CN113610665B - 一种基于多延迟输出回声状态网的风力发电功率预测方法 - Google Patents

Abstract

一种基于多延迟输出回声状态网的风力发电功率预测方法，包括以下步骤：S01：采集风力发电功率的历史数据以及影响因素数据；S02：构建多延迟输出回声状态网；根据风力发电功率的历史数据以及影响因素数据构建预测样本的训练数据集和测试数据集；S03：将多延迟输出回声状态网初始化，开始进行训练；S04：对多延迟输出回声状态网的储备池进行设置；S05：初始化输出权重；S06：对多延迟输出回声状态网需要优化的参数进行优化；S07：判断是否退出训练的迭代循环；S08：将多延迟输出回声状态网作为风力发电预测网络投入使用。本发明大大减少了网络的学习时间；解决了会陷入局部最小值的问题；提高了风力发电预测的准确度。

Description

一种基于多延迟输出回声状态网的风力发电功率预测方法

技术领域

本发明涉及风力发电领域，特别是一种基于多延迟输出回声状态网的风力发电功率预测方法。

背景技术

近年来，由于全球对电能的需求不断增长，而传统的化石资源正在枯竭，风能作为一种可再生能源迅速发展，受到了全球的关注。风能发电具有比传统能源发电更加清洁环保，以及取之不尽用之不竭的特点，是目前世界上首选的可再生能源发电模式。尽管风力发电在环境和可持续性方面有许多优势，但它具有高度不稳定性和延迟大等特点。因此，需要随时对风力发电进行可靠的预测以及对预测准确性的需求非常高。如何快速准确的预测风力发电功率成为了研究热点。

风力发电预测已提出了四种风力预测方法，即物理建模，统计方法，人工神经网络及其混合方法。风能具有较强随机性、间歇性以及波动性，传统递归神经网络在风力发电预测的过程中，存在训练时间长、易陷入局部最小值及预测精度不高等问题。

发明内容

本发明的目的在于克服现有技术的不足，提供一种基于多延迟输出回声状态网的风力发电功率预测方法，大大减少了网络的学习时间；解决了会陷入局部最小值的问题；提高了风力发电预测的准确度。

本发明的目的是通过以下技术方案来实现的：

一种基于多延迟输出回声状态网的风力发电功率预测方法，包括以下步骤：

S01：采集风力发电功率的历史数据以及影响因素数据；

S02：构建多延迟输出回声状态网，所述多延迟输出回声状态网的输入为影响因素数据，所述多延迟输出回声状态网的输出为风力发电功率的预测值；根据风力发电功率的历史数据以及影响因素数据构建预测样本的训练数据集和测试数据集；

S03：将多延迟输出回声状态网初始化，开始进行训练；

S04：对多延迟输出回声状态网的储备池进行设置；

S05：初始化输出权重；

S06：对多延迟输出回声状态网需要优化的参数进行优化；

S07：判断是否退出训练的迭代循环；

S08：将多延迟输出回声状态网作为风力发电预测网络投入使用。

进一步，所述影响因素数据包括风速以及风向。

进一步，步骤S02包括以下子步骤：

S0201：将标准回声状态网公式按下式修改得到多延迟输出回声状态网：

x(n+1)＝a_xx(n)+f(Wⁱⁿu(n+1)+Wx(n)+W^fby(n))

式中，x(n)表示储备池的状态，u(n)表示为输入，y(n)表示为输出，a_x表示泄露积分率，Wⁱⁿ、W、W^fb和W^out分别表示输入权值矩阵、储备池内部权值矩阵、输出反馈权值矩阵和输出权值矩阵，α表示延迟输出的增益系数，γ_i表示延迟输出y(n-i)中的比例因子，τ表示延迟输出的最大长度，β表示校正系数，f表示储层激活函数；式中，第一个公式为储备池的状态方程。

S0202：根据风力发电功率的历史数据以及影响因素数据构建预测样本的训练数据集和测试数据集。

进一步，储层激活函数为tanh。

进一步，所述训练数据集为t₁、t₂、t₃……t_n时刻的影响因素数据；

所述测试数据集为t_k+1、t_k+2……t_k+n时刻所对应的风力发电功率的历史数据；

其中n为网络迭代的次数，k为所设定所需要预测的第k个时刻。

进一步，所述需要优化的参数包括储层参数与输出权重。

进一步，所述储层参数的优化包括以下子步骤：

S0601：将储备池的状态方程改写为下式：

x(n+1)＝a_xx(n)+f(sⁱⁿWⁱⁿu(n+1)+ρWx(n)+s^fbW^fby(n))

式中，a_x表示泄露积分率，ρ表示矩阵的实际谱半径，sⁱⁿ和s^fb分别表示输出权值矩阵和输出反馈矩阵的规模因子，所述储层参数为储备池的状态方程的全局参数q∈{a_x,ρ,sⁱⁿ,s^fb}；

S0602：计算均方根误差并将其最小化，所述均方根误差为：

式中d(n)为目标值，y(n)为风力发电功率的预测值；

S0603：利用均方根误差对储层参数进行优化。

进一步，步骤S0603包括以下步骤：

(1)按下式计算

式中,e(n)＝d(n)-y(n)，用0_u＝(0,…,0)^T来表示输入向量u，α表示延迟输出的增益系数，γ_i表示延迟输出y(n-i)中的比例因子，τ表示延迟输出的最大长度。

(2)按下式计算

(3)将步骤(2)的计算结果以及/>分别代入到/>中得到q(n)的更新方程，所述q(n)的更新方程为：

式中，0.00001≤δ_q≤0.0001，δ_q表示为学习率。

进一步，所述输出权重的优化是利用Tikhonov正则化回归计算输出权重W^out，计算公式为：

式中，Y为训练输出值y(n)按列向堆叠的向量，是X矩阵的伪逆。

进一步，步骤S07包括以下子步骤：

S0701：如果多延迟输出回声状态网的迭代次数达到设定的最大迭代次数，且预测误差低于设定值，则进入步骤S08；

S0702：如果多延迟输出回声状态网的预测误差不低于设定值，则返回步骤S03，重新进行训练。

本发明的有益效果是：

不需要对输入权值和内部权值进行学习，输入权值和内部权值为随机给定，而仅仅只需要训练输出权值，这样大大减少了网络的学习时间；使用梯度下降法进行储备池内部参数的优化，采用联合偏导的方法，解决了会陷入局部最小值的问题；MDO-ESN不仅仅保留了回声状态网对非线性时间序列预测精准的特点，并且引入了多延迟输出方程能对多延迟时间序列也有很好的预测效果，提高了风力发电预测的准确度。

附图说明

图1为MDO-ESN结构图；

图2为本发明的流程图。

具体实施方式

以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。

需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。

实施例一：

如图1至图2所示，一种基于多延迟输出回声状态网的风力发电功率预测方法，包括以下步骤：

S01：采集风力发电功率的历史数据以及影响因素数据；

所述风力发电功率的历史数据以预测日为时间基点；

所述影响因素数据为风力发电功率的历史数据对应的时刻下影响风力发电功率因素的数据；

风力发电功率的历史数据以及影响因素数据均为实际电站测量得到的。

所述影响因素数据包括风速以及风向。

风力发电功率的历史数据通过风电场采集获得。

S02：构建多延迟输出回声状态网，所述多延迟输出回声状态网的输入为影响因素数据，所述多延迟输出回声状态网的输出为风力发电功率的预测值；根据风力发电功率的历史数据以及影响因素数据构建预测样本的训练数据集和测试数据集；

S0201：将标准回声状态网公式按下式修改得到多延迟输出回声状态网：

x(n+1)＝a_xx(n)+f(Wⁱⁿu(n+1)+Wx(n)+W^fby(n))

式中，x(n)表示储备池的状态，u(n)表示为输入，y(n)表示为输出，a_x表示泄露积分率，Wⁱⁿ、W、W^fb和W^out分别表示输入权值矩阵、储备池内部权值矩阵、输出反馈权值矩阵和输出权值矩阵，α表示延迟输出的增益系数，γ_i表示延迟输出y(n-i)中的比例因子，τ表示延迟输出的最大长度，β表示校正系数，f表示储层激活函数。

储层激活函数为tanh。

通过分析输出信号特性并修改标准回声状态网的输出方程进行多延迟输出回声状态网的构建。

S0202：根据风力发电功率的历史数据以及影响因素数据构建预测样本的训练数据集和测试数据集。

对所采集到的风力发电功率的历史数据以及影响因素数据进行处理，构建预测样本的训练数据集和测试数据集。

所述训练数据集为t₁、t₂、t₃……t_n时刻的影响因素数据；影响因素数据包括风速与风向；

所述测试数据集为t_k+1、t_k+2……t_k+n时刻所对应的风力发电功率的历史数据；

其中n为网络迭代的次数，k为所设定所需要预测的第k个时刻。

S03：将多延迟输出回声状态网初始化，开始进行训练；

对多延迟输出回声状态网的参数进行初始化。

S04：对多延迟输出回声状态网的储备池进行设置；

构建储备池大小，初始化储备池内部状态与输出。

S05：初始化输出权重；

随机给定输入权值和内部权值，因此S05仅需要初始化输出权重。

S06：对多延迟输出回声状态网需要优化的参数进行优化；

确定多延迟输出回声状态网需要优化的参数后，采用梯度下降法对需要优化的参数进行优化。

所述需要优化的参数包括储层参数与输出权重。

为了解决回声状态网储层参数对预测精度的影响，为了获得更好地预测效果，需要对储层参数进行优化。

所述储层参数的优化包括以下子步骤：

S0601：将储备池的状态方程改写为下式：

x(n+1)＝a_xx(n)+f(sⁱⁿWⁱⁿu(n+1)+ρWx(n)+s^fbW^fby(n))

式中，a_x表示泄露积分率，ρ表示矩阵的实际谱半径，sⁱⁿ和s^fb分别表示输出权值矩阵和输出反馈矩阵的规模因子，所述储层参数为储备池的状态方程的全局参数q∈{a_x,ρ,sⁱⁿ,s^fb}；

S0602：计算均方根误差并将其最小化，所述均方根误差为：

式中d(n)为目标值，y(n)为风力发电功率的预测值；

所述目标值为测试数据集中相应时刻所对应的风力发电功率的历史数据。

最小化均方根误差(RMSE)是为了找到合适的输出权重。

S0603：利用均方根误差对储备池的状态方程的全局参数q∈{a_x,ρ,sⁱⁿ,s^fb}进行优化；

利用类似的梯度下降法对全局参数优化。

(1)按下式计算

式中,e(n)＝d(n)-y(n)，用0_u＝(0,…,0)^T来表示输入向量u，α表示延迟输出的增益系数，γ_i表示延迟输出y(n-i)中的比例因子，τ表示延迟输出的最大长度。

(2)按下式计算

(3)将步骤(2)的计算结果以及/>分别代入到/>中得到q(n)的更新方程，所述q(n)的更新方程为：

式中，0.00001≤δ_q≤0.0001，δ_q表示为学习率；

所述输出权重的优化是利用Tikhonov正则化回归计算输出权重W^out，计算公式为：

式中，Y为训练输出值y(n)按列向堆叠的向量，是X矩阵的伪逆。

S07：判断是否退出训练的迭代循环；

S0701：如果多延迟输出回声状态网的迭代次数达到设定的最大迭代次数，且预测误差低于设定值，则进入步骤S08；

S0702：如果多延迟输出回声状态网的预测误差不低于设定值，则返回步骤S03，重新进行训练；

S08：将多延迟输出回声状态网作为风力发电预测网络投入使用。

由于风力发电***通常表现出非平稳和非线性的不确定性，因此采用基于人工神经网络的预测方法。人工神经网络基本上是一个计算模型，从信息处理的角度抽象出神经元网络。可以通过训练来捕捉预测模型中潜在的逻辑和特征。因此，基于人工神经网络的预测方法总是比物理建模和统计方法具有更好的预测性能。回声状态网在非线性时间序列预测方面具有较好的性能，因此采用一种多延迟输出回声状态网(MDO-ESN)，作为风力发电功率预测的方法。

回声状态网的特点是不需要对输入权值和内部权值进行学习，输入权值和内部权值为随机给定，而仅仅只需要训练输出权值，这样大大减少了网络的学习时间；使用梯度下降法进行储备池内部参数的优化，采用联合偏导的方法，解决了会陷入局部最小值的问题；MDO-ESN不仅仅保留了回声状态网对非线性时间序列预测精准的特点，并且引入了多延迟输出方程能对多延迟时间序列也有很好的预测效果，提高了风力发电预测的准确度。

本预测方法能够根据输出信号特性自适应地调整输出方程，多延迟输出回声状态网在标准的回声状态网上对输出方程进行修改，引入延迟输出，对网络的参数进行学习更新，提高了风力发电功率预测精度，得到更好的风力发电功率预测效果；设计合理，易于实现，具有很好的实用价值。

以上所述实施例仅表达了本发明的具体实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。

Claims (9)

1.一种基于多延迟输出回声状态网的风力发电功率预测方法，其特征在于：包括以下步骤：

S01：采集风力发电功率的历史数据以及影响因素数据；

S02：构建多延迟输出回声状态网，所述多延迟输出回声状态网的输入为影响因素数据，所述多延迟输出回声状态网的输出为风力发电功率的预测值；根据风力发电功率的历史数据以及影响因素数据构建预测样本的训练数据集和测试数据集；

S03：将多延迟输出回声状态网初始化，开始进行训练；

S04：对多延迟输出回声状态网的储备池进行设置；

S05：初始化输出权重；

S06：对多延迟输出回声状态网需要优化的参数进行优化；

S07：判断是否退出训练的迭代循环；

S08：将多延迟输出回声状态网作为风力发电预测网络投入使用；

所述需要优化的参数包括储层参数；所述储层参数的优化包括以下子步骤：

S0601：将储备池的状态方程改写为下式：

x(n+1)＝a_xx(n)+f(sⁱⁿWⁱⁿu(n+1)+ρWx(n)+s^fbW^fby(n))

式中，a_x表示泄露积分率，ρ表示矩阵的实际谱半径，sⁱⁿ和s^fb分别表示输出权值矩阵和输出反馈矩阵的规模因子，所述储层参数为储备池的状态方程的全局参数q∈{a_x,ρ,sⁱⁿ,s^fb}；

S0602：计算均方根误差并将其最小化，所述均方根误差为：

式中d(n)为目标值，y(n)为风力发电功率的预测值；

S0603：利用均方根误差对储层参数进行优化。

2.根据权利要求1所述的一种基于多延迟输出回声状态网的风力发电功率预测方法，其特征在于：所述影响因素数据包括风速以及风向。

3.根据权利要求1或2所述的一种基于多延迟输出回声状态网的风力发电功率预测方法，其特征在于：步骤S02包括以下子步骤：

S0201：将标准回声状态网公式按下式修改得到多延迟输出回声状态网：

x(n+1)＝a_xx(n)+f(Wⁱⁿu(n+1)+Wx(n)+W^fby(n))

式中，x(n)表示储备池的状态，u(n)表示为输入，y(n)表示为输出，a_x表示泄露积分率，Wⁱⁿ、W、W^fb和W^out分别表示输入权值矩阵、储备池内部权值矩阵、输出反馈权值矩阵和输出权值矩阵，α表示延迟输出的增益系数，γ_i表示延迟输出y(n-i)中的比例因子，τ表示延迟输出的最大长度，β表示校正系数，f表示储层激活函数；

S0202：根据风力发电功率的历史数据以及影响因素数据构建预测样本的训练数据集和测试数据集。

4.根据权利要求3所述的一种基于多延迟输出回声状态网的风力发电功率预测方法，其特征在于：储层激活函数为tanh。

5.根据权利要求1或2所述的一种基于多延迟输出回声状态网的风力发电功率预测方法，其特征在于：所述训练数据集为t₁、t₂、t₃……t_n时刻的影响因素数据；

所述测试数据集为t_k+1、t_k+2……t_k+n时刻所对应的风力发电功率的历史数据；

其中n为网络迭代的次数，k为所设定所需要预测的第k个时刻。

6.根据权利要求1或2所述的一种基于多延迟输出回声状态网的风力发电功率预测方法，其特征在于：所述需要优化的参数还包括输出权重。

7.根据权利要求1所述的一种基于多延迟输出回声状态网的风力发电功率预测方法，其特征在于：步骤S0603包括以下步骤：

(1)按下式计算

式中,e(n)＝d(n)-y(n)，用0_u＝(0,...,0)^T来表示输入向量u，α表示延迟输出的增益系数，γ_i表示延迟输出y(n-i)中的比例因子，τ表示延迟输出的最大长度；

(2)按下式计算

(3)将步骤(2)的计算结果以及/>分别代入到/>中得到q(n)的更新方程，所述q(n)的更新方程为：

式中，0.00001≤δ_q≤0.0001，δ_q表示为学习率。

8.根据权利要求6所述的一种基于多延迟输出回声状态网的风力发电功率预测方法，其特征在于：所述输出权重的优化是利用Tikhonov正则化回归计算输出权重W^out，计算公式为：

式中，Y为训练输出值y(n)按列向堆叠的向量，是X矩阵的伪逆。

9.根据权利要求1或2所述的一种基于多延迟输出回声状态网的风力发电功率预测方法，其特征在于：步骤S07包括以下子步骤：

S0701：如果多延迟输出回声状态网的迭代次数达到设定的最大迭代次数，且预测误差低于设定值，则进入步骤S08；

S0702：如果多延迟输出回声状态网的预测误差不低于设定值，则返回步骤S03，重新进行训练。