[發(fā)明專利]一種基于平行小波神經(jīng)網(wǎng)絡(luò)的風(fēng)力發(fā)電功率預(yù)測(cè)方法

在審

• 申請(qǐng)?zhí)枺?/td>: 201810891446.6
• 申請(qǐng)日: 2018-08-07
• 公開（公告）號(hào): CN109102118A
• 公開（公告）日: 2018-12-28
• 發(fā)明（設(shè)計(jì)）人: 王炳達(dá);柳義鵬;劉丕丕;高浩源;邢作霞
• 申請(qǐng)（專利權(quán)）人: 王炳達(dá)
• 主分類號(hào): G06Q10/04
• 分類號(hào): G06Q10/04;G06Q50/06;G06N3/08
• 代理公司: 沈陽(yáng)東大知識(shí)產(chǎn)權(quán)代理有限公司 21109
• 代理人: 李運(yùn)萍

本發(fā)明屬于分布式能源發(fā)電控制的技術(shù)領(lǐng)域，具體涉及一種基于平行小波神經(jīng)網(wǎng)絡(luò)的風(fēng)力發(fā)電功率預(yù)測(cè)方法，包括：1)獲取風(fēng)電場(chǎng)的條件參數(shù)和風(fēng)電輸出功率數(shù)據(jù)；2)構(gòu)建預(yù)測(cè)樣本的訓(xùn)練數(shù)據(jù)集及測(cè)試數(shù)據(jù)集；3)構(gòu)建并訓(xùn)練平行神經(jīng)網(wǎng)絡(luò)模型；4)平行神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練完成，投入使用。本發(fā)明縮短了神經(jīng)網(wǎng)絡(luò)的訓(xùn)練時(shí)間，既保留了傳統(tǒng)小波神經(jīng)網(wǎng)絡(luò)在進(jìn)行時(shí)序預(yù)測(cè)中的優(yōu)點(diǎn)，又解決了小波神經(jīng)網(wǎng)絡(luò)參數(shù)難以確定的缺點(diǎn)，提升了其預(yù)測(cè)精度。

技術(shù)領(lǐng)域

本發(fā)明屬于分布式能源發(fā)電控制的技術(shù)領(lǐng)域，具體涉及一種基于平行小波神經(jīng)網(wǎng)絡(luò)的風(fēng) 力發(fā)電功率預(yù)測(cè)方法。

背景技術(shù)

風(fēng)力發(fā)電是一種綠色可再生能源，隨著環(huán)境的惡化，風(fēng)能成為最具吸引力的可再生能源， 逐漸受到各國(guó)的重視并在全球范圍內(nèi)快速發(fā)展。短期風(fēng)力發(fā)電預(yù)測(cè)對(duì)于風(fēng)力發(fā)電系統(tǒng)的規(guī)劃 及設(shè)計(jì)、電網(wǎng)的調(diào)度等問題起著至關(guān)重要的作用。由于風(fēng)能具有間歇性和隨機(jī)性，因此風(fēng)力 發(fā)電具有較強(qiáng)的非線性及不穩(wěn)定性，相對(duì)于短期電力負(fù)荷預(yù)測(cè)而言難度更大，如何快速準(zhǔn)確 的預(yù)測(cè)風(fēng)力發(fā)電功率成為了研究的熱點(diǎn)。

風(fēng)力發(fā)電預(yù)測(cè)能為風(fēng)電場(chǎng)設(shè)備規(guī)劃以及電力調(diào)度提供可靠的信息，由于風(fēng)力發(fā)電具有較 強(qiáng)的隨機(jī)性和非線性，而小波神經(jīng)網(wǎng)絡(luò)在非穩(wěn)定時(shí)間序列的預(yù)測(cè)方面具有較好的性能，因此 本文選取小波神經(jīng)網(wǎng)絡(luò)來(lái)作為風(fēng)力發(fā)電功率預(yù)測(cè)的手段。小波神經(jīng)網(wǎng)絡(luò)結(jié)合了小波分析與神 經(jīng)網(wǎng)絡(luò)的優(yōu)點(diǎn)，具有較強(qiáng)的函數(shù)逼近效果、較好的局部特性以及良好的學(xué)習(xí)能力，在時(shí)序預(yù) 測(cè)當(dāng)中有良好的預(yù)測(cè)效果。但是由于小波神經(jīng)網(wǎng)絡(luò)的權(quán)值、尺度伸縮因子、時(shí)間平移因子不 僅會(huì)對(duì)預(yù)測(cè)精度造成影響，甚至?xí)绊懙骄W(wǎng)絡(luò)能否收斂，因此，如何得到合適的參數(shù)成為研 究的重點(diǎn)與難點(diǎn)。

發(fā)明內(nèi)容

針對(duì)上述存在的技術(shù)問題，本發(fā)明提供一種基于平行小波神經(jīng)網(wǎng)絡(luò)的風(fēng)力發(fā)電功率預(yù)測(cè) 方法，其特征在于，包括以下步驟：

步驟1：構(gòu)建平行小波神經(jīng)網(wǎng)絡(luò)，其由左側(cè)小波神經(jīng)網(wǎng)絡(luò)L-WNN與右側(cè)小波神經(jīng)網(wǎng)絡(luò) R-WNN組成；

步驟2：采集風(fēng)電場(chǎng)任意關(guān)鍵位置的相關(guān)數(shù)據(jù)，包括條件參數(shù)和風(fēng)力發(fā)電功率；其中條 件參數(shù)為影響風(fēng)力發(fā)電功率的因素，風(fēng)力發(fā)電功率通過風(fēng)電場(chǎng)數(shù)據(jù)采集獲得；

步驟3，根據(jù)所述相關(guān)數(shù)據(jù)，構(gòu)建預(yù)測(cè)樣本的訓(xùn)練數(shù)據(jù)集和測(cè)試數(shù)據(jù)集；

所述訓(xùn)練數(shù)據(jù)集為各個(gè)時(shí)刻的條件參數(shù)的數(shù)據(jù)集，即包括時(shí)刻T₁、T₂、T₃……T_n所對(duì)應(yīng)的 條件參數(shù)的數(shù)據(jù)集；所述測(cè)試數(shù)據(jù)集為所述各個(gè)時(shí)刻后的第K個(gè)時(shí)刻所對(duì)應(yīng)的風(fēng)力發(fā)電功率 的數(shù)據(jù)集，即包括時(shí)刻T_1+k、T_2+k、T_3+k……T_n+k所對(duì)應(yīng)的風(fēng)力發(fā)電功率的數(shù)據(jù)集；其中，n為神 經(jīng)網(wǎng)絡(luò)的迭代次數(shù)，k為設(shè)定值；

步驟4，將L-WNN和R-WNN的參數(shù)進(jìn)行初始化，開始分別進(jìn)行訓(xùn)練；

步驟4.1：對(duì)R-WNN參數(shù)迭代更新；

步驟4.1.1：對(duì)右側(cè)小波神經(jīng)網(wǎng)絡(luò)R-WNN的權(quán)值W_1R(n)及W_2R(n)進(jìn)行調(diào)整，即

E_R(n)＝D(n)-O_R(n)

其中，n為神經(jīng)網(wǎng)絡(luò)的迭代次數(shù)；O_R(n)為R-WNN的預(yù)測(cè)輸出；D(n)為與O_R(n)對(duì)應(yīng)的期 望輸出；E_R(n)為R-WNN的預(yù)測(cè)誤差；lr_1R表示R-WNN的權(quán)重學(xué)習(xí)率；W_1R(n)為R-WNN的輸入層與隱含層之間的權(quán)值；W_2R(n)為R-WNN的隱含層及輸出層之間的權(quán)值；