CN109934422A - 一种基于时间序列数据分析的神经网络风速预测方法 - Google Patents

Abstract

本发明公开了一种基于时间序列数据分析的神经网络风速预测方法，包括获取风电场的多组时间序列数据；分别建立所述气象数据的回归模型，记录回归后的气象属性数值；建立BP神经网络模型，采用差分操作和萤火虫混合算法对神经网络模型先进行分组训练，再进行全局训练；通过最新的历史气象数据，计算出回归后最新气象属性数值；将最新气象属性数值输入神经网络中，计算出预测风速值。本发明采用回归后的趋势数据代替某一日期的固定数据来对模型进行训练，利用差分算法和萤火虫算法对BP神经网络进行改进，采用分组训练和全局训练相结合的方法，让本发明较传统方法预测准确度更高。

Description

一种基于时间序列数据分析的神经网络风速预测方法

技术领域

本发明属于风电场风速预测领域，具体涉及一种基于时间序列数据分析的神经网络风速预测方法。

背景技术

风力发电是当今社会利用可再生能源最为重要的方式之一。然而风力发电的过程中，风能受自然因素的影响较为复杂，具有非常强烈的随机波动性，由此输出的风电能量也具有很强的波动性，在利用风电的过程中，需要解决两个问题，其一是风电能源调度问题，风电功率的峰谷差值较大，需要提前规划好峰谷之间的能量调节，其二是输电网的稳定问题，风电功率大幅度的变化，必然引起电网的较大扰动，也必须提前设计好电网的承载和稳定能力。若需较好的解决这两个问题，则需以提前对风电的输出功率进行预测，由于风电功率很大程度上取决于风电场的风速大小，所以问题就聚焦于风电场的风速预测。

国内外很多学者对风电场风速的预测问题提出了很多方法，比如卡尔曼滤波法、小波分析法、神经网络方法或者分解法等，一定程度上提高了风力预测的准确度，各种方法的使用都必须以实际数据为基础，详细分析数据的特征，相关关系，才能更好的改进各种预测方法或预测方法的组合，达到更好的预测准确度，由此，本发明提出了一种基于时间序列数据分析的神经网络风速预测方法，充分分析历史的时间序列数据特征，利用这些特征对神经网络模型中的训练进行指导，在训练过程中也综合利用差分操作、萤火虫算法等现代优化算法去改善神经网络学习进化的能力，使得本发明提出的方法预测的准确度更高。

发明内容

本发明的目的在于提供一种预测准确度高的基于时间序列数据分析的神经网络风速预测方法。

本发明的目的是这样实现的，一种基于时间序列数据分析的神经网络风速预测方法，包括以下步骤：

步骤1，获取风电场的多组时间序列数据，每组时间序列数据包括气象属性和时间属性，所述的气象属性包括风速、风向、温度、湿度、气压、风速差值、风速标准差和风向标准差，所述的时间属性包括日期；

步骤2，针对每一个气象属性分别建立自回归模型，利用历史的气象属性数据计算回归后的气象属性数值；

步骤3，建立BP神经网络模型，使用历史日期回归后的气象数据和观测到的风速对所述的BP神经网络进行学习训练；

步骤4，通过最新的历史气象数据，计算出回归后最新气象属性数值；

步骤5，将最新气象属性数值输入神经网络中，计算出预测风速值。

步骤3中所述的对BP神经网络进行学习训练，包括：

步骤301，将所述的BP神经网络中隐含层的神经元按序分为两组，将每一组隐含层神经元相关的待优化参数分为一组；

步骤302，进行分组训练，包括，

步骤30201，分别将每组待优化参数初始化为随机值，剩余的待优化参数设置为固定值，由此生成两个随机种群；

步骤30202，分别用萤火虫算法更新所述的两个种群；

步骤30203，分别对两个种群进行差分算子操作，包括选择、交叉和变异，分别更新所述的种群；

步骤30204，分别让两组训练达到预设的最大迭代次数或达到指定精度；

步骤303，进行全局训练，包括

步骤30301，分别选取两个种群中最优的一半个体，将所述的两个种群的最优的一半个体进行交叉操作，合并为一个种群；

步骤30302，用萤火虫算法更新所述的一个种群；

步骤30303，对所述的一个种群进行遗传算子操作，包括选择、交叉和变异，分别更新所述的种群；

步骤30304，让全局训练达到预设的最大迭代次数或达到指定精度；

步骤304，选择最优的个体，计算出各参数的优化值和输出层神经元的阈值的参数值。

分组训练是为了更快的获得各个组群内较优的参数粒子，在分组训练的基础上进行全局训练，使其能够更快的收敛到全局最优中。

步骤2中所述的回归模型采用自回归模型，表示为

X_t＝a₀+a₁X_t-1+a₂X_t-2+…+a_pX_t-p+ε_t

其中X_t为需要回归的变量t时刻数值，a＝{a₀,a₁,…,a_p}是模型的自回归系数，ε_t为随机干扰，p表示p阶自回归模型；所述自回归模型的建模过程包括如下步骤：

步骤201，对时间序列作白噪声检验，若经检验判定序列为白噪声，建模结束；否则转步骤2；

步骤202，对时间序列作平稳性检验，若经检验判定为非平稳，则进行序列的平稳化处理，转步骤201；否则转步骤203；

步骤203，对模型进行识别，估计其参数，转步骤204；

步骤204，检验模型的适用性，若检验通过，则得到拟合模型并可对序列做预测；否则转步骤203。

步骤30202和30302中，所述的使用萤火虫算法更新种群包括，

步骤S1，将所述的种群映射为萤火虫群，种群中每一粒子对应一只萤火虫，初始化萤火虫算法中的相关参数；

步骤S2，计算每只萤火虫的光照强度；

步骤S3，根据每只萤火虫与邻居萤火虫光照强度的关系，更新萤火虫的位置；

步骤S4，计算更新后萤火虫的位置和光照强度；

步骤S5，获取全局最优的萤火虫和个体萤火虫最优的位置；

步骤所述的301中的每一个神经元相关的待优化参数包括，所述的该个隐含层神经元与所有输入层神经元连接的权值，所述的该个隐含层神经元的阈值和所述的该个隐含层神经元与所有输出层神经元连接的权值。

所述的BP神经网络的隐含层采用Sigmoid函数作为传递函数，输出层采用线性函数作为传递函数，所述的神经网络模型中隐含层神经元数目确定为12。

优选地，本发明中的步骤2中p为5，即进行五阶的自回归模型；步骤203中自回归模型的参数估计采用最小二乘估计。

本发明以风速相关的历史气象数据为研究对象，利用改进的BP神经网络模型进行预测，在使用历史气象数据中，并不是以某一历史数据为预测基础，而是以历史数据的趋势即回归值为预测基础，并且在BP神经网络对历史数据进行学习的过程中，充分利用了萤火虫算法和遗传算法中的优化思想，使得BP神经网络在参数学习的过程中，先分组训练，在全局训练，更容易快速的寻找到全局最优值，提高了预测的准确度。

附图说明

图1为本发明的整体流程示意图；

图2为本发明中自回归模型的建模流程示意图；

具体实施方式

下面结合附图对本发明作进一步的说明，但不以任何方式对本发明加以限制，基于本发明教导所作的任何变换或替换，均属于本发明的保护范围。

使用历史气象数据对未来风速进行预测，必须要对可能影响风速的因子进行分析，通过研究表明，待预测的风速至少与历史的风速、风向、温度、湿度、气压、风速差值、风速标准差和风向标准差这8种因素相关，但是对历史气象数据应该用一种动态的眼光看待，历史的数据是以日期为基础的时间序列数据，所以对待8种因素的气象属性数据，需要分析出一定的趋势，用这种趋势来对未来的风速进行预测，其准确性远远大于使用历史某一独立日期的气象属性数据，而且在分析趋势的过程中，时间比较近的数据参考意义大小时间比较远的数据，所以本发明考虑分别对这8个因素的历史数据进行时间序列分析，使用其现实趋势值来对未来的风速进行预测。

时间序列数据可以表示为[x_1t,x_2t,x_3t,x_4t,x_5t,x_6t,x_7t,x_8t,t]，其中t为日期属性，x_1t,x_2t,x_3t,x_4t,x_5t,x_6t,x_7t,x_8t分别表示上述八个气象属性在t日期的数值，本发明认为，八个气象属性之间横向关联较小，但是纵向与历史数据关联较大，所述的每个气象属性的数值与历史日期中该气象属性的数值关联较大，所以分别对八个气象属性进行时间序列的回归分析，预测下一个日期该属性最有可能的数值，计为[x'_1t,x'_2t,x'_3t,x'_4t,x'_5t,x'_6t,x'_7t,x'_8t]，表示八个气象属性在t日期的回归值。

BP神经网络是一种广泛应用的预测及分类模型，但是其天然学习速度慢，容易陷入局部极小值的缺陷。所以本发明采用差分进化和萤火虫算法的混合算法对其进行该井，差分算法是通过种群内部的竞争关系来向最优方向移动，然而萤火虫算法通过种群内部的协作来寻求最优解，两者的混合使其具有非常强的鲁棒性和高效的全局搜索能力。

本发明实施例一种基于时间序列数据分析的神经网络风速预测方法，如图1所示，包括：

包括步骤1，获取风电场的多组时间序列数据，每组时间序列数据包括气象属性和时间属性，所述的气象属性包括风速、风向、差值、温度、湿度、气压、风速标准差和风向标准差，所述的时间属性包括日期；

步骤2，针对每一个气象属性分别建立自回归模型，利用历史的气象属性数据计算回归后的气象属性数值；

步骤3，建立BP神经网络模型，使用历史日期回归后的气象数据和实际风速对所述的BP神经网络进行学习训练；

步骤4，通过最新的历史气象数据，计算出回归后最新气象属性数值；

步骤5，将最新气象属性数值输入神经网络中，计算出预测风速值。

步骤3中所述的对BP神经网络进行学习训练，包括：

步骤301，将所述的BP神经网络中隐含层的神经元按序分为两组，将每一组隐含层神经元相关的待优化参数分为一组；

步骤302，进行分组训练，包括，

步骤30201，分别将每组待优化参数初始化为随机值，剩余的待优化参数设置为固定值，由此生成两个随机种群；

步骤30202，分别用萤火虫算法更新所述的两个种群；

步骤30203，分别对两个种群进行差分算子操作，包括选择、交叉和变异，分别更新所述的种群；

步骤30204，分别让两组训练达到预设的最大迭代次数或达到指定精度；

步骤303，进行全局训练，包括

步骤30301，分别选取两个种群中最优的一半个体，将所述的两个种群的最优的一半个体进行交叉操作，合并为一个种群；

步骤30302，用萤火虫算法更新所述的一个种群；

步骤30303，对所述的一个种群进行遗传算子操作，包括选择、交叉和变异，分别更新所述的种群；

步骤30304，让全局训练达到预设的最大迭代次数或达到指定精度；

步骤304，选择最优的个体，计算出各参数的优化值和输出层神经元的阈值的参数值。

步骤所述的301中的所述待优化参数包括，所述的隐含层神经元与所有输入层神经元连接的权值，所述的隐含层神经元的阈值，所述的隐含层神经元与所有输出层神经元连接的权值，输出层的阈值。

步骤30202和30302中，所述的使用萤火虫算法更新种群包括，

步骤S1，将所述的种群映射为萤火虫群，种群中每一粒子对应一只萤火虫，初始化萤火虫算法中的相关参数；

步骤S2，计算每只萤火虫的光照强度；

步骤S3，根据每只萤火虫与邻居萤火虫光照强度的关系，更新萤火虫的位置；

步骤S4，计算更新后萤火虫的位置和光照强度；

步骤S5，获取全局最优的萤火虫和个体萤火虫最优的位置；

所述的BP神经网络的隐含层采用Sigmoid函数作为传递函数，输出层则采用线性函数作为传递函数；所述的固定值设置为0.5；

步骤1中所述的历史气象数据是经过归一化处理后的数据，所述的归一化处理是将历史气象数据转换为[0,1]之间，如公式所示

x_ij代表第i个特征维度的第j个时刻的原始数据，表示第i个特征维度中数据的最大值，为第i个特征维度中数据的最小值，x'_ij为归一化后的数据，M为样本数量；

步骤2中所述的回归模型采用自回归模型；

本发明中的p阶自回归模型表示为：

X_t＝a₀+a₁X_t-1+a₂X_t-2+…+a_pX_t-p+ε_t

其中a＝{a₀,a₁,…,a_p}是模型的自回归系数，ε_t为随机干扰，大多数情况下为白噪声，服从N(0,δ²)。

本发明中的X_t是一个八维向量的时间序列数据，所述的时间序列数据为一个平稳序列，其建模过程如图2中的流程图表示。

步骤201，对时间序列作白噪声检验，若经检验判定序列为白噪声，建模结束；否则转步骤2；

步骤202，对时间序列作平稳性检验，若经检验判定为非平稳，则进行序列的平稳化处理，转步骤201；否则转步骤203；

步骤203，对模型进行识别，估计其参数，转步骤204；

步骤204，检验模型的适用性，若检验通过，则得到拟合模型并可对序列做预测；否则转步骤203；

对于观测到的时间序列，若通过白噪声检验确定为非白噪声，且经平稳性检验确定为平稳后，常根据相关系数和偏相关系数来识别模型。这一部分的主要任务是，判断该问题是否适用自回归模型建模，以及大致确定阶数p。本发明中取p为5，使得时间复杂度不会过高，且基本能获得较为理想的回归值。

本发明中对自回归模型的参数估计主可以采用三种方法：矩估计、最小二乘估计和最大似然估计，本发明中采用最小二乘估计。

对于样本序列{x_t}，记白噪声ε_j的估计为

ε_j被称为残差，本发明方法的参数估计的目标是使得残差平方和最小，特别的，对于a₀≠0的情况，可以通过零均值化的手段，将其进行转化，由此，残差平方和为

N表示时间序列长度，使残差平方和达到最小的为自回归模型中a₁,a₂,…a_p的估计。记

可以得到如下方程：Y＝Xa+ε。于是可以得到：

S(a)＝(Y-Xa)^T(Y-Xa)＝Y^TY-2Y^TXa+a^TX^TXa

对S(a)求导并将其等于0，则可以得到：

此时，误差的方差为

本发明中的BP神经网络包括三层结构，一层输入层、一层隐含层和一层输出层，虽然隐含层理论上可以为多层，但是当总层数多于三层时，BP神经网络的训练会陷入局部极小点的可能性增大，而且容易进行过度学习。BP神经网络中层与层之间是全连接，每个层内部的神经元之间没有连接。由此，本发明以隐含层的神经元作为分组标准，按序将隐含层神经元分为两组，进而将待优化参数分为两组。通过这个分组方法，将两组之间的关联降到最低，有利于实现参数的分组训练，在分组训练之后，通过优化个体的交叉操作，将两个种群交叉为一个新的种群，该种群继承了分组训练后优化个体的优秀基因，然后再进行全局训练，更易于获得全局最优解。

为了更好的展示本发明带来的有益效果，本发明提供一个实验算例进行测试。本算例的数据原来于中国气象网，一共有1000组数据，通过时间序列的压缩，将其进行按照每个五组数据进行一次截断，所以共有200组数据，其中190组用于训练，10组用于测试。输入数据为8维，输出数据为1维。当模型隐含层神经元数目确定为12时，该神经网络对于本实验的数据训练集具有最好的性能。

从表中可以看出，本发明方法的预测误差明显优于未进行数据回归而直接使用历史值进行预测的方法。由上述实验可知，本发明提出的预测方法，从三个方面对神经网络预测模型进行了改进，第一，采用回自回归后的趋势数据代替某一日期的固定数据来对模型进行训练，充分利用了历史数据中的相关信息，第二，利用差分算法和萤火虫算法对BP神经网络进行改进，使得算法更具有鲁棒性，更容易获得全局最优值，第三，采用分组训练和全局训练相结合，使其找到全局最优的时间更短，由此，故本发明较传统方法计算复杂度相对更低，且预测准确度更高。

Claims (8)

1.一种基于时间序列数据分析的神经网络风速预测方法，其特征在于，包括以下步骤：

步骤1，获取风电场的多组时间序列数据，每组时间序列数据包括气象属性和时间属性，所述的气象属性包括风速、风向、温度、湿度、气压、风速差值、风速标准差和风向标准差，所述的时间属性包括日期；

步骤2，针对每一个气象属性分别建立自回归模型，利用历史的气象属性数据计算回归后的气象属性数值；

步骤3，建立BP神经网络模型，使用历史日期回归后的气象数据和风速对所述的BP神经网络进行学习训练；

步骤4，通过最新的历史气象数据，计算出回归后最新气象属性数值；

步骤5，将最新气象属性数值输入神经网络中，计算出预测风速值。

2.根据权利要求1所述的神经网络风速预测方法，其特征在于，步骤3中所述的对BP神经网络进行学习训练，包括：

步骤301，将所述的BP神经网络中隐含层的神经元按序分为两组，将每一组隐含层神经元相关的待优化参数分为一组；

步骤302，进行分组训练，包括，

步骤30201，分别将每组待优化参数初始化为随机值，剩余的待优化参数设置为固定值，由此生成两个随机种群；

步骤30202，分别用萤火虫算法更新所述的两个种群；

步骤30203，分别对两个种群进行差分算子操作，包括选择、交叉和变异，分别更新所述的种群；

步骤30204，分别让两组训练达到预设的最大迭代次数或达到指定精度；

步骤303，进行全局训练，包括

步骤30301，分别选取两个种群中最优的一半个体，将所述的两个种群的最优的一半个体进行交叉操作，合并为一个种群；

步骤30302，用萤火虫算法更新所述的一个种群；

步骤30303，对所述的一个种群进行遗传算子操作，包括选择、交叉和变异，分别更新所述的种群；

步骤30304，让全局训练达到预设的最大迭代次数或达到指定精度；

步骤304，选择最优的个体，计算出各参数的优化值和输出层神经元的阈值的参数值。

3.根据权利要求2所述的神经网络风速预测方法，其特征在于，步骤2中所述的自回归模型，表示为

X_t＝a₀+a₁X_t-1+a₂X_t-2+…+a_pX_t-p+ε_t

其中X_t为需要回归的变量t时刻数值，a＝{a₀,a₁,…,a_p}是模型的自回归系数，ε_t为随机干扰，p表示p阶自回归模型；所述自回归模型的建模过程包括如下步骤：

步骤201，对时间序列作白噪声检验，若经检验判定序列为白噪声，建模结束，否则转步骤2；

步骤202，对时间序列作平稳性检验，若经检验判定为非平稳，则进行序列的平稳化处理，转步骤201，否则转步骤203；

步骤203，对模型进行识别，估计其参数，转步骤204；

步骤204，检验模型的适用性，若检验通过，则得到拟合模型并可对序列做预测；否则转步骤203。

4.根据权利要求3所述的神经网络风速预测方法，其特征在于，步骤30202和30302中，所述的使用萤火虫算法更新种群包括，

步骤S1，将所述的种群映射为萤火虫群，种群中每一粒子对应一只萤火虫，初始化萤火虫算法中的相关参数；

步骤S2，计算每只萤火虫的光照强度；

步骤S3，根据每只萤火虫与邻居萤火虫光照强度的关系，更新萤火虫的位置；

步骤S4，计算更新后萤火虫的位置和光照强度；

步骤S5，获取全局最优的萤火虫和个体萤火虫最优的位置。

5.根据权利要求4所述的神经网络风速预测方法，其特征在于，步骤所述的301中的每一个神经元相关的待优化参数包括，所述的该个隐含层神经元与所有输入层神经元连接的权值，所述的该个隐含层神经元的阈值和所述的该个隐含层神经元与所有输出层神经元连接的权值。

6.根据权利要求5所述的神经网络风速预测方法，其特征在于，所述的BP神经网络的隐含层采用Sigmoid函数作为传递函数，输出层采用线性函数作为传递函数，所述的神经网络模型中隐含层神经元数目确定为12。

7.根据权利要求3或6所述的神经网络风速预测方法，其特征在于，步骤2中p为5。

8.根据权利要求7所述的神经网络风速预测方法，其特征在于，步骤203中自回归模型的参数估计采用最小二乘估计。