CN109711612A - 一种优化回声状态网络的风力发电功率预测方法及装置 - Google Patents

Abstract

本发明涉及一种优化回声状态网络的风力发电功率预测方法及装置，所述方法包括：利用风力发电功率历史数据作为训练样本，训练获取用于预测风力发电功率的回声状态网络模型；以回声状态网络模型预测误差最小为目标优化所述回声状态网络模型的参数；利用优化后的回声状态网络模型对风力发电功率进行预测。本发明提供的技术方案利用回声状态网络具有的强大非线性映射能力，同时结合萤火虫优化算法的快速且精确的寻优能力，根据历史输入样本不断对回声状态网络的关键参数进行优化更新，以提高回声状态网络预测的准确度。

Description

一种优化回声状态网络的风力发电功率预测方法及装置

技术领域

本发明涉及风力发电的技术领域，具体涉及一种优化回声状态网络的风力发电功率预测方法及装置。

背景技术

回声状态网络属新型的递归神经网络，在非线性混沌***预测建模方面与传统的递归神经网络相比有了较大改进，学习算法本身属于凸优化，因此避免了陷入局部极小值的问题，尤其在时间序列的预测问题应用极佳。

萤火虫算法是一种原理简明、所需参数较少、较为新颖的智能优化算法，通过引入萤火虫个体适应度变异环节，克服标准萤火虫算法的收敛速度、求解精度等问题。

随着全球石化资源储量的日渐匮乏以及低碳、环保概念的逐步深化，风能作为一种典型的可再生资源，由于其资源丰富，并且具备大规模开发的条件，其开发与利用在全世界范围内受到了广泛的关注。

风能在快速发展的同时也面临着突出的问题。近年来，随着风电场规模的不断扩大，其本身所具有的随机性和间歇性对电网的安全性、稳定性和电能质量等都造成了巨大的冲击和影响，这显然会给大规模的风电并网、电网调峰、调频带来巨大的困难。因此，将风力发电功率从未知变成已知，对电力***的运行有着重大的意义。准确的风电功率预测，可以在保证供电***平衡与安全的前提下，降低风力发电的成本，并减少风力发电并网时对电网稳定性的冲击，从而达到提高风力发电价值的目的。

目前，主要的风力发电输出功率预测方法包括时间序列法、基于数值天气预报的预测方法、统计方法等，这些方法通过历史数据试图找出天气状况与风力发电功率的关系来对风电功率进行预测，但其存在模型预测精度低，模型复杂的问题。

发明内容

为了解决风力发电输出功率预测不准确的问题，本发明提供一种优化回声状态网络的风力发电功率预测方法及装置，通过本方法，从风电功率时序数据出发，引入回声状态网络充分挖掘数列信息，结合改进萤火虫优化算法不断对回声状态网络的关键参数进行优化更新，从而迅速精简地对风力发电功率进行预测，且预测结果具备很高的精确度。

本发明提供的一种优化回声状态网络的风力发电功率预测方法，其改进之处在于，包括：

利用风力发电功率历史数据作为训练样本，训练获取用于预测风力发电功率的回声状态网络模型；

以回声状态网络模型预测误差最小为目标优化所述回声状态网络模型的参数；

利用优化后的回声状态网络模型对风力发电功率进行预测。

优选的，所述以回声状态网络模型预测误差最小为目标优化所述回声状态网络模型的参数，包括：

利用萤火虫算法优化所述回声状态网络模型的参数，其中，所述萤火虫算法中利用所述回声状态网络模型的参数构建萤火虫个体及萤火虫种群，所述萤火虫算法的适应度函数为：

上式中，M为预测时间段长度，y(k)为所述回声状态网络在k时刻的预测风力发电功率，为所述回声状态网络在k时刻的实际风力发电功率。

进一步的，所述回声状态网络模型的参数包括连接权谱半径、储备池规模、输入单元尺度及稀疏程度。

优选的，所述利用优化后的回声状态网络模型对风力发电功率进行预测，包括：

利用优化后的回声状态网络模型按下式确定下一时刻的风力发电功率y(M+1)：

y(M+1)＝f_out×(W_best×(u(M),x(M)))

上式中，f_out为输出层函数，u(M)为采集的M时刻的风力发电功率历史数据，x(M)为所述回声状态网络在M时刻的状态向量，W_best为所述最优化回声状态网络的输出权重矩阵；

其中，按下式确定所述回声状态网络在M时刻的状态向量x(M)：

x(M)＝f(W_in×u(M)+W_backx(M-1))

上式中，W_in为所述优化后的回声状态网络中输入层到储备池N×K阶连接权重矩阵，W_back为所述优化后的回声状态网络中输出层反馈到储备池的N×L阶连接权重矩阵，N为所述优化后的回声状态网络内部神经元个数，L为输出维数，K为输入维数，f为神经元激活函数Sigmoid，x(M-1)为所述回声状态网络在M-1时刻的状态向量。

本发明提供的一种优化回声状态网络的风力发电功率预测装置，其改进之处在于，包括：

训练模块，用于利用风力发电功率历史数据作为训练样本，训练获取用于预测风力发电功率的回声状态网络模型；

优化模块，用于以回声状态网络模型预测误差最小为目标优化所述回声状态网络模型的参数；

预测模块，用于利用优化后的回声状态网络模型对风力发电功率进行预测。

优选的，所述优化模块，用于：

利用萤火虫算法优化所述回声状态网络模型的参数，其中，所述萤火虫算法中利用所述回声状态网络模型的参数构建萤火虫个体及萤火虫种群，所述萤火虫算法的适应度函数为：

上式中，M为预测时间段长度，y(k)为所述回声状态网络在k时刻的预测风力发电功率，为所述回声状态网络在k时刻的实际风力发电功率。

进一步的，所述回声状态网络模型的参数包括连接权谱半径、储备池规模、输入单元尺度及稀疏程度。

优选的，所述预测模块，用于：

利用优化后的回声状态网络模型按下式确定下一时刻的风力发电功率y(M+1)：

y(M+1)＝f_out×(W_best×(u(M),x(M)))

上式中，f_out为输出层函数，u(M)为采集的M时刻的风力发电功率历史数据，x(M)为所述回声状态网络在M时刻的状态向量，W_best为所述最优化回声状态网络的输出权重矩阵；

其中，按下式确定所述回声状态网络在M时刻的状态向量x(M)：

x(M)＝f(W_in×u(M)+W_backx(M-1))

上式中，W_in为所述优化后的回声状态网络中输入层到储备池N×K阶连接权重矩阵，W_back为所述优化后的回声状态网络中输出层反馈到储备池的N×L阶连接权重矩阵，N为所述优化后的回声状态网络内部神经元个数，L为输出维数，K为输入维数，f为神经元激活函数Sigmoid，x(M-1)为所述回声状态网络在M-1时刻的状态向量。

与最接近的现有技术比，本发明提供的技术方案具有以下优异效果：

本发明提供了一种优化回声状态网络的风力发电功率预测方法及装置，利用回声状态网络对混沌时序数列进行数据挖掘、趋势拟合，结合萤火虫优化算法的快速且精确地寻优能力，根据变化的输入样本不断对回声状态网络的关键参数进行优化更新，提高回声状态网络预测的准确度，在保证供电***平衡与安全的前提下，减少风力发电并网时对电网稳定性的冲击，从而达到提高风力发电价值的目的。

附图说明

图1是本发明提供的优化回声状态网络的风力发电功率预测方法的流程图；

图2是本发明实施例中提供的优化回声状态网络的风力发电功率预测装置的结构图。

具体实施方式

下面结合附图对本发明的具体实施方式作详细说明。

实施例一

本发明实施例提出一种优化回声状态网络的风力发电功率预测方法，流程图如图1所示，包括以下步骤：

利用风力发电功率历史数据作为训练样本，训练获取用于预测风力发电功率的回声状态网络模型；

以回声状态网络模型预测误差最小为目标优化所述回声状态网络模型的参数；

利用优化后的回声状态网络模型对风力发电功率进行预测。

具体的，所述利用风力发电功率历史数据作为训练样本，训练获取用于预测风力发电功率的回声状态网络模型，包括：

用下式表示回声状态网络：

u(k)＝[u₁(k),u₂(k),...,u_K(k)]^T

x(k)＝[x₁(k),x₂(k),...,x_N(k)]^T

y(k)＝[y₁(k),y₂(k),...,y_L(k)]^T

其中，K为输入维数，N为内部神经元个数，L为输出维数，u(k)、x(k)、y(k)分别为回声状态网络的输入向量、状态向量及输出向量,u(k)为风力发电功率历史数据：

根据所述回声状态网络的输入向量、状态向量及输出向量，按下式对所述回声状态网络进行训练：

x(k+1)＝f(W_in×u(k+1)+W_backx(k))

y(k+1)＝f_out×(W_out×(u(k+1),x(k+1)))

上式中，f()为神经元激活函数Sigmoid，f_out为输出层函数，W_in为随机生成的输入层到储备池N×K阶连接权重矩阵，W_back为随机生成的输出层反馈到储备池的N×L阶连接权重矩阵，W_out为储备池到输出层的L×(K+N+L)阶输出权重矩阵。

具体的，所述以回声状态网络模型预测误差最小为目标优化所述回声状态网络模型的参数，包括：

按下式表示萤火虫优化算法的适应度函数Z(M)：

上式中，M为预测时间段长度，y(k)为所述回声状态网络在k时刻的预测风力发电功率，为所述回声状态网络在k时刻的实际风力发电功率；

当适应度函数Z(M)为最小的时候，利用萤火虫优化算法更新所述回声状态网络模型的关键参数最优解，包括连接权谱半径SR、储备池规模N、输入单元尺度IS及稀疏程度SD，并将所述最优解作为所述回声状态网络模型的储备池设置参数。

具体的，所述利用优化后的回声状态网络模型对风力发电功率进行预测，包括：

按下式计算优化后的回声状态网络模型的权重矩阵W_best：

W_best＝(C^-1×D)^T

上式中，C为输入向量u(k)构成的矩阵，D为所述优化后的回声状态网络的输出向量y(k)构成的列矩阵。

利用优化后的回声状态网络模型按下式确定下一时刻的风力发电功率y(M+1)：

y(M+1)＝f_out×(W_best×(u(M),x(M)))

上式中，f_out为输出层函数，u(M)为采集的M时刻的风力发电功率历史数据，x(M)为所述回声状态网络在M时刻的状态向量；

其中，按下式确定所述回声状态网络在M时刻的状态向量x(M)：

x(M)＝f(W_in×u(M)+W_backx(M-1))

上式中，x(M-1)为所述回声状态网络在M-1时刻的状态向量。

实施例二

本发明实施例提出一种优化回声状态网络的风力发电功率预测装置，结构如图2所示，包括：

训练模块，用于利用风力发电功率历史数据作为训练样本，训练获取用于预测风力发电功率的回声状态网络模型；

优化模块，用于以回声状态网络模型预测误差最小为目标优化所述回声状态网络模型的参数；

预测模块，用于利用优化后的回声状态网络模型对风力发电功率进行预测。

所述优化模块，用于：

按下式表示萤火虫优化算法的适应度函数Z(M)：

上式中，M为预测时间段长度，y(k)为所述回声状态网络在k时刻的预测风力发电功率，为所述回声状态网络在k时刻的实际风力发电功率；

当适应度函数Z(M)为最小的时候，利用萤火虫优化算法更新所述回声状态网络模型的关键参数最优解，包括连接权谱半径SR、储备池规模N、输入单元尺度IS及稀疏程度SD，并将所述最优解作为所述回声状态网络模型的储备池设置参数。

所述预测模块，用于：

利用优化后的回声状态网络模型按下式确定下一时刻的风力发电功率y(M+1)：

y(M+1)＝f_out×(W_best×(u(M),x(M)))

上式中，f_out为输出层函数，u(M)为采集的M时刻的风力发电功率历史数据，x(M)为所述回声状态网络在M时刻的状态向量，W_best为所述最优化回声状态网络的输出权重矩阵；

其中，按下式确定所述回声状态网络在M时刻的状态向量x(M)：

x(M)＝f(W_in×u(M)+W_backx(M-1))

上式中，W_in为所述优化后的回声状态网络中输入层到储备池N×K阶连接权重矩阵，W_back为所述优化后的回声状态网络中输出层反馈到储备池的N×L阶连接权重矩阵，N为所述优化后的回声状态网络内部神经元个数，L为输出维数，K为输入维数，f为神经元激活函数Sigmoid，x(M-1)为所述回声状态网络在M-1时刻的状态向量。

本领域内的技术人员应明白，本申请的实施例可提供为方法、***、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

以上仅为本发明的实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均包含在申请待批的本发明的权利要求范围之内。

Claims (8)

1.一种优化回声状态网络的风力发电功率预测方法，其特征在于，所述方法包括：

利用风力发电功率历史数据作为训练样本，训练获取用于预测风力发电功率的回声状态网络模型；

以回声状态网络模型预测误差最小为目标优化所述回声状态网络模型的参数；

利用优化后的回声状态网络模型对风力发电功率进行预测。

2.如权利要求1所述的风力发电功率预测方法，其特征在于，所述以回声状态网络模型预测误差最小为目标优化所述回声状态网络模型的参数，包括：

利用萤火虫算法优化所述回声状态网络模型的参数，其中，所述萤火虫算法中利用所述回声状态网络模型的参数构建萤火虫个体及萤火虫种群，所述萤火虫算法的适应度函数为：

上式中，M为预测时间段长度，y(k)为所述回声状态网络在k时刻的预测风力发电功率，为所述回声状态网络在k时刻的实际风力发电功率。

3.如权利要求2所述的风力发电功率预测方法，其特征在于，所述回声状态网络模型的参数包括连接权谱半径、储备池规模、输入单元尺度及稀疏程度。

4.如权利要求1所述的风力发电功率预测方法，其特征在于，所述利用优化后的回声状态网络模型对风力发电功率进行预测，包括：

利用优化后的回声状态网络模型按下式确定下一时刻的风力发电功率y(M+1)：

y(M+1)＝f_out×(W_best×(u(M),x(M)))

上式中，f_out为输出层函数，u(M)为采集的M时刻的风力发电功率历史数据，x(M)为所述回声状态网络在M时刻的状态向量，W_best为所述最优化回声状态网络的输出权重矩阵；

其中，按下式确定所述回声状态网络在M时刻的状态向量x(M)：

x(M)＝f(W_in×u(M)+W_backx(M-1))

上式中，W_in为所述优化后的回声状态网络中输入层到储备池N×K阶连接权重矩阵，W_back为所述优化后的回声状态网络中输出层反馈到储备池的N×L阶连接权重矩阵，N为所述优化后的回声状态网络内部神经元个数，L为输出维数，K为输入维数，f为神经元激活函数Sigmoid，x(M-1)为所述回声状态网络在M-1时刻的状态向量。

5.一种优化回声状态网络的风力发电功率预测装置，其特征在于，所述装置包括：

训练模块，用于利用风力发电功率历史数据作为训练样本，训练获取用于预测风力发电功率的回声状态网络模型；

优化模块，用于以回声状态网络模型预测误差最小为目标优化所述回声状态网络模型的参数；

预测模块，用于利用优化后的回声状态网络模型对风力发电功率进行预测。

6.如权利要求1所述的风力发电功率预测装置，其特征在于，所述优化模块，用于：

利用萤火虫算法优化所述回声状态网络模型的参数，其中，所述萤火虫算法中利用所述回声状态网络模型的参数构建萤火虫个体及萤火虫种群，所述萤火虫算法的适应度函数为：

上式中，M为预测时间段长度，y(k)为所述回声状态网络在k时刻的预测风力发电功率，为所述回声状态网络在k时刻的实际风力发电功率。

7.如权利要求6所述的风力发电功率预测装置，其特征在于，所述回声状态网络模型的参数包括连接权谱半径、储备池规模、输入单元尺度及稀疏程度。

8.如权利要求5所述的风力发电功率预测装置，其特征在于，所述预测模块，用于：

利用优化后的回声状态网络模型按下式确定下一时刻的风力发电功率y(M+1)：

y(M+1)＝f_out×(W_best×(u(M),x(M)))

上式中，f_out为输出层函数，u(M)为采集的M时刻的风力发电功率历史数据，x(M)为所述回声状态网络在M时刻的状态向量，W_best为所述最优化回声状态网络的输出权重矩阵；

其中，按下式确定所述回声状态网络在M时刻的状态向量x(M)：

x(M)＝f(W_in×u(M)+W_backx(M-1))

上式中，W_in为所述优化后的回声状态网络中输入层到储备池N×K阶连接权重矩阵，W_back为所述优化后的回声状态网络中输出层反馈到储备池的N×L阶连接权重矩阵，N为所述优化后的回声状态网络内部神经元个数，L为输出维数，K为输入维数，f为神经元激活函数Sigmoid，x(M-1)为所述回声状态网络在M-1时刻的状态向量。