CN114565186A - 一种基于广义回归神经网络的预测风速校正方法和系统 - Google Patents
一种基于广义回归神经网络的预测风速校正方法和系统 Download PDFInfo
- Publication number
- CN114565186A CN114565186A CN202210335025.1A CN202210335025A CN114565186A CN 114565186 A CN114565186 A CN 114565186A CN 202210335025 A CN202210335025 A CN 202210335025A CN 114565186 A CN114565186 A CN 114565186A
- Authority
- CN
- China
- Prior art keywords
- wind speed
- deviation
- prediction
- predicted
- neural network
- 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
Images
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
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- 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
- G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
- G06N3/061—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using biological neurons, e.g. biological neurons connected to an integrated circuit
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Neurology (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Wind Motors (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本发明公开了一种基于广义回归神经网络的预测风速校正方法和系统,所述方法包括:收集风电场站的历史实测风速数据和数值气象预报数据;分析实测风速与预测风速之间偏差和各个气象因子之间的非线性关系;构建并划分训练数据集和验证样本集;基于广义回归神经网络构建风速预测校正模型,对模型进行训练和验证,所述风速预测校正模型为所述偏差和各个气象因子之间的非线性函数关系式;采用风速预测校正模型对未来预测的风速进行校正,评价校正结果。本发明可以提高风速预测精度,进而实现新能源场站发电功率的精准预测和电网调度中心辅助决策优化。
Description
技术领域
本发明属于风力发电技术领域,涉及一种基于广义回归神经网络的预测风速校正方法和系统。
背景技术
风力发电是风能利用的主流形式,近数十年来受到国内外学者和工业界的广泛关注并已经成为中国继火电、水电之后的第三大电能来源。
然而,风能具有随机特性,存在复杂的非线性和季节性变化,且较大程度上受风电场微观地址的影响。迄今为止,如何提高风速预测的准确性一直是一个难题,这对风电大规模接入后电网的高效消纳和稳定运行意义重大。
数值天气预报是指在初值和边界的约束下,通过大量的运算来求解气象数据模型,将求出的解作为未来一段时间内的不同气象要素的预报值。数值天气预报影响风电场的功率预测,如果计算出的数值天气预报不准确,那么风电场的功率预测可信度大大地降低。此外,风速和实测功率为强相关变量,若预测的风速、功率数据与实测数据相差超出电网的要求,发电运营商将面临一定的经济惩罚。
为此,在数据天气预报的基础上,构建实测风速和各个预测气象因子之间的非线性数学模型关系,对数值气象预报中的预测风速进行校正意义重大。
发明内容
为解决现有技术中存在的不足,本发明的目的在于,提供一种基于广义回归神经网络的预测风速校正方法和系统,能够对风电场站的数值气象预报进行优化,提高风电场站的风速预测精度,进而提高场站的运营性能。
为了实现上述目标,本发明采用如下技术方案:
一种基于广义回归神经网络的预测风速校正方法,包括以下步骤:
S1、收集风电场站的历史实测风速数据和数值气象预报数据,提取实测风速数据和包括预测风速在内的各个气象因子预报数据;
S2、分析实测风速与预测风速之间偏差et和各个气象因子之间的非线性关系,确定校正结果的评价指标;
S3、采用实测风速数据和各个气象因子预报数据构成样本数据集并进行训练数据集和验证样本集划分;
S4、基于广义回归神经网络构建风速预测校正模型,采用训练数据集和验证样本集对模型进行训练和验证,所述风速预测校正模型为所述偏差et和各个气象因子之间的非线性函数关系式;
S5、采用训练和验证后的风速预测校正模型对未来预测的风速进行校正,采用评价指标评价校正结果。
本发明进一步包括以下优选方案:
优选地,所述S1中的数值天气预报数据,包括如下气象因子的数据:
预测风速、预测温度、预测气压、预测湿度、预测降水和预测累计降水。
优选地,所述S2的非线性关系具体包括:
偏差et与各个气象因子的非线性关系如下:
et=f(vf,Tf,APf,Hf,Rf,Pf) (1)
式中:vf为预测风速、Tf为预测温度、APf为预测气压、Hf为预测湿度、Rf为预测降水和Pf为预测累计降水;
对上述非线性关系进行如下分析:
假定t时刻的实测风速和预测风速分别为vmt和vft,那么t时刻的偏差et为:
et=vmt-vft (2)
假定t时刻预测风速vft的校正偏差为ect,那么预测校正风速vfct为:
vfct=vft+ect (3)
定义风速预测的改善因子α为:
α=(et-ect)/et,et≠0 (4)
将式(2)和(3)代入式(4),可得:
vmt-vfct=(vmt-vft)·α (5)
由式(5)易知,预测校正的偏差结果是原始预测偏差的α倍;
根据α的取值范围,可得如下结论:
1)如果α=0,那么et=ect和vmt=vfct,预测校正过程完全消除预测偏差;
2)如果0<α<1,那么|vmt-vfct|<|vmt-vft|,预测校正偏差远小于原始预测偏差,且两者方向相同;
3)如果-1<α<0,那么|vmt-vfct|<|vmt-vft|,原始预测偏差远大于预测校正偏差,但两者方向相反;
4)如果1<α或a<-1,那么|vmt-vfct|>|vmt-vft|,预测校正偏差远大于原始预测偏差,意味着校正工作失败;
由以上分析易知,只有当0≤α<1,风速预测校正的过程才是有意义的,因此将该结论作为模型校正结果的评价指标。
优选地,所述S4具体包括:
S4.1、对样本数据进行归一化处理,初始化径向基扩展因子δ和模式测试偏差平方和,建立选取δ的循环;
S4.2、创建广义回归神经网络模型,用训练数据集训练广义回归神经网络模型;
S4.3、利用验证样本集测试广义回归神经网络模型的泛化能力,若本次测试误差平方和和小于前一次结果,说明当前δ的情况下,泛化能力比上次优,以此寻找泛化能力最强作用下的δ和广义回归神经网络模型;
所构建的泛化能力最强的广义回归神经网络模型即是需要构建的非线性函数关系式f,也是所述的风速预测校正模型。
优选地,所述广义回归神经网络包括输入层、模式层、求和层和输出层;
所述输入层神经元的数目等于学习样本中输入向量的维数,各神经元是简单的分布单元,直接将输入变量传递给模式层;
所述模式层神经元数目等于学习样本的数目n,各神经元对应不同的样本,
所述求和层中使用两种类型神经元进行求和;
所述输出层中的神经元数目等于学习样本中输出向量的维数k,各神经元将求和层的输出相除。
优选地,所述模式层中,神经元传递函数为:
式中:X为网络输入变量,Xi为第i个神经元对应的学习样本,δ为径向基扩展因子。
优选地,所述求和层中使用如下两种类型神经元进行求和:
其对所有模式层神经元的输出进行算术求和,其模式层与各神经元的连接权值为1,传递函数为:
其对所有模式层的神经元进行加权求和,模式层中第i个神经元与求和层中第j个分子求和神经元之间的连接权值为第i个输出样本Yi中的第j个元素,传递函数为:
yj=SNj/SD (9)。
优选地,所述S5的采用训练和验证后的风速预测校正模型对未来预测的风速进行校正具体包括:
风速预测校正模型读入待预测校正的数据,将风速预测校正模型输出的预测偏差ect叠加到预测的风速上,即可实现对未来预测的风速校正。
一种基于广义回归神经网络的预测风速校正系统,所述系统实现上述的基于广义回归神经网络的预测风速校正方法。
本发明的有益效果在于,与现有技术相比:
本发明先分析实测风速与预测风速之间偏差和数值天气预报的各个气象因素之间的非线性关系,首次利用广义回归神经网络算法构建风速预测校正模型,得到风速偏差和各个气象因素之间的非线性函数f,将训练好的风速预测校正模型对未来预测的风速进行校正,采用评价指标评价校正结果,并将预测校正风速送入风功率预测模型,输出风电场站的预测功率,本发明可以提高风速预测精度,进而实现新能源场站发电功率的精准预测和电网调度中心辅助决策优化。
附图说明
图1为本发明实施例提供的一种基于广义回归神经网络的风速预测校正方法流程图;
图2为本发明实施例提供的广义回归神经网络的结构框图;
图3为本发明实施例提供的建立风速预测校正模型的流程图;
图4为本发明实施例提供的基于广义回归神经网络的风速预测校正的结果图;
图5为本发明实施例提供的基于BP神经网络的风速预测校正的结果图;
图6为本发明实施例提供的不同算法的风速预测校正结果对比图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
如图1所示,本发明的实施例1提供了一种基于和广义回归神经网络的风速预测校正方法,在本发明优选但非限制性的实施方式中,所述方法具体包括如下步骤:
S1、收集风电场站的历史实测风速数据和数值气象预报数据,提取实测风速数据和包括预测风速在内的各个气象因子预报数据;
进一步优选地,数值天气预报数据,包括如下气象因子的数据:
预测风速、预测温度、预测气压、预测湿度、预测降水和预测累计降水等因子数据。
S2、分析实测风速与预测风速之间偏差et和各个气象因子之间的非线性关系,确定校正结果的评价指标;
通常实测风速与预测风速之间存在一定的偏差,实际偏差et与各个气象因子参数的非线性关系如下:
et=f(vf,Tf,APf,Hf,Rf,Pf) (1)
式中:vf为预测风速、Tf为预测温度、APf为预测气压、Hf为预测湿度、Rf为预测降水和Pf为预测累计降水;
对上述非线性关系进行如下分析:
假定t时刻的实测风速和预测风速分别为vmt和vft,那么t时刻的实际偏差 et为:
et=vmt-vft (2)
假定t时刻预测风速vft的校正偏差为ect,那么预测校正风速vfct为:
vfct=vft+ect (3)
定义风速预测的改善因子α为:
α=(et-ect)/et,et≠0 (4)
将式(2)和(3)代入式(4),可得:
vmt-vfct=(vmt-vft)·α (5)
由式(5)易知,预测校正的偏差结果是原始预测偏差的α倍;
根据α的取值范围,可得如下结论:
1)如果α=0,那么et=ect和vmt=vfct,预测校正过程完全消除预测偏差;
2)如果0<α<1,那么|vmt-vfct|<|vmt-vft|,预测校正偏差远小于原始预测偏差,且两者方向相同;
3)如果-1<α<0,那么|vmt-vfct|<|vmt-vft|,原始预测偏差远大于预测校正偏差,但两者方向相反;
4)如果1<α或a<-1,那么|vmt-vfct|>|vmt-vft|,预测校正偏差远大于原始预测偏差,意味着校正工作失败;
由以上分析易知,只有当0≤α<1,风速预测校正的过程才是有意义的,因此可以将该结论作为模型校正结果的评价指标。
该结论目前用于校正结果的评价,详见下文图6及其相关表述,未来还可以将其作为模型训练的经验知识。
S3、采用实测风速数据和各个气象因子预报数据构成样本数据集并进行训练数据集和验证样本集划分;
S4、基于广义回归神经网络构建风速预测校正模型,采用训练数据集和验证样本集对模型进行训练和验证,所述风速预测校正模型为所述偏差et和各个气象因子之间的非线性函数关系式;
所述利用广义回归神经网络来构建et和各个气象因子之间的非线性函数f:
广义回归神经网络广义回归神经网络作为径向基神经网络的一种,具有很强的非线性映射能力和柔性结构以及高度的容错性和鲁棒性,适合用于解决非线性问题。其在逼近能力和学习速度上较径向基神经网络具有更强的优势,网络最后收敛于样本量积聚较多的优化回归面,并且在样本数据较少时,预测效果也较好。此外还可以处理不稳定的数据。
进一步优选地,广义回归神经网络的网络结构如图2所示,其由输入层、模式层、求和层和输出层组成,且输入层、模式层、求和层和输出层的神经元个数分别为6,6,6,1。
输入层神经元的数目等于学习样本中输入向量的维数,实施例中,输入向量的维数为6,其包括预测风速、预测温度、预测气压、预测湿度、预测降水和预测累计降水。各神经元是简单的分布单元,直接将输入变量传递给模式层。
模式层神经元数目等于学习样本的数目n,各神经元对应不同的样本,模式层神经元传递函数为:
式中:X为网络输入变量;Xi为第i个神经元对应的学习样本,其为神经元 i的输出(即某一组气象预报数据经过神经元的值);δ为径向基扩展因子。
求和层中使用两种类型神经元进行求和:
一个连接权值,举例为:比如y12=0.2。
yj=SNj/SD (9)
进一步优选地,风速预测校正模型的简要工作流程如图3所示,所述S4具体包括:
S4.1、程序初始化主要包括对样本数据进行归一化处理,初始化径向基扩展因子δ和模式测试偏差平方和,建立选取δ的循环;
S4.2、创建广义回归神经网络模型,用训练数据集训练广义回归神经网络模型;
S4.3、利用验证样本集测试广义回归神经网络模型的泛化能力,若本次测试误差平方和和小于前一次结果,说明当前δ的情况下,泛化能力比上次优,以此寻找泛化能力最强作用下的δ和广义回归神经网络模型;
所构建的泛化能力最强的广义回归神经网络模型即是需要构建的非线性函数关系式f,也是所述的风速预测校正模型。
S5、采用训练和验证后的风速预测校正模型对未来预测的风速进行校正,采用评价指标评价校正结果。
进一步优选地,所述采用训练和验证后的风速预测校正模型对未来预测的风速进行校正具体包括:
风速预测校正模型读入待预测校正的数据(包括数值天气预报的预测风速、预测温度、预测气压、预测湿度、预测降水和预测累计降水),将广义回归神经网络模型输出的预测偏差ect叠加到预测风速上,实现对风速的预测校正。
校正结果的评价,详见下文图6及其相关表述。
在此基础上,可以将所述将预测校正的风速作为风电场站的功率预测模型的输入,风电场站的功率预测模型输出风电场站的预测功率,风电场站的功率预测模型采用常用的风功率曲线法。
本申请的一种基于广义回归神经网络的预测风速校正系统,用于实现上述的基于广义回归神经网络的预测风速校正方法。
实施与验证分析:
具体实施结合西北某风电场站的1个月的实际运行数据,应用本发明所提出的风速预测校正方法,用5月3日-5月25日的样本进行广义回归神经网络模型训练与验证;
其中18天的数据集用来训练广义回归神经网络模型,剩余5天的数据用来验证广义回归神经网络模型。
用5月26-5月31日的样本作为预测数据集,测试基于广义回归神经网络和 NWP的风速预测校正模型的效果。
广义回归神经网络模型的输入量为vf、Tf、APf、Hf、Rf和Pf,广义回归神经网络模型的输出量为et。
对5月26日-5月31日5天的预测风速进行校正,如图4所示是基于广义回归神经网络和NWP的风速预测误差校正模型的校正结果,图4(a)和4(b)分别为 5月26日和5月27日的校正结果,明显可以看出,本发明方法对NWP的预测风速进行校正,提高了风速预测水平,使得预测校正风速在大部分情况下更接近实测风速。
为了说明本文提出算法的先进性,图5为基于BP神经网络的风速预测校正较优结果,也可以对预测风速进行一点的校正,但会因每次初始权值的不确定性,每次风速预测校正结果有一定的偏差。为了量化描述是否进行风速预测校正和不同方法的实验效果,建立风速预测校正评价指标,包括平均绝对误差mae、平均相对误差mre和均方根误差rmse:
式中:n为预测校正的数据个数。
未进行风速预测校正、基于广义回归神经网络的预测风速校正和基于BP神经网络的预测风速校正等结果如图6所示,基于BP神经网络和基于广义回归神经网络的预测校正技术的结果相比于未风速预测校正而言,两种算法的改善因子 (改善因子用于预测校正效果的评价)、平均绝对误差、平均相对误差和均方根误差都大幅度减小。与BP神经网络的预测风速校正结果相比,广义回归神经网络的预测风速校正结果更优。
基于广义回归神经网络的风速预测校正模型可有效地校正已有的预测风速,提高预测精度。同时广义回归神经网络的径向基扩展因子对预测校正模型的泛化能力影响明显。与无风速预测校正和基于BP神经网络的风速预测校正结果相比,基于广义回归神经网络的风速预测校正模型在改善因子、平均绝对误差、平均相对误差和均方根误差有明显优势,且调节参数少。
进一步地,将所述将预测校正的风速可以作为风电场站的功率预测模型的输入,风电场站的功率预测模型输出风电场站的预测功率。风电场站的功率预测模型采用常用的风功率曲线法。
本发明的有益效果在于,与现有技术相比:
本发明先分析实测风速与预测风速之间偏差和数值天气预报的各个气象因素之间的非线性关系,再利用广义回归神经网络算法构建风速预测校正模型,得到风速偏差和各个气象因素之间的非线性函数f,将训练好的风速预测校正模型对未来预测的风速进行校正,采用评价指标评价校正结果,并将预测校正风速送入风功率预测模型,输出风电场站的预测功率,本发明可以提高风速预测精度,进而实现新能源场站发电功率的精准预测和电网调度中心辅助决策优化。
本发明申请人结合说明书附图对本发明的实施示例做了详细的说明与描述,但是本领域技术人员应该理解,以上实施示例仅为本发明的优选实施方案,详尽的说明只是为了帮助读者更好地理解本发明精神,而并非对本发明保护范围的限制,相反,任何基于本发明的发明精神所作的任何改进或修饰都应当落在本发明的保护范围之内。
Claims (11)
1.一种基于广义回归神经网络的预测风速校正方法,其特征在于:
所述方法包括以下步骤:
S1、收集风电场站的历史实测风速数据和数值气象预报数据,提取实测风速数据和包括预测风速在内的各个气象因子预报数据;
S2、分析实测风速与预测风速之间偏差et和各个气象因子之间的非线性关系,确定校正结果的评价指标;
S3、采用实测风速数据和各个气象因子预报数据构成样本数据集并进行训练数据集和验证样本集划分;
S4、基于广义回归神经网络构建风速预测校正模型,采用训练数据集和验证样本集对模型进行训练和验证,所述风速预测校正模型为所述偏差et和各个气象因子之间的非线性函数关系式;
S5、采用训练和验证后的风速预测校正模型对未来预测的风速进行校正,采用评价指标评价校正结果。
2.根据权利要求1所述的一种基于广义回归神经网络的预测风速校正方法,其特征在于:
所述S1中的数值天气预报数据,包括如下气象因子的数据:
预测风速、预测温度、预测气压、预测湿度、预测降水和预测累计降水。
3.根据权利要求1所述的一种基于广义回归神经网络的预测风速校正方法,其特征在于:
所述S2的非线性关系具体包括:
偏差et与各个气象因子的非线性关系如下:
et=f(vf,Tf,APf,Hf,Rf,Pf) (1)
式中:vf为预测风速、Tf为预测温度、APf为预测气压、Hf为预测湿度、Rf为预测降水和Pf为预测累计降水。
4.根据权利要求3所述的一种基于广义回归神经网络的预测风速校正方法,其特征在于:
所述S2中,对实测风速与预测风速之间偏差et和各个气象因子之间的非线性关系进行如下分析:
假定t时刻的实测风速和预测风速分别为vmt和vft,那么t时刻的偏差et为:
et=vmt-vft (2)
假定t时刻预测风速vft的校正偏差为ect,那么预测校正风速vfct为:
vfct=vft+ect (3)
定义风速预测的改善因子α为:
α=(et-ect)/et,et≠0 (4)
将式(2)和(3)代入式(4),可得:
vmt-vfct=(vmt-vft)·α (5)
由式(5)易知,预测校正的偏差结果是原始预测偏差的α倍;
根据α的取值范围,可得如下结论:
1)如果α=0,那么et=ect和vmt=vfct,预测校正过程完全消除预测偏差;
2)如果0<α<1,那么|vmt-vfct|<|vmt-vft|,预测校正偏差远小于原始预测偏差,且两者方向相同;
3)如果-1<α<0,那么|vmt-vfct|<|vmt-vft|,原始预测偏差远大于预测校正偏差,但两者方向相反;
4)如果1<α或a<-1,那么|vmt-vfct|>|vmt-vft|,预测校正偏差远大于原始预测偏差,意味着校正工作失败;
由以上分析易知,只有当0≤α<1,风速预测校正的过程才是有意义的,因此将该结论作为模型校正结果的评价指标。
5.根据权利要求1所述的一种基于广义回归神经网络的预测风速校正方法,其特征在于:
所述S4具体包括:
S4.1、对样本数据进行归一化处理,初始化径向基扩展因子δ和模式测试偏差平方和,建立选取δ的循环;
S4.2、创建广义回归神经网络模型,用训练数据集训练广义回归神经网络模型;
S4.3、利用验证样本集测试广义回归神经网络模型的泛化能力,若本次测试误差平方和和小于前一次结果,说明当前δ的情况下,泛化能力比上次优,以此寻找泛化能力最强作用下的δ和广义回归神经网络模型;
所构建的泛化能力最强的广义回归神经网络模型即是需要构建的非线性函数关系式f,也是所述的风速预测校正模型。
6.根据权利要求1所述的一种基于广义回归神经网络的预测风速校正方法,其特征在于:
所述广义回归神经网络包括输入层、模式层、求和层和输出层;
所述输入层神经元的数目等于学习样本中输入向量的维数,各神经元是简单的分布单元,直接将输入变量传递给模式层;
所述模式层神经元数目等于学习样本的数目,各神经元对应不同的样本;
所述求和层中使用两种类型神经元进行求和;
所述输出层中的神经元数目等于学习样本中输出向量的维数,各神经元将求和层的输出相除。
10.根据权利要求1所述的一种广义回归神经网络的预测风速校正方法,其特征在于:
所述S5的采用训练和验证后的风速预测校正模型对未来预测的风速进行校正具体包括:
风速预测校正模型读入待预测校正的数据,将风速预测校正模型输出的预测偏差ect叠加到预测的风速上,即可实现对未来预测的风速校正。
11.一种基于广义回归神经网络的预测风速校正系统,其特征在于:
所述系统实现权利要求1-10任意一项所述的基于广义回归神经网络的预测风速校正方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210335025.1A CN114565186A (zh) | 2022-03-31 | 2022-03-31 | 一种基于广义回归神经网络的预测风速校正方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210335025.1A CN114565186A (zh) | 2022-03-31 | 2022-03-31 | 一种基于广义回归神经网络的预测风速校正方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114565186A true CN114565186A (zh) | 2022-05-31 |
Family
ID=81719483
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210335025.1A Pending CN114565186A (zh) | 2022-03-31 | 2022-03-31 | 一种基于广义回归神经网络的预测风速校正方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114565186A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115049443A (zh) * | 2022-08-15 | 2022-09-13 | 国能日新科技股份有限公司 | 基于多尺度特征的自适应回归气象中长期优化方法及系统 |
-
2022
- 2022-03-31 CN CN202210335025.1A patent/CN114565186A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115049443A (zh) * | 2022-08-15 | 2022-09-13 | 国能日新科技股份有限公司 | 基于多尺度特征的自适应回归气象中长期优化方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108304623B (zh) | 一种基于堆栈降噪自动编码器的概率潮流在线计算方法 | |
CN107818395B (zh) | 一种基于测量不确定度的电能表误差迭代计算方法 | |
CN111900731B (zh) | 一种基于pmu的电力系统状态估计性能评价方法 | |
CN111369070A (zh) | 一种基于包络线聚类的多模融合光伏功率预测方法 | |
CN105354620A (zh) | 一种风机发电功率的预测方法 | |
CN105784556A (zh) | 一种基于自组织模糊神经网络的空气细颗粒物pm2.5软测量方法 | |
CN106650977A (zh) | 应用于新建风电场的短期功率预测方法 | |
CN111488896A (zh) | 一种基于多源数据挖掘的配电线路时变故障概率计算方法 | |
CN114091317A (zh) | 基于nwp辐照度修正和误差预测的光伏电站功率预测方法 | |
CN113991711B (zh) | 一种光伏电站储能系统容量配置方法 | |
CN117117819A (zh) | 一种光伏发电短期功率预测方法、系统、设备和介质 | |
CN114565186A (zh) | 一种基于广义回归神经网络的预测风速校正方法和系统 | |
CN116599050A (zh) | 基于自注意力机制的光伏预测方法及相关装置 | |
CN114692981A (zh) | 基于Seq2Seq模型的中长期径流预报方法和系统 | |
CN115358437A (zh) | 基于卷积神经网络的供电负荷预测方法 | |
CN111062516A (zh) | 一种基于gmdh多变量处理的风机出力预测的方法 | |
CN113281229B (zh) | 一种基于小样本下多模型自适应大气pm2.5浓度预测方法 | |
CN114189047A (zh) | 面向有源配电网状态估计的虚假数据检测与修正方法 | |
CN113408192A (zh) | 基于ga-fsvr的智能电表误差预测方法 | |
CN117200223A (zh) | 日前电力负荷预测方法和装置 | |
Gan et al. | Prediction of air pollutant concentration based on luong attention mechanism Seq2Seq model | |
CN116307139A (zh) | 一种优化与改进极限学习机的风电功率超短期预测方法 | |
CN111273212B (zh) | 数据驱动的电量传感器误差在线评测闭环改进方法、系统及介质 | |
CN105699043B (zh) | 一种提高风洞传感器测量稳定性和精准度的方法 | |
CN114861555A (zh) | 一种基于Copula理论的区域综合能源系统短期负荷预测方法 |
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 |