电子科技集团公司第二十八研究所 一种城市气体危化品泄漏的扩散仿真方法及系统
CN108564201A (zh) * 2018-03-16 2018-09-21 电子科技大学 一种基于相空间重构与分位数回归的盐密区间预测方法
CN108736515A (zh) * 2018-05-30 2018-11-02 国网电力科学研究院(武汉)能效测评有限公司 基于神经网络的风电消纳相变储热站负荷预测系统和方法
CN109256799A (zh) * 2018-09-17 2019-01-22 大连理工大学 一种基于样本熵的新能源电力系统优化调度方法
CN109256799B (zh) * 2018-09-17 2021-07-16 大连理工大学 一种基于样本熵的新能源电力系统优化调度方法
CN109449974A (zh) * 2018-11-16 2019-03-08 大连理工大学 一种基于变模式分解和样本熵理论的综合能源系统优化调度方法
CN109449974B (zh) * 2018-11-16 2021-06-08 大连理工大学 一种基于变模式分解和样本熵理论的综合能源系统优化调度方法
CN109787295A (zh) * 2019-02-26 2019-05-21 东北电力大学 一种计及风电场状态的风电功率超短期预测计算方法
CN109787295B (zh) * 2019-02-26 2022-03-18 东北电力大学 一种计及风电场状态的风电功率超短期预测计算方法

Also Published As

Publication number Publication date
CN106961104B (zh) 2021-07-02

Similar Documents

Publication Publication Date Title
CN106961104A (zh) 基于数据分析和组合基函数神经网络的风电功率预测方法
Sun et al. Short-term wind speed forecasting based on fast ensemble empirical mode decomposition, phase space reconstruction, sample entropy and improved back-propagation neural network
Zhang et al. A hybrid prediction model for forecasting wind energy resources
CN109242204A (zh) 基于最优vmd与同步优化的超短期风速预测方法
Xu et al. Natural phase space reconstruction-based broad learning system for short-term wind speed prediction: Case studies of an offshore wind farm
JP7441553B2 (ja) ローリング時系列及びサポートベクトルマシンに基づく短期風速の予測方法及びシステム
CN105574615B (zh) 一种基于空间相关性与ga的小波-bp神经网络风电功率预测方法
Wang et al. A novel approach to ultra-short-term multi-step wind power predictions based on encoder–decoder architecture in natural language processing
Wang et al. An innovative hybrid approach for multi-step ahead wind speed prediction
Yang et al. A deep attention convolutional recurrent network assisted by k-shape clustering and enhanced memory for short term wind speed predictions
CN117114192B (zh) 基于多尺度时空图变换网络的海上风电功率预测方法及装置
Xu et al. HighAir: A hierarchical graph neural network-based air quality forecasting method
Wang et al. Short-term wind speed prediction using support vector regression
Tian Preliminary research of chaotic characteristics and prediction of short-term wind speed time series
Hou et al. Multistep short-term wind power forecasting model based on secondary decomposition, the kernel principal component analysis, an enhanced arithmetic optimization algorithm, and error correction
Wang et al. Improved prediction method of PV output power based on optimised chaotic phase space reconstruction
CN105354800A (zh) 基于图像结构的粒子群优化非凸压缩感知图像重构方法
Peng et al. An intelligent hybrid approach for photovoltaic power forecasting using enhanced chaos game optimization algorithm and Locality sensitive hashing based Informer model
CN104239689B (zh) 基于优化相关向量机的短期风速预测方法
CN117407660B (zh) 一种基于深度学习的区域海浪预报方法
CN107844872B (zh) 一种用于风力发电的短期风速预报方法
Zhu et al. Wind Speed Short-Term Prediction Based on Empirical Wavelet Transform, Recurrent Neural Network and Error Correction
CN103489037A (zh) 一种可发电风资源的预测方法
Safari et al. A spatiotemporal wind power prediction based on wavelet decomposition, feature selection, and localized prediction
Ahuja et al. Recurrent Neural Network for Chaotic Wind Speed Time Series Prediction

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20210702

CF01 Termination of patent right due to non-payment of annual fee