[發(fā)明專利]一種結(jié)合粒子群神經(jīng)網(wǎng)絡(luò)的風(fēng)電場輸出功率短時(shí)預(yù)測算法

在審

• 申請?zhí)枺?/td>: 202210256315.7
• 申請日: 2022-03-16
• 公開（公告）號(hào): CN114386718A
• 公開（公告）日: 2022-04-22
• 發(fā)明（設(shè)計(jì)）人: 李智歡;劉淼;張俊峰
• 申請（專利權(quán)）人: 廣州兆和電力技術(shù)有限公司
• 主分類號(hào): G06Q10/04
• 分類號(hào): G06Q10/04;G06Q50/06;G06N3/04;G06N3/08;G06N20/20;G06N5/00;H02J3/00;H02J3/38
• 代理公司: 杭州寒武紀(jì)知識(shí)產(chǎn)權(quán)代理有限公司 33271
• 代理人: 于金鳳

1.一種結(jié)合粒子群神經(jīng)網(wǎng)絡(luò)的風(fēng)電場輸出功率短時(shí)預(yù)測算法，其特征在于，包括以下步驟：

步驟一：進(jìn)行風(fēng)電功率預(yù)測特征分析，分析的數(shù)據(jù)包括風(fēng)電功率的不確定性、條件性與地域性；

步驟二：對風(fēng)力發(fā)電影響因素分析，其具體分析過程如下：在整個(gè)風(fēng)力發(fā)電系統(tǒng)中，風(fēng)機(jī)將空氣的動(dòng)能轉(zhuǎn)化為其軸系上的機(jī)械能，并傳送到風(fēng)力發(fā)電機(jī)轉(zhuǎn)子軸上，最后轉(zhuǎn)化為電能，這是實(shí)現(xiàn)能量轉(zhuǎn)換的第一個(gè)環(huán)節(jié)；

風(fēng)能功率可由式(1)表示，本質(zhì)上是一種動(dòng)能：

(1)

其中，為時(shí)間，為空氣密度，為進(jìn)入風(fēng)機(jī)槳葉掃掠面之前的風(fēng)速，掃風(fēng)面積，為空氣質(zhì)量，為空氣流動(dòng)能；

風(fēng)機(jī)槳葉在轉(zhuǎn)動(dòng)過程中，會(huì)存在能量的損失，即并不是所有風(fēng)能都能夠被風(fēng)電機(jī)捕獲，結(jié)合(1)式，可推出風(fēng)電機(jī)捕獲的風(fēng)能：

(2)

(3)

其中，為進(jìn)入風(fēng)機(jī)槳葉掃掠面之前的風(fēng)速，是流出風(fēng)機(jī)槳葉掃風(fēng)面之后的風(fēng)速，是風(fēng)能利用系數(shù)，表示風(fēng)機(jī)能夠從風(fēng)能功率獲取的能量；

令(3)式中的，對求微分，得其最大值，如式(4)所示：

(4)

可知，當(dāng)時(shí)，風(fēng)能利用系數(shù)的達(dá)到最大值，風(fēng)電機(jī)捕獲的最大功率，即風(fēng)電機(jī)捕獲的功率均存在，因此，整個(gè)風(fēng)力發(fā)電系統(tǒng)最終的輸出功率與風(fēng)電機(jī)捕獲的最大功率是正相關(guān)的：

(5)

(6)

其中，為風(fēng)電機(jī)捕獲的風(fēng)能，為整個(gè)風(fēng)力發(fā)電系統(tǒng)最終的輸出功率，為風(fēng)電機(jī)捕獲的最大功率，為進(jìn)入風(fēng)機(jī)槳葉掃掠面之前的風(fēng)速；

現(xiàn)有的風(fēng)電場均采用最大功率跟蹤策略，即風(fēng)力發(fā)電為掃風(fēng)面積A捕獲的功率均存在，因此，整個(gè)風(fēng)力發(fā)電系統(tǒng)最終的輸出功率與風(fēng)電機(jī)捕獲的最大功率是正相關(guān)的，在某一確定的風(fēng)場內(nèi)，其風(fēng)機(jī)參數(shù)、掃風(fēng)面積均不變，風(fēng)電功率的主要影響因素是風(fēng)速和空氣密度，而空氣密度主要受到空氣溫度的影響，因此，風(fēng)電場輸出功率的主要影響因素為風(fēng)速和空氣溫度；

步驟三：結(jié)合粒子群神經(jīng)網(wǎng)絡(luò)的風(fēng)電場輸出功率短時(shí)動(dòng)態(tài)預(yù)測模型，即獲取到BP-PSO混合神經(jīng)網(wǎng)絡(luò)模型，其通過給定一組輸入值和輸出值作為訓(xùn)練數(shù)據(jù)，然后分別進(jìn)行前向傳播和誤差反向計(jì)算，通過計(jì)算預(yù)測值與實(shí)際值的誤差，并沿著梯度方向?qū)W(wǎng)絡(luò)的權(quán)重和偏向進(jìn)行更新，直到滿足最大迭代次數(shù)或誤差達(dá)到要求才停止訓(xùn)練；

步驟四：為了改善BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法易陷入局部極小的缺陷，采用粒子群算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的性能，首先采用粒子群算法得到最優(yōu)的初始權(quán)值和閾值，然后將這些值賦給未優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)得到優(yōu)化的神經(jīng)網(wǎng)絡(luò)，最后用仿真數(shù)據(jù)評(píng)估優(yōu)化的神經(jīng)網(wǎng)絡(luò)的性能，其具體過程如下：其中，粒子速度更新公式：

(7)

(8)

是粒子的速度；是加權(quán)系數(shù)，取值在0.1到0.9之間；是個(gè)體極值；是粒子當(dāng)前位置；是全局極值；和被稱作學(xué)習(xí)因子，通常 2；是（0,1）間的隨機(jī)數(shù)；為當(dāng)前迭代次數(shù)；是總的迭代次數(shù)，和分別是加權(quán)系數(shù)的最大值和最小值，

其中，粒子位置更新公式：

(9)；

步驟五：通過粒子群優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)算法，誤差判別函數(shù)與動(dòng)態(tài)調(diào)整模型參數(shù)，實(shí)現(xiàn)對風(fēng)電功率的動(dòng)態(tài)預(yù)測。

2.根據(jù)權(quán)利要求1所述的一種結(jié)合粒子群神經(jīng)網(wǎng)絡(luò)的風(fēng)電場輸出功率短時(shí)預(yù)測算法，其特征在于：所述步驟一中的不確定性包括風(fēng)速、風(fēng)向、氣壓、溫度、濕度，所述條件性為實(shí)現(xiàn)對未來的風(fēng)電功率進(jìn)行合理有效的預(yù)測，需要預(yù)測過程滿足特定的條件不確定性。

3.根據(jù)權(quán)利要求1所述的一種結(jié)合粒子群神經(jīng)網(wǎng)絡(luò)的風(fēng)電場輸出功率短時(shí)預(yù)測算法，其特征在于：所述步驟五中的誤差判別函數(shù)的具體計(jì)算過程如下：一般地，用表示實(shí)測數(shù)據(jù)序列，表示預(yù)測數(shù)據(jù)序列，預(yù)測絕對誤差定義如下：

(10)

但絕對誤差在風(fēng)電場的預(yù)測中不能很好地反應(yīng)實(shí)際情況，在風(fēng)電場輸出功率預(yù)測精度的判斷方面不具有代表性，為了更準(zhǔn)確的判預(yù)測模型的精度高低、以及實(shí)用價(jià)值，采用以下兩個(gè)誤差評(píng)價(jià)標(biāo)準(zhǔn)，分析各個(gè)模型的可行性和有效性，即均方根誤差和平均絕對誤差。