CN113536685B - 一种基于神经网络外推的风速概率模型的建模方法 - Google Patents

一种基于神经网络外推的风速概率模型的建模方法 Download PDF

Info

Publication number
CN113536685B
CN113536685B CN202110834702.XA CN202110834702A CN113536685B CN 113536685 B CN113536685 B CN 113536685B CN 202110834702 A CN202110834702 A CN 202110834702A CN 113536685 B CN113536685 B CN 113536685B
Authority
CN
China
Prior art keywords
wind speed
interval
frequency component
variation
value
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
CN202110834702.XA
Other languages
English (en)
Other versions
CN113536685A (zh
Inventor
张家安
王军燕
王向伟
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.)
Hebei Branch Of Huaneng New Energy Co ltd
Hebei University of Technology
Original Assignee
Hebei Branch Of Huaneng New Energy Co ltd
Hebei University of 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 Hebei Branch Of Huaneng New Energy Co ltd, Hebei University of Technology filed Critical Hebei Branch Of Huaneng New Energy Co ltd
Priority to CN202110834702.XA priority Critical patent/CN113536685B/zh
Publication of CN113536685A publication Critical patent/CN113536685A/zh
Application granted granted Critical
Publication of CN113536685B publication Critical patent/CN113536685B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • 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
    • G06N3/045—Combinations of networks
    • 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
    • G06N3/047—Probabilistic or stochastic 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Electricity, gas or water supply
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/08—Probabilistic or stochastic CAD
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/06—Wind turbines or wind farms
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/08—Fluids

Abstract

本发明为一种基于神经网络外推的风速概率模型的建模方法，该建模方法包括以下内容：将风电场多年的历史风速数据进行分解，获得多个不同频率的风速分量，然后将多个风速分量重构为风速低频分量和风速高频分量；针对风速低频分量建立广义的风速‑变化量的联合概率密度模型：针对风速高频分量建立广义的通用描述模型。该建模方法通过离散点进行外推获得的风速概率模型准确度高，对于风速较大或风速较小的情况都能适用。

Description

一种基于神经网络外推的风速概率模型的建模方法
技术领域
本发明属于风力发电领域，具体涉及一种基于神经网络外推的风速概率模型的建模方法，根据风速历史数据，采用概率学的统计方法对风速进行建模并采用神经网络对风速模型进行外推。
背景技术
风力发电是现如今中国能源结构的重要组成部分，准确的风能预测对于电力系统的安全稳定运行具有重要意义，电网根据风速预测结果制定调度计划、调节电网频率，确保电网稳定和供电质量；风电场根据风速预测结果调整风机来提高发电效益。
风速模型的准确建立是风速预测的基础，风速具有不确定性的特点，由于其随机性和波动性导致风速的建模困难，为简化模型并且提高模型准确度，可将分解重构后的风速分量分别建立模型。为此，将风速分解重构为具有一定规律的低频分量和随机性强的高频分量，然后分别建立模型来描述风速的波动性和随机性；既可以简化建模，也可以提高模型准确度。
风速的概率建模方法是对大量的历史风速数据进行分析统计，得到其概率模型的方法，现有概率方法大多直接对历史风速数据的概率分布进行分析，历史数据的准确度与完整性很大程度上影响了风速建模的准确性，因此对现有数据进行外推可提高建模精度，本方法结合智能方法和概率方法，利用神经网络对风速的历史数据进行外推，建立广义的风速概率模型。
发明内容
本发明所提概率模型表示随着风速大小的变化风速变化量的分布情况。
本发明的目的在于，提供一种基于神经网络外推的风速概率模型的建模方法。该建模方法通过离散点进行外推获得的风速概率模型准确度高，对于风速较大或风速较小的情况都能适用。
为实现上述目的，本发明采用以下技术方案：
一种基于神经网络外推的风速概率模型的建模方法，该建模方法包括以下内容：
将风电场多年的历史风速数据进行分解，获得多个不同频率的风速分量，然后将多个风速分量重构为风速低频分量和风速高频分量；
针对风速低频分量建立广义的风速-变化量的联合概率密度模型：
利用区间风速和风速变化量在小风速区间内建立风速-变化量联合概率密度模型；利用第一神经网络对风速-变化量联合概率密度模型进行外推，获得大风速区间内的概率密度、区间风速、风速变化量三者关联的离散数据点，采用分布模型对离散数据点进行拟合获得大风速区间下的每一区间风速Vt下对应的风速变化量ΔVt的概率密度曲线fj，概率密度曲线中的分布模型的参数分别与区间风速进行拟合，再利用粒子群算法对拟合后的表达式中的参数进行优化，进而得到大风速区间下的概率密度函数表达式，即广义的风速-变化量的联合概率密度模型；
针对风速高频分量建立广义的通用描述模型：
将小风速区间内的风度低频分量重新进行更密集的区间风速的划分，找出每个低频分量的区间风速值对应的高频分量Vf，带着高频分量Vf对低频分量的区间风速值从小到大排序，分别获得每个低频分量的区间风速值对应的风速高频分量的最大、最小值，记为Vf_max和Vf_min；利用第四、第五神经网络分别对风速高频分量的最大值、最小值进行外推，获得大风速区间下的风速高频分量Vf的最大值、最小值与相应区间风速的离散数据点；
对大风速区间下的风速高频分量Vf的最大值、最小值与风速低频分量的区间风速值的函数关系进行拟合，并通过粒子群算法对其函数关系中的参数进行优化得到广义的风速高频分量的最值与低频分量的区间风速值的函数关系；将每个区间风速下风速高频分量Vf标幺化到[0，1]，将风速高频分量表达为与风速低频分量的关系，即为广义的风速高频分量的通用描述模型。
与现有方法相比，本发明的有益效果在于：
(1)本发明结合智能方法和概率方法对风速进行建模；基于神经网络深度学习算法对风速的概率模型进行了外推，建立了广义的风速概率模型；通过神经网络深度学习直接外推风速、变化量和概率密度数据相比于通过外推概率密度模型的参数间接得到广义的风速概率模型精度更高，建模更准确。
(2)建立了区间约束函数对第一神经网络预测结果进行修正，当不满足区间约束时，修正神经网络的结果为ε以下，ε接近于0的某一数值；提升了建模准确度。
(3)结合指数模型和幂函数模型对区间风速与分布模型的参数进行函数关系的拟合，幂函数模型在风速较低时有很好的拟合精度，指数模型在风速高时有很好的拟合精度，结合两种模型，能较好地拟合风速从低到高的参数关系。
附图说明
图1风速变化量的区间约束函数，上图：变化量最大值与区间风速的关系；下图变化量最小值与区间风速的关系。
图2优化后的风速低频分量的风速-变化量联合概率密度模型。
图3基于LSTM神经网络外推的风速低频分量的风速-变化量联合概率密度模型。
图4幂函数模型和指数模型相结合描述参数与低频分量的区间风速之间的关系，上图为均值参数与区间风速之间的关系图；下图为标准差参数与区间风速之间的关系图。
图5变化量区间约束函数的建立的过程示意图。
图6第一神经网络外推的流程图。
图7广义的风速高频分量的通用描述模型的建立过程示意图。
具体实施方式
下面结合实施例及附图进一步解释本发明，但并不以此作为对本申请保护范围的限定。
本发明基于神经网络外推的风速概率模型的建模方法包括以下内容：
应用VMD算法将风电场多年的历史风速数据进行分解，获得多个不同频率的风速分量，然后将多个风速分量重构为风速低频分量和风速高频分量；
1)针对风速低频分量，建立风速-变化量联合概率密度模型：
计算风速的时间序列中相邻两风速点的风速变化量得到风速的变化量ΔVt；将连续的风速低频分量的数据进行多区间划分，所划分的区间数记为m，以区间中点Vt_j作为该区间风速值，然后带着变化量ΔVt对区间风速进行从小到大的排序；分别统计每个区间风速下风速变化量的个数，生成风速变化量的频数分布直方图，然后取直方图中点生成频数分布折线图，进而可得风速变化量的频率分布直方图和折线图；由频率分布直方图和折线图获得每个区间风速下的变化量的分布模型，通过分布模型拟合出每个区间风速下的变化量的概率密度函数，进而得到区间风速从Vt_1到Vt_m的范围内的变化量的概率密度曲线，生成风速-变化量联合概率密度三维图，即为风速-变化量联合概率密度模型；
2)基于第一神经网络对风速-变化量联合概率密度模型进行外推：
统计步骤1)中的风速变化量的范围，记风速变化量的范围在区间[a，b]内，其中a、b为常数，将区间[a，b]按照固定间隔g等分为s个小区间，以每个小区间中点风速变化量数值作为该小区间的风速变化量的数据，风速变化量的数据记为ΔVt_k，(k＝1，2…，s)，将其作为神经网络的一个输入量；
以步骤1)确定的区间风速Vt_j的数据导出作为第一神经网络的另一个输入量；
将(Vt_j，ΔVt_k)带入风速-变化量联合概率密度模型获得相应的概率密度值
Figure BDA0003176565920000031
得到对应的一组概率密度数据，以该概率密度数据作为第一神经网络的目标输出；
基于历史数据以(Vt_j，ΔVt_k，
Figure BDA0003176565920000032
)构成的数据集训练第一神经网络，利用训练好的第一神经网络来预测更大风速值所对应的概率密度值，得到区间风速从Vt_1～Vt_n之间的离散的数据点，采用高斯分布分别拟合每一区间风速Vt下对应的风速变化量ΔVt的概率密度曲线fj，j＝1，2，3……n，概率密度曲线的横轴为变化量的值，纵轴为概率密度，得到区间风速从Vt_1到Vt_n的范围内的概率密度函数。
实现概率密度模型从区间风速Vt_1～Vt_m到风速Vt_1～Vt_n的外推，其中n＞m，Vt_n＞Vt_m，Vt_n为所需区间风速的最大值，根据不同的需要可取不同的值，风速从Vt_1～Vt_n所划分的n个区间间隔与风速从Vt_1～Vt_m所划分的区间间隔相同，n＝[1/(所划分的m个区间的区间间隔值)]*Vt_n。
再对每个区间风速下对应风速变化量ΔVt的概率密度曲线中的一组高斯分布参数分别与区间风速进行拟合，再利用粒子群算法对拟合后的表达式中的参数进行优化，进而得到风速从Vt_1到Vt_n的范围内的概率密度函数表达式，即广义的风速-变化量的联合概率密度模型；
3)建立风速低频分量的风速变化量的区间约束
然后利用历史数据建立起风速变化量的区间约束函数，以此为约束条件进行第一神经网络的修正；
对风速的历史数据，按照时间序列计算其风速变化量ΔVt，再次将区间风速Vt_1～Vt_m进行等分，等分为M份，M大于m，取区间中点作为风速低频分量的区间风速值，用Vt_i(i＝1，2…M)，来表示；将风速变化量按照低频分量的区间风速值进行分组并带着风速变化量对风速的低频分量从小到大进行排序，分别统计每个低频分量的区间风速值对应风速变化量ΔVt的最大、最小值，分别记为ΔVt_max|Vt_i和ΔVt_min|Vt_i；
将风速低频分量的区间风速值为输入，与其对应的风速变化量ΔVt的最大值为目标输出，训练第二神经网络；
将风速低频分量的区间风速值为输入，与其对应的风速变化量ΔVt的最小值为目标输出，训练第三神经网络；
通过第二神经网络和第三神经网络实现对风速变化量区间的外推，得到风速范围在Vt_1～Vt_n对应的风速变化量ΔVt的最大值、最小值；
将风速范围在Vt_1～Vt_n低频分量的区间风速值与其对应的风速变化量ΔVt最大值、最小值的函数关系进行拟合，得到每个低频分量的区间风速值下风速变化量的区间约束，并通过粒子群算法分别进行优化，得到优化后的风速变化量的区间约束如公式(1)所示。
Figure BDA0003176565920000041
式中ΔVt_max为风速变化量最大值与区间风速的函数，ΔVt_min为风速变化量最小值与区间风速的函数。则区间风速Vt＝Vt_i时对应的风速变化量区间为：
Figure BDA0003176565920000043
式中，
Figure BDA0003176565920000044
表示区间风速为Vt_i时的风速变化量，
Figure BDA0003176565920000045
为区间风速为Vt_i时风速变化量的最大值，
Figure BDA0003176565920000046
为区间风速为Vt_i时风速变化量的最小值；
公式(2)即为风速变化量区间约束函数。
4)实现风速高频分量的最值外推
在步骤3)的基础上，将区间风速Vt_1～Vt_m等分为M份，取区间中点作为风速低频分量的区间风速值，用Vt_i(i＝1，2…M)，找出每个低频分量的区间风速值对应的高频分量Vf，带着高频分量Vf对低频分量的区间风速值从小到大排序，分别获得每个低频分量的区间风速值对应的风速高频分量的最大、最小值，记为Vf_max和Vf_min；
以低频分量的区间风速值为输入，以与其对应的风速高频分量Vf的最大值为目标输出训练第四神经网络；
以低频分量的区间风速值为输入，以与其对应的风速高频分量Vf的最小值为目标输出训练第五神经网络；
利用训练好的第四神经网络和第五神经网络实现风速高频分量最大值和最小值的外推，得到区间风速范围在Vt_1～Vt_n对应的风速高频分量Vf的最大值、最小值；
5)针对风速高频分量建立通用描述模型，
对风速范围在Vt_1～Vt_n对应的风速高频分量Vf的最大值、最小值与低频分量的区间风速值的函数关系进行拟合(拟合后获得的函数关系的表达式，同时获得函数关系的参数的范围)，并通过粒子群算法对其函数关系中的参数进行优化得到广义的风速高频分量的最值与低频分量的区间风速值的函数关系，参见公式(8)；
Figure BDA0003176565920000042
式中，Vf_min是风速高频分量的最小值，Vf_max是风速高频分量的最大值，h1(x)、h2(x)表示为变量Vt的函数；
将每个区间风速下风速高频分量Vf标幺化到[0，1]；
Figure BDA0003176565920000051
记h3(Vt)＝Vf_max-Vf_min，
Figure BDA0003176565920000052
因为这两个值是关于低频分量Vt的函数，在风速低频分量的大小确定时h3(Vt)、h4(Vt)为定值，则式(9)可改写为：
Figure BDA0003176565920000053
其中，
Figure BDA0003176565920000054
为标幺化后的风速高频分量。
式(10)即为广义的风速高频分量的通用描述模型。
上述广义的风速-变化量的联合概率密度模型和广义的风速高频分量的通用描述模型构成本申请的基于神经网络外推的风速概率模型。
进一步地，步骤3)中在通过第二神经网络和第三神经网络实现对风速变化量区间的外推后，将区间风速范围在Vt_1～Vt_n的低频分量的区间风速值与其对应的风速变化量ΔVt的最大值、最小值的分别进行函数关系拟合，得到每个低频分量的区间风速值下风速变化量的区间约束，并通过粒子群算法分别对两个拟合的函数关系中的参数进行优化，得到优化后的风速变化量的区间约束。
进一步地，步骤1)中提到的风速-变化量联合概率密度模型表达式为式(3)，每个区间风速下的概率密度函数都具有参数项
Figure BDA0003176565920000055
分别为概率密度函数的高斯表达式中的均值和标准差参数，二者均是区间风速值Vt的函数，采用幂函数模型对区间风速和当前概率密度函数的各个参数进行拟合，获得拟合后的相应参数公式，带入公式(3)即获得优化后的风速-变化量联合概率密度模型；
Figure BDA0003176565920000056
其中，ΔVt为风速的变化量；
Figure BDA0003176565920000057
分别为概率密度函数的高斯表达式中的均值和标准差参数，二者均是区间风速值Vt的函数，
Figure BDA0003176565920000058
为风速-变化量的联合概率密度。
进一步地，在确定了风速变化量的区间约束后，在进行第一神经网络训练过程中：以(Vt_j，ΔVt_k)(j＝1，2…m，k＝1，2…，s)作为第一神经网络的输入，以概率密度值
Figure BDA0003176565920000059
作为第一神经网络的目标输出，以目标输出与实际输出之间误差最小为损失函数，通过第一神经网络的训练使输出跟随输入变化而变化，当网络的损失函数小于δ或达到迭代次数时结束训练，δ接近于0。
在第一神经网络预测阶段，当输入的风速低频分量的区间风速Vt_j、变化量不满足区间约束(即变化量不在风速范围在Vt_1～Vt_n对应的风速变化量ΔVt的最大值、最小值之间)时，修正第一神经网络的输出为ε以下，ε为接近于0的某一数值，数量级在10-3以下。
进一步地，对步骤1)获得的风速-变化量联合概率密度模型进行优化，选用某种分布模型分别拟合风速低频分量的每一区间风速下对应的变化量的概率密度函数fj，每一概率密度函数均对应一组参数，结合指数模型和幂函数模型这两种拟合模型对区间风速与其对应的概率密度函数中的一组参数的函数关系进行拟合，其中，指数模型和幂函数模型的基本表达式如式：
Figure BDA0003176565920000061
式中，a为常数，Q为模型中幂函数的个数，P为模型中指数函数的个数，c1q为第q个幂函数的系数，k1q为第q个幂函数的幂，c2p为第p个指数的系数，k2p为第p个指数的底。
并对拟合后的表达式中的参数(a、c1q、k1q、c2p、k2p)进行粒子群算法的优化，确定了每一概率密度函数中的一组参数的表达式，进而带入风速-变化量联合概率密度模型，得到优化后的风速-变化量联合概率密度模型。这种拟合方式既能适用于风速比较大的情况，也能适用于风速较小的情况，指数模型和幂函数模型两个拟合模型联合使用时，将二者叠加即可，拟合更加精确。
上述中的多个神经网络结构可以都相同，输入输出不同，优选神经网络为LSTM神经网络。后期在利用本申请的模型建好后，根据历史风速数据对风速进行预测时，历史数据优选地也应按照上述各步骤中提到的区间间隔进行划分，然后再带入相应的模型进行处理。上述区间约束时的M与风速高频分量最值外推时的M可以相同，也可以不同，都大于m。
实施例
步骤一：建立风速变化量区间约束函数
对风速的历史数据，按照时间序列计算其风速变化量ΔVt，将风速Vt_1～Vt_m等分为M份，取区间中点作为低频分量的区间风速值，用Vt_i(i＝1，2…M)来表示；将风速变化量按照低频分量的区间风速值进行分组并带着风速变化量对风速的低频分量从小到大进行排序，分别统计每个低频分量的区间风速值对应风速变化量ΔVt的最大最小值，分别记为
Figure BDA0003176565920000063
和
Figure BDA0003176565920000064
其中(i＝1，2…M)；将低频分量的区间风速值与其对应的风速变化量ΔVt的最大值、最小值作为第二和第三神经网络的训练数据；基于第二和第三神经网络进行对其进行外推，得到风速范围在Vt_1～Vt_n对应的风速变化量ΔVt的最大值、最小值；
将风速范围在Vt_1～Vt_n低频分量的区间风速值与其对应的风速变化量ΔVt最大值、最小值的函数关系进行拟合，得到每个低频分量的区间风速值下风速变化量的区间约束，并通过粒子群算法对函数关系中的参数分别进行优化，得到优化后的风速变化量的区间约束如公式(1)所示。
Figure BDA0003176565920000062
式中ΔVt_max为风速变化量最大值与区间风速的函数，ΔVt_min为风速变化量最小值与区间风速的函数。则区间风速Vt＝Vt_i时对应的风速变化量区间为：
Figure BDA0003176565920000075
式中，
Figure BDA0003176565920000076
表示区间风速为Vt_i时的风速变化量，
Figure BDA0003176565920000077
为区间风速为Vt_i时风速变化量的最大值，
Figure BDA0003176565920000078
为区间风速为Vt_i时风速变化量的最小值；
公式(2)即为风速变化量区间约束函数。
步骤二：神经网络训练数据的提取
由优化后的风速低频分量的风速-变化量联合概率密度模型可知，该模型的风速范围在[V1，Vm]区间，将该区间等分为m个小区间，以区间中点值Vt_j，(j＝1，2…m)代表每个小区间的风速，记为区间风速，并从优化后低频分量的风速-变化量联合概率密度模型中将该区间风速数据导出作为神经网络的其中一个输入量。
统计风速变化量的范围在区间[a，b]内，其中a、b为常数，将区间[a，b]等分s份作为风速变化量的数据ΔVt_k，(k＝1，2…，s)，将其作为第一神经网络的另外一个输入量。
由优化后风速低频分量的风速-变化量联合概率密度模型计算可得(Vt_j，ΔVt_k)相应的概率密度值
Figure BDA0003176565920000079
将其作为联合概率密度模型导出概率密度数据，作为神经网络的目标输出。
Figure BDA0003176565920000071
式(3)为优化后风速低频分量的风速-变化量联合概率密度模型，其中，ΔVt为风速的变化量；
Figure BDA0003176565920000072
分别为概率密度函数的高斯表达式中的均值和标准差参数，二者均是区间风速值Vt的函数，
Figure BDA00031765659200000710
为风速低频分量的风速-变化量的联合概率密度。
步骤三：进行第一神经网络的训练和预测。
以(Vt_j，ΔVt_k)(j＝1，2…m，k＝1，2…，s)作为第一神经网络的输入，以概率密度值
Figure BDA00031765659200000711
作为第一神经网络的目标输出，通过第一神经网络的训练使输出跟随输入变化而变化，网络的损失函数为：
Figure BDA0003176565920000073
式中，
Figure BDA0003176565920000074
为第d个点的概率密度预测值，yd为第d个点的概率密度实际值，D为总的预测个数。
当网络的损失函数小于δ或达到迭代次数时结束训练，δ接近于0，为网络的训练误差指标。
对于训练好的第一神经网络，以(Vt_j，ΔVt_k)(j＝1，2…m，k＝1，2…，s)作为第一神经网络的输入，来预测其对应的概率密度值
Figure BDA00031765659200000712
实现风速从Vt_1～Vt_m到从Vt_1～Vt_n的数据量的外推，得到区间风速从Vt_1～Vt_n的离散的风速-变化量联合概率密度模型数据点。在预测过程中，如果风速低频分量的区间风速、变化量不满足式(2)区间约束时，修正第一神经网络的输出为ε以下，ε为接近于0的某一数值，数量级在10-3以下。
步骤四：基于粒子群算法的降维拟合
1对于区间风速从Vt_1～Vt_n之间的离散的数据点，采用高斯分布分别拟合每一区间风速Vt下对应的风速变化量ΔVt的概率密度曲线fj，j＝1，2，3……n，概率密度曲线的横轴为变化量的值，纵轴为概率密度，得到区间风速从Vt_1到Vt_n的范围内的概率密度函数。
2每个区间风速下对应一组高斯分布模型的参数，分别为均值参数
Figure BDA00031765659200000811
和标准差参数
Figure BDA00031765659200000812
对区间风速与为均值参数
Figure BDA00031765659200000813
和标准差参数
Figure BDA00031765659200000814
分别进行拟合并基于粒子群算法对拟合后的表达式中的参数进行优化，优化得到相应的函数表达式。
Figure BDA0003176565920000081
进而得到风速从Vt_1到Vt_n的范围内的概率密度函数表达式，即广义的风速-变化量的联合概率密度，如式(6)所示。
Figure BDA0003176565920000082
式中ΔVt为风速的变化量；
Figure BDA0003176565920000083
分别为概率密度函数的高斯表达式中的均值和标准差参数，二者均是区间风速的函数。
Figure BDA00031765659200000815
为风速低频分量的风速-变化量联合概率密度函数。
粒子群优化算法的适应度函数E为：
Figure BDA0003176565920000084
式中，wr为权重，
Figure BDA0003176565920000085
为第r个粒子对应的
Figure BDA0003176565920000086
或
Figure BDA0003176565920000087
的预测值，yr为第r个粒子对应
Figure BDA0003176565920000088
或
Figure BDA0003176565920000089
的实际值，N为种群粒子数。
步骤五风速高频分量的通用描述模型的外推：
1对风速的历史数据，将风速Vt_1～Vt_m等分为M份，取区间中点作为低频分量的区间风速值，用Vt_i(i＝1，2…M)来表示；
2找出每个低频分量的区间风速值对应的高频分量Vf，带着高频分量Vf对低频分量的区间风速值从小到大排序，分别每个低频分量的区间风速值对应的风速高频分量的最大最小值，记为Vf_max和Vf_min；
3将低频分量的区间风速值与其对应的风速高频分量Vf的最大值、最小值作为第四、第五神经网络的训练数据；基于第四、第五神经网络对其进行外推，得到风速范围在Vt_1～Vt_n对应的风速高频分量Vf的最大值、最小值；
4对风速范围在Vt_1～Vt_n对应的风速高频分量Vf的最大值、最小值与低频分量的区间风速值的函数关系进行拟合，并通过粒子群算法进行优化得到广义的风速高频分量的最值与低频分量的区间风速值的函数关系；
Figure BDA00031765659200000810
式中，Vf_min是风速高频分量的最小值，Vf_max是风速高频分量的最大值，h1(x)、h2(x)表示为变量Vt的函数。
5将每个区间风速下风速高频分量Vf标幺化到[0，1]；
Figure BDA0003176565920000091
记h3(Vt)＝Vf_max-Vf_min，
Figure BDA0003176565920000092
因为这两个值是关于低频分量Vt的函数，在风速低频分量的大小确定时h3(Vt)、h4(Vt)为定值，则式(9)可改写为：
Figure BDA0003176565920000093
其中，
Figure BDA0003176565920000094
为标幺化后的风速高频分量。
式(10)即为广义的风速高频分量的通用描述模型。
实施例2
本实施例一种基于神经网络外推的风速概率模型的建模方法：
步骤一：建立风速变化量区间约束函数
设Vt_n＝34m/s，对张家口某风电场近两年的风速的历史数据，按照时间序列计算其风速变化量ΔVt，将风速0m/s～18m/s等分为M份，取区间中点作为低频分量的区间风速值，用Vt_i(i＝1，2…M)来表示；将风速变化量按照低频分量的区间风速值进行分组并带着风速变化量对风速的低频分量从小到大进行排序，分别统计每个低频分量的区间风速值对应风速变化量ΔVt的最大最小值，分别记为
Figure BDA0003176565920000096
和
Figure BDA0003176565920000097
其中(i＝1，2…M)；将低频分量的区间风速值与其对应的风速变化量ΔVt的最大值、最小值作为第二、第三神经网络的训练数据；基于第二、第三神经网络对其进行外推，得到风速范围在0m/s～34m/s对应的风速变化量ΔVt的最大值、最小值；
采用幂函数模型对风速范围在0m/s～34m/s低频分量的区间风速值与其对应的风速变化量ΔVt最大值、最小值的函数关系进行拟合，得到每个低频分量的区间风速值下风速变化量的区间约束，并通过粒子群算法分别进行优化，得到优化后的风速变化量的区间约束如公式(1)所示。
Figure BDA0003176565920000095
式中ΔVt_max为风速变化量最大值与区间风速的函数，ΔVt_min为风速变化量最小值与区间风速的函数。则区间风速Vt＝Vt_i时对应的风速变化量区间为：
Figure BDA0003176565920000098
式中，
Figure BDA0003176565920000099
表示区间风速为Vt_i时的风速变化量，
Figure BDA00031765659200000910
为区间风速为Vt_i时风速变化量的最大值，
Figure BDA00031765659200000911
为区间风速为Vt_i时风速变化量的最小值；
公式(2)即为风速变化量区间约束函数。
步骤二：第一神经网络训练数据的提取
优化后的风速低频分量的风速-变化量联合概率密度模型为：
Figure BDA0003176565920000101
Figure BDA0003176565920000102
式(3)(4)为优化后风速低频分量的风速-变化量联合概率密度模型，其中，ΔVt为风速的变化量；
Figure BDA0003176565920000103
分别为概率密度函数的高斯表达式中的均值和标准差参数，二者均是区间风速值Vt的函数，
Figure BDA0003176565920000106
为风速低频分量的风速-变化量的联合概率密度。
由该模型可知，风速范围在[0m/s，18m/s]区间，将该区间等分为m个小区间，以区间中点值Vt_i，(j＝1，2…m)代表每个小区间的风速，记为区间风速，并从优化后低频分量的风速-变化量联合概率密度模型中将该区间风速数据导出作为神经网络的其中一个输入量。
该模型的风速变化量的范围在区间[-4m/s，4m/s]内，将区间[-4m/s，4m/s]进行s等分作为风速变化量的数据ΔVt_k，(k＝1，2…，s)，将其作为第一神经网络的另外一个输入量。
由优化后风速低频分量的风速-变化量联合概率密度模型计算可得(Vt_j，ΔVt_k)相应的概率密度值
Figure BDA0003176565920000107
将其作为联合概率密度模型导出概率密度数据，作为神经网络的目标输出。
步骤三：进行神经网络的训练和预测。
以(Vt_j，ΔVt_k)(j＝1，2…m，k＝1，2…，s)作为第一神经网络的输入，以概率密度值
Figure BDA0003176565920000108
作为第一神经网络的目标输出，通过第一神经网络的训练使输出跟随输入变化而变化，网络的损失函数L2为：
Figure BDA0003176565920000104
式中，
Figure BDA0003176565920000105
为第r个点的概率密度预测值，yr为第r个点的概率密度实际值，D为总的预测个数。
当网络的损失函数小于δ或达到迭代次数时结束训练，δ接近于0，为网络的训练误差指标。
对于训练好的第一神经网络，以(Vt_j，ΔVt_k)(j＝1，2…m，k＝1，2…，s)作为第一神经网络的输入，来预测其对应的概率密度值
Figure BDA0003176565920000109
实现区间风速从0m/s～18m/s到从0m/s～34m/s的数据量的外推，得到区间风速从Vt_1～Vt_n的离散的风速-变化量联合概率密度模型数据点。在预测过程中，如果风速低频分量的区间风速、变化量不满足式(2)区间约束时，修正第一神经网络的输出为ε以下，ε为接近于0的某一数值，数量级在10-3以下。
步骤四：基于粒子群算法的降维拟合
1对于区间风速从0m/s～34m/s的离散的数据点，采用高斯分布分别拟合每一区间风速Vt下对应的风速变化量ΔVt的概率密度曲线fj，j＝1，2，3……n，概率密度曲线的横轴为变化量的值，纵轴为概率密度，得到区间风速从0m/s～34m/s的范围内的概率密度函数。
2每个区间风速下对应一组高斯分布模型的参数，分别为均值参数
Figure BDA0003176565920000111
和标准差参数
Figure BDA0003176565920000112
对区间风速与为均值参数
Figure BDA0003176565920000113
和标准差参数
Figure BDA0003176565920000114
分别进行拟合并基于粒子群算法对拟合后的函数中的参数优化得到相应的函数表达式。
采用幂函数模型和指数模型相结合来描述两参数与区间风速之间的关系，如式(6)所示。
Figure BDA0003176565920000115
进而得到风速从0m/s到34m/s的范围内的概率密度函数表达式，即广义的风速-变化量的联合概率密度，如式(7)所示。
Figure BDA0003176565920000116
式中ΔVt为风速的变化量；
Figure BDA0003176565920000117
分别为概率密度函数的高斯表达式中的均值和标准差参数，二者均是区间风速的函数。
Figure BDA00031765659200001114
为风速低频分量的风速-变化量联合概率密度函数。
粒子群优化算法的适应度函数E为：
Figure BDA0003176565920000118
式中，wr为权重，
Figure BDA0003176565920000119
为第r个粒子对应的
Figure BDA00031765659200001110
或
Figure BDA00031765659200001111
的预测值，yr为第r个粒子对应
Figure BDA00031765659200001112
或
Figure BDA00031765659200001113
的实际值，N为种群粒子数。
步骤五风速高频分量通用模型的外推：
1对风速的历史数据，将在0m/s～18m/s范围的风速等分为M份，取区间中点作为低频分量的区间风速值，用Vt_i(i＝1，2…M)来表示；
2找出每个低频分量的区间风速值对应的高频分量Vf，带着高频分量Vf对低频分量的区间风速值从小到大排序，分别每个低频分量的区间风速值对应的风速高频分量的最大最小值，记为Vf_max和Vf_min；
3将低频分量的区间风速值与其对应的风速高频分量Vf的最大值、最小值作为第四、第五神经网络的训练数据；基于第四、第五神经网络对其进行外推，得到风速范围在0m/s～34m/s对应的风速高频分量Vf的最大值、最小值；
4选用某种拟合模型对风速范围在0m/s～34m/s对应的风速高频分量Vf的最大值、最小值与低频分量的区间风速值的函数关系进行拟合并基于粒子群算法进行优化得到该拟合模型的最优参数；
由低频分量的区间风速值与风速高频分量的最值之间的关系，选用幂函数模型来描述，基于粒子群优化后的函数表达式为：
Figure BDA0003176565920000121
式中，Vf_min是风速高频分量的最小值，Vf_max是风速高频分量的最大值。
5将每个区间风速下风速高频分量Vf标幺化到[0，1]；
Figure BDA0003176565920000122
记h3(Vt)＝Vf_max-Vf_min，
Figure BDA0003176565920000123
因为这两个值是关于低频分量Vt的函数，在风速低频分量的大小确定时h3(Vt)、h4(Vt)为定值，则式(10)可改写为：
Figure BDA0003176565920000124
其中，
Figure BDA0003176565920000125
为标幺化后的风速高频分量。
式(11)即为风速高频分量的通用描述模型。
本发明未述及之处适用于现有技术。

Claims (8)

1.一种基于神经网络外推的风速概率模型的建模方法，该建模方法包括以下内容：
将风电场多年的历史风速数据进行分解，获得多个不同频率的风速分量，然后将多个风速分量重构为风速低频分量和风速高频分量；
针对风速低频分量建立广义的风速-变化量的联合概率密度模型：
利用区间风速和风速变化量在小风速区间内建立风速-变化量联合概率密度模型；利用第一神经网络对风速-变化量联合概率密度模型进行外推，获得大风速区间内的概率密度、区间风速、风速变化量三者关联的离散数据点，采用分布模型对离散数据点进行拟合获得大风速区间下的每一区间风速Vt下对应的风速变化量ΔVt的概率密度曲线fj，概率密度曲线中的分布模型的参数分别与区间风速进行拟合，再利用粒子群算法对拟合后的表达式中的参数进行优化，进而得到大风速区间下的概率密度函数表达式，即广义的风速-变化量的联合概率密度模型；
针对风速高频分量建立广义的通用描述模型：
将小风速区间内的风度低频分量重新进行更密集的区间风速的划分，找出每个低频分量的区间风速值对应的高频分量Vf，带着高频分量Vf对低频分量的区间风速值从小到大排序，分别获得每个低频分量的区间风速值对应的风速高频分量的最大、最小值，记为Vf_max和Vf_min；利用第四、第五神经网络分别对风速高频分量的最大值、最小值进行外推，获得大风速区间下的风速高频分量Vf的最大值、最小值与相应区间风速的离散数据点；
对大风速区间下的风速高频分量Vf的最大值、最小值与风速低频分量的区间风速值的函数关系进行拟合，并通过粒子群算法对其函数关系中的参数进行优化得到广义的风速高频分量的最值与低频分量的区间风速值的函数关系；将每个区间风速下风速高频分量Vf标幺化到[0,1]，将风速高频分量表达为与风速低频分量的关系，即为广义的风速高频分量的通用描述模型。
2.根据权利要求1所述的建模方法，其特征在于，第一神经网络在训练时设置区间约束进行第一神经网络的修正，具体区间约束函数的建立过程是：
将小风速区间内的风度低频分量重新进行更密集的区间风速的划分，将风速变化量按照低频分量的区间风速值进行分组并带着风速变化量对风速的低频分量从小到大进行排序，分别统计每个低频分量的区间风速值对应风速变化量ΔVt的最大、最小值，分别记为
Figure FDA0003829731260000011
和
Figure FDA0003829731260000012
将风速低频分量的区间风速值为输入，与其对应的风速变化量ΔVt的最大值为目标输出，训练第二神经网络；
将风速低频分量的区间风速值为输入，与其对应的风速变化量ΔVt的最小值为目标输出，训练第三神经网络；
通过第二神经网络和第三神经网络实现对风速变化量区间的外推，得到大风速区间下对应的风速变化量ΔVt的最大值、最小值；
将大风速区间下的风速低频分量的区间风速值与其对应的风速变化量ΔVt最大值、最小值的函数关系进行拟合，得到每个低频分量的区间风速值下风速变化量的区间约束，并通过粒子群算法分别进行优化，得到优化后的风速变化量的区间约束。
3.根据权利要求1所述的建模方法，其特征在于，所述第一神经网络的输入为区间风速和风速变化量的数据，输出为概率密度值；
风速变化量的数据确定过程是：统计小风速区间下的历史数据中风速变化量的范围，记风速变化量的范围在区间[a,b]内，其中a、b为常数，将区间[a,b]按照固定间隔g等分为s个小区间，以每个小区间中点风速变化量数值作为该小区间的风速变化量的数据，风速变化量的数据记为ΔVt_k,(k＝1,2…,s)，将其作为第一神经网络的一个输入量。
4.根据权利要求1所述的建模方法，其特征在于，所述第四、第五神经网络的输入均为更密集划分后的区间风速值，目标输出分别为与更密集划分后的区间风速值对应的风速高频分量Vf的最大值和最小值。
5.一种基于神经网络外推的风速概率模型的建模方法，将风电场多年的历史风速数据进行分解，获得多个不同频率的风速分量，然后将多个风速分量重构为风速低频分量和风速高频分量；其特征在于，该建模方法还包括下述内容：
1)针对风速低频分量，建立风速-变化量联合概率密度模型：
计算风速的时间序列中相邻两风速点的风速变化量得到风速的变化量ΔVt；将连续的风速低频分量的数据进行多区间划分，所划分的区间数记为m，以区间中点Vt_j作为该区间风速值，然后带着变化量ΔVt对区间风速进行从小到大的排序；分别统计每个区间风速下风速变化量的个数，生成风速变化量的频数分布直方图，然后取直方图中点生成频数分布折线图，进而可得风速变化量的频率分布直方图和折线图；由频率分布直方图和折线图获得每个区间风速下的变化量的分布模型，通过分布模型拟合出每个区间风速下的变化量的概率密度函数，进而得到区间风速从Vt_1到Vt_m的范围内的变化量的概率密度曲线，生成风速-变化量联合概率密度三维图，即为风速-变化量联合概率密度模型；
2)基于第一神经网络对风速-变化量联合概率密度模型进行外推：
统计步骤1)中的风速变化量的范围，记风速变化量的范围在区间[a,b]内，其中a、b为常数，将区间[a,b]按照固定间隔g等分为s个小区间，以每个小区间中点风速变化量数值作为该小区间的风速变化量的数据，风速变化量的数据记为ΔVt_k,(k＝1,2…,s)，将其作为第一神经网络的一个输入量；
以步骤1)确定的区间风速Vt_j的数据导出作为第一神经网络的另一个输入量；
将(Vt_j,ΔVt_k)带入风速-变化量联合概率密度模型获得相应的概率密度值
Figure FDA0003829731260000021
得到对应的一组概率密度数据，以该概率密度数据作为第一神经网络的目标输出；
基于历史数据以
Figure FDA0003829731260000022
构成的数据集训练第一神经网络，利用训练好的第一神经网络来预测更大风速值所对应的概率密度值，得到区间风速从Vt_1～Vt_n之间的离散的数据点，采用高斯分布分别拟合每一区间风速Vt下对应的风速变化量ΔVt的概率密度曲线fj,j＝1,2,3……n，得到区间风速从Vt_1到Vt_n的范围内的概率密度函数；实现概率密度模型从区间风速Vt_1～Vt_m到风速Vt_1～Vt_n的外推，其中n>m；
再对每个区间风速下对应风速变化量ΔVt的概率密度曲线中的一组高斯分布参数分别与区间风速进行拟合，再利用粒子群算法对拟合后的表达式中的参数进行优化，进而得到风速从Vt_1到Vt_n的范围内的概率密度函数表达式，即广义的风速-变化量的联合概率密度模型；
3)建立风速低频分量的风速变化量的区间约束
利用历史数据建立起风速变化量的区间约束函数，以此为约束条件进行第一神经网络的修正；
对风速的历史数据，按照时间序列计算其风速变化量ΔVt，再次将区间风速Vt_1～Vt_m进行等分，等分为M份，M大于m，取区间中点作为风速低频分量的区间风速值，用Vt_i(i＝1,2…M)，来表示；将风速变化量按照低频分量的区间风速值进行分组并带着风速变化量对风速的低频分量从小到大进行排序，分别统计每个低频分量的区间风速值对应风速变化量ΔVt的最大、最小值，分别记为
Figure FDA0003829731260000031
和
Figure FDA0003829731260000032
将风速低频分量的区间风速值为输入，与其对应的风速变化量ΔVt的最大值为目标输出，训练第二神经网络；
将风速低频分量的区间风速值为输入，与其对应的风速变化量ΔVt的最小值为目标输出，训练第三神经网络；
通过第二神经网络和第三神经网络实现对风速变化量区间的外推，得到风速范围在Vt_1～Vt_n对应的风速变化量ΔVt的最大值、最小值；
将风速范围在Vt_1～Vt_n低频分量的区间风速值与其对应的风速变化量ΔVt最大值、最小值的函数关系进行拟合，得到每个低频分量的区间风速值下风速变化量的区间约束，并通过粒子群算法分别进行优化，得到优化后的风速变化量的区间约束如公式(1)所示；
Figure FDA0003829731260000033
式中ΔVt_max为风速变化量最大值与区间风速的函数，ΔVt_min为风速变化量最小值与区间风速的函数，则区间风速Vt＝Vt_i时对应的风速变化量区间为：
Figure FDA0003829731260000034
式中，
Figure FDA0003829731260000035
表示区间风速为Vt_i时的风速变化量，
Figure FDA0003829731260000036
为区间风速为Vt_i时风速变化量的最大值，
Figure FDA0003829731260000037
为区间风速为Vt_i时风速变化量的最小值；
公式(2)即为风速变化量区间约束函数；
4)实现风速高频分量的最值外推
在步骤3)的基础上，将区间风速Vt_1～Vt_m等分为M份，取区间中点作为风速低频分量的区间风速值，用Vt_i(i＝1,2…M)，找出每个低频分量的区间风速值对应的高频分量Vf，带着高频分量Vf对低频分量的区间风速值从小到大排序，分别获得每个低频分量的区间风速值对应的风速高频分量的最大、最小值，记为Vf_max和Vf_min；
以低频分量的区间风速值为输入，以与其对应的风速高频分量Vf的最大值为目标输出训练第四神经网络；
以低频分量的区间风速值为输入，以与其对应的风速高频分量Vf的最小值为目标输出训练第五神经网络；
利用训练好的第四神经网络和第五神经网络实现风速高频分量最大值和最小值的外推，得到区间风速范围在Vt_1～Vt_n对应的风速高频分量Vf的最大值、最小值；
5)针对风速高频分量建立通用描述模型，
对风速范围在Vt_1～Vt_n对应的风速高频分量Vf的最大值、最小值与低频分量的区间风速值的函数关系进行拟合，并通过粒子群算法对其函数关系中的参数进行优化得到广义的风速高频分量的最值与低频分量的区间风速值的函数关系，参见公式(8)；
Figure FDA0003829731260000041
式中，Vf_min是风速高频分量的最小值，Vf_max是风速高频分量的最大值，h1(x)、h2(x)表示为变量Vt的函数；
将每个区间风速下风速高频分量Vf标幺化到[0,1]；
Figure FDA0003829731260000042
记h3(Vt)＝Vf_max-Vf_min，
Figure FDA0003829731260000043
因为这两个值是关于低频分量Vt的函数，在风速低频分量的大小确定时h3(Vt)、h4(Vt)为定值，则式(9)可改写为：
Figure FDA0003829731260000044
其中，
Figure FDA0003829731260000045
为标幺化后的风速高频分量；
式(10)即为广义的风速高频分量的通用描述模型；
上述广义的风速-变化量的联合概率密度模型和广义的风速高频分量的通用描述模型构成基于神经网络外推的风速概率模型。
6.根据权利要求5所述的建模方法，其特征在于，步骤1)中提到的风速-变化量联合概率密度模型表达式为式(3)，每个区间风速下的概率密度函数都具有参数项
Figure FDA0003829731260000046
分别为概率密度函数的高斯表达式中的均值和标准差参数，二者均是区间风速值Vt的函数，采用幂函数模型对区间风速和当前概率密度函数的各个参数进行拟合，获得拟合后的相应参数公式，带入公式(3)即获得优化后的风速-变化量联合概率密度模型；
Figure FDA0003829731260000047
其中，ΔVt为风速的变化量；
Figure FDA0003829731260000048
为风速-变化量的联合概率密度。
7.根据权利要求5所述的建模方法，其特征在于，在确定了风速变化量的区间约束后，在进行第一神经网络训练过程中：以(Vt_j,ΔVt_k)(j＝1,2…m,k＝1,2…,s)作为第一神经网络的输入，以概率密度值
Figure FDA0003829731260000051
作为第一神经网络的目标输出，以目标输出与实际输出之间误差最小为损失函数，通过第一神经网络的训练使输出跟随输入变化而变化，当网络的损失函数小于设定误差δ或达到迭代次数时结束训练，δ接近于0；
在第一神经网络预测阶段，当输入的风速低频分量的区间风速Vt_j、变化量不满足区间约束，即变化量不在风速范围在Vt_1～Vt_n对应的风速变化量ΔVt的最大值、最小值之间时，修正第一神经网络的输出为ε以下，ε为接近于0的某一数值，数量级在10-3以下。
8.根据权利要求5所述的建模方法，其特征在于，对步骤1)获得的风速-变化量联合概率密度模型进行优化，选用分布模型分别拟合风速低频分量的每一区间风速下对应的变化量的概率密度函数fj，每一概率密度函数均对应一组参数，结合指数模型和幂函数模型这两种拟合模型对区间风速与其对应的概率密度函数中的一组参数的函数关系进行拟合，其中，指数模型和幂函数模型的基本表达式为：
Figure FDA0003829731260000052
式中，a为常数，Q为模型中幂函数的个数，P为模型中指数函数的个数，c1q为第q个幂函数的系数，k1q为第q个幂函数的幂，c2p为第p个指数的系数，k2p为第p个指数的底；
并对拟合后的表达式中的参数进行粒子群算法的优化，确定了每一概率密度函数中的一组参数的表达式，进而带入风速-变化量联合概率密度模型，得到优化后的风速-变化量联合概率密度模型。
CN202110834702.XA 2021-07-23 2021-07-23 一种基于神经网络外推的风速概率模型的建模方法 Active CN113536685B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110834702.XA CN113536685B (zh) 2021-07-23 2021-07-23 一种基于神经网络外推的风速概率模型的建模方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110834702.XA CN113536685B (zh) 2021-07-23 2021-07-23 一种基于神经网络外推的风速概率模型的建模方法

Publications (2)

Publication Number Publication Date
CN113536685A CN113536685A (zh) 2021-10-22
CN113536685B true CN113536685B (zh) 2023-02-07

Family

ID=78120560

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110834702.XA Active CN113536685B (zh) 2021-07-23 2021-07-23 一种基于神经网络外推的风速概率模型的建模方法

Country Status (1)

Country Link
CN (1) CN113536685B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7166498B1 (ja) * 2022-02-10 2022-11-07 三菱電機株式会社 風況学習装置、風況予測装置、及びドローンシステム

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106920010A (zh) * 2017-03-06 2017-07-04 云南电网有限责任公司电力科学研究院 风电场风速预测方法及装置
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
CN111353652A (zh) * 2020-03-13 2020-06-30 大连理工大学 一种风电出力短期区间预测方法
CN111353641A (zh) * 2020-02-26 2020-06-30 西南交通大学 一种基于高铁沿线风速风向联合分布建模的方法
CN112329339A (zh) * 2020-10-27 2021-02-05 河北工业大学 一种风电场短期风速预测方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106779139A (zh) * 2016-11-15 2017-05-31 贵州大学 基于小波分解和二阶灰色神经网络的短期风速预测方法
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
CN108022025B (zh) * 2017-12-28 2020-08-18 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
US10871594B2 (en) * 2019-04-30 2020-12-22 ClimateAI, Inc. Methods and systems for climate forecasting using artificial neural networks

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106920010A (zh) * 2017-03-06 2017-07-04 云南电网有限责任公司电力科学研究院 风电场风速预测方法及装置
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
CN111353641A (zh) * 2020-02-26 2020-06-30 西南交通大学 一种基于高铁沿线风速风向联合分布建模的方法
CN111353652A (zh) * 2020-03-13 2020-06-30 大连理工大学 一种风电出力短期区间预测方法
CN112329339A (zh) * 2020-10-27 2021-02-05 河北工业大学 一种风电场短期风速预测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Short-term Wind Speed Prediction Based on CNN_GRU Model;Huai Nana et al.;《2019 Chinese Control And Decision Conference (CCDC)》;20190912;全文 *
基于LSTM长短期记忆网络的超短期风速预测;魏昱洲 等;《电子测量与仪器学报》;20190215;第33卷(第2期);全文 *
基于PWMM的三参数Weibull分布参数外推方法的研究;周齐 等;《太阳能学报》;20210228;第42卷(第2期);全文 *

Also Published As

Publication number Publication date
CN113536685A (zh) 2021-10-22

Similar Documents

Publication Publication Date Title
CN108846517B (zh) 一种分位数概率性短期电力负荷预测集成方法
CN111783953B (zh) 一种基于优化lstm网络的24点电力负荷值7日预测方法
CN102693451B (zh) 基于多参数的氨法烟气脱硫效率预测方法
CN111369070B (zh) 一种基于包络线聚类的多模融合光伏功率预测方法
CN111401755B (zh) 基于马尔科夫链的多新能源出力场景生成方法、装置及系统
CN111523728B (zh) 一种四阶段混合短时风向预测方法
CN107909227A (zh) 超短期预测风电场功率的方法、装置及风力发电机组
CN113544599A (zh) 执行过程并优化在该过程中使用的控制信号的方法
CN112580588B (zh) 一种基于经验模态分解的颤振信号智能识别方法
CN111222707B (zh) 一种基于时间序列突变误差校正的风速预测方法
CN113536685B (zh) 一种基于神经网络外推的风速概率模型的建模方法
CN112712215A (zh) 一种风电场功率预测方法
CN115048804A (zh) 一种城市管网多传感器优化部署方法
CN106503861A (zh) 基于概率统计和粒子群优化的多气象源风速融合的风电功率预测方法
CN109146131A (zh) 一种日前风力发电预测方法
CN114971090A (zh) 一种电供暖负荷预测方法、系统、设备和介质
CN113964884A (zh) 基于深度强化学习的电网有功频率的调控方法
CN110365014B (zh) 一种考虑电压灵敏度时变特性的电压分区方法
CN107451660A (zh) 模糊神经网络bp训练过程中的步长优化方法
CN111476402A (zh) 耦合气象信息与emd技术的风电发电能力预测方法
CN109459609B (zh) 一种基于人工神经网络的分布式电源频率检测方法
CN116259109A (zh) 基于生成式自监督学习和对比学习的人体行为识别方法
CN112766537B (zh) 一种短期电负荷预测方法
CN113536686B (zh) 一种风速的概率模型的建模方法
CN113111588A (zh) 一种燃气轮机nox排放浓度预测方法及装置

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