[發明專利]一種結合多元及分步線性回歸和人工神經網絡進行風力發電預測的模型和方法

在審

• 申請號: 202010921151.6
• 申請日: 2020-09-04
• 公開（公告）號: CN111967689A
• 公開（公告）日: 2020-11-20
• 發明（設計）人: 胡炳謙;周浩;顧一峰;韓俊
• 申請（專利權）人: 上海積成能源科技有限公司
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/06;G06Q10/06;G06N3/04;G06N3/08
• 代理公司: 暫無信息
• 代理人: 暫無信息

風力發電由于其波動性，間接性，隨機性的特性給目前的風力能源的利用從運營計劃到調度方案等方面都帶來了許多挑戰。本發明提出了一種基于每日天氣預測數據以預測風力發電系統日前（day?ahead）電力輸出量的新混合系統和方法。本方法結合了傳統的多元線性回歸和以及人工神經網絡模型，采用了混合建模方法通過分步線性回歸的方法篩選更重要的天氣預測輸入變量，然后將篩選后的天氣預測變量饋入人工神經網絡模型，從而產生復雜模型以預測風力發電系統的電力輸出量。本發明提出的復雜模型仿真結果表明該復雜模型的性能比其相應的其他單階段模型更優并且可以在具有監測氣象數據的有條件的地區應用該復雜模型實現風力發電系統電力輸出預測。

技術領域

本發明涉及風力發電系統輸出預測技術領域，具體涉及一種結合多元線性回歸，分步線性回歸及人工神經網絡以預測光伏發電系統輸出的復雜模型和方法。

背景技術

與常規電源不同，風力發電幾乎完全取決于實時的天氣條件，隨機變化的天氣導致風力發電具有波動性，間接性，隨機性的特點。由于電力系統的發電，輸電，用電需要實時保持平衡，風力發電等新能源的大規模并網將給電網運行帶來越來越大的壓力。隨著風力發電在電力系統中的占比不斷加大，風力發電預測的重要性將愈來愈突顯，預測結果越準確就越能使電力系統運行效率和穩定性極大增加。本發明提出了一種基于結合了傳統的多元線性回歸和以及人工神經網絡模型，采用了混合建模方法通過分步線性回歸的方法篩選更重要的天氣預測輸入變量，然后將篩選后的天氣預測變量饋入人工神經網絡模型，從而產生復雜模型以預測風力發電系統的電力輸出量的方法。

目前，有多種方法用于預測風力發電系統的發電量，包括物理方法及統計計算方法。物理方法將風力發電系統發電量作為一些隨其物理性質的獨立變量而變化的函數，例如輪機大小，風速風向和葉片規格等，許多物理模型源自常規的風力發電量等效物旨在實現盡可能接近的本地風力水平的電路負荷情況。而統計預測方法則依賴于用于預測的歷史數據進行回歸分析，時間序列分析和人工智能分析歷史數據來預測風力發電系統的功率，包括自回歸模型，支持向量機（SVM）等方法。而人工神經網絡（ANN）也被廣泛用于預測基于氣象數據變量而產生的風力發電輸出的非線性建模，并應用于日前風力發電系統發電量的預測。基于人工神經網絡的預測方法的關鍵優勢在于模型設計人員可以利用按順序選擇多個輸入值以提高預測準確性，將多元線性回歸，人工神經網絡的預測方法結合分布線性回歸的篩選的混合模型可以大大的提高對于風力發電系統出力的預測精度。本發明提出了一種新穎的，日前最優的風力發電系統能源輸出預測模型，減少模型輸入的氣候變量的數量，并結合了多元線性回歸和ANN技術。本發明考慮了大量可能會影響風力發電系統的輸出功率的氣象參數。采用分步線性回歸（Stepwise Regression）的方法來評估每個氣象參數的影響，應用復雜模型中的氣象輸入變量ANN生成最終風力發電系統發電量的預測，通過確保選擇只有那些對模型輸出有重大影響的輸入變量在模型中，達到使用較少的計算工作生成準確的ANN預測輸出值的目的。

發明內容

本發明提出了一種結合多元線性回歸，分步回歸及人工神經網絡以預測風力發電系統輸出的復雜模型和方法,其主要的應用在于給定天氣數據集，通過混合模型精準預測指定裝機容量設備在設定時刻的風力系統發電量，為綜合應用風能，合理儲能優化等用電計劃，決策等提供數據支持。整個復雜混合模型流程包括了天氣數據收集，分布線性回歸識別最相關輸入值，確定最優化神經網絡配置，人工神經網絡訓練數據集，回歸后處理，應用訓練后模型模擬，計算統計運算相關參數，輸出預測風力發電系統發電量等幾個步驟，如圖1所示。

附圖說明

圖1為本發明實施例中風力發電預測復雜模型的流程圖。

圖2為本發明實施例中使用的模型輸入和輸出流程圖。

圖3為本發明實施例中前饋神經網絡的示意圖。

圖4為本發明實施例中廣義回歸神經網絡示意圖。

具體實施方式