[发明专利]一种基于RBF的风电场短期风速预测方法

说明书

技术领域

本发明涉及一种基于RBF的风电场短期风速预测方法，属于风电场风速预测领域。

背景技术

正确的预测风电场短期风速是一项艰巨而复杂的工作，也是风电并网安全的根本任务之一。常用的风电场风速预测方法主要有时间序列法、卡尔曼滤波法、数值天气预报法，以及人工神经网络模型为代表的一些智能预测技术。由于风电场风速受到气温、气压、湿度等因素的综合影响，普遍存在高度的非线性、随机性和复杂性。

人工神经网络网络模型的出现，可以利用其逼近任意连续函数的性质，通过模型的自我学习监督，将预测因素之间的内在联系通过人工神经网络的权值分布实现隐形表达。传统的人工神经网络模型在预测风电场短期风速时，普遍采用构建BP神经网络模型，其中模型训练采用包括基于误差反向传播的最速下降法或拟牛顿方法。这些方法在网络学习方面表现出比较好的性质，收敛速度也较好，但是难以实现对未来风速的准确预测。因此本文利用具有更好逼近能力的RBF人工神经网络进行预测，采用K均值聚类和最小二乘法的方法进行建模，具有更高的预测精度，实现预测的准确性。

发明内容

本发明的目的是克服目前风电场短期风速预测方法的不足，提供具有更高精度和泛化能力更好的一种基于RBF的风电场短期风速预测方法。

为实现上述目的，本发明的技术方案包括以下步骤：

步骤一、构建归一化风速训练样本

短期风速预测中，找出风速、温度、湿度、气压和风向的M组历史数据，每个历史数据都是风电场每隔10分钟记录一次的对应数据。其中，温度、湿度、气压和风向为输入的4维数据，风速为输出的1维数据。选取前面N组数据作为训练数据，后面(M-N)组数据作为测试数据。然后将上述历史数据经行归一化处理，归一化公式为：

X'=x-min(x)max(x)-min(x)]]>

步骤二、构建RBF人工神经网络

确定RBF人工神经网络具有三层，输入层、隐层和输出层：

1)确定RBF人工神经网络输入层神经元个数：输入层神经元个数为风速相关因素的个数，即4个；

2)确定RBF人工神经网络输出层神经元个数：即风速，为1个；

3)确定RBF人工神经网络隐层神经元个数：根据Hecht-Nielsen的经验公式确定隐层神经元的个数，公式为：

h=2*n+p2+2-1]]>

此公式所得值向上取整数，其中h为隐层神经元个数，n为输入层神经元个数，p为输出层神经元个数，经计算可得h为9；

步骤三、计算RBF人工神经网络的中心、宽度和权值

思路是用K均值聚类方法确定RBF人工神经网络中h个隐节点的数据中心，再根据各数据中心之间的距离确定隐节点的宽度，最后应用最小二乘法确定各隐节点的输出权值。

假设k为迭代次数，第k次迭代时的聚类中心为c₁(k)、c₂(k)，…,c_h(k),相应的聚类域为w₁(k)，w₂(k)，…,w_h(k)。K均值聚类算法确定RBF网数据中心c_i和宽度δ_i的步骤如下：

1)算法初始化：选择h个不同的初始聚类中心，并令k＝1；