[发明专利]一种基于平行小波神经网络的风力发电功率预测方法

权利要求书

1.一种基于平行小波神经网络的风力发电功率预测方法，其特征在于，包括以下步骤：

步骤1：构建平行小波神经网络，其由左侧小波神经网络L-WNN与右侧小波神经网络R-WNN组成；

步骤2：采集风电场任意关键位置的相关数据，包括条件参数和风力发电功率；其中条件参数为影响风力发电功率的因素，风力发电功率通过风电场数据采集获得；

步骤3，根据所述相关数据，构建预测样本的训练数据集和测试数据集；

所述训练数据集为各个时刻的条件参数的数据集，即包括时刻T₁、T₂、T₃……T_n所对应的条件参数的数据集；所述测试数据集为所述各个时刻后的第K个时刻所对应的风力发电功率的数据集，即包括时刻T_1+k、T_2+k、T_3+k……T_n+k所对应的风力发电功率的数据集；其中，n为神经网络的迭代次数，k为设定值；

将所述训练数据集中的条件参数作为L-WNN和R-WNN的输入，将所述测试数据集中的风力发电功率作为L-WNN和R-WNN的期望输出；

步骤4，将L-WNN和R-WNN的参数进行初始化，分别开始进行训练；

步骤4.1：对R-WNN参数迭代更新；

步骤4.1.1：对右侧小波神经网络R-WNN的权值W_1R(n)及W_2R(n)进行调整，即

E_R(n)＝D(n)-O_R(n)

其中，n为神经网络的迭代次数；O_R(n)为R-WNN的预测输出；D(n)为与O_R(n)对应的期望输出；E_R(n)为R-WNN的预测误差；lr_1R表示R-WNN的权重学习率；W_1R(n)为R-WNN的输入层与隐含层之间的权值；W_2R(n)为R-WNN的隐含层及输出层之间的权值；

步骤4.1.2：对R-WNN小波基函数的参数进行调整，即

其中，a_2R(n)为R-WNN小波基函数的伸缩因子；b_2R(n)为R-WNN小波基函数的时间平移因子；E_R(n)为R-WNN的预测误差；lr_2R表示小波基函数尺度伸缩因子及时间平移因子的学习率；

步骤4.2：对左侧小波神经网络L-WNN参数迭代更新；

步骤4.2.1：对L-WNN的权值W_1L(n)及W_2L(n)进行调整，即

E_L(n)＝D(n)-O_L(n)

其中，O_L(n)为L-WNN的预测输出；D(n)为与O_L(n)对应的期望输出；E_L(n)为L-WNN的预测误差；lr_1L表示L-WNN权重学习率；W_1L(n)为L-WNN的输入层与隐含层之间的权值；W_2L(n)为L-WNN隐含层及输出层之间的权值；

每次迭代之后会计算A_R(n)与A_L(n)，并将其作为评估L-WNN及R-WNN的指标，数值越小则证明其跟踪效果越好，据此对神经网络的相关参数进行调整；

步骤4.2.2：对L-WNN小波基函数参数进行调整，即

其中，a_2L(n)为L-WNN小波基函数的伸缩因子；b_2L(n)为L-WNN小波基函数的时间平移因子；E_L(n)为L-WNN的预测误差；lr_2L表示小波基函数尺度伸缩因子及时间平移因子的学习率；

步骤5：对左侧小波神经网络学习率进行更新，即

其中，C₁、C₂、lr_1Rmin、lr_2Rmin为经验值；

步骤6：通过判断L-WNN和R-WNN的迭代次数是否达到设定的最大迭代次数，判断L-WNN和R-WNN的预测误差是否达到要求，确定是否退出循环；

步骤6.1：如果L-WNN和R-WNN的迭代次数均达到设定的最大迭代次数，则进入步骤7；否则，进行下一步；

步骤6.2：如果L-WNN和R-WNN的预测误差均未达到要求，则返回步骤2；否则，进行下一步；

步骤7：将L-WNN作为预测风力发电功率的神经网络，投入使用。