[发明专利]一种基于模糊神经网络的间歇性电源出力预测方法

权利要求书

1.一种基于模糊神经网络的间歇性电源出力预测方法，其特征在于，包括以下步骤：

获取模型训练数据集，对模型训练数据集进行预处理，基于预处理后的模型训练数据集训练模糊神经网络模型，将实际数据输入训练好的模糊神经网络模型，得到实际预测结果，所述实际预测结果为连续型预测变量，所述模糊神经网络模型结合自适应网络、模糊推理系统和神经网络结构；

其中，所述训练好的模糊神经网络模型包括：

输入层，所述输入层包括与输入向量连接的p个节点，所述输入向量定义有m个模糊集合；

模糊化层，所述模糊化层包括p*m个节点，输出各输入向量属于模糊集合的隶属度函数，所述隶属度函数的表达式为：

其中，为模糊集A_i的隶属度；/为高斯隶属度函数；x为模糊推理系统的输入；c_i为第一学习参数；a_i为第二学习参数；i为第i个节点；

规则层，所述规则层的每个节点代表一条模糊规则，规则层的节点匹配模糊规则的if部分，所述模糊规则为模糊if-then规则；

去模糊层，所述去模糊层进行归一化计算；

和输出层，所述输出层输出实际预测结果。

2.根据权利要求1所述的一种基于模糊神经网络的间歇性电源出力预测方法，其特征在于，所述规则层的每个节点的输出为规则适用度，所述规则适用度为隶属度函数的积。

3.根据权利要求1所述的一种基于模糊神经网络的间歇性电源出力预测方法，其特征在于，所述去模糊层的输出为归一化适用度，所述归一化适用度由规则适用度进行归一化得到。

4.根据权利要求1所述的一种基于模糊神经网络的间歇性电源出力预测方法，其特征在于，所述输出层的输出为：

其中，为归一化适用度，f_i为规则后件函数，p_i和r_i为模糊规则后件的参数集合。

5.根据权利要求1所述的一种基于模糊神经网络的间歇性电源出力预测方法，其特征在于，所述预处理包括数据清洗和特征处理。

6.根据权利要求5所述的一种基于模糊神经网络的间歇性电源出力预测方法，其特征在于，所述数据清洗为基于自相关函数和偏自相关函数、描述性统计和可视化研究对模型训练数据集进行风电出力影响因素分析，去除恒常值和异常值。

7.根据权利要求6所述的一种基于模糊神经网络的间歇性电源出力预测方法，其特征在于，所述异常值为模型训练数据集中均值三倍标准差之外的值。

8.根据权利要求5所述的一种基于模糊神经网络的间歇性电源出力预测方法，其特征在于，所述特征处理包括填补缺失值和进行归一化处理。

9.根据权利要求8所述的一种基于模糊神经网络的间歇性电源出力预测方法，其特征在于，通过线性插补的方法填补缺失值。

10.根据权利要求8所述的一种基于模糊神经网络的间歇性电源出力预测方法，其特征在于，所述归一化处理为最大最小值归一化。