[发明专利]一种风电功率预测方法和系统

权利要求书

1.一种风电功率预测方法，其特征在于，所述预测方法包括：

(A)获取包括风速和风电功率的历史数据集，并对历史数据集进行预处理；

(B)使用所述历史数据集训练人工神经网络预测模型；

(C)基于训练后的人工神经网络预测模型和输入的风速数据预测风电功率。

2.如权利要求1所述的预测方法，其特征在于，所述步骤(B)包括：

(B1)使用遗传算法，基于提供给人工神经网络预测模型的历史数据集计算得到神经元的权重参数和偏差参数；

(B2)采用Levenberg-Marquardt训练函数的标准反向传播算法优化神经元的权重参数和偏差参数；

(B3)利用优化的神经元的权重参数和偏差参数建立人工神经网络预测模型。

3.如权利要求2所述的预测方法，其特征在于，所述步骤(B1)包括：

确定遗传算法的适应度函数；

初始化种群；

通过选择、交叉、变异得到新一代种群；

根据确定的适应度函数，判断新一代种群是否满足最优标准，如果满足则根据所述新一代种群设置神经元的权重参数和偏差参数，如果不满足则继续执行遗传迭代运算直到得到满足最优标准的新一代种群并设置神经元的权重参数和偏差参数。

4.如权利要求1所述的预测方法，其特征在于，所述步骤(A)中对历史数据集进行预处理包括移除错误数据和数据归一化。

5.如权利要求1所述的预测方法，其特征在于，所述步骤(C)还包括对人工神经网络预测模型进行预测精度评估。

6.如权利要求1-5中任意一个所述的预测方法，其特征在于，所述人工神经网络预测模型是三层前馈人工神经网络预测模型，所述三层前馈人工神经网络预测模型的隐含层具有11个神经元。

7.一种风电功率预测系统，其特征在于，所述预测系统包括：

数据处理模块，用于获取包括风速和风电功率的历史数据集，并对历史数据集进行预处理；

模型构建模块，用于使用所述历史数据集训练人工神经网络预测模型；

风电功率预测模块，用于基于训练后的人工神经网络预测模型和输入的风速数据预测风电功率。

8.如权利要求7所述的预测系统，其特征在于，所述模型构建模块包括：

遗传算法单元，使用遗传算法，基于提供给人工神经网络预测模型的历史数据集计算得到神经元的权重参数和偏差参数；

反向传播算法单元，采用Levenberg-Marquardt训练函数的标准反向传播算法优化神经元的权重参数和偏差参数；

建模单元，利用优化的神经元的权重参数和偏差参数建立人工神经网络预测模型。

9.如权利要求8所述的预测系统，其特征在于，所述遗传算法单元通过以下操作来计算得到神经元的权重参数和偏差参数：

确定遗传算法的适应度函数；

初始化种群；

通过选择、交叉、变异得到新一代种群；

根据确定的适应度函数，判断新一代种群是否满足最优标准，如果满足则根据所述新一代种群设置神经元的权重参数和偏差参数，如果不满足则继续执行遗传迭代运算直到得到满足最优标准的新一代种群并设置神经元的权重参数和偏差参数。

10.如权利要求7所述的预测系统，其特征在于，所述数据处理模块对历史数据集进行的预处理包括移除错误数据和数据归一化。

11.如权利要求7所述的预测系统，其特征在于，所述风电功率预测模块还对人工神经网络预测模型进行预测精度评估。

12.如权利要求7-11中任意一个所述的预测系统，其特征在于，所述人工神经网络预测模型是三层前馈人工神经网络预测模型，所述三层前馈人工神经网络预测模型的隐含层具有11个神经元。

13.一种计算机可读存储介质，存储有程序，其特征在于，所述计算机程序被处理器运行时，处理器执行以下操作：

获取包括风速和风电功率的历史数据集，并对历史数据集进行预处理；

使用所述历史数据集训练人工神经网络预测模型；

基于训练后的人工神经网络预测模型和输入的风速数据预测风电功率。

14.一种计算机设备，包括处理器和存储计算机程序的存储器，其特征在于，所述计算机程序被处理器运行时，处理器执行以下操作：

获取包括风速和风电功率的历史数据集，并对历史数据集进行预处理；

使用所述历史数据集训练人工神经网络预测模型；

基于训练后的人工神经网络预测模型和输入的风速数据预测风电功率。