[發明專利]基于自適應神經模糊推理系統的風速超短期在線預測方法

有效

• 申請號: 201310571081.6
• 申請日: 2013-11-13
• 公開（公告）號: CN103559540A
• 公開（公告）日: 2014-02-05
• 發明（設計）人: 李衛;席林;佘慎思;楊文斌;曾旭
• 申請（專利權）人: 上海電氣集團股份有限公司
• 主分類號: G06N3/02
• 分類號: G06N3/02
• 代理公司: 上海兆豐知識產權代理事務所(有限合伙) 31241
• 代理人: 章蔚強

技術領域

本發明涉及風力發電并網接入技術領域，尤其涉及一種基于自適應神經模糊推理系統（ANFIS）的風速超短期在線預測方法。

背景技術

由于風電是一種間歇性、波動性能源，大規模的風電接入對電力系統的安全、穩定運行以及保證電能質量帶來了嚴峻挑戰。若能對風力發電場發電功率做出比較準確的預測，則可有效減輕風電對整個電網的影響，有助于電網調度部門及時制定合理的運行方式并準確地調整調度計劃，從而保證電力系統的可靠、優質、經濟地運行。

由于風電場的發電功率受風速影響最大，而風速受溫度、氣壓等多種因素的影響，具有很強的隨機性，要實現精確的預測難度很大。針對風速時間序列的建模，通常采用的方法有：（1）持續法。這是最簡單的一種方法，認為風速預測值等于最近幾個風速歷史值的滑動平均值，而且通常只把最近一點的風速觀測值作為下一點的預測值，該方法預測結果不穩定，誤差會隨著時間的增加快速變大；（2）自回歸滑動平均（ARMA）模型。該方法利用歷史數據，經過模型識別、參數估計、模型檢驗來確定一個能夠描述風速時間序列的數學模型,進而達到預測目的。該方法優于持續法，但由于ARMA仍是線性模型，因此預測精度有限；（3）神經網絡（ANN）方法。該方法屬于非線性方法，精度一般來說高于ARMA，但通常需要較多的歷史樣本，且建模時間較長，無法實現在線預測。因此，如何實現較高精度的風速超短期在線預測，成為本申請人致力于解決的問題。

發明內容

本發明的目的在于提供一種基于自適應神經模糊推理系統的風速超短期在線預測方法，能以較快的速度和較少的計算資源完成風速序列建模，實現風速的超短期在線預測，精度較高。

實現上述目的的技術方案是：

一種基于自適應神經模糊推理系統的風速超短期在線預測方法，包括下列步驟：

步驟S1，從歷史數據庫中提取風速數據，并對所有風速數據完成異常檢驗后，進行歸一化處理；

步驟S2，基于時間序列相關性度量標準提取訓練樣本集；

步驟S3，采用ANFIS對風速時間序列進行建模，模型為6維輸入1維輸出，采用減法聚類確定ANFIS模型的規則數和初始參數，并采用反向傳播算法和最小二乘法優化模糊模型參數；

步驟S4，輸入預測樣本，計算得到預測值；

步驟S5，判斷多步預測是否完成，若是，進入步驟S7；若否，進入步驟S6；

步驟S6，加入預測值形成新的樣本集，并返回步驟S2；

步驟S7，將預測值進行反歸一化處理，并進行異常檢驗。

上述的基于自適應神經模糊推理系統的風速超短期在線預測方法，其中，所述步驟S1包括：

步驟S11，從歷史數據庫中提取出當前時刻之前的N+6個連續的風速時間序列值v(t)作為原始樣本集，N為正整數；

步驟S12，判斷原始樣本集中的各個風速時間序列值v(t)是否異常，若是，進入步驟S13；若否，進入步驟S14；

步驟S13，對異常值v(t)進行平滑性處理，即：將前一時刻的正常數據v(t-1)代替該異常值v(t)；

步驟S14，按公式進行歸一化處理；

其中，v(t)是原始風速數據，x(t)是歸一化后的數據，min(v(t))指提取出的所有原始風速數據值中的最小值，max(v(t))指提取出的所有原始風速數據值中的最大值。