CN107392397A - 一种短期风速预测方法、装置及系统 - Google Patents
一种短期风速预测方法、装置及系统 Download PDFInfo
- Publication number
- CN107392397A CN107392397A CN201710741544.7A CN201710741544A CN107392397A CN 107392397 A CN107392397 A CN 107392397A CN 201710741544 A CN201710741544 A CN 201710741544A CN 107392397 A CN107392397 A CN 107392397A
- Authority
- CN
- China
- Prior art keywords
- wind speed
- population
- data
- neural network
- particle
- 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.)
- Pending
Links
- 238000013277 forecasting method Methods 0.000 title claims abstract description 22
- 238000013528 artificial neural network Methods 0.000 claims abstract description 71
- 238000000034 method Methods 0.000 claims abstract description 38
- 238000012549 training Methods 0.000 claims abstract description 38
- 230000008569 process Effects 0.000 claims abstract description 28
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 19
- 238000012545 processing Methods 0.000 claims abstract description 10
- 239000002245 particle Substances 0.000 claims description 75
- 238000004364 calculation method Methods 0.000 claims description 18
- 238000005457 optimization Methods 0.000 claims description 12
- 230000001960 triggered effect Effects 0.000 claims description 6
- 238000010030 laminating Methods 0.000 claims description 3
- 230000006978 adaptation Effects 0.000 claims description 2
- 230000008859 change Effects 0.000 claims description 2
- 230000002123 temporal effect Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000002153 concerted effect Effects 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 2
- 235000013399 edible fruits Nutrition 0.000 description 2
- 210000005036 nerve Anatomy 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 241001269238 Data Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000002688 persistence Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
Classifications
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Software Systems (AREA)
- Tourism & Hospitality (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- General Business, Economics & Management (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Marketing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Public Health (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)
Abstract
本发明实施例公开了一种短期风速预测方法、装置及系统，包括获取经预处理后的风速历史数据；采用经验模态分解法对风速历史数据进行分解处理，得到多个数据分量；将各个数据分量输入至预先建立的BP神经网络优化模型中进行预测，得到与各个数据分量一一对应的各个预测子结果；将各个预测子结果进行叠加，得到风速预测结果；其中，BP神经网络优化模型的建立过程为获取训练样本数据，并将所述训练样本数据输入至BP神经网络中；采用粒子群引力搜索混合算法对BP神经网络的参数进行寻优处理，得到训练后的BP神经网络优化模型。本发明实施例使用过程中降低了自然风波动性对预测精度的影响，提高了全局收敛精度，使风速预测结果更加精确。
Description
技术领域
本发明实施例涉及风力发电技术领域，特别是涉及短期风速预测方法、装置及系统。
背景技术
风能是一种可再生的环境友好型新能源，受到世界各国的日益重视。近年来，随着风力发电技术的突破，风电场数量、规模和总装机容量逐渐上升。在大规模风电并网的条件下，自然风的不确定性和间歇性所带来的机组出力的波动性往往会对电力系统的稳定性和安全性造成一定的影响。风速预测作为解决上述问题的有效手段受到了学者的广泛关注。准确的风速预测有利于调度部位安排调度计划，提高能源的优化配置。
目前，在对风速进行预测时，传统方法采用如时间序列分析法和持续预测法等对风速进行预测，随着人们对预测精度要求的不断提高，采用传统方法对风速进行预测时，难以避免自然风波动性对预测精度的影响，并且全局收敛精度较低，在一定程度上降低了预测精度。
因此，如何提供一种解决上述技术问题的短期风速预测方法、装置及系统成为本领域技术人员目前需要解决的技术问题。
发明内容
本发明实施例的目的是提供一种短期风速预测方法、装置及系统，降低了自然风波动性对预测精度的影响，加强了模型局部搜索能力，提高了全局收敛精度，使风速预测结果更加精确。
为解决上述技术问题，本发明实施例提供了一种短期风速预测方法，包括：
S11：获取经预处理后的风速历史数据；
S12：采用经验模态分解法对所述风速历史数据进行分解处理，得到多个数据分量；
S13：将各个所述数据分量输入至预先建立的BP神经网络优化模型中进行预测，得到与各个所述数据分量一一对应的各个预测子结果；
S14：将各个所述预测子结果进行叠加，得到风速预测结果；
其中，所述BP神经网络优化模型的建立过程为：
S21：获取训练样本数据，并将所述训练样本数据输入至BP神经网络中；
S22：采用粒子群引力搜索混合算法对BP神经网络的参数进行寻优处理，得到训练后的所述BP神经网络优化模型。
可选的，所述采用经验模态分解法对所述风速历史数据进行分解处理，得到多个数据分量的过程为：
S121：识别风速历史数据中的所有极大值点和所有极小值点，所述风速历史数据为x(t)；
S122：分别对各个所述极大值点和各个所述极小值点进行包络线拟合得到上包络线dup(t)和下包络线dlow(t)；
S123：依据所述上包络线和所述下包络线得到包络线平均值d1(t)；
S124：通过l1(t)＝x(t)-d1(t)得到l1(t)，判断所述l1(t)是否满足预设条件，如果是，则将所述l1(t)作为第一数据分量s1(t)，并进入S125；否则，将所述风速历史数据x(t)更新为所述l1(t)，并返回S121；
S125：通过r1(t)＝x(t)-s1(t)得到风速历史数据的第一剩余分量r1(t)，判断所述第一剩余分量r1(t)是否满足终止条件，如果是，则分解结束；否则，将所述风速历史数据更新为r1(t)，并返回S121，并重复S121至S125以得到与所述风速历史数据对应的各个数据分量。
可选的，所述采用训练样本数据及粒子群引力搜索混合算法对BP神经网络的参数进行寻优处理的过程为：
S221：依据BP神经网络的参数随机初始化种群；
S222：采用训练样本数据及适应度值计算关系式计算出所述初始种群中各个初始粒子的适应度值，其中：
所述适应度值计算关系式为其中，fiti为第i个初始粒子的适应度值，为预测值，P为真实值，N为所述训练样本数据中输出预测值的总数，i＝1,2,…,M，M为初始粒子总数；
S223：对所述初始种群中的各个所述初始粒子的位置和速度进行更新，得到当前种群，并计算出所述当前种群中各个当前粒子的适应度值；
S224：若当前种群中的第i个当前粒子的适应度值小于所述初始种群中的第i个初始粒子的适应度值，则将第i个当前粒子作为新种群中的第i个粒子；若当前种群中的第i个当前粒子的适应度值大于所述初始种群中的第i个初始粒子的适应度值，则将第i个初始粒子作为新种群中的第i个粒子，以得到新种群；
S225：判断当前迭代次数是否达到最大迭代次数，如果是，则从所述新种群中找到适应度值最优的粒子作为全局最优粒子进行输出，并依据所述全局最优粒子得到最优参数；否则，继续下次迭代，直至达到最大迭代次数。
可选的，所述风速历史数据的时间分辨率为1小时。
可选的，如上述所述的短期风速预测方法，所述参数为BP神经网络的权值和阀值。
本发明实施例相应的还提供了一种短期风速预测装置，包括：
获取模块，用于获取经预处理后的风速历史数据；
分解模块，用于采用经验模态分解法对所述风速历史数据进行分解处理，得到多个数据分量；
预测模块，用于将各个所述数据分量输入至预先建立的BP神经网络优化模型中进行预测，得到与各个所述数据分量一一对应的各个预测子结果；
叠加模块，用于将各个所述预测子结果进行叠加，得到风速预测结果；
其中，所述BP神经网络优化模型包括：
获取模块，用于获取训练样本数据，并将所述训练样本数据输入至BP神经网络中；
优化模块，用于采用粒子群引力搜索混合算法对BP神经网络的参数进行寻优处理，得到训练后的所述BP神经网络优化模型。
可选的，所述分解模块包括：
识别单元，用于识别风速历史数据中的所有极大值点和所有极小值点，所述风速历史数据为x(t)；
包络线拟合单元，用于分别对各个所述极大值点和各个所述极小值点进行包络线拟合得到上包络线dup(t)和下包络线dlow(t)；
平均值计算单元，用于依据所述上包络线和所述下包络线得到包络线平均值d1(t)；
第一判断单元，用于通过l1(t)＝x(t)-d1(t)得到l1(t)，判断所述l1(t)是否满足预设条件，如果是，则将所述l1(t)作为第一数据分量s1(t)，并触发第二判断单元；否则，将所述风速历史数据x(t)更新为所述l1(t)，并触发所述识别单元；
所述第二判断单元，用于通过r1(t)＝x(t)-s1(t)得到风速历史数据的第一剩余分量r1(t)，判断所述第一剩余分量r1(t)是否满足终止条件，如果是，则分解结束；否则，将所述风速历史数据更新为r1(t)，并触发所述识别单元，以得到与所述风速历史数据对应的各个数据分量。
可选的，所述优化模块包括：
初始化单元，用于依据BP神经网络的参数随机初始化种群；
第一计算单元，用于采用训练样本数据及适应度值计算关系式计算出所述初始种群中各个初始粒子的适应度值，其中：
所述适应度值计算关系式为其中，fiti为第i个初始粒子的适应度值，为预测值，P为真实值，N为所述训练样本数据中输出预测值的总数，i＝1,2,…,M，M为初始粒子总数；
更新单元，用于对所述初始种群中的各个所述初始粒子的位置和速度进行更新，得到当前种群；
第二计算单元，用于计算出所述当前种群中各个当前粒子的适应度值；
寻优单元，用于在当前种群中的第i个当前粒子的适应度值小于所述初始种群中的第i个初始粒子的适应度值，则将第i个当前粒子作为新种群中的第i个粒子；在当前种群中的第i个当前粒子的适应度值大于所述初始种群中的第i个初始粒子的适应度值，则将第i个初始粒子作为新种群中的第i个粒子，以得到新种群；
第三判断单元，用于判断当前迭代次数是否达到最大迭代次数，如果是，则从所述新种群中找到适应度值最优的粒子作为全局最优粒子进行输出，并依据所述全局最优粒子得到最优参数；否则，继续下次迭代，直至达到最大迭代次数。
本发明实施例还提供了一种短期风速预测系统，包括如上述所述的短期风速预测装置。
本发明实施例提提供了一种短期风速预测方法、装置及系统，包括获取经预处理后的风速历史数据；采用经验模态分解法对风速历史数据进行分解处理，得到多个数据分量；将各个数据分量输入至预先建立的BP神经网络优化模型中进行预测，得到与各个数据分量一一对应的各个预测子结果；将各个预测子结果进行叠加，得到风速预测结果；其中，BP神经网络优化模型的建立过程为获取训练样本数据，并将所述训练样本数据输入至BP神经网络中；采用粒子群引力搜索混合算法对BP神经网络的参数进行寻优处理，得到训练后的BP神经网络优化模型。
本发明实施例通过经验模态分解法将风速历史数据分解为多个数据分量，降低了自然风波动性对预测精度的影响，并且采用经过粒子群引力搜索混合算法优化后的BP神经网络优化模型对各个数据分量进行预测，提高了BP神经网络的学习能力和泛化能力，加强了模型局部搜索能力，提高了全局收敛精度，使风速预测结果更加精确。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对现有技术和实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种短期风速预测方法的流程示意图；
图2为本发明实施例提供的一种BP神经网络优化模型的建立过程的流程示意图；
图3为本发明实施例提供的一种短期风速预测装置的结构示意图；
图4为本发明实施例提供的一种BP神经网络优化模型的结构示意图。
具体实施方式
本发明实施例提供了一种短期风速预测方法、装置及系统，降低了自然风波动性对预测精度的影响，加强了模型局部搜索能力，提高了全局收敛精度，使风速预测结果更加精确。
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参照图1，图1为本发明实施例提供的一种短期风速预测方法的流程示意图。
该方法包括：
S11：获取经预处理后的风速历史数据；
需要说明的是，采集的原始风速历史数据可以为预测日前几周的风速历史数据，例如5周的风速历史数据，对所采集的原始风速历史数据进行预处理，从而得到用于预测的风速历史数据。
S12：采用经验模态分解法对风速历史数据进行分解处理，得到多个数据分量；
需要说明的是，本发明实施例采用经验模态分解法(Empirical ModeDecomposition,EMD)将风速历史数据分解为一系列相对平衡的数据分量，从而可以减少不同特征信息之间的相互影响，降低了自然风波动性对预测精度的影响。
进一步的，上述采用经验模态分解法对风速历史数据进行分解处理，得到多个数据分量的过程为：
S121：识别风速历史数据中的所有极大值点和所有极小值点，风速历史数据为x(t)；
S122：分别对各个极大值点和各个极小值点进行包络线拟合得到上包络线dup(t)和下包络线dlow(t)；
S123：依据上包络线和下包络线得到包络线平均值d1(t)；
具体可以根据计算关系式得到包络线平均值d1(t)。
S124：通过l1(t)＝x(t)-d1(t)得到l1(t)，判断l1(t)是否满足预设条件(例如为IMF条件)，如果是，则将l1(t)作为第一数据分量s1(t)，并进入S125；否则，将风速历史数据x(t)更新为l1(t)，并返回S121；
具体的，可以将x(t)减去d1(t)得到l1(t)，并将l1(t)视为新的风速历史数据x(t)，重复S121，例如经过k次筛选后直到l1(t)＝x(t)-d1(t)满足预设条件止(例如预设条件为IMF条件)为，记s1(t)＝l1(t)，也即s1(t)为经分解得到的第一数据分量(也可以称为第一个IMF分量)，它包含风速历史数据的最短周期分量。
S125：通过r1(t)＝x(t)-s1(t)得到风速历史数据的第一剩余分量r1(t)，判断第一剩余分量r1(t)是否满足终止条件，如果是，则分解结束；否则，将风速历史数据更新为r1(t)，并返回S121，并重复S121至S125以得到与风速历史数据对应的各个数据分量。
需要说明的是，得到第一数据分量后原来的风速历史数据中剩余的第一剩余分量为r1(t)＝x(t)-s1(t)，将第一剩余分量r1(t)作为新的风速历史数据，并重复上述S121至S125从而可以得到其它的各个数据分量，也即得到多个数据风量和一个剩余分量(例如多个IMF分量和1个剩余分量)，并且当对应的剩余分量达到终止条件时，分解完成。如第二数据分量为s2(t)，第三数据分量为s3(t)等，满足终止条件的剩余量为rN(t)，则具体可以表示如下：
经过经验模态分解法分解后，原来的风速历史数据被分为N个数据分量(IMF分量)s1(t)至s3(t)以及一个剩余分量rN(t)，其中，终止条件可以为rN(t)≤δ(t)，δ(t)为限定值。
S13：将各个数据分量输入至预先建立的BP神经网络优化模型中进行预测，得到与各个数据分量一一对应的各个预测子结果；
S14：将各个预测子结果进行叠加，得到风速预测结果；
预先通过粒子群引力搜索混合算法建立BP神经网络优化模型，并采用BP神经网络优化模型对各个数据分量进行预测，预测后得到与每个数据分量分别对应的各个预测子结果，将每个预测子结果进行叠加，就可以得到最终的预测结果。
其中，请参照图2，图2为本发明实施例提供的一种BP神经网络优化模型的建立过程的流程示意图，其具体过程为：
S21：获取训练样本数据，并将所述训练样本数据输入至BP神经网络中；
具体的，采用的训练样本数据分为神经网络模型的输入数据和期望输出数据，输入数据为预测日(记为第n天)之前的第1天、第2天、第3天……、第n-3天、第n-2天的时间序列历史风速数据；BP神经网络的期望输出为第2天到第n-1天的时间序列风速数据。例如：模型的训练样本数据的第1输入数据为第1天的风速数据，第1个期望输出数据为第2天的风速数据；第2个输入数据为第2天的风速数据，第2个期望输出数据为第2天的风速数据，以此类推。
S22：采用粒子群引力搜索混合算法对BP神经网络的参数进行寻优处理，得到训练后的所述BP神经网络优化模型。
进一步的，采用训练样本数据及粒子群引力搜索混合算法对BP神经网络的参数进行寻优处理的过程，具体可以为：
S221：依据BP神经网络的参数随机初始化种群；
需要说明的是，可以根据训练样本数据确定BP神经网络的拓扑结构和各层的节点数，设BP神经网络的输入层节点为n，隐含层节点为l，输出层节点为c，并确定种群规模M，粒子的维度为n*l+l*c+l+c，根据粒子群的维度可以确定待优化的参数，待优化的参数可以为BP神经网络的输入权值、隐含层阀值和输出层权值、输出层阀值，并且可以预先设置最大迭代次数maxgen，例如为10000次等。
依据待优化的参数随机初始化种群，产生初始种群X＝[X1,X2,...,XM]T，其中，包括M个初始粒子X1至XM。
S222：采用训练样本数据及适应度值计算关系式计算出初始种群中各个初始粒子的适应度值，其中：
适应度值计算关系式为其中，fiti为第i个初始粒子的适应度值，为预测值，P为真实值，N为训练样本数据中输出预测值的总数，i＝1,2,…,M，M为初始粒子总数；
S223：对初始种群中的各个初始粒子的位置和速度进行更新，得到当前种群，并计算出当前种群中各个当前粒子的适应度值；
具体的，可以通过以下计算关系式对种群中的各个粒子的位置和速度进行更新，并计算更新后的当前种群中的各个当前粒子的适应度值，具体如下：
式中：分别表示第i个粒子在第t次迭代时在d维的原始位置、原始速度、加速度、所受合力的大小、惯性质量、更新的速度、更新的位置，通过调节c1、c2的值平衡粒子间的引力与全局信息之间的交流，在本发明实施例中选取c1＝0.5、c2＝1.5。
其中，合力的计算公式如下：
其中，式中：N为粒子总数；表示粒子j对粒子i的引力；randj为[0,1]的随机数；Rij(t)为粒子i与粒子j的欧式距离；ε是一个值很小的常量；
G(t)为引力常量；t为迭代次数；maxgent为最大迭代次数。
粒子的惯性质量可由下式求出：
式中：fiti(t)表示第i个粒子在第t次迭代的适应度，
S224：若当前种群中的第i个当前粒子的适应度值小于初始种群中的第i个初始粒子的适应度值，则将第i个当前粒子作为新种群中的第i个粒子；若当前种群中的第i个当前粒子的适应度值大于初始种群中的第i个初始粒子的适应度值，则将第i个初始粒子作为新种群中的第i个粒子，以得到新种群；
具体的，将种群中各个更新前的父代粒子的适应度值与各个相应的、更新后的子代粒子的适应度值进行比较，依据上述方法得到新的种群。
S225：判断当前迭代次数是否达到最大迭代次数，如果是，则从新种群中找到适应度值最优的粒子作为全局最优粒子进行输出，并依据全局最优粒子得到最优参数；否则，继续下次迭代，直至达到最大迭代次数。
需要说明的是，在得到新的种群后，判断当前的迭代次数是否达到最大迭代次数，如果没有，则迭代次数加1(t＝t+1)，并对当前种群中的各个当前粒子的位置和速度进行更新，以得的新的种群，直至迭代次数达到最大迭代次数(即t＞max gen)。当迭代次数达到最大迭代次数后，从最后得到的新种群中获取适应度值最优的粒子作为全局最优粒子gbest，从而得到与最优粒子gbest对应的、BP神经网络的最优参数(例如最优权值和最优阀值)。
可选的，风速历史数据的时间分辨率为1小时。
需要说明的是，本发明实施例中的风速历史数据的时间分辨率不仅限于为1小时，时间分辨率也可以为其他的具体数值，例如0.5小时，本申请对此不做具体限定。
可选的，如上述的短期风速预测方法，参数为BP神经网络的权值和阀值。
当然，也可以对BP神经网络的其他参数进行优化，具体对哪些参数进行优化，本申请对此不做特殊的限定，能实现本发明实施例的目的即可。
本发明实施例提提供了一种短期风速预测方法，包括获取经预处理后的风速历史数据；采用经验模态分解法对风速历史数据进行分解处理，得到多个数据分量；将各个数据分量输入至预先建立的BP神经网络优化模型中进行预测，得到与各个数据分量一一对应的各个预测子结果；将各个预测子结果进行叠加，得到风速预测结果；其中，BP神经网络优化模型的建立过程为获取训练样本数据，并将所述训练样本数据输入至BP神经网络中；采用粒子群引力搜索混合算法对BP神经网络的参数进行寻优处理，得到训练后的BP神经网络优化模型。
本发明实施例通过经验模态分解法将风速历史数据分解为多个数据分量，降低了自然风波动性对预测精度的影响，并且采用经过粒子群引力搜索混合算法优化后的BP神经网络优化模型对各个数据分量进行预测，提高了BP神经网络的学习能力和泛化能力，加强了模型局部搜索能力，提高了全局收敛精度，使风速预测结果更加精确。
相应的本发明实施例还公开了一种短期风速预测装置，具体请参照图2，图2为本发明实施例提供的一种短期风速预测装置的结构示意图。在上述实施例的基础上：
该装置包括：
获取模块11，用于获取经预处理后的风速历史数据；
分解模块12，用于采用经验模态分解法对风速历史数据进行分解处理，得到多个数据分量；
预测模块13，用于将各个数据分量输入至预先建立的BP神经网络优化模型中进行预测，得到与各个数据分量一一对应的各个预测子结果；
叠加模块14，用于将各个预测子结果进行叠加，得到风速预测结果；
其中，BP神经网络优化模型包括以下模块，具体请参照图4：
获取模块21，用于获取训练样本数据，并将所述训练样本数据输入至BP神经网络中；
优化模块22，用于采用粒子群引力搜索混合算法对BP神经网络的参数进行寻优处理，得到训练后的BP神经网络优化模型。
可选的，分解模块包括：
识别单元，用于识别风速历史数据中的所有极大值点和所有极小值点，风速历史数据为x(t)；
包络线拟合单元，用于分别对各个极大值点和各个极小值点进行包络线拟合得到上包络线dup(t)和下包络线dlow(t)；
平均值计算单元，用于依据上包络线和下包络线得到包络线平均值d1(t)；
第一判断单元，用于通过l1(t)＝x(t)-d1(t)得到l1(t)，判断l1(t)是否满足预设条件，如果是，则将l1(t)作为第一数据分量s1(t)，并触发第二判断单元；否则，将风速历史数据x(t)更新为l1(t)，并触发识别单元；
第二判断单元，用于通过r1(t)＝x(t)-s1(t)得到风速历史数据的第一剩余分量r1(t)，判断第一剩余分量r1(t)是否满足终止条件，如果是，则分解结束；否则，将风速历史数据更新为r1(t)，并触发识别单元，以得到与风速历史数据对应的各个数据分量。
可选的，优化模块22包括：
初始化单元，用于依据BP神经网络的参数随机初始化种群；
第一计算单元，用于采用训练样本数据及适应度值计算关系式计算出初始种群中各个初始粒子的适应度值，其中：
适应度值计算关系式为其中，fiti为第i个初始粒子的适应度值，为预测值，P为真实值，N为训练样本数据中输出预测值的总数，i＝1,2,…,M，M为初始粒子总数；
更新单元，用于对初始种群中的各个初始粒子的位置和速度进行更新，得到当前种群；
第二计算单元，用于计算出当前种群中各个当前粒子的适应度值；
寻优单元，用于在当前种群中的第i个当前粒子的适应度值小于初始种群中的第i个初始粒子的适应度值，则将第i个当前粒子作为新种群中的第i个粒子；在当前种群中的第i个当前粒子的适应度值大于初始种群中的第i个初始粒子的适应度值，则将第i个初始粒子作为新种群中的第i个粒子，以得到新种群；
第三判断单元，用于判断当前迭代次数是否达到最大迭代次数，如果是，则从新种群中找到适应度值最优的粒子作为全局最优粒子进行输出，并依据全局最优粒子得到最优参数；否则，继续下次迭代，直至达到最大迭代次数。
需要说明的是，本发明实施例通过经验模态分解法将风速历史数据分解为多个数据分量，降低了自然风波动性对预测精度的影响，并且采用经过粒子群引力搜索混合算法优化后的BP神经网络优化模型对各个数据分量进行预测，提高了BP神经网络的学习能力和泛化能力，加强了模型局部搜索能力，提高了全局收敛精度，使风速预测结果更加精确。
另外，对于本发明实施例中所涉及到的短期风速预测方法的具体介绍，请参照上述实施例，本申请对此不再赘述。
本发明实施例还提供了一种短期风速预测系统，包括如上述的短期风速预测装置。
具体的，本发明实施例通过经验模态分解法将风速历史数据分解为多个数据分量，降低了自然风波动性对预测精度的影响，并且采用经过粒子群引力搜索混合算法优化后的BP神经网络优化模型对各个数据分量进行预测，提高了BP神经网络的学习能力和泛化能力，加强了模型局部搜索能力，提高了全局收敛精度，使风速预测结果更加精确。另外，对于本发明实施例中所涉及到的短期风速预测方法的具体介绍，请参照上述实施例，本申请对此不再赘述。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
还需要说明的是，在本说明书中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其他形式的存储介质中。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其他实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (9)
1.一种短期风速预测方法，其特征在于，包括：
S11：获取经预处理后的风速历史数据；
S12：采用经验模态分解法对所述风速历史数据进行分解处理，得到多个数据分量；
S13：将各个所述数据分量输入至预先建立的BP神经网络优化模型中进行预测，得到与各个所述数据分量一一对应的各个预测子结果；
S14：将各个所述预测子结果进行叠加，得到风速预测结果；
其中，所述BP神经网络优化模型的建立过程为：
S21：获取训练样本数据，并将所述训练样本数据输入至BP神经网络中；S22：采用粒子群引力搜索混合算法对BP神经网络的参数进行寻优处理，得到训练后的所述BP神经网络优化模型。
2.根据权利要求1所述的短期风速预测方法，其特征在于，所述采用经验模态分解法对所述风速历史数据进行分解处理，得到多个数据分量的过程为：
S121：识别风速历史数据中的所有极大值点和所有极小值点，所述风速历史数据为x(t)；
S122：分别对各个所述极大值点和各个所述极小值点进行包络线拟合得到上包络线dup(t)和下包络线dlow(t)；
S123：依据所述上包络线和所述下包络线得到包络线平均值d1(t)；
S124：通过l1(t)＝x(t)-d1(t)得到l1(t)，判断所述l1(t)是否满足预设条件，如果是，则将所述l1(t)作为第一数据分量s1(t)，并进入S125；否则，将所述风速历史数据x(t)更新为所述l1(t)，并返回S121；
S125：通过r1(t)＝x(t)-s1(t)得到风速历史数据的第一剩余分量r1(t)，判断所述第一剩余分量r1(t)是否满足终止条件，如果是，则分解结束；否则，将所述风速历史数据更新为r1(t)，并返回S121，并重复S121至S125以得到与所述风速历史数据对应的各个数据分量。
3.根据权利要求1所述的短期风速预测方法，其特征在于，所述采用训练样本数据及粒子群引力搜索混合算法对BP神经网络的参数进行寻优处理的过程为：
S221：依据BP神经网络的参数随机初始化种群；
S222：采用训练样本数据及适应度值计算关系式计算出所述初始种群中各个初始粒子的适应度值，其中：
所述适应度值计算关系式为其中，fiti为第i个初始粒子的适应度值，为预测值，P为真实值，N为所述训练样本数据中输出预测值的总数，i＝1,2,…,M，M为初始粒子总数；
S223：对所述初始种群中的各个所述初始粒子的位置和速度进行更新，得到当前种群，并计算出所述当前种群中各个当前粒子的适应度值；
S224：若当前种群中的第i个当前粒子的适应度值小于所述初始种群中的第i个初始粒子的适应度值，则将第i个当前粒子作为新种群中的第i个粒子；若当前种群中的第i个当前粒子的适应度值大于所述初始种群中的第i个初始粒子的适应度值，则将第i个初始粒子作为新种群中的第i个粒子，以得到新种群；
S225：判断当前迭代次数是否达到最大迭代次数，如果是，则从所述新种群中找到适应度值最优的粒子作为全局最优粒子进行输出，并依据所述全局最优粒子得到最优参数；否则，继续下次迭代，直至达到最大迭代次数。
4.根据权利要求1所述的短期风速预测方法，其特征在于，所述风速历史数据的时间分辨率为1小时。
5.根据权利要求1-4任意一项所述的短期风速预测方法，其特征在于，所述参数为BP神经网络的权值和阀值。
6.一种短期风速预测装置，其特征在于，包括：
获取模块，用于获取经预处理后的风速历史数据；
分解模块，用于采用经验模态分解法对所述风速历史数据进行分解处理，得到多个数据分量；
预测模块，用于将各个所述数据分量输入至预先建立的BP神经网络优化模型中进行预测，得到与各个所述数据分量一一对应的各个预测子结果；
叠加模块，用于将各个所述预测子结果进行叠加，得到风速预测结果；
其中，所述BP神经网络优化模型包括：
获取模块，用于获取训练样本数据，并将所述训练样本数据输入至BP神经网络中；
优化模块，用于采用粒子群引力搜索混合算法对BP神经网络的参数进行寻优处理，得到训练后的所述BP神经网络优化模型。
7.根据权利要求6所述的短期风速预测装置，其特征在于，所述分解模块包括：
识别单元，用于识别风速历史数据中的所有极大值点和所有极小值点，所述风速历史数据为x(t)；
包络线拟合单元，用于分别对各个所述极大值点和各个所述极小值点进行包络线拟合得到上包络线dup(t)和下包络线dlow(t)；
平均值计算单元，用于依据所述上包络线和所述下包络线得到包络线平均值d1(t)；
第一判断单元，用于通过l1(t)＝x(t)-d1(t)得到l1(t)，判断所述l1(t)是否满足预设条件，如果是，则将所述l1(t)作为第一数据分量s1(t)，并触发第二判断单元；否则，将所述风速历史数据x(t)更新为所述l1(t)，并触发所述识别单元；
所述第二判断单元，用于通过r1(t)＝x(t)-s1(t)得到风速历史数据的第一剩余分量r1(t)，判断所述第一剩余分量r1(t)是否满足终止条件，如果是，则分解结束；否则，将所述风速历史数据更新为r1(t)，并触发所述识别单元，以得到与所述风速历史数据对应的各个数据分量。
8.根据权利要求7所述的短期风速预测装置，其特征在于，所述优化模块包括：
初始化单元，用于依据BP神经网络的参数随机初始化种群；
第一计算单元，用于采用训练样本数据及适应度值计算关系式计算出所述初始种群中各个初始粒子的适应度值，其中：
所述适应度值计算关系式为其中，fiti为第i个初始粒子的适应度值，为预测值，P为真实值，N为所述训练样本数据中输出预测值的总数，i＝1,2,…,M，M为初始粒子总数；
更新单元，用于对所述初始种群中的各个所述初始粒子的位置和速度进行更新，得到当前种群；
第二计算单元，用于计算出所述当前种群中各个当前粒子的适应度值；
寻优单元，用于在当前种群中的第i个当前粒子的适应度值小于所述初始种群中的第i个初始粒子的适应度值，则将第i个当前粒子作为新种群中的第i个粒子；在当前种群中的第i个当前粒子的适应度值大于所述初始种群中的第i个初始粒子的适应度值，则将第i个初始粒子作为新种群中的第i个粒子，以得到新种群；
第三判断单元，用于判断当前迭代次数是否达到最大迭代次数，如果是，则从所述新种群中找到适应度值最优的粒子作为全局最优粒子进行输出，并依据所述全局最优粒子得到最优参数；否则，继续下次迭代，直至达到最大迭代次数。
9.一种短期风速预测系统，其特征在于，包括如上述6-8任意一项所述的短期风速预测装置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710741544.7A CN107392397A (zh) | 2017-08-25 | 2017-08-25 | 一种短期风速预测方法、装置及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710741544.7A CN107392397A (zh) | 2017-08-25 | 2017-08-25 | 一种短期风速预测方法、装置及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107392397A true CN107392397A (zh) | 2017-11-24 |
Family
ID=60345216
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710741544.7A Pending CN107392397A (zh) | 2017-08-25 | 2017-08-25 | 一种短期风速预测方法、装置及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107392397A (zh) |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108537372A (zh) * | 2018-03-27 | 2018-09-14 | 中南大学 | 一种风向预测方法及风力发电机组的偏航控制方法 |
| CN108537327A (zh) * | 2018-03-28 | 2018-09-14 | 北京航空航天大学 | 一种基于时间序列bp神经网络预测方法及装置 |
| CN108960511A (zh) * | 2018-07-05 | 2018-12-07 | 广东工业大学 | 一种风速预测方法及相关装置 |
| CN109063915A (zh) * | 2018-08-10 | 2018-12-21 | 广东工业大学 | 短期风速预测方法、装置、设备、系统及存储介质 |
| CN109118000A (zh) * | 2018-08-07 | 2019-01-01 | 广东工业大学 | 一种基于ceemd-vmd-ga-orelm模型的短期风速预测方法 |
| CN109146131A (zh) * | 2018-07-11 | 2019-01-04 | 国网河北省电力有限公司 | 一种日前风力发电预测方法 |
| CN109633442A (zh) * | 2018-12-27 | 2019-04-16 | 新疆金风科技股份有限公司 | 发电机转速波动的检测方法、装置、设备及存储介质 |
| CN109840613A (zh) * | 2018-10-25 | 2019-06-04 | 浙江理工大学 | 一种融合编码解码和线性回归的短期风速预测方法 |
| CN109977436A (zh) * | 2017-12-27 | 2019-07-05 | 北京金风科创风电设备有限公司 | 湍流强度估算方法及装置 |
| CN109583588B (zh) * | 2018-12-17 | 2021-09-10 | 华北电力大学（保定） | 一种短期风速预测方法及系统 |
| CN113719429A (zh) * | 2021-09-01 | 2021-11-30 | 中国船舶重工集团海装风电股份有限公司 | 一种风电机组转速振荡状态识别方法、装置及存储介质 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103164742A (zh) * | 2013-04-02 | 2013-06-19 | 南京邮电大学 | 一种基于粒子群优化神经网络的服务器性能预测方法 |
| CN105678422A (zh) * | 2016-01-11 | 2016-06-15 | 广东工业大学 | 基于经验模态神经网络的混沌时间序列预测方法 |
| CN106875041A (zh) * | 2017-01-16 | 2017-06-20 | 广东电网有限责任公司揭阳供电局 | 一种短期风速预测方法 |
-
2017
- 2017-08-25 CN CN201710741544.7A patent/CN107392397A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103164742A (zh) * | 2013-04-02 | 2013-06-19 | 南京邮电大学 | 一种基于粒子群优化神经网络的服务器性能预测方法 |
| CN105678422A (zh) * | 2016-01-11 | 2016-06-15 | 广东工业大学 | 基于经验模态神经网络的混沌时间序列预测方法 |
| CN106875041A (zh) * | 2017-01-16 | 2017-06-20 | 广东电网有限责任公司揭阳供电局 | 一种短期风速预测方法 |
Non-Patent Citations (2)
| Title |
|---|
| SEYEDALI MIRJALILI 等: "Training feedforward neural networks using hybrid particle swarm optimization and gravitational search algorithm", 《APPLIED MATHEMATICS AND COMPUTATION》 * |
| 聂品磊 等: "基于EMD-BP神经网络的短期电力负荷预测", 《化工自动化及仪表》 * |
Cited By (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109977436B (zh) * | 2017-12-27 | 2023-05-02 | 北京金风科创风电设备有限公司 | 湍流强度估算方法及装置 |
| CN109977436A (zh) * | 2017-12-27 | 2019-07-05 | 北京金风科创风电设备有限公司 | 湍流强度估算方法及装置 |
| CN108537372B (zh) * | 2018-03-27 | 2020-06-26 | 中南大学 | 一种风向预测方法及风力发电机组的偏航控制方法 |
| CN108537372A (zh) * | 2018-03-27 | 2018-09-14 | 中南大学 | 一种风向预测方法及风力发电机组的偏航控制方法 |
| CN108537327A (zh) * | 2018-03-28 | 2018-09-14 | 北京航空航天大学 | 一种基于时间序列bp神经网络预测方法及装置 |
| CN108960511A (zh) * | 2018-07-05 | 2018-12-07 | 广东工业大学 | 一种风速预测方法及相关装置 |
| CN108960511B (zh) * | 2018-07-05 | 2022-07-12 | 广东工业大学 | 一种风速预测方法及相关装置 |
| CN109146131A (zh) * | 2018-07-11 | 2019-01-04 | 国网河北省电力有限公司 | 一种日前风力发电预测方法 |
| CN109118000A (zh) * | 2018-08-07 | 2019-01-01 | 广东工业大学 | 一种基于ceemd-vmd-ga-orelm模型的短期风速预测方法 |
| CN109063915A (zh) * | 2018-08-10 | 2018-12-21 | 广东工业大学 | 短期风速预测方法、装置、设备、系统及存储介质 |
| CN109840613B (zh) * | 2018-10-25 | 2021-02-23 | 浙江理工大学 | 一种融合编码解码和线性回归的短期风速预测方法 |
| CN109840613A (zh) * | 2018-10-25 | 2019-06-04 | 浙江理工大学 | 一种融合编码解码和线性回归的短期风速预测方法 |
| CN109583588B (zh) * | 2018-12-17 | 2021-09-10 | 华北电力大学（保定） | 一种短期风速预测方法及系统 |
| CN109633442A (zh) * | 2018-12-27 | 2019-04-16 | 新疆金风科技股份有限公司 | 发电机转速波动的检测方法、装置、设备及存储介质 |
| CN113719429A (zh) * | 2021-09-01 | 2021-11-30 | 中国船舶重工集团海装风电股份有限公司 | 一种风电机组转速振荡状态识别方法、装置及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107392397A (zh) | 一种短期风速预测方法、装置及系统 | |
| CN107516150A (zh) | 一种短期风电功率的预测方法、装置及系统 | |
| CN103226741B (zh) | 城市供水管网爆管预测方法 | |
| CN105868853B (zh) | 一种短期风电功率组合概率预测方法 | |
| CN108985521A (zh) | 光伏发电系统的输出功率预测方法、装置、设备及介质 | |
| CN109902874A (zh) | 一种基于深度学习的微电网光伏发电短期预测方法 | |
| CN104778508B (zh) | 一种基于多源数据融合的公共自行车租借预测方法 | |
| CN109754113A (zh) | 基于动态时间规整与长短时间记忆的负荷预测方法 | |
| CN111651722B (zh) | 一种针对广告主广告投放效果的风险评估方法及平台 | |
| CN105354646B (zh) | 一种混合粒子群优化与极限学习机的电力负荷预测方法 | |
| CN108280551A (zh) | 一种利用长短期记忆网络的光伏发电功率预测方法 | |
| CN105096614B (zh) | 基于生成型深信度网络的新建路口交通流量预测方法 | |
| CN104978611A (zh) | 一种基于灰色关联分析的神经网络光伏发电出力预测方法 | |
| CN105913151A (zh) | 基于自适应变异粒子群与bp网络光伏电站发电量预测方法 | |
| CN108280545A (zh) | 一种基于k均值聚类神经网络的光伏功率预测方法 | |
| Zhou et al. | A combined forecasting system based on modified multi-objective optimization and sub-model selection strategy for short-term wind speed | |
| CN107292462A (zh) | 一种短期负荷预测方法、装置及系统 | |
| CN104636985A (zh) | 一种改进bp神经网络的输电线路无线电干扰预测方法 | |
| CN106022614A (zh) | 一种基于最近邻聚类的神经网络数据挖掘方法 | |
| CN108549960A (zh) | 一种24小时电力负荷预测方法 | |
| CN106803135A (zh) | 一种光伏发电系统输出功率的预测方法及装置 | |
| CN109272139A (zh) | 一种基于非线性集成深度学习的短期风速预测方法 | |
| CN106651023A (zh) | 一种基于灰色关联度分析的改进型烟花算法的中长期负荷预测方法 | |
| CN107506861A (zh) | 一种短期风速预测方法、装置及系统 | |
| CN109242212A (zh) | 一种基于变模式分解与长短记忆网络的风电预测方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20171124 |