一種短期風速預測方法技術

一種短期風速預測方法：S1、根據局域均值分解對原始風速時間序列進行分解，得到多個PF分量和一個余量；S2、對分量和余量構建各自的訓練數據集和測試數據集；S3、對PF分量和余量分別建立改進粒子群算法優化神經網絡的風速預測模型；S4、將訓練數據集中多個PF分量和余量的訓練樣本逐一輸入改進粒子群算法優化神經網絡的風速預測模型進行訓練，不同PF分量設定數據輸入維數學習反饋機制，得到風速預測子模型；S5、將測試數據輸入到子模型進行預測，得到預測輸出值；S6、將預測輸出值進行組合疊加處理，得到風速預測結果。本發明專利技術相對于傳統單一的神經網絡預測方法可以獲得更高精度的短期風速預測結果。

A method of short-term wind speed prediction

A forecasting method of short-term wind speed: S1, according to the decomposition of the original wind speed time series decomposition of local mean, get more PF component and a margin; S2, the training data set and test data set of components and allowance; S3, the PF component and margin respectively established improved particle swarm optimization neural velocity the network prediction model; S4, the training data of multiple PF components and the remainder of the training sample inputs improved speed and particle swarm optimization algorithm for training neural network prediction model, different PF component set data input dimension mathematical learning feedback mechanism, get wind speed prediction model; S5, the test data will be input to the sub model the prediction, forecast the output value; S6, predicted output values by combining the predictions of wind speed. Compared with the traditional single neural network prediction method, the invention can obtain higher precision short-term wind speed prediction results.

【技術實現步驟摘要】
一種短期風速預測方法
本專利技術涉及一種短期風速預測方法，尤其涉及到一種基于局域均值分解和改進粒子群算法優化神經網絡的短期風速預測方法。
技術介紹
在20世紀70年代由于爆發了兩次大規模的世界性能源危機，能源問題和環境問題日益突出。風能的利用越來越受到人們的重視。風能是一種無污染、可再生能源。目前，開發和利用風能的主要形式是風力發電。風力發電是發展最快和最成熟的可再生能源發電技術，已具有大規模商業開發的技術和經濟條件。世界風力發電從1990年開始了迅猛發展。據世界風能協會的統計，截至2015年底，全球風電總裝機容量達到432.4GW，其中2015年的新增裝機容量達到63GW。而中國目前是世界上風電裝機容量最多發展最迅速的國家，截至2015年底的風電總裝機容量達到145.1GW，約占我國總裝機容量的2.5％，年增長率達到26.6％。風電功率的高度非線性主要是由風速的非線性和非平穩造成的。風電的不穩定性將成為風電系統與主電網結合的障礙之一。故提高風速/風電功率的預測精度對電網運行有著重要意義。風速預測方法按照預測模型的不同可分為：物理方法、統計方法和機器學習方法。統計方法主要有時間序列法、卡爾曼濾波法、灰色預測法、空間相關法等。常用的學習方法有人工神經網絡法(ANN)、小波分析法、支持向量機和極限學習機，其中BP神經網絡由于其具有自適應的特點而得到廣泛應用。但單一的預測方法已很難滿足預測精度的要求。風速時間序列具有風險性強和非平穩性高的特點，BP神經網絡很難對波動較大的風速序列進行準確預測，且在模型訓練階段未考慮不同數據輸入維數對預測結果的影響。因此，上述缺陷是亟需解決的問題。
技術實現思路
本專利技術所要解決的技術問題，就是提供一種基于局域均值分解和改進粒子群算法優化神經網絡的短期風速預測方法，可應用于風能相關領域的科學研究和工程應用，其可提高預測模型的穩定性和泛化能力，獲得較單一預測方法更高精度的短期風速預測結果。解決上述技術問題，本專利技術所采用的技術方案如下：一種短期風速預測方法，其特征是包括以下步驟：S1、獲取原始風速時間序列，根據局域均值分解對原始風速時間序列進行分解，得到多個PF分量和一個余量；S2、對余量和全部PF分量構建各自的訓練數據集和測試數據集；S3、對余量和全部PF分量分別建立改進粒子群算法優化神經網絡的風速預測模型；S4、將訓練數據集中余量和全部PF分量的訓練樣本逐一輸入改進粒子群算法優化神經網絡的風速預測模型進行訓練，針對不同PF分量設定數據輸入維數學習反饋機制，得到各自對應的風速預測子模型；S5、將測試數據集輸入到各自對應的風速預測子模型進行預測，得到每個風速預測子模型的預測輸出值；S6、將每個風速預測子模型的預測輸出值進行疊加處理(全部取和)，得到最終的風速預測結果。所述步驟S1的局域均值分解對原始風速時間序列進行分解的具體步驟為：1)找出原始信號x(t)所有的局部極值點ni，求出所有相鄰的局部極值點的平均值：式中：i代表局部極值點的個數，原始信號x(t)代表風速信號，t代表風速信號數據個數；將所有相鄰的平均值點mi用直線連接起來，然后用滑動平均法進行平滑處理，得到局部均值函數m11(t)；2)求出包絡估計值點ai：將所有相鄰的估計值點ai用直線連接起來，然后用滑動平均法進行平滑處理，得到包絡估計函數a11(t)；3)將局部均值函數m11(t)從原始信號x(t)中分離出來，得到：h11(t)＝x(t)-m11(t)；h11(t)代表第一次分離計算得到的余量函數；4)用h11(t)除以包絡估計函數a11(t)，以對h11(t)進行解調，得到：s11(t)＝h11(t)/a11(t)；s11(t)代表第一次解調后的調頻信號。對s11(t)重復步驟1)-2)，得到s11(t)的包絡估計函數a12(t)；假如a12(t)不等于1，說明s11(t)不是一個純調頻信號，需重復上述步驟1)-4)n次，直至s1n(t)為一個純調頻信號，也就是s1n(t)的包絡估計函數a1(n+1)(t)＝1，所以有：式中，h11(t),h12(t),…,h1n(t)代表從第1次計算到第n次計算得到的n個余量函數；m11(t),m12(t),…,m1n(t)代表第1次計算到第n次計算得到的n個局部均值函數；s11(t),s12(t),…,s1n(t)代表第1次計算到第n次計算得到的n個調頻信號；a11(t),a12(t),…,a1n(t)代表第1次計算到第n次計算得到的n個包絡估計函數。迭代終止條件為：式中，a1n(t)為第n次計算得到的包絡估計函數。實際應用中，在不影響分解效果的前提下，為了減少迭代次數，降低運算時間，可設置一個變量Δ，使得當滿足1-Δ≤a1n(t)≤1+Δ時，終止迭代；5)將迭代過程中所產生的全部包絡估計函數相乘，得到第一個分量的包絡信號(瞬時幅值函數)：式中，a1q(t)代表第q次計算得到的包絡估計函數，q＝1,2,...,n。6)將包絡信號a1(t)和純調頻信號s1n(t)相乘得：PF1(t)＝a1(t)s1n(t)；式中，PF1(t)為信號x(t)的第一個PF分量，包含了原始信號的最高頻成分，是一個單分量的調幅-調頻信號，瞬時頻率f1(t)由調頻信號s1n(t)求出：從原始信號x(t)中將第一個PF分量PF1(t)分離出來，得到剩余信號u1(t)，由于剩余信號u1(t)中還包含較多頻率成分，因此將u1(t)作為原始數據重復上述步驟1)到6)k次對其進行分解，得到第二個PF分量，重復這個過程直到uk(t)為一個單調函數(單調遞增或單調遞減函數)為止；如此得到一定數量的PF分量：式中，u1(t),u2(t),…,un(t)為第1次到第k次分解計算得到的k個剩余信號；PF1(t),PF2(t),…,PFk(t)為第1次到第k次分解計算得到的k個PF分量。最終信號x(t)表示為k個PF分量和余量之和：式中，PFp(t)為第p個PF分量，p＝1,2,...,k；uk(t)為殘余函數，代表信號的平均趨勢。所述驟S2的構建自訓練數據集和測試數據集的方法具體為：PF分量PFk和余量uk的訓練數據集Trn包含模型的輸入數據Xn和輸出數據Yn，輸入數據和輸出數據是對PF分量和余量的時間序列進行連續采集而來，輸入數據其中m為預測模型輸入個數，輸出數據l的取值由預測模型輸出個數決定；PF分量PFk和余量uk的訓練數據集Ten包含模型的輸入數據XXn和輸出數據YYn，輸入數據和輸出數據是在訓練數據集采集完成后，接著對PF分量和余量的時間序列進行連續采集而來，輸入數據其中m為預測模型輸入個數，輸出數據l的取值由預測模型輸出個數決定。所述步驟S3的建立改進粒子群算法優化神經網絡的風速預測模型具體為：1)神經網絡包括一個輸入層、一個隱含層和一個輸出層，輸入層神經元個數等于模型輸入個數m，輸出層神經元個數等于模型輸出個數l，隱含層神經元個數a為1～10中的自然數；其中隱含層神經元激活函數使用sigmoid函數，sigmoid函數計算公式為：式中，x為隱含層神經元的輸入，f(x)為隱含層神經元的輸出。輸出層神經元激活函數使用線性函數，線性函數計算公式為：f'(x)＝w*x'+b其中，x'為輸出層神經元的輸入，f'(x)本文檔來自技高網...

【技術保護點】
一種短期風速預測方法，其特征在于包括以下步驟：S1、獲取原始風速時間序列，根據局域均值分解對原始風速時間序列進行分解，得到多個PF分量和一個余量；S2、對每個PF分量和余量構建各自訓練數據集和測試數據集；S3、對每個PF分量和余量分別建立改進粒子群算法優化神經網絡的風速預測模型；S4、將訓練數據集中全部PF分量和余量的訓練樣本逐一輸入改進粒子群算法優化神經網絡的風速預測模型進行訓練，針對不同PF分量設定數據輸入維數學習反饋機制，得到各自對應的風速預測子模型；S5、將測試數據集輸入到各自對應的風速預測子模型進行預測，得到每個風速預測子模型的預測輸出值；S6、將每個風速預測子模型的預測輸出值進行疊加處理，得到最終的風速預測結果。

【技術特征摘要】
1.一種短期風速預測方法，其特征在于包括以下步驟：S1、獲取原始風速時間序列，根據局域均值分解對原始風速時間序列進行分解，得到多個PF分量和一個余量；S2、對每個PF分量和余量構建各自訓練數據集和測試數據集；S3、對每個PF分量和余量分別建立改進粒子群算法優化神經網絡的風速預測模型；S4、將訓練數據集中全部PF分量和余量的訓練樣本逐一輸入改進粒子群算法優化神經網絡的風速預測模型進行訓練，針對不同PF分量設定數據輸入維數學習反饋機制，得到各自對應的風速預測子模型；S5、將測試數據集輸入到各自對應的風速預測子模型進行預測，得到每個風速預測子模型的預測輸出值；S6、將每個風速預測子模型的預測輸出值進行疊加處理，得到最終的風速預測結果。2.根據權利要求1所述的短期風速預測方法，其特征在于：所述步驟S1中由局域均值分解對原始風速時間序列分解的具體步驟為：1)找出原始信號x(t)所有的局部極值點ni，求出所有相鄰的局部極值點的平均值：式中：i代表局部極值點的個數，原始信號x(t)代表風速信號，t代表風速信號數據個數；將所有相鄰的平均值點mi用直線連接起來，然后用滑動平均法進行平滑處理，得到局部均值函數m11(t)；2)求出包絡估計值點ai：將所有相鄰的估計值點ai用直線連接起來，然后用滑動平均法進行平滑處理，得到包絡估計函數a11(t)；3)將局部均值函數m11(t)從原始信號x(t)中分離出來，得到：h11(t)＝x(t)-m11(t)；h11(t)代表第一次分離計算得到的余量函數；4)用h11(t)除以包絡估計函數a11(t)，以對h11(t)進行解調，得到：s11(t)＝h11(t)/a11(t)；s11(t)代表第一次解調后的調頻信號。對s11(t)重復步驟1)-2)，得到s11(t)的包絡估計函數a12(t)；假如a12(t)不等于1，說明s11(t)不是一個純調頻信號，需重復上述步驟1)-4)n次，直至s1n(t)為一個純調頻信號，也就是s1n(t)的包絡估計函數a1(n+1)(t)＝1，所以有：式中，h11(t),h12(t),…,h1n(t)代表從第1次計算到第n次計算得到的n個余量函數；m11(t),m12(t),…,m1n(t)代表第1次計算到第n次計算得到的n個局部均值函數；s11(t),s12(t),…,s1n(t)代表第1次計算到第n次計算得到的n個調頻信號；a11(t),a12(t),…,a1n(t)代表第1次計算到第n次計算得到的n個包絡估計函數。迭代終止條件為：式中，a1n(t)為第n次計算得到的包絡估計函數。實際應用中，在不影響分解效果的前提下，為了減少迭代次數，降低運算時間，可設置一個變量Δ，使得當滿足1-Δ≤a1n(t)≤1+Δ時，終止迭代；5)將迭代過程中所產生的全部包絡估計函數相乘，得到第一個分量的包絡信號(瞬時幅值函數)：式中，a1q(t)代表第q次計算得到的包絡估計函數，q＝1,2,...,n。6)將包絡信號a1(t)和純調頻信號s1n(t)相乘得：PF1(t)＝a1(t)s1n(t)；式中，PF1(t)為信號x(t)的第一個PF分量，包含了原始信號的最高頻成分，是一個單分量的調幅-調頻信號，瞬時頻率f1(t)由調頻信號s1n(t)求出：從原始信號x(t)中將第一個PF分量PF1(t)分離出來，得到剩余信號u1(t)，由于剩余信號u1(t)中還包含較多頻率成分，因此將u1(t)作為原始數據重復上述步驟1)到6)k次對其進行分解，得到第二個PF分量，重復這個過程直到uk(t)為一個單調函數(單調遞增或單調遞減函數)為止；如此得到一定數量的PF分量：

【專利技術屬性】
技術研發人員：肖建華，陳冬灃，盧丹，黃慶仕，
申請(專利權)人：廣東電網有限責任公司揭陽供電局，
類型：發明
國別省市：廣東,44