[發明專利]一種基于混合神經網絡模型的風速預測方法

有效

• 申請號: 202010484805.3
• 申請日: 2020-06-01
• 公開（公告）號: CN111695724B
• 公開（公告）日: 2023-05-05
• 發明（設計）人: 胡偉飛;何亦菡;程錦;劉振宇;譚建榮
• 申請（專利權）人: 浙江大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06F17/15;G06N3/0464;G06N3/0442;G06N3/049;G06N3/08;G06Q50/06
• 代理公司: 杭州求是專利事務所有限公司 33200
• 代理人: 賈玉霞

本發明公開了一種基于混合神經網絡模型的風速預測方法，包括：對風速原始時間序列數據進行集成經驗模態分解，建立長短期記憶神經網絡對集成經驗模態分解得到的分量信號進行預測，通過貝葉斯優化算法對長短期記憶神經網絡的超參數進行調節優化，將分量信號的預測結果合成為最終的預測結果。本發明通過將隨機非穩態的原始短期風速時間序列分解為穩定變化的時間序列數據，并對長短期記憶神經網絡的超參數進行自動調節優化，得到預測結果，大大降低了預測誤差，提高了預測精度，可應用于短期風速的預測，為風力發電網絡的智能運維提供有力工具。

技術領域

本發明涉及數據分析和風能領域，尤其涉及一種基于集成經驗模態分解(Ensemble?empirical?mode?decomposition,EEMD)、長短期記憶神經網絡(Long?short-term?memory,LSTM)和貝葉斯優化(Bayesian?optimization,BO)的混合神經網絡模型的風速預測方法。

背景技術

風力發電中，電力系統是一個復雜的動態系統，需要維持發電、輸電、用電之間的功率平衡。沒有風電的傳統電力系統中，電網調度機構根據日負荷曲線制定發電計劃，滿足次日電力的需求。風力發電依賴于氣候條件，風的間歇性導致風電場輸出功率具有很大的波動性，因此風電的大規模接入導致發電計劃制定難度大大加大，影響著電力系統的調度和電網的穩定性。此外，電力供給與負載的匹配也是風力發電網絡整合利用的一個難題：電力網絡的穩定建立在電網頻率穩定的基礎上，大于供給的負載使電網頻率下降，反之電網頻率上升。而對風速的短期預測是電力系統經濟調度的重要內容，對其準確預測可降低電力系統的旋轉備用，減小其運行成本，為電力系統的安全、經濟及優質運行提供支撐。

目前針對風速預測已有較多的研究，預測方法主要分為兩類：一是物理方法，二是統計方法。物理方法基于實際的大氣條件，如在一定的初始條件和邊界條件下，根據不同高度的風向、風速、氣壓、濕度等氣象要素的數值，利用大型計算機進行數值計算，得到未來某一時期中描述天氣變化的流體力學和熱力學方程，從而預測未來某一時期中大氣的運動和天氣現象。最典型的物理方法就是數值天氣預報模型(Numeric?Weather?Prediction,NWP)。風速預測的物理方法的核心是提高數值天氣預報的分辨率,即建立一個中微型時間尺度的數值天氣預報和當地風之間的聯系，以便系統可以準確地預測某個點(如每個風力渦輪機的地點)的天氣(如風速、風向等)，從而建立風力發電場NWP模型的本地版本。該方法不需要大量的歷史數據，但建模困難，需要研究和分析各種條件(風電場的地理環境和大氣環境)。由于天氣預報多為日更新，數據頻率較低，因此物理預報方法主要應用于中期預報。

統計方法主要通過建立系統輸入與風速之間的映射關系，利用歷史數據得到風速的預測。傳統的統計方法包括持續性模型，卡爾曼濾波，自回歸滑動平均模型(Autoregression?Moving?Average,ARMA)等。除此之外，人工神經網絡(ArtificialNeural?Network,ANN)也常常被用于時序的風速預測中。文獻(Gong?Li,Jing?Shi.Oncomparing?three?artificial?neural?networks?for?wind?speed?forecasting[J].Applied?Energy,2010,87(7):2313-20.)比較了反向傳播神經網絡(Back?PropagationNeural?Network,BPNN)、徑向基神經網絡(Radial?Basis?Function?Neural?Network,RBFNN)、線性適應元神經網絡(Adaptive?Linear?Element?Network,ADALINE)這三種神經網絡在小時風速預測上的表現。結果顯示，不同的網絡結構與模型在不同評估標準下的表現各不相同。同時也可以看出，單一人工神經網絡模型的風速預測缺乏可靠性。