[发明专利]用于风电场功率预测模型的正弦归一化方法

说明书

技术领域

本发明属于风电功率预测领域，尤其涉及用于风电场功率预测模型的正弦归一化方法。

背景技术

近几年风电快速发展，大规模并网给电力系统调度运行带来了巨大的挑战，风电功率预测是提高电力系统调峰调频能力与电网对风电接纳能力的有效手段之一。风电功率预测就是建立影响功率输入的参量与输出功率值之间的映射关系。神经网络模型以其较强的泛化能力、非线性映射能力和容错性，广泛应用在功率预测领域。神经网络模型的建立是一个动态的学习过程，称之为“训练”，这一过程需要大量的历史数据支持，根据实际输出值与期望输出值的差值来修正权值，使网络能够存储记忆数据信息。“训练”过程中并不直接利用历史数据，而是将原有数据映射到一个较小的区间上面，一般是0到1的区间，这个过程叫做归一化。归一化是数据预处理的有效方法之一。

采用归一化方法主要有三个原因：第一，BP神经网络功率预测模型输入变量为影响功率的各个物理量，一般为风速、风向、气压、温度、湿度等，由于量纲的不同，其量值不同，为了平等的使用具有不同量纲的变量，必须对输入数据进行归一化。第二，神经网络的传递函数基本采用sigmoid函数，函数的曲线如图1所示，过大的输入量值会使函数输出处于“饱和”状态，即输入的量值之间的差异不再敏感，归一化使输入量值规范在一个比较小的范围内，从而使函数输出比较“活跃”。第三，期望功率输出值与实际功率输出值的差异直接决定了权值的修正，如果不进行归一化，较小的输出不能够对权值进行充分修正，这样会使功率预测值偏高。所以对输入输出量都要进行归一化处理。

现有的归一化方法主要是线性归一化方法，其归一化公式如下：

y′=y-yminymax-ymin]]>

其中y为原变量，y为归一化后的变量，y_max为原变量所有样本中最大值，y_min为原变量所有样本中最小值。对于输入变量，线性归一化既规范了输入量的量值，又使传递函数处于活跃状态，对神经网络训练有利。但是，对于输出值也进行这种归一化，并不合理。一般的情况下，风电场的功率数据中，功率值越大，出现的频率较小。这样对期望输出线性归一化的结果是：在0到1的区间里，输出量多数为较小的值且靠近0点，只有少数值较大。这样做的缺点是，经过归一化，弱化了较小功率之间的差异，使神经网络风电场功率预测模型对小功率变化的刻画不够详细，而小功率出现的频率是非常高的，造成误差累积，影响风电场预测的整体精度。

发明内容

本发明针对上述缺陷公开了用于风电场功率预测模型的正弦归一化方法。本发明针对现有的归一化方法进行改进，弱化归一化后的功率值对原有功率分布特点的继承。考虑在归一化的过程中，适当放大较小功率之间的差异，同时缩小归一化后功率之间的差异，输出变量值经过归一化显得分布更均匀，增强了神经网络风电场功率预测模型的记忆能力，提高了BP神经网络功率预测模型的精度，尤其是增强了对较小功率波动的跟踪。

本发明的组成部分主要有两个：第一是BP神经网络功率预测模型，第二个是期望输出数据的正弦归一化处理方法。在训练神经网络功率预测模型时，需要对期望输出，即功率值进行正弦归一化处理，在进行预测时，为了得到功率的预测值，需要对神经网络风电场功率预测模型的输出值进行反归一化处理。

用于风电场功率预测模型的正弦归一化方法包括以下步骤：

1）获取风电场的n组数值天气预报数据和风电场输出功率数据；数据采样间隔为15分钟；

2）初始化BP神经网络，该BP神经网络具有两个隐藏层；

3）分别对风速、风向正弦、风向余弦、气温、气压和湿度进行线性归一化处理，线性归一化的公式如下：