[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

说明书

本发明涉及一种基于模糊神经网络的间歇性电源出力预测方法，方法包括：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；训练好的模糊神经网络模型包括：输入层；模糊化层；规则层；去模糊层；和输出层。与现有技术相比，本发明具有能解释预测结果的可靠性、贴近真实的输出等优点。

技术领域

本发明涉及间歇性电源，尤其是涉及一种基于模糊神经网络的间歇性电源出力预测方法。

背景技术

在上世纪八十年代，一些科学家就开始研究风电出力确定性预测技术，即为风电出力点预测，所得预测结果是未来某一时刻的确定的估计值。目前，对于风电出力预测方法的研究主要为点预测，包括时间序列模型、神经网络、径向基函数(Radial basisfunction,RBF)神经网络、支持向量机(Support Vector Machine,SVM)、遗传算法、粒子群算法、灰色理论和组合预测法。有学者将卷积神经网络和LightGBM相结合并进行风电出力短期预测，通过卷积神经网络将有效特征信息从输入数据集中提取出来，与实际结果进行比较并调整模型参数，结合LightGBM分类算法来提高预测的准确性和鲁棒性，但该模型存在一定的时间延迟，且无法避免在数据情况较差条件下的过度学习的缺陷。

对于间歇性电源出力预测方法在近几年的发展中得到了广泛的改进和扩展，可以依据不同标准进行划分。按照预测时间尺度不同，出力预测模型可划分为超短期(时/分)、短期(天/时)、中期(季/月/周)和长期(年)预测。按照预测研究对象不同，可将出力预测划分为直接预测和间接预测。其中，直接预测方法基于风电功率历史数据研究，通过研究计算直接得到未来功率的预测值；而间接预测则是通过研究历史风速数据，建模获得未来时段风速预测值，再结合风速与风电功率对应关系，将风速预测值转化为电源出力值。

风电本身所带有的间接性和随机性会对风电入网带来极大的挑战，而对其进行准确预测是解决这一问题的有效途径。针对风电出力的预测问题，现阶段的预测模型大多是基于数据点的预测，预测结果只能反映单点预测估计值。但在一定程度上，任何一种预测都会带有不确定性。这种面向数据点的预测模型难以有效反映风电出力在不同天气条件下所具有的极大不确定性和多种可能性，因此在这种情况下每个点预测结果具有不同程度的预测误差，不能解释预测结果的可靠性。而且传统确定性预测方法提供的风电信息较少，不足以支撑电网运行的实际需求。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供的一种能解释预测结果的可靠性、贴近真实的输出的基于模糊神经网络的间歇性电源出力预测方法。

本发明的目的可以通过以下技术方案来实现：

一种基于模糊神经网络的间歇性电源出力预测方法，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；