[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

摘要

本发明属于分布式能源发电控制的技术领域，具体涉及一种基于平行小波神经网络的风力发电功率预测方法，包括：1)获取风电场的条件参数和风电输出功率数据；2)构建预测样本的训练数据集及测试数据集；3)构建并训练平行神经网络模型；4)平行神经网络模型训练完成，投入使用。本发明缩短了神经网络的训练时间，既保留了传统小波神经网络在进行时序预测中的优点，又解决了小波神经网络参数难以确定的缺点，提升了其预测精度。

主权项

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……Tn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T1+k、T2+k、T3+k……Tn+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W1R(n)及W2R(n)进行调整，即ER(n)＝D(n)‑OR(n)其中，n为神经网络的迭代次数；OR(n)为R‑WNN的预测输出；D(n)为与OR(n)对应的期望输出；ER(n)为R‑WNN的预测误差；lr1R表示R‑WNN的权重学习率；W1R(n)为R‑WNN的输入层与隐含层之间的权值；W2R(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，a2R(n)为R‑WNN小波基函数的伸缩因子；b2R(n)为R‑WNN小波基函数的时间平移因子；ER(n)为R‑WNN的预测误差；lr2R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W1L(n)及W2L(n)进行调整，即EL(n)＝D(n)‑OL(n)其中，OL(n)为L‑WNN的预测输出；D(n)为与OL(n)对应的期望输出；EL(n)为L‑WNN的预测误差；lr1L表示L‑WNN权重学习率；W1L(n)为L‑WNN的输入层与隐含层之间的权值；W2L(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AR(n)与AL(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，a2L(n)为L‑WNN小波基函数的伸缩因子；b2L(n)为L‑WNN小波基函数的时间平移因子；EL(n)为L‑WNN的预测误差；lr2L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、lr1Rmin、lr2Rmin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。