[發明專利]一種基于歷史預測值的風力出力預測方法

在審

• 申請號: 201911116363.0
• 申請日: 2019-11-15
• 公開（公告）號: CN112819189A
• 公開（公告）日: 2021-05-18
• 發明（設計）人: 趙建利;白格平;李英俊;劉軒;車傳強;魯耀;朱生榮
• 申請（專利權）人: 內蒙古電力（集團）有限責任公司內蒙古電力科學研究院分公司
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/06;G06N3/00;G06N3/08
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種基于歷史預測值的風力出力預測方法，其特征在于，利用電力系統中各風能電站入網側的各類實測數據，預測數據內容進行匯總與分析，并基于時間跨度的不同，將風力出力預測劃分為超短期預測，短期預測，中期預測，長期預測四類，具體步驟如下：

S1、根據預測周期不同，在風電場并網變電站中取出其風電逐小時出力數據，預處理后建立BP神經網絡模型，對歷史實測數據進行數據質量分析；

S2、根據數據RMSE(均方根誤差)，nMAE(標準化平均誤差相對誤差)，驗證BP神經網絡算例指標，RMSE和nMAE的計算式分別為：

其中f_i為風電功率實際值，t_i′為預測值，t_m為風電場的額定裝機容量，n為測試點數；

S3、指標驗證通過后，將采集到的長期歷史數據按時間進行分片，利用粒子群算法優化神經元閾值，利用歷史數據分片迭代過程進行網絡迭代神經元參數修正；

S4、待參數模型修正好后，根據實際需求確認預測出力時間段，同時對歷史數據及風電場自身的風力預測值進行時序串聯，串聯后的結果作為神經網絡模型的輸入，進行實際預測值輸出與驗證。

2.根據權利要求1所述的一種基于歷史預測值的風力出力預測方法，其特征在于，在步驟S1中，在風電場并網變電站中取出其風電逐小時出力數據，預處理后建立BP神經網絡模型，包括：

(1)、預處理風電數據，根據公式將輸入數據歸一化，轉換為[0，1]區間的數據；

其中p^*代表歸一化后處理的數據，p為原始數據，p_min和p_max為發電功率的最小值和最大值；

(2)、確定神經網絡拓補結構；

(3)、根據PSO優化算法確定初始BP神經網絡權值閾值長度；

(4)、根據PSO算法，獲取最優權值和閾值，然后根據搭建的神經網絡模型獲取預測結果。

3.根據權利要求1所述的一種基于歷史預測值的風力出力預測方法，其特征在于，在步驟S3中，將采集到的長期歷史數據按時間進行分片，利用粒子群算法優化神經元閾值，利用歷史數據分片迭代過程進行網絡迭代神經元參數修正，具體包括：

(1)、隨機初始化每個粒子，設置種群規模、位置邊界[Xmin，Xmax]、速度最小值和速度最大值[Vmin，Vmax]、慣性權重、最大迭代次數和學習因子，并初始化粒子的位置X；與速度V；

(2)、根據輸入和輸出樣本，利用式算出每個粒子適應度的函數值，同時調整并記錄粒子的最優解pbest和種群的最優解gbest；

其中，n為樣本數量，c為神經元輸出數量，y_ij為第i個樣本的第j次輸出期望值；l_ij為第i個樣本的第j次輸出實際值；

(3)、根據式v_i＝ω*v_i+c₁*rand()*(pbest_i-x_i)+c₂*rand()*(gbest_i-x_i)和式x_i＝x_i+v_i更新粒子的速度和位置；

其中，ω叫做慣性因子，i＝1，2，..，N，N是此群中粒子的總數，v_i：是粒子的速度，Rand()：介于(0，1)之間的隨機數，x_i：粒子的當前位置，c₁和c₂：是學習因子，通常c₁＝c₂＝2；

(4)、判斷粒子的速度和位置是否超過設定范圍：若v_i＞v_max，則v_i＝v_max右v_i＜v_max，則v_i＝v_min；若x_i＞x_max，則x_i＝x_max；若x_i＜x_min，則x_i＝x_min；

(5)再次計算粒子適應度；

(6)若粒子此時尋找的極值位置或迭代次數達到預定誤差標準，就結束，否則繼續進行步驟(3)。