CN112749792B - 一种基于bp算法的风速预测方法 - Google Patents

一种基于bp算法的风速预测方法 Download PDF

Info

Publication number
CN112749792B
CN112749792B CN202110142012.8A CN202110142012A CN112749792B CN 112749792 B CN112749792 B CN 112749792B CN 202110142012 A CN202110142012 A CN 202110142012A CN 112749792 B CN112749792 B CN 112749792B
Authority
CN
China
Prior art keywords
wind speed
predicted value
neural network
data
data set
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
CN202110142012.8A
Other languages
English (en)
Other versions
CN112749792A (zh
Inventor
张佳
乐旭
周浩
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.)
Nanjing University of Information Science and Technology
Original Assignee
Nanjing University of Information Science and Technology
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 Nanjing University of Information Science and Technology filed Critical Nanjing University of Information Science and Technology
Priority to CN202110142012.8A priority Critical patent/CN112749792B/zh
Publication of CN112749792A publication Critical patent/CN112749792A/zh
Application granted granted Critical
Publication of CN112749792B publication Critical patent/CN112749792B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield 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
    • G06N3/084—Backpropagation, e.g. using gradient descent

Abstract

本发明涉及一种基于BP算法的风速预测方法，包括如下步骤：获取现有风速预测值数据；构建BP神经网络，取最近十天内的现有风速预测值数据作为数据集，将数据集的数据输入BP神经网络的输入层，得到第一组风速预测值；将第一组风速预测值中第一天的预测值添加到数据集中并一起输入BP神经网络的输入层，得到后一天的风速预测值，并重复迭代预测，得到第二组预测值；将第一组风速预测值中第一天的预测值替换数据集中第一天的数据，形成新的数据集，将新的数据集的数据输入BP神经网络的输入层，得到后一天的风速预测值，并不断循环更新数据集并预测，得到第三组预测值；分别对现有和上述三种预测值测评偏差，取效果最好的预测值作为最终风速预测值。

Description

一种基于BP算法的风速预测方法
技术领域
本发明涉及一种基于BP算法的风速预测方法，属于风速预测技术领域。
背景技术
风速，是指空气相对于地球某一固定地点的运动速率，风速是气候学研究的主要参数之一，大气中风的测量对于全球气候变化研究、航天事业以及多领域应用都具有重要作用和意义。在当前全球变暖的背景下，传统化石燃料带来的二氧化碳和污染排放问题日趋严重，亟需寻找清洁的替代能源，风能是一种清洁的可再生能源，将风能作为驱动力的风力发电技术有望成为未来清洁能源体系中的重要组员。本发明主要是运用BP算法，得出观测值与预测值的某种关系，通过模型更准确的预测未来风速。
准确预测风速带来的影响：从风速与风能之间的关系来说，由于风的不可控性，其发电情况取决于风速的状况，具有一定的波动性和间歇性。风力发电由于其在调整能源结构,减轻环境污染,促进可持续发展等方面的突出作用,被认为是21世纪最重要的绿色能源之一。近几年,风电场的建设规模在不断扩大,而风速预测对风电场和电力系统的运行都具有重要意义。准确的风速预测可以提高风电在电力市场中的竞争力,有利于电力系统调度部门及时调整调度计划,减少风电并网的附加成本,从而提高风资源的价值。更重要的是，预测风速为风电场运行提供决策支持，其中最典型的应用场景是风电机组实时控制和含风电场电网的调度，其应用过程都是根据预测值进行相应的计算和处理得到需要的信息，然后根据这些信息进一步做出决策。因此，准确的预测风速情况为未来各方面的研究具有重要意义。
目前，对风速预测的方法主要集中在持续性算法，ARIMA模型算法等。
持续性算法是最简单的一种预测方法，即把最近一点的观测值作为下一点的预测值，该方法只适用于短时间的风速预测，现在一般都以持续法为基准，计算模型的精确度。时间序列分析是后来出现的一种处理动态数据的方法，就是根据风速的历史数据记录，建立一个ARIMA数学模型，一方面用它来描述风速的变化过程的统计规律性，另一方面在该模型的基础上再确定风速预测的数学表达式，对未来的风速进行预报。但目前模式的模拟结果与实际情况仍有出入，需要进一步完善。
发明内容
本发明为了解决现有技术中存在的问题，提供一种预测精度高的基于BP算法的风速预测方法。
为了达到上述目的，本发明提出的技术方案为：一种基于BP算法的风速预测方法，包括如下步骤：
步骤一、获取现有风速预测值数据；
步骤二、构建BP神经网络，所述BP神经网络包括输入层、隐藏层和输出层；
步骤三、取最近一段时间内的现有风速预测值数据作为数据集，将数据集的数据输入BP神经网络的输入层，得到第一组风速预测值；
步骤四、将第一组风速预测值中第一天的预测值添加到数据集中并一起输入BP神经网络的输入层，得到后一天的风速预测值，并重复迭代预测，得到第二组预测值；
步骤五、将第一组风速预测值中第一天的预测值替换数据集中第一天的数据，形成新的数据集，将新的数据集的数据输入BP神经网络的输入层，得到后一天的风速预测值，并不断循环更新数据集并预测，得到第三组预测值；
步骤六、分别将现有预测值与步骤三、四、五得到的预测值与对应观测值之间的相关系数和均方根误差，分别测评每个模型前后预测值和观测值的偏差，取效果最好的预测值作为最终风速预测值。
对上述技术方案的进一步设计为：所述BP神经网络的隐藏层为5。
将现有风速预测值数据按80%和20%的比例划分训练集和测试集，并用训练集训练BP神经网络，训练次数为1000次。
所述步骤中数据集中数据的时间跨度为10天。
本发明的有益效果为：
本发明建立了利用BP算法建立风速预测模型，构建并比较了三种不同模型的预测效果，得出最理想的模型算法。同时，从另一角度讲，本发明的实施，对于提高风速预测的准确度有重要意义，对资源环境可持续发展等具有重要的指导价值。因此，本发明对于风速的预测具有重要的技术创新优点。
本发明的方法可指导其他需要预测领域及资源利用的客观实践，可以深入拓展，对未来大环境的研究具有重要意义。
附图说明
图1为现有预测模型下的预测以及本发明实施例中三种预测值关于RMSE的箱型图；
图2为观测值和现有预测模型下的预测以及本发明实施例中三种预测值的时间序列图。
具体实施方式
下面结合附图以及具体实施例对本发明进行详细说明。
实施例
本实施例针对已有模型得出预测值与观测值之间差异较大，诸多因素导致预测值出现偏差的问题，通过不断比较模型得出的值和观测值间的拟合效果，增加了一定的复杂性，设计了一种基于BP算法的风速预测方法，该方法的技术方案包括如下步骤：
获取根据现有预测模型得出的风速预测值和现有的观测值；
构建BP神经网络模型。BP神经网络模型包括三层结构，输入层、隐藏层和输出层。此模型中，现有预测的风速值作为输入层，隐藏层为5，并通过80%、20%的比例设置了训练集和测试集，训练的次数为1000，得到的输出层就是相应的预测值。
本实施例根据新的预测模型设计了三种不同的预测方法，得出三组预测值的相关系数和均方根误差，其中相关计算方法为R=min(min(corrcoef(A,B))) ，均方根误差计算方法为RMSE=sqrt(sum((A-B).^2)/length(A)；式中：A，B分别表示一组观测值与一组模式预测值。将三种不同的预测方法与现有预测模型作对比。三种不同的预测方法如下：
一、将现有的观测数据和预测数据的80%训练BP神经网络模型，用最近十天的现有预测值作为数据集，将数据集输入BP神经网络模型中得到第一组预测。
二、将第一组风速预测值中第一天的预测值添加到数据集中并一起输入BP神经网络的输入层，得到后一天的风速预测值，并重复迭代预测，得到第二组预测值；
三、将第一组风速预测值中第一天的预测值替换数据集中第一天的数据，形成新的数据集，将新的数据集的数据输入BP神经网络的输入层，得到后一天的风速预测值，并不断循环更新数据集并预测，得到第三组预测值；
利用上述三组预测值与对应观测值得出的相关系数R和均方根误差RMSE，和现有模型预测值和观测值之间的相关系数和均方根误差，分别测评每个模型前后预测值和真值的偏差，计算模型的提升效果，相关系数在-1到1之间，越高越好，RMSE大于0，越低越好。
通过对均方根误差的计算，确定模型的提升效果，在实践中，需要结合实际情况，对其进行必要的调整。
在对模型的均方根误差进行比较时，选取了箱型图来表示，如图1和表1所示，可以明显看出，原有预测值的均方根误差在1.5~4不等，中位数在1.9左右，通过BP神经网络模型使预报和观测的均方根误差降到了0~1之间，对风速的预测效果均提高了大概60%。
表1
MIDRMSE 提升
原模型 1.9371
BP1 0.76548 0.6048
BP2 0.76248 0.6064
BP3 0.8267 0.5849
本实施例BP算法构造的神经网络在提升风速预测的准确性方面有了很大突破，都不同程度地更好的拟合了预测值和观测值。如图2所示，为观测值和现有模型下的预测以及神经网络下三种预测值的时间序列图，可以直观看出神经网络模型优于原有模型。
本发明的技术方案不局限于上述各实施例，凡采用等同替换方式得到的技术方案均落在本发明要求保护的范围内。

Claims (3)

1.一种基于BP算法的风速预测方法，其特征在于，包括如下步骤：
步骤一、获取现有风速预测值数据；
步骤二、构建BP神经网络，所述BP神经网络包括输入层、隐藏层和输出层；
步骤三、取最近10天内的现有风速预测值数据作为数据集，将数据集的数据输入BP神经网络的输入层，得到第一组风速预测值；
步骤四、将第一组风速预测值中第一天的预测值添加到数据集中并一起输入BP神经网络的输入层，得到后一天的风速预测值，并重复迭代预测，得到第二组预测值；
步骤五、将第一组风速预测值中第一天的预测值替换数据集中第一天的数据，形成新的数据集，将新的数据集的数据输入BP神经网络的输入层，得到后一天的风速预测值，并不断循环更新数据集并预测，得到第三组预测值；
步骤六、分别计算现有预测值与步骤三、四、五得到的预测值与对应观测值之间的相关系数和均方根误差，分别测评每个模型前后预测值和观测值的偏差，取效果最好的预测值作为最终风速预测值，其中，相关系数R=min(min(corrcoef(A,B)))；A，B分别表示一组观测值与一组模式预测值。
2.根据权利要求1所述基于BP算法的风速预测方法，其特征在于：所述BP神经网络的隐藏层为5。
3.根据权利要求2所述基于BP算法的风速预测方法，其特征在于：将现有风速预测值数据按80%和20%的比例划分训练集和测试集，并用训练集训练BP神经网络，训练次数为1000次。
CN202110142012.8A 2021-02-02 2021-02-02 一种基于bp算法的风速预测方法 Active CN112749792B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110142012.8A CN112749792B (zh) 2021-02-02 2021-02-02 一种基于bp算法的风速预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110142012.8A CN112749792B (zh) 2021-02-02 2021-02-02 一种基于bp算法的风速预测方法

Publications (2)

Publication Number Publication Date
CN112749792A CN112749792A (zh) 2021-05-04
CN112749792B true CN112749792B (zh) 2023-07-07

Family

ID=75653525

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110142012.8A Active CN112749792B (zh) 2021-02-02 2021-02-02 一种基于bp算法的风速预测方法

Country Status (1)

Country Link
CN (1) CN112749792B (zh)

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN104636823A (zh) * 2015-01-23 2015-05-20 中国农业大学 一种风电功率预测方法
CN105184416A (zh) * 2015-09-23 2015-12-23 上海大学 基于粒子群优化反向传播神经网络的脉动风速预测方法
JP2016136001A (ja) * 2015-01-23 2016-07-28 中国電力株式会社 予測装置
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
CN106991285A (zh) * 2017-04-01 2017-07-28 广东工业大学 一种短期风速多步预测方法及装置
CN108022025A (zh) * 2017-12-28 2018-05-11 华中科技大学 一种基于人工神经网络的风速区间预测方法与系统
CN108520269A (zh) * 2018-03-10 2018-09-11 华北电力大学（保定） 一种风速预测方法及风速预测系统
CN108832623A (zh) * 2018-06-29 2018-11-16 国网山东省电力公司电力科学研究院 一种物理-统计混合两阶段风电功率预测方法
CN109934422A (zh) * 2019-04-25 2019-06-25 中国人民解放军国防科技大学 一种基于时间序列数据分析的神经网络风速预测方法
CN111160520A (zh) * 2019-12-06 2020-05-15 南京理工大学 一种基于遗传算法优化的bp神经网络风速预测方法
CN111353640A (zh) * 2020-02-26 2020-06-30 西南交通大学 一种组合法风速预测模型构建方法
CN111523728A (zh) * 2020-04-23 2020-08-11 东北电力大学 一种四阶段混合短时风向预测方法
CN111639747A (zh) * 2020-05-14 2020-09-08 中国科学院国家空间科学中心 一种基于bp神经网络的gnss-r海面风速反演方法及系统

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180096253A1 (en) * 2016-10-04 2018-04-05 Civicscape, LLC Rare event forecasting system and method
US10598157B2 (en) * 2017-02-07 2020-03-24 International Business Machines Corporation Reducing curtailment of wind power generation

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN104636823A (zh) * 2015-01-23 2015-05-20 中国农业大学 一种风电功率预测方法
JP2016136001A (ja) * 2015-01-23 2016-07-28 中国電力株式会社 予測装置
CN105184416A (zh) * 2015-09-23 2015-12-23 上海大学 基于粒子群优化反向传播神经网络的脉动风速预测方法
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
CN106991285A (zh) * 2017-04-01 2017-07-28 广东工业大学 一种短期风速多步预测方法及装置
CN108022025A (zh) * 2017-12-28 2018-05-11 华中科技大学 一种基于人工神经网络的风速区间预测方法与系统
CN108520269A (zh) * 2018-03-10 2018-09-11 华北电力大学（保定） 一种风速预测方法及风速预测系统
CN108832623A (zh) * 2018-06-29 2018-11-16 国网山东省电力公司电力科学研究院 一种物理-统计混合两阶段风电功率预测方法
CN109934422A (zh) * 2019-04-25 2019-06-25 中国人民解放军国防科技大学 一种基于时间序列数据分析的神经网络风速预测方法
CN111160520A (zh) * 2019-12-06 2020-05-15 南京理工大学 一种基于遗传算法优化的bp神经网络风速预测方法
CN111353640A (zh) * 2020-02-26 2020-06-30 西南交通大学 一种组合法风速预测模型构建方法
CN111523728A (zh) * 2020-04-23 2020-08-11 东北电力大学 一种四阶段混合短时风向预测方法
CN111639747A (zh) * 2020-05-14 2020-09-08 中国科学院国家空间科学中心 一种基于bp神经网络的gnss-r海面风速反演方法及系统

Non-Patent Citations (7)

* Cited by examiner, † Cited by third party
Title
On comparing three artificial neural networks for wind speed forecasting;Gong Li 等;《Applied Energy》;第87卷(第07期);2313-2320 *
三种方法在风速预测中的应用研究;韩爽 等;《华北电力大学学报(自然科学版)》;第2008卷(第03期);57-61 *
基于CMIP6多模式集合的未来中国风功率预估;张佳 等;《大气科学学报》;1-18 *
基于粗糙集理论的遗传神经网络风速预测模型;肖河 等;《电网与清洁能源》;第28卷(第09期);82-87 *
基于组合模型的超短期风功率预测研究;汪向硕;《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》(第(2020)01期);C042-1392 *
适用于小样本的神经网络光伏预测方法;张程熠 等;《电力自动化设备》;第37卷(第01期);101-106 *
高铁线路风速风向短时局地预测方法研究;魏昱洲;《中国优秀硕士学位论文全文数据库工程科技Ⅰ辑》(第(2019)12期);B026-9 *

Also Published As

Publication number Publication date
CN112749792A (zh) 2021-05-04

Similar Documents

Publication Publication Date Title
CN102129511B (zh) 一种基于matlab的风电场短期风速预测系统
CN103296701B (zh) 一种风电场有功功率控制方法
CN111008728A (zh) 一种用于分布式光伏发电系统短期出力的预测方法
CN112396220B (zh) 一种基于场景缩减的含风电与需求侧资源的优化调度方法
CN101793907A (zh) 一种风电场短期风速预测方法
CN110070228B (zh) 一种神经元分支进化的bp神经网络风速预测方法
CN111027775A (zh) 基于长短期记忆网络的梯级水电站发电量预测方法
CN109474007B (zh) 一种基于大数据云技术的能源互联网调度方法
CN103986193B (zh) 一种最大风电并网容量获取的方法
CN111900713A (zh) 网源协调下考虑负荷和风电随机性多场景输电网规划方法
CN112686445A (zh) 一种基于arima-lstm-dbn的光伏发电预测方法
CN111612244A (zh) 基于qra-lstm的日前光伏功率非参数概率预测方法
CN104915788B (zh) 一种考虑多风场相关性的电力系统动态经济调度的方法
CN115983430A (zh) 一种综合能源系统管理优化的方法及系统
CN105046349A (zh) 一种计及尾流效应的风电功率预测方法
CN112736902B (zh) 一种基于stl分解的时间序列短期电力负荷预测方法
CN112749792B (zh) 一种基于bp算法的风速预测方法
CN113435595A (zh) 基于自然进化策略的极限学习机网络参数两阶段优化方法
CN111242371B (zh) 一种基于非迭代多模型的光伏发电短期预测校正方法
Zhang et al. Joint forecasting of regional wind and solar power based on attention neural network
CN116542385A (zh) 一种针对风、光功率预测的集成学习方法及系统
CN116128211A (zh) 基于风光不确定性预报场景的风光水联合短期优化调度方法
CN116611702A (zh) 一种面向楼宇综合能源管理的集成学习光伏发电预测方法
CN114861993A (zh) 基于联邦学习与深度神经网络的区域光伏发电预测方法
CN110008626B (zh) 一种基于Spark的短期电力能耗预测方法

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
GR01 Patent grant
GR01 Patent grant