CN105574615B - 一种基于空间相关性与ga的小波-bp神经网络风电功率预测方法 - Google Patents
一种基于空间相关性与ga的小波-bp神经网络风电功率预测方法 Download PDFInfo
- Publication number
- CN105574615B CN105574615B CN201510943557.3A CN201510943557A CN105574615B CN 105574615 B CN105574615 B CN 105574615B CN 201510943557 A CN201510943557 A CN 201510943557A CN 105574615 B CN105574615 B CN 105574615B
- Authority
- CN
- China
- Prior art keywords
- neural network
- wavelet
- wind power
- wind
- wind speed
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 114
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 41
- 238000012549 training Methods 0.000 claims abstract description 29
- 230000002068 genetic effect Effects 0.000 claims abstract description 27
- 238000013519 translation Methods 0.000 claims abstract description 13
- 238000005457 optimization Methods 0.000 claims abstract description 11
- 238000011478 gradient descent method Methods 0.000 claims abstract description 9
- 210000002569 neuron Anatomy 0.000 claims description 7
- 238000012546 transfer Methods 0.000 claims description 7
- 230000035772 mutation Effects 0.000 claims description 4
- 230000006870 function Effects 0.000 abstract description 46
- 238000005070 sampling Methods 0.000 abstract description 8
- 230000007547 defect Effects 0.000 abstract description 4
- 230000008569 process Effects 0.000 abstract description 4
- 238000012986 modification Methods 0.000 abstract description 2
- 230000004048 modification Effects 0.000 abstract description 2
- 238000012544 monitoring process Methods 0.000 abstract description 2
- 230000007786 learning performance Effects 0.000 abstract 1
- 238000004458 analytical method Methods 0.000 description 6
- 238000004088 simulation Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 230000008602 contraction Effects 0.000 description 3
- 238000012937 correction Methods 0.000 description 3
- 238000010248 power generation Methods 0.000 description 3
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 2
- 238000010219 correlation analysis Methods 0.000 description 2
- 238000007667 floating Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013211 curve analysis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000000053 physical method Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Tourism & Hospitality (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Marketing (AREA)
- Evolutionary Biology (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Entrepreneurship & Innovation (AREA)
- Genetics & Genomics (AREA)
- Physiology (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Wind Motors (AREA)
Abstract
本发明提出一种基于空间相关性与GA的小波‑BP神经网络风电功率预测方法。按照目标时间和采样时间采集上风处与下风处风电场风速或功率时间序列；计算上风处与下风处风电场所采集时间序列之间的相关性系数，提取其中具有强相关性的数据组；将强相关性数据组时间序列输入小波‑BP神经网络中，通过GA遗传算法对神经网络结构的权值和阈值参数进行全局优化；在小波‑BP神经网络训练过程中，深度优化神经网络权值和阈值采用L‑M算法与附加动量法相结合，对小波基函数的平移因子和伸缩因子参数修正优化采用梯度下降法；利用训练后的小波‑BP神经网络对下风处风电场风电功率进行预测。本发明提高神经网络学习性能，克服了风电场风速监测数据不足而无法直接进行风电功率预测的缺陷。
Description
技术领域
本发明属于电力***自动化领域，特别涉及一种基于空间相关性与GA的小波-BP神经网络风电功率预测方法。
背景技术
为了实现能源可持续发展，可再生能源的开发和利用将成为电力领域研究的主流方向之一。从现有的风能利用技术和经济实用性分析，风力发电竞争力大大增强。大规模风能利用也利于调整电网的能源结构，促进地方和社会经济的可持续发展。
由于风能本身具有随机性，多变性以及不确定性，导致风电并网***的电能质量和稳定运行将面临一定的挑战。风电功率预测作为电力***调度运行的有力技术支撑，其准确度的提高，对于电力***未来发展也将起着重要的导向作用。目前对于风电功率预测的方法主要包括物理方法、时间序列法、神经网络法、小波分析法和组合模型法等几大类，但是这些单一的算法各自存在缺陷，预测精度难以满足风电功率预测的要求，因此，预测方法的研究是目前风力发电领域亟待解决的难题之一。
发明内容
本发明的目的在于利用遗传算法(GA)优化后的小波-BP神经网络，结合风速的空间相关性对相邻风电场中下风处风电场的风电功率预测提供一种较为准确的技术方案；本发明通过对上风处和下风处的风速数据进行统计分析，有效解决了风电场风速数据不足难以对风电功率进行预测的难题，为下风处风电场的风电调度提供指导方案，最大限度的对风能资源进行利用。
为了解决上述技术问题，本发明提供一种基于空间相关性与GA的小波-BP神经网络风电功率预测方法，包括以下步骤：
步骤一、初始化小波-BP神经网络和遗传算法参数，初始化小波-BP神经网络结构，包括遗传算法的初始种群数目、交叉概率、变异概率和最大进化代数；
步骤二、采集上风处风电场与下风处风电场风速时间序列，计算所采集的上风处风电场与下风处风电场的风速时间序列之间的相关性系数，获得强相关性风速时间序列；
步骤三、将强相关性风速数据组中的上风处及下风处风电场的风速时间序列录入小波-神经网络中，采用遗传算法优化小波-BP神经网络参数，所述小波-BP神经网络参数为BP神经网络的权值和阈值；
步骤四、对遗传算法优化后的小波-BP神经网络进行训练，修正优化小波-BP神经网络的权值、阈值以及小波基函数的平移因子、伸缩因子，在满足设定的预测误差精度要求后对下风处风电场风电功率进行预测。
进一步，步骤一中，小波-BP神经网络采用三层神经元结构，包括输入层、隐含层和输出层；隐含层的传递函数为Morlet小波基函数。
进一步，对小波-BP神经网络结构进行初始化时，输入层为四个输入节点，隐含层为十个神经元节点，输出层为一个输出节点，输入层为四个输入节点表征预测目标时刻前的四个时间点的风速时间序列。
进一步，步骤二中，结合风速的空间相关特性，以下风处风电场当前时间点为基准点，将上风处风电场采集的风速时间序列按下风处风电场采集点数按等时间间隔重新分组；然后分别计算上风处与下风处风电场各组风速时间序列的相关性系数，得到相关性系数最大的一组风速时间序列作为强相关性风速时间序列。
进一步，步骤三中，使用遗传算法对小波-BP神经网络的权值和阈值进行全局优化，经过选择、交叉和变异操作给出满足预测误差精度的权值和阈值。
进一步，步骤四中，采用L-M算法与附加动量法相结合的方法对小波-BP神经网络进行训练、优化权值和阈值；采用梯度下降法对小波基函数的平移因子和伸缩因子进行修正优化。
进一步，小波-BP神经网络训练结束后，采用sim(·)函数调用所训练好的小波-BP神经网络对下风处风电功率进行预测
本发明与现有技术相比，其显著优点在于：(1)本发明使用空间相关性、遗传算法以及小波分析法相结合，对传统单一神经网络进行优化与改进，得到了一种更适合于风电功率预测的模型，降低了预测时间，提高了预测精度；(2)本发明通过空间相关性、遗传算法、小波分析以及神经网络的结合，有效提高传统方法的预测精度，能够更好的对风速时间序列内在规律进行寻找，克服了单一静态神经网络收敛速度慢、算法运行时间长以及容易陷入局部极小值的缺陷；(3)本发明可以完成对相邻风电场中下风处风电场的风电功率预测，弥补了风电场风速监测数据不足的缺陷，能够为风电场的运行和调度提供准确的决策指导；(4)本发明对风电功率的预测，实现对风电功率进行短期预测，其预测精度能够满足所规定的要求。
附图说明
图1是本发明基于空间相关性与GA的小波-BP神经网络风电功率预测方法流程图。
图2是本发明实施例流程详图。
图3是本发明小波-BP神经网络拓扑结构图。
图4是本发明仿真实验中上风处与下风处两风电场相关性分析曲线图。
图5是本发明仿真实验中下风处风电场风速时间序列预测曲线与实际曲线对比图。
图6是本发明仿真实验中下风处风电场风速时间序列相对误差曲线图。
图7是本发明仿真实验中下风处风电场功率时间序列预测曲线与实际曲线对比图。
具体实施方式
本发明基于空间相关性与GA的小波-BP神经网络风电功率预测方法，预测方法流程图如图1所示，具体包括以下步骤：
步骤一、小波-BP神经网络和遗传算法参数初始化，初始化小波-BP神经网络结构，参数初始化包括遗传算法的初始种群数目、交叉概率、变异概率和最大进化代数；
步骤二、采集上风处风电场与下风处风电场风速时间序列，计算所采集的上风处风电场与下风处风电场的风速时间序列之间的相关性系数，获得强相关性风速数据；
步骤三、将强相关性风速数据组中的上风处及下风处风电场的风速时间序列录入小波-神经网络中，采用遗传算法优化小波-BP神经网络参数，即BP神经网络的权值和阈值优化；
步骤四、对遗传算法优化后的小波-BP神经网络进行训练，对神经网络权值、阈值和小波基函数的平移因子、伸缩因子进行修正优化，满足设定误差精度要求后对下风处风电场风电功率进行预测。
进一步，步骤一中，根据Kolmogorov定理，三层的前向神经网络能够以任意精度逼近任何连续的非线性函数，因此预测模型中的神经网络采用三层神经元结构，即输入层、隐含层和输出层。由于Morlet小波基函数适用于离散问题求解，具有良好的时域和频域局部特性。因此，本发明选择Morlet小波基函数作为隐含层的传递函数。采用Morlet 小波基函数作为隐含层的传递函数后，其对应的隐含层的输出公式如式(1)所示，
式(1)中h(j)表示在第j个隐含层节点的输出值；hj为小波基函数；wij为输入层和隐含层的连接权值；bj为小波基函数hj的平移因子；aj为小波基函数hj的伸缩因子； xi为神经网络的输入时间序列；k为神经网络输入层节点数。
本发明选择Morlet小波基函数作为隐含层的传递函数，小波-BP神经网络的输出层的输出公式如式(2)所示，
式(2)中y为神经网络输出层预测结果；wjm为隐含层到输出层的连接权值；h(j) 为第j个隐含层节点的输出值；l为隐含层节点数；m为输出层节点数。
进一步，步骤二中，先以下风处风电场当前时间点为基准点，将上风处风电场采集的风速时间序列按下风处风电场采集点数按等时间间隔重新分组；然后分别计算上风处与下风处风电场各组风速时间序列的相关性系数，得到相关性系数最大的一组风速时间序列，相关性系数γi的计算公式如式(3)所示，
式(3)中，pi(k)表示第i组数据第k个采样点的关联系数；g为风速或功率时间序列的采样点数目。关联系数pi(k)的计算公式如式(4)所示，
式(4)中，ρ表示分辨系数；vl＝(vl(1)，vl(2)，vl(3)...，vl(g-1)，vl(g))代表采样时间母序列；vi＝(vi(1)，vi(2)...，vi(g))代表采样时间子序列。
进一步，步骤三中，所述小波-BP神经网络权值和阈值系通过遗传算法进行优化，经过选择、交叉和变异操作给出满足预测误差精度的权值和阈值，提高网络的收敛速度。
进一步，步骤四中，所述小波-BP神经网络训练、深度优化网络权值和阈值系通过使用L-M(Levenberg-Marquardt)算法与附加动量法相结合，采用梯度下降法对小波基函数的平移因子和伸缩因子进行修正优化。L-M(Levenberg-Marquardt)算法提高神经网络的收敛性能，附加动量法考虑误差曲面上变化趋势的影响，避免神经网络陷入局部极小值。L-M算法是高斯-牛顿法和梯度下降法的结合，由于L-M算法利用了近似二阶导数信息，不需要过多的调整参数，比梯度下降法快得多，可以进一步提高神经网络的收敛性能。采用L-M算法训练神经网络时，权值和阈值变化量计算公式如式(5)和(6) 所示，
Δw(k)＝(JTJ+μI)-1JTE (5)
Δc(k)＝(JTJ+μI)-1JTE (6)
式(5)和(6)中，Δw(k)和Δc(k)分别为第k次训练的权值和阈值变化量；E为误差指标值；J为误差指标对权值微分的雅克比矩阵；比例系数μ为标量，μ＝0时则为高斯-牛顿法，μ取值较大时则为梯度下降法；I为单位矩阵。
进一步，步骤四中，所述小波-BP神经网络训练、深度优化网络权值和阈值系采用附加动量法，对神经网络的权值和阈值的调节公式如式(7)和(8)所示，
w(k+1)＝(1-d)ηδp+dΔw(k)+w(k) (7)
c(k+1)＝(1-d)ηδ+dΔc(k)+c(k) (8)
式(7)和(8)中，w(k+1)和c(k+1)分别为第k+1次训练的权值和阈值；w(k)和c(k)分别为第k次训练的权值和阈值；Δw(k)和Δc(k)分别为第k次训练的权值和阈值变化量；d为动量因子；η为学习速率；δ为神经元节点的误差值；p为神经网络网络输出层的输出值。在训练过程中，为了更加合理设置动量因子参数值，需要对其进行条件判断以正确使用其对权值和阈值进行修正。训练过程中对采用动量法的判断条件如式 (9)所示，
式(9)中，E(k)和E(k-1)分别为第k次和第k+1次训练的误差平方和。
进一步，步骤四中，所述小波-BP神经网络训练、小波基函数平移因子和伸缩因子修正优化公式如式(11)和(12)所示，将期望序列值与预测输出序列值进行求差，获得所有序列误差值之和e如式(10)所示，
式(10)中，yn(k)为小波-BP神经网络的期望序列值；y(k)为小波-BP神经网络的预测输出序列值。根据计算所得到的所有序列误差值之和，采用梯度下降法对小波基函数的平移因子和收缩因子进行修正，修正公式如式(11)和(12)所示，
a(k+1)＝a(k)+Δa(k) (11)
b(k+1)＝b(k)+Δb(k) (12)
式(11)和(12)中，a(k+1)和b(k+1)分别是第k+1次训练的小波基函数的收缩因子和平移因子；a(k)和b(k)分别是第k次训练的小波基函数的收缩因子和平移因子；Δa(k)和Δb(k)分别是第k次训练的小波基函数的收缩因子和平移因子变化量。
以上修正公式中，各式中的变化量都是根据误差值所计算得到，其数理描述如下式 (13)和(14)所示，
其中，η为小波-BP神经网络的学习速率。
进一步，对小波-BP神经网络进行训练时，采用三层结构，输入层为四节点，隐含层为十个节点，输出层为一个节点。
进一步，小波-BP神经网络的训练结束后，采用sim(·)函数调用所训练好的小波-BP 神经网络对下风处风电场风电功率进行预测。
实施例
步骤一、小波-BP神经网络和遗传算法参数初始化，初始化小波-BP神经网络结构，参数初始化包括遗传算法的初始种群数目、交叉概率、变异概率和最大进化代数。
神经网络采用三层结构，其拓扑结构如图3所示，为4-10-1结构，即输入层为X1、X2、X3、X4四个输入节点，表征预测目标时刻前的四个时间点的风速时间序列；隐含层含有十个神经元节点，隐含层传递函数采用Morlet小波基函数hf(f＝1，2，...，10)，表征神经网络的训练状态和方式；输出层为一个输出节点Y1，表征预测结果值。wij为输入层和隐含层之间的连接权值，wjm为隐含层和输出层之间的连接权值。神经网络采用编写的“traindm”训练函数，学习速率为0.1，期望误差目标为0.01，动量因子为0.95，训练迭代次数为1000，性能函数采用均方误差函数“mse”。根据神经网络的4-10-1结构，则权值参数数目为50，阈值参数数目为11，对权值参数和阈值参数采用随机函数进行初始化。
遗传算法设定初始种群数目为100，每个种群个体表征神经网络的权值和阈值的优化结果，采用浮点型编码方式，码长长度为61，选择方式采用轮盘赌方法，交叉方式采用单点交叉，交叉概率为0.85，变异方式采用基本位变异方式，变异概率为0.08，最大进化代数为100代。
步骤二、采集上风处风电场与下风处风电场风速时间序列，计算所采集的上风处风电场与下风处风电场的风速时间序列之间的相关性系数，获得强相关性风速数据。
首先，以下风处风电场当前时间点为基准点，将上风处风电场所采集的风速时间序列按下风处风电场所采集点数进行分组，按等时间间隔法即每隔固定时间向前移动上风处风电场时间序列，保持风速时间序列长度不变，然后分别计算上风处与下风处风电场各组时间序列之间的相关性系数，得到相关性最高的一组风速时间序列，即相关性系数最大的一组风速时间序列。
步骤三、将强相关性风速数据组中的上风处及下风处风电场的风速时间序列录入小波-神经网络中，采用遗传算法优化小波-BP神经网络参数，即BP神经网络的权值和阈值优化；
本步骤中所述采用遗传算法优化小波-BP神经网络参数，对神经网络的权值和阈值进行全局快速寻优，旨在提高神经网络的收敛速度。
首先，根据神经网络中权值参数数目为50，阈值参数数目为11，因此采用浮点型编码方式，码长长度为61，按照权值和阈值顺序依次排列。遗传算法初始种群数目设定为100，最大进化代数设定为100代。
然后，通过目标函数变换得到适应度函数。神经网络中一个重要特点就是网络预测的输出值与期望的输出值之间的误差平方和越小，则表示该神经网络性能越好。因此，将目标函数定义为如式(1)所示：
式(1)中，Fmin为目标函数值；Sq为神经网络预测的输出序列值；Qq为期望的输出序列值；q＝1，2，3...n为神经网络输出序列个数。
通过目标函数定义式(1)可得适应度函数为如式(2)所示：
式(2)中，C为期望的输出序列值之和；fitness为适应度函数值。
最后，通过适应度函数对权值和阈值进行评估，经过选择、交叉和变异操作，直至满足最大进化代数而得出预测误差精度最高的神经网络权值和阈值。
步骤四、对遗传算法优化后的小波-BP神经网络进行训练，对神经网络权值、阈值和小波基函数的平移因子、伸缩因子进行修正优化，满足设定误差精度要求后对下风处风电场风电功率进行预测。
本步骤中所述小波-BP神经网络系通过使用L-M(Levenberg-Marquardt)算法与附加动量法相结合对神经网络权值、阈值进行修正优化，采用梯度下降法对小波基函数的平移因子、伸缩因子进行修正优化。
本步骤中，对下风处风电场风电功率进行预测具体过程为：将强相关性数据组中上风处风电场风速时间序列作为训练数据，下风处风电场风速时间序列作为目标数据，对小波-BP神经网络进行训练。小波-神经网络采用三层4-10-1结构模型，神经网络采用编写的“traindm”训练函数，隐含层传递函数采用Morlet小波基函数，学习速率为0.1，期望误差目标为0.01，动量因子为0.95，训练迭代次数为1000，性能函数采用均方误差函数“mse”。小波-BP神经网络经过训练满足期望误差目标值后，采用sim(·)函数调用所训练好的小波-BP神经网络对下风处风电场的风电功率进行预测。
本发明可以通过以下仿真实验进一步说明。
以某两相邻风电场的历史风速数据作为算例进行分析，利用上风处风速时间序列对下风处风电场的目标时刻的风速或功率序列进行预测，通过预测数据结果来验证本发明提出的基于空间相关性与GA的小波-BP神经网络风电功率预测法的可行性和有效性。
为了准确分析两相邻风电场的空间相关程度，对两相邻风电场的风速时间序列数据进行采集，每组采样点数目为680，每间隔5分钟进行一次采样，总共采集100组数据用于空间相关性分析。通过MATLAB编程计算，对所采集数据进行分析，分别计算上风处与下风处风电场风速时间序列之间的相关性系数。相关性系数计算结果如图3所示，从中可以看出，上风处与下风处风电场风速时间序列之间的相关性系数在第八十七组达到最大。将该组具有强空间相关性的上风处风电场风速时间序列作为训练数据，下风处风电场风速时间序列作为目标数据，对小波-BP神经网络进行训练、学习，神经网络训练结束后对下风处风电场风速进行预测。
本实验中小波-BP神经网络采用4-10-1的三层拓扑结构，利用此小波-BP神经网络对下风处风电场风速和功率进行预测，下风处风电场风速时间序列预测曲线与实际曲线如图5所示，预测曲线与实际曲线之间的相对误差如图6所示，下风处风电场功率时间序列预测结果如图7所示。
从图5和图6中可以看出，通过采用空间相关性对风速时间序列进行预测，预测风速与实际风速之间能够很好的吻合，小波-BP神经网络能够很好的寻找风速时间序列内在规律并且加以利用。进一步对相对误差进行分析，在前500个采样点，预测相对误差均低于5％，在后面的采样点中，预测相对误差开始出现波动，并且预测精度有所降低，预测相对误差均低于10％。
从图7中可以看出，在对下风处风电场风速时间序列预测的基础上，结合风速-功率关系曲线以及风机发电模型，对风电功率进行预测，预测功率与实际功率曲线趋势很好的吻合。根据图7中曲线分析，下风处风电场功率预测值与实际值的平均绝对误差为2.825MW，平均相对误差为0.0655，即预测结果的平均相对误差为6.55％，其误差值低于10％，满足预测精度要求。通过算例仿真分析，表明采用基于空间相关性与GA的小波-BP神经网络预测算法能够准确地对风速与功率进行预测，验证了该预测算法的可行性与有效性。
本发明所提出的基于空间相关性与GA的小波-BP神经网络预测算法，能够对风电场的风速和功率进行有效预测，为风电场的运行与调度提供一定的指导作用，保证风电场的可靠、高效运行，改善风电场的输出电能质量。
Claims (5)
1.一种基于空间相关性与GA遗传算法的小波-BP神经网络风电功率预测方法，其特征在于，包括以下步骤：
步骤一、初始化小波-BP神经网络和遗传算法参数，初始化小波-BP神经网络结构，包括遗传算法的初始种群数目、交叉概率、变异概率和最大进化代数；
步骤二、采集上风处风电场与下风处风电场风速时间序列，计算所采集的上风处风电场与下风处风电场的风速时间序列之间的相关性系数，获得强相关性风速时间序列；
步骤三、将强相关性风速数据组中的上风处及下风处风电场的风速时间序列录入小波-BP神经网络中，采用遗传算法优化小波-BP神经网络参数，所述小波-BP神经网络参数为BP神经网络的权值和阈值；
步骤四、对遗传算法优化后的小波-BP神经网络进行训练，修正优化小波-BP神经网络的权值、阈值以及小波基函数的平移因子、伸缩因子，在满足设定的预测误差精度要求后对下风处风电场风电功率进行预测；
步骤四中，采用L-M算法与附加动量法相结合的方法对小波-BP神经网络进行训练、优化权值和阈值；采用梯度下降法对小波基函数的平移因子和伸缩因子进行修正优化；
小波-BP神经网络训练结后，采用sim(·)函数调用所训练好的小波-BP神经网络对下风处风电功率进行预测。
2.如权利要求1所述风电功率预测方法，其特征在于，步骤一中，小波-BP神经网络采用三层神经元结构，包括输入层、隐含层和输出层；隐含层的传递函数为Morlet小波基函数。
3.如权利要求2所述风电功率预测方法，其特征在于，对小波-BP神经网络结构进行初始化时，输入层为四个输入节点，隐含层为十个神经元节点，输出层为一个输出节点，输入层为四个输入节点表征预测目标时刻前的四个时间点的风速时间序列。
4.如权利要求1所述风电功率预测方法，其特征在于，步骤二中，结合风速的空间相关特性，以下风处风电场当前时间点为基准点，将上风处风电场采集的风速时间序列按下风处风电场采集点数按等时间间隔重新分组；然后分别计算上风处与下风处风电场各组风速时间序列的相关性系数，得到相关性系数最大的一组风速时间序列作为强相关性风速时间序列。
5.如权利要求1所述风电功率预测方法，其特征在于，步骤三中，使用遗传算法对小波-BP神经网络的权值和阈值进行全局优化，经过选择、交叉和变异操作给出满足预测误差精度的权值和阈值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510943557.3A CN105574615B (zh) | 2015-12-16 | 2015-12-16 | 一种基于空间相关性与ga的小波-bp神经网络风电功率预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510943557.3A CN105574615B (zh) | 2015-12-16 | 2015-12-16 | 一种基于空间相关性与ga的小波-bp神经网络风电功率预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105574615A CN105574615A (zh) | 2016-05-11 |
| CN105574615B true CN105574615B (zh) | 2020-01-24 |
Family
ID=55884719
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510943557.3A Active CN105574615B (zh) | 2015-12-16 | 2015-12-16 | 一种基于空间相关性与ga的小波-bp神经网络风电功率预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105574615B (zh) |
Families Citing this family (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107133695A (zh) * | 2017-04-28 | 2017-09-05 | 北京天诚同创电气有限公司 | 一种风电功率预测方法和*** |
| CN107451697A (zh) * | 2017-08-07 | 2017-12-08 | 南京金水尚阳信息技术有限公司 | 一种基于复合数据修复的风功率预测方法 |
| CN109101986A (zh) * | 2018-06-07 | 2018-12-28 | 国网山东省电力公司青岛供电公司 | 基于栈式降噪自编码器的输变电设备状态异常检测方法和*** |
| CN108716953B (zh) * | 2018-06-15 | 2020-04-07 | 哈尔滨工程大学 | 一种船载非接触式海表温度测量装置现场性能评估方法 |
| CN109818775B (zh) * | 2018-12-14 | 2021-09-28 | 南昌大学 | 一种短期网络流量预测方法 |
| CN110070228B (zh) * | 2019-04-25 | 2021-06-15 | 中国人民解放军国防科技大学 | 一种神经元分支进化的bp神经网络风速预测方法 |
| CN110110944A (zh) * | 2019-05-21 | 2019-08-09 | 哈尔滨理工大学 | 一种基于修正的小波神经网络预测风电消纳需求量算法 |
| CN110674605A (zh) * | 2019-09-24 | 2020-01-10 | 东北电力大学 | 一种基于运行参数的风机功率建模方法 |
| CN110874611B (zh) * | 2019-10-16 | 2022-06-24 | 中国农业大学 | 风电集群功率超短期预测误差等级分级补偿方法 |
| CN111915084A (zh) * | 2020-08-03 | 2020-11-10 | 国网山东省电力公司电力科学研究院 | 一种基于神经网络的混合型光伏发电功率预测方法及*** |
| CN112976332A (zh) * | 2020-12-24 | 2021-06-18 | 中山艾尚智同信息科技有限公司 | 一种基于神经网络对拌成混凝土流变性预测方法 |
| CN114372634B (zh) * | 2022-01-11 | 2022-09-16 | 广东工业大学 | 基于神经网络不平衡优化的短期风电功率预测方法及*** |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102129511A (zh) * | 2011-02-21 | 2011-07-20 | 北京航空航天大学 | 一种基于matlab的风电场短期风速预测*** |
| CN103489041A (zh) * | 2013-09-17 | 2014-01-01 | 国家电网公司 | 一种短期风电功率预测方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103927695B (zh) * | 2014-04-22 | 2017-11-24 | 国家电网公司 | 基于自学习复合数据源的风电功率超短期预测方法 |
-
2015
- 2015-12-16 CN CN201510943557.3A patent/CN105574615B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102129511A (zh) * | 2011-02-21 | 2011-07-20 | 北京航空航天大学 | 一种基于matlab的风电场短期风速预测*** |
| CN103489041A (zh) * | 2013-09-17 | 2014-01-01 | 国家电网公司 | 一种短期风电功率预测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于改进的小波-BP神经网络的风速和风电功率预测;肖迁等;《电力***保护与控制》;20140728;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN105574615A (zh) | 2016-05-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105574615B (zh) | 一种基于空间相关性与ga的小波-bp神经网络风电功率预测方法 | |
| CN106529719B (zh) | 基于粒子群优化算法风速融合的风电功率预测的方法 | |
| CN106875033B (zh) | 一种基于动态自适应的风电集群功率预测方法 | |
| CN111160520A (zh) | 一种基于遗传算法优化的bp神经网络风速预测方法 | |
| CN106295899B (zh) | 基于遗传算法与支持向量分位数回归的风电功率概率密度预测方法 | |
| CN110070228B (zh) | 一种神经元分支进化的bp神经网络风速预测方法 | |
| CN103020743B (zh) | 风电场超短期风速预测方法 | |
| CN111144663B (zh) | 计及出力波动过程的海上风电场超短期风功率预测方法 | |
| CN106251242B (zh) | 一种风电出力区间组合预测方法 | |
| CN113657662B (zh) | 一种基于数据融合的降尺度风电功率预测方法 | |
| CN112149879A (zh) | 一种计及宏观波动性分类的新能源中长期电量预测方法 | |
| CN115345076B (zh) | 一种风速订正处理方法及装置 | |
| CN112100911B (zh) | 一种基于深度bilstm的太阳辐射预测方法 | |
| CN109242200B (zh) | 一种贝叶斯网络预测模型的风电功率区间预测方法 | |
| CN114169434A (zh) | 一种负荷预测方法 | |
| CN112819189A (zh) | 一种基于历史预测值的风力出力预测方法 | |
| CN111797132B (zh) | 考虑时空相关性的多可再生能源电站功率场景生成方法 | |
| CN112149905A (zh) | 一种基于小波变换和小波神经网络的光伏电站短期功率预测方法 | |
| Chen et al. | Research on wind power prediction method based on convolutional neural network and genetic algorithm | |
| CN112927097A (zh) | 基于GRA-ABC-Elman模型的光伏发电功率短期预测方法 | |
| CN116014722A (zh) | 基于季节分解和卷积网络的次日光伏发电预测方法及*** | |
| CN105956708A (zh) | 基于灰关联时间序列的短期风速预测方法 | |
| CN112801350B (zh) | 基于不确定度的深度学习超短时风电功率预测***及方法 | |
| CN111488974B (zh) | 基于深度学习神经网络的海洋风能降尺度方法 | |
| CN115034422A (zh) | 基于波动识别和误差修正的风电短期功率预测方法和*** |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20220210 Address after: 210000 b-21, No. 69, Shuangfeng Road, Pukou Economic Development Zone, Pukou District, Nanjing, Jiangsu Province Patentee after: NANJING DINGZHU ELECTRIC POWER EQUIPMENT ENGINEERING Co.,Ltd. Address before: 210094 Xuanwu District, Jiangsu, Xiaolingwei 200, Nanjing Patentee before: NANJING University OF SCIENCE AND TECHNOLOGY |
|
| TR01 | Transfer of patent right |