[发明专利]一种基于人工神经网络的风速区间预测方法与系统

说明书

本发明公开了一种基于人工神经网络的风速区间预测方法与系统，用于风场的短期风速预测。首先运用变分模态分解(variational mode decomposition，VMD)把初始复杂的时间序列分解为多个结构简单的时间序列。再用Gram‑Schmidt正交化(Gram‑Schmidt orthogonal，GSO)进行特征选择。将处理好的风速序列作为人工神经网络(artificial neural network，ANN)的输入，ANN的输出为未来时刻风速的上下界。最后通过多目标引力搜索算法(Multi objective gravitational search algorithm，MOGSA)训练ANN权重与偏置，以覆盖率和区间宽度两个矛盾的指标作为优化目标，得到最优方案集。通过该方法预测出来的风速区间对实际的风速区间覆盖率高，区间宽度窄。该组合模型将预测的准确度提升到一个很高的水平。

技术领域

本发明属于风速预测技术领域，更具体地，涉及一种基于人工神经网络的风速区间预测方法与系统。

背景技术

随着能源需求的提升和全球变暖因素的影响，世界各国都在积极寻求可替代的清洁能源。风力发电因清洁、分布广泛而受到人们的青睐。但由于风能的间歇、不可控性，造成风力发电出力的随机性，势必会给电力系统的安全可靠运行带来严峻挑战。而风电场出力直接取决于风速，风速预测是风电机组控制和风电场出力预测的基础。点预测结果必然无法表征实际风电中潜在的随机性从而使决策工作面临一定的风险，鉴于此若能在给出风速波动的区间将有利于机组组合决策和给电网调度人员提供更科学的参考。

然而，现有风速预测方法与技术体系中尚缺乏风速区间预测方法，有必要做专门的技术研究。传统的区间预测方法有结合人工神经网络(artificial neural network，ANN)的单目标优化的区间预测。就是把区间宽度与覆盖率两个目标通过算法结合，因此会产生连接两个目标的超参数。超参数定义不当会极大地降低区间预测的效果。本发明采用多目标优化的区间预测从而避免了超参数的定义，提高了区间预测的效果。

现有的区间预测方法还有未加前处理的ANN的多目标优化的区间预测，然而实际的风速序列的波动具有较强的随机性和非线性，导致ANN很难对风速序列进行精确的拟合，因此本发明采用VMD进行波形分解和GSO进行特征选择。使用这种组合前处理将有利于ANN对风速序列进行更好的拟合，让区间预测达到更好的效果。

发明内容

针对现有技术的以上缺陷或改进需求，本发明提供了一种基于人工神经网络的风速区间预测方法与系统，其目的在于提升风速区间的预测效果。

为了实现上述目的，按照本发明的一个方面，提供了一种基于人工神经网络的风速区间预测方法，所述方法包括如下步骤：

步骤1：采集风场的风速序列：每隔m分钟采集一次实时风速，取实时风速的前len个数据作为风速序列，m的大小选取根据实际需求来定，len为预设值；

步骤2：对不稳定非线性的所述风速序列进行VMD分解得出K个结构简单的子时间序列u_k(t)，其中k的取值从1到K；

步骤3：对步骤(2)得到的K个特征u(t)进行数据处理，用循环结构i＝1:1:len-L，每次取第i个数到第i+L-1个数总共L个数据作为输入，取第i+L个数据作为参考输出，得到一个len-L列L行的输入数组P和len-L列1行的参考输出数组T；

步骤4：对输入数组P进行GSO相关性选择，得到所有X_l对Y的相关性排序，P的第l行表示为X_l＝[x_l1，x_l2，…，x_lM]，T表示为Y＝y₁，y₁，…，y_M]，其中l的取值范围是从1到L，M表示数组的列数，其值等于len-L；