[发明专利]一种混合智能技术的超短期风功率预测方法

摘要

本发明公开了一种基于混合智能技术的超短期风功率预测方法。以解决超短期风力发电难以预测的挑战。所提方法在可用的原始数据基础上采用一系列数据处理技术，包括基于统计分析的输入变量选取、基于主成分分析(PCA)技术的属性约简以及基于K‑means聚类算法的特征子集划分，以获得更为相关及有效的浓缩数据作为预测的输入信息。所提方法采用自适应神经模糊推理系统(ANFIS)对输入信息进行训练学习，以获取输出预测结果。训练过程中通过粒子群优化(PSO)算法对ANFIS参数优化求解，以降低预测误差。应用实际风电场的预测结果对该混合智能方法进行了评价，实验表明，该方法能达到有效的预测精度。

主权项

1.一种基于混合智能技术的超短期风功率预测方法，其特征在于，所述方法包括如下步骤：步骤(1)：依据历史功率记录数据以及公开数值天气预报信息构造原始输入向量，所包含特征为功率以及风速统计量；对于当前时刻t，预测t+τ时刻功率值所选输入向量为：x(t,τ)＝[P(t‑1),P(t),v(t+τ),Δvp(t+τ),Δvb(t+τ),V(t+τ)](1)其中，P(t)与v(t+τ)分别为当前时段功率平均值以及预测时段NWP风速值，Δvp(t+τ)，Δvb(t+τ)分别为前向与后向差分风速，V(t+τ)为风速统计量，mean(g),min(g),max(g),std(g)分别表示时间序列的均值，最小值，最大值，以及标准差，Δτ为选取统计序列的范围半径，τ为预测步长；步骤(2)：通过应用主成分分析技术PCA对原始输入向量进行降维，实现属性约简，将上述步骤中的特征变量转化为少数几个主成分，即综合变量；步骤(3)：对步骤(2)所得包含主成分的样本数据进行子集划分，采用K‑means聚类算法，步骤(4)：将步骤(3)所得k类样本数据作为独立的训练集，每个训练集数据分别训练各自的自适应神经模糊推理系统ANFIS，具体包括以下子步骤：(4.1)确定ANFIS网络结构：设置自适应神经模糊推理系统ANFIS的隶属度函数形状类型及模糊集数目，从而确定ANFIS网络结构，一旦确定网络结构，训练参数也随之确定，训练参数包括前提参数与结论参数；(4.2)优化ANFIS训练参数：确定k个ANFIS初始结构及参数后，对决定隶属度函数形状的前提参数以及规则解释函数的后项参数进行优化，采用粒子群优化算法PSO对网络训练参数进行启发式搜索，使样本数据的均方差根误差达到最小值，目标函数如下：其中，Poi为输入i样本时ANFIS网络的输出值，Pri为对应样本的实际测量值，Gi为开机容量，Nk为k类样本数据的数量；步骤(5)：执行预测：在当前时刻t，按步骤(1)和(2)准备输入特征向量，将输入向量按步骤(3)所述进行分类，确定输入向量所在类别后，将其输入到所对应的聚类后样本数据训练的ANFIS网络中，所得输出结果作为当前条件下的预测值。