[發明專利]一種基于改進型神經網絡的短期風功率預測方法

有效

• 申請號: 201710429519.5
• 申請日: 2017-06-08
• 公開（公告）號: CN107330248B
• 公開（公告）日: 2020-06-19
• 發明（設計）人: 楊蘋;鄭成立;黃梓健;何婷;宋嗣博;張育嘉;彭嘉俊;劉澤健;許志榮
• 申請（專利權）人: 華南理工大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06N3/04
• 代理公司: 廣州粵高專利商標代理有限公司 44102
• 代理人: 何淑珍

本發明公開了一種基于改進型神經網絡的短期風功率預測方法。本發明選擇神經網絡算法和粒子群算法相結合，構建了一種基于改進型神經網絡的短期風功率預測方法，包含離線參數尋優和預測算法主體兩部分。離線參數尋優的歷史數據集包含兩個月的歷史數據，每周更新一次，并將輸出的最優參數傳遞給預測算法主體；預測算法主體的風功率預測模型結合預測風速風向和離線尋優參數，完成短期風功率預測，并輸出風功率預測結果。本發明所提的方法實用性強，具有收斂速度快、精度高、全局最優的特點。

技術領域

本發明屬于風功率預測技術領域，具體涉及一種基于改進型神經網絡的短期風功率預測方法。

背景技術

全球氣候變暖以及常規化石能源的日益枯竭等一系列的全球性問題，引起了人們對新能源的廣泛關注。風電相比其他可再生能源而言，技術更成熟，其效率也更高，發展迅速。截至2014年底，全球風電累計裝機容量達到359.7GW。預計2018年以后，伴隨著市場的良性發展，全球陸上風電年新增裝機容量將超過55GW。

然而，風電具有波動性、間歇性，隨著并網風電系統在電網中的比例不斷增大，給電力系統的安全穩定運行帶來嚴峻的挑戰。做好風力發電預測工作，可有效提高整個電力系統運行的可靠性和安全性，對我國未來更好地開發利用風力發電具有十分重要的意義。

目前應用于短期風功率預測的方法主要有以下幾種：持續法、卡爾曼濾波法、遺傳算法、神經網絡法。持續法簡單易操作，但適合用于超短期預測，應用范圍窄；卡爾曼濾波法，適合實時在線預測，但需要假定己知噪聲統計特性，實用性差；神經網絡法具有非線性、容錯性、自學習和自適應等能力，但本質上屬于局部優化搜索，可能陷入局部極值；遺傳算法具有全局優化能力，但需要選擇、雜交、變異、評價等操作，計算復雜。

發明內容

本發明的主要目的在于，針對上述現有技術中的不足，提出一種基于改進型神經網絡的短期風功率預測方法。

本發明至少通過如下技術方案之一實現。、

一種基于改進型神經網絡的短期風功率預測方法，包含離線參數尋優和預測算法主體兩部分；離線參數尋優的歷史數據集包含兩個月的歷史數據，每周更新一次，選擇神經網絡算法和粒子群算法相結合，并將輸出的最優參數傳遞給預測算法主體；預測算法主體的風功率預測模型結合預測風速風向和離線尋優參數，完成短期風功率預測，并輸出風功率預測結果。

(1)離線參數尋優步驟如下：

步驟1：將收集的兩個月歷史數據分成歷史風速風向X、歷史風功率Y兩部分；

步驟2：歷史風速風向X、歷史風功率Y輸入到基于神經網絡的風功率預測模型中，得到神經網絡預測風功率O，作為粒子群算法的輸入；

步驟3：計算歷史風功率Y與神經網絡預測風功率O的平均絕對百分比誤差ε，作為粒子群算法的目標函數，神經網絡算法的連接權值w、隱含層閥值a和輸出層閥值b作為粒子群算法的解；

步驟4：精度達到要求或者達到迭代次數時，輸出粒子群算法的最優解，作為離線參數尋優的最優參數。

(2)預測算法主體如下：

將離線參數尋優的最優參數和未來三天的預測風速風向輸入到風功率預測模型中，輸出未來三天風功率的預測結果。

(3)基于神經網絡的風功率預測模型步驟如下：

步驟1：根據系統的輸入確定網絡參數，網絡參數包括輸入層節點數n、隱含層節點數l，輸出層節點數m，初始化各層之間的連接權值w，以及隱含層閥值a，輸出層閥值b，確定傳遞函數；

步驟2：由系統輸入的風速風向X，各層之間連接權值以及隱含層閥值，計算隱含層第j節點的值H_j如下式所示：