[发明专利]基于神经网络的风电机有功功率预测及误差订正方法

权利要求书

1.一种基于神经网络的风电机有功功率预测及误差订正方法，其特征在于，包括以下步骤：

(1)读入风电机的原始采样有功功率时间序列p＝{p(i),i＝1,2,...,N}，其中N为原始风电机有功功率采样点个数；将p调整为按预报间隔要求的平均有功功率时间序列p’＝{p’(j),j＝1,2,...,M}，其中M为按预报间隔要求调整后的风电机平均有功功率序列的采样点个数，p’的平均值为令

(2)采用多尺度小波功率谱分析方法，提取P中的显著周期序列{P₁,P₂,…,P_k,…,P_K}，其中K为P中的显著周期序列的个数，P_k＝{P_k(1),P_k(2),…,P_k(M)}，由此P＝P₁+P₂+…+P_K+R，其中R＝P-P₁-P₂-…-P_K，为P中剔除显著周期序列后的残差序列；

(3)对P中的显著周期序列{P₁,P₂,…,P_k,…,P_K}，分别采用粒子群优化并叠加误差订正的BP神经网络进行预测，设定预测步长为l，则各显著周期序列{P₁,P₂,…,P_k,…,P_K}的预测结果为其中

(4)对残差序列R的一阶差分序列D采用粒子群优化并叠加误差订正的RBF神经网络进行预测，后经差分反运算得到残差序列的预测结果，设定预测步长为l，则残差序列R的预测结果为Y_R＝{Y_R(1),Y_R(2),...,Y_R(l)}；

(5)将与各显著周期序列、残差序列的预测结果相加，得到最终的预测结果Y，

2.根据权利要求1所述的一种基于神经网络的风电机有功功率预测及误差订正方法，其特征在于：所述步骤(3)中所采用的粒子群优化的BP神经网络的具体过程为：

(1)依据Kolmogorov定理，建立3层BP神经网络模型，设输入层神经元个数为I，隐含层神经元个数为H，输出层神经元个数为O；其中，H＝2*I+1，O＝1；

(2)确定需要优化的参数，包括：BP神经网络的输入层神经元个数I和训练集的长度L，还包括：一组对象W＝(w(1),w(2),...,w(q))，q＝I*H+H*O+H+O，其中，w(1)～w(I*H)为BP神经网络的输入层至隐含层神经元的连结权值，w(I*H+1)～w(I*H+H*O)为BP神经网络的隐含层至输出层神经元的连结权值，w(I*H+H*O+1)～w(I*H+H*O+H)为BP神经网络隐含层神经元的阈值，w(I*H+H*O+H+1)～w(I*H+H*O+H+O)为BP神经网络输出层神经元的阈值；

(3)初始化种群其中Q₁为粒子的总数，第i个粒子为X_i＝(I_i,W_i,L_i)，粒子速度为V_i＝(v_I_i,v_W_i,v_L_i)，其中I_i、W_i、L_i为参数I、W、L一组备选解；

(4)对群体中的每个粒子X_i＝(I_i,W_i,L_i)确定的参数，构造BP神经网络训练集的输入和输出矩阵，其中针对显著周期序列P_k及BP神经网络输入层神经元个数I_i首先建立矩阵Z₁和Z₂，其中：

Z1=Pk(1)Pk(2)...Pk(M-Ii)Pk(2)Pk(3)...Pk(M-Ii+1)............Pk(Ii)Pk(Ii+1)...Pk(M-1)Ii*(M-Ii),]]>

Z2=Pk(Ii+1)Pk(Ii+2)...Pk(M)M-Ii]]>

针对待优化神经网络训练集长度L，Z₁中最后的L_i列作为训练集的输入矩阵I_train，Z₂中最后的L_i列作为训练集的输出矩阵O_train；将预报步长l作为测试步长，Z₁中最后的l列作为测试集的输入矩阵I_test，Z₂中最后的l列作为测试集的输出矩阵O_test；根据训练集构造的BP神经网络对测试集模拟结果的误差平方和作为其适应度值，以适应度值最小为优化方向作为评价标准评判各个粒子的优劣，记录粒子X_i当前个体极值为P_best(i)，取群体中P_best(i)最优的个体作为整体极值G_best；

(5)群体中的每个粒子X_i，分别对其位置和速度进行更新；

Vig+1=ωVig+c1r1(Pbest(i)-Xig)+c2r2(Gbest-Xig),]]>

Xig+1=Xig+Vig+1]]>

式中：ω为惯性权重，c₁、c₂为加速度因子，g为当前迭代次数，而r₁、r₂为分布于[0,1]的随机数；

(6)重新计算各个粒子此时的目标函数值，更新P_best(i)和G_best；

(7)判断是否达到最大迭代次数，如满足则结束优化过程，获得BP神经网络最佳参数I_best、W_best(w_best(1),w_best(2),...,w_best(q))、L_best，否则返回步骤(4)。