基于自適應(yīng)神經(jīng)模糊推理系統(tǒng)的風(fēng)速超短期在線預(yù)測(cè)方法
【專利摘要】本發(fā)明公開了一種基于自適應(yīng)神經(jīng)模糊推理系統(tǒng)的風(fēng)速超短期在線預(yù)測(cè)方法，包括步驟：從歷史數(shù)據(jù)庫(kù)中提取風(fēng)速數(shù)據(jù)，并進(jìn)行異常檢驗(yàn)和歸一化處理；基于時(shí)間序列相關(guān)性度量標(biāo)準(zhǔn)提取訓(xùn)練樣本集；采用ANFIS對(duì)風(fēng)速時(shí)間序列進(jìn)行建模，采用減法聚類確定ANFIS模型的規(guī)則數(shù)和初始參數(shù)，并采用反向傳播算法和最小二乘法優(yōu)化模糊模型參數(shù)；輸入預(yù)測(cè)樣本，計(jì)算得到預(yù)測(cè)值；加入預(yù)測(cè)值形成新的樣本集，循環(huán)實(shí)現(xiàn)多步預(yù)測(cè)；將預(yù)測(cè)值進(jìn)行反歸一化處理，并進(jìn)行異常檢驗(yàn)。本發(fā)明能以較快的速度和較少的計(jì)算資源完成風(fēng)速序列建模，實(shí)現(xiàn)風(fēng)速的超短期在線預(yù)測(cè)。
【專利說(shuō)明】基于自適應(yīng)神經(jīng)模糊推理系統(tǒng)的風(fēng)速超短期在線預(yù)測(cè)方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及風(fēng)力發(fā)電并網(wǎng)接入【技術(shù)領(lǐng)域】，尤其涉及一種基于自適應(yīng)神經(jīng)模糊推理系統(tǒng)(ANFIS)的風(fēng)速超短期在線預(yù)測(cè)方法。
【背景技術(shù)】
[0002]由于風(fēng)電是一種間歇性、波動(dòng)性能源，大規(guī)模的風(fēng)電接入對(duì)電力系統(tǒng)的安全、穩(wěn)定運(yùn)行以及保證電能質(zhì)量帶來(lái)了嚴(yán)峻挑戰(zhàn)。若能對(duì)風(fēng)力發(fā)電場(chǎng)發(fā)電功率做出比較準(zhǔn)確的預(yù)測(cè)，則可有效減輕風(fēng)電對(duì)整個(gè)電網(wǎng)的影響，有助于電網(wǎng)調(diào)度部門及時(shí)制定合理的運(yùn)行方式并準(zhǔn)確地調(diào)整調(diào)度計(jì)劃，從而保證電力系統(tǒng)的可靠、優(yōu)質(zhì)、經(jīng)濟(jì)地運(yùn)行。
[0003]由于風(fēng)電場(chǎng)的發(fā)電功率受風(fēng)速影響最大，而風(fēng)速受溫度、氣壓等多種因素的影響，具有很強(qiáng)的隨機(jī)性，要實(shí)現(xiàn)精確的預(yù)測(cè)難度很大。針對(duì)風(fēng)速時(shí)間序列的建模，通常采用的方法有:(1)持續(xù)法。這是最簡(jiǎn)單的一種方法，認(rèn)為風(fēng)速預(yù)測(cè)值等于最近幾個(gè)風(fēng)速歷史值的滑動(dòng)平均值，而且通常只把最近一點(diǎn)的風(fēng)速觀測(cè)值作為下一點(diǎn)的預(yù)測(cè)值，該方法預(yù)測(cè)結(jié)果不穩(wěn)定，誤差會(huì)隨著時(shí)間的增加快速變大；(2)自回歸滑動(dòng)平均(ARMA)模型。該方法利用歷史數(shù)據(jù)，經(jīng)過(guò)模型識(shí)別、參數(shù)估計(jì)、模型檢驗(yàn)來(lái)確定一個(gè)能夠描述風(fēng)速時(shí)間序列的數(shù)學(xué)模型，進(jìn)而達(dá)到預(yù)測(cè)目的。該方法優(yōu)于持續(xù)法，但由于ARMA仍是線性模型，因此預(yù)測(cè)精度有限；(3)神經(jīng)網(wǎng)絡(luò)(ANN)方法。該方法屬于非線性方法，精度一般來(lái)說(shuō)高于ARMA，但通常需要較多的歷史樣本，且建模時(shí)間較長(zhǎng)，無(wú)法實(shí)現(xiàn)在線預(yù)測(cè)。因此，如何實(shí)現(xiàn)較高精度的風(fēng)速超短期在線預(yù)測(cè)，成為本 申請(qǐng)人:致力于解決的問(wèn)題。

【發(fā)明內(nèi)容】

[0004]本發(fā)明的目的在于提供一種基于自適應(yīng)神經(jīng)模糊推理系統(tǒng)的風(fēng)速超短期在線預(yù)測(cè)方法，能以較快的速度和較少的計(jì)算資源完成風(fēng)速序列建模，實(shí)現(xiàn)風(fēng)速的超短期在線預(yù)測(cè)，精度較高。
[0005]實(shí)現(xiàn)上述目的的技術(shù)方案是:
[0006]一種基于自適應(yīng)神經(jīng)模糊推理系統(tǒng)的風(fēng)速超短期在線預(yù)測(cè)方法，包括下列步驟:
[0007]步驟SI，從歷史數(shù)據(jù)庫(kù)中提取風(fēng)速數(shù)據(jù)，并對(duì)所有風(fēng)速數(shù)據(jù)完成異常檢驗(yàn)后，進(jìn)行歸一化處理；
[0008]步驟S2，基于時(shí)間序列相關(guān)性度量標(biāo)準(zhǔn)提取訓(xùn)練樣本集；
[0009]步驟S3，采用ANFIS對(duì)風(fēng)速時(shí)間序列進(jìn)行建模，模型為6維輸入I維輸出，采用減法聚類確定ANFIS模型的規(guī)則數(shù)和初始參數(shù)，并采用反向傳播算法和最小二乘法優(yōu)化模糊模型參數(shù)；
[0010]步驟S4，輸入預(yù)測(cè)樣本，計(jì)算得到預(yù)測(cè)值；
[0011 ] 步驟S5，判斷多步預(yù)測(cè)是否完成，若是，進(jìn)入步驟S7 ;若否，進(jìn)入步驟S6 ；
[0012]步驟S6，加入預(yù)測(cè)值形成新的樣本集，并返回步驟S2 ；
[0013]步驟S7，將預(yù)測(cè)值進(jìn)行反歸一化處理，并進(jìn)行異常檢驗(yàn)。[0014]上述的基于自適應(yīng)神經(jīng)模糊推理系統(tǒng)的風(fēng)速超短期在線預(yù)測(cè)方法，其中，所述步驟SI包括:
[0015]步驟S11，從歷史數(shù)據(jù)庫(kù)中提取出當(dāng)前時(shí)刻之前的N+6個(gè)連續(xù)的風(fēng)速時(shí)間序列值v(t)作為原始樣本集，N為正整數(shù)；
[0016]步驟S12，判斷原始樣本集中的各個(gè)風(fēng)速時(shí)間序列值V (t)是否異常，若是，進(jìn)入步驟S13 ;若否，進(jìn)入步驟S14 ；
[0017]步驟S13，對(duì)異常值v(t)進(jìn)行平滑性處理，即:將前一時(shí)刻的正常數(shù)據(jù)v(t-l)代替該異常值v(t)；
咖18]步驟S14，按公式
【權(quán)利要求】
1.一種基于自適應(yīng)神經(jīng)模糊推理系統(tǒng)的風(fēng)速超短期在線預(yù)測(cè)方法，其特征在于，包括下列步驟: 步驟SI，從歷史數(shù)據(jù)庫(kù)中提取風(fēng)速數(shù)據(jù)，并對(duì)所有風(fēng)速數(shù)據(jù)完成異常檢驗(yàn)后，進(jìn)行歸一化處理； 步驟S2，基于時(shí)間序列相關(guān)性度量標(biāo)準(zhǔn)提取訓(xùn)練樣本集； 步驟S3，采用ANFIS對(duì)風(fēng)速時(shí)間序列進(jìn)行建模，模型為6維輸入I維輸出，采用減法聚類確定ANFIS模型的規(guī)則數(shù)和初始參數(shù)，并采用反向傳播算法和最小二乘法優(yōu)化模糊模型參數(shù)； 步驟S4，輸入預(yù)測(cè)樣本，計(jì)算得到預(yù)測(cè)值； 步驟S5，判斷多步預(yù)測(cè)是否完成，若是，進(jìn)入步驟S7 ;若否，進(jìn)入步驟S6 ； 步驟S6，加入預(yù)測(cè)值形成新的樣本集，并返回步驟S2 ； 步驟S7，將預(yù)測(cè)值進(jìn)行反歸一化處理，并進(jìn)行異常檢驗(yàn)。
2.根據(jù)權(quán)利要求1所述的基于自適應(yīng)神經(jīng)模糊推理系統(tǒng)的風(fēng)速超短期在線預(yù)測(cè)方法，其特征在于，所述步驟SI包括: 步驟S11，從歷史數(shù)據(jù)庫(kù)中提取出當(dāng)前時(shí)刻之前的N+6個(gè)連續(xù)的風(fēng)速時(shí)間序列值V(t)作為原始樣本集，N為正整數(shù)； 步驟S12，判斷原始樣本集中的各個(gè)風(fēng)速時(shí)間序列值V (t)是否異常，若是，進(jìn)入步驟S13 ;若否，進(jìn)入步驟S14 ； 步驟S13，對(duì)異常值v(t)進(jìn)行平滑性處理，即:將前一時(shí)刻的正常數(shù)據(jù)v(t-l)代替該異常值v(t)； 步驟S14,按公式
3.根據(jù)權(quán)利要求2所述的基于自適應(yīng)神經(jīng)模糊推理系統(tǒng)的風(fēng)速超短期在線預(yù)測(cè)方法，
其特征在于，所述步驟S12中，若v(t)滿足條件
4.根據(jù)權(quán)利要求2所述的基于自適應(yīng)神經(jīng)模糊推理系統(tǒng)的風(fēng)速超短期在線預(yù)測(cè)方法，其特征在于，所述步驟S2指: 將歸一化后的N+6個(gè)連續(xù)的風(fēng)速時(shí)間序列(X1, X2, X3, *.., xN+5, xN+6}分解成N+1個(gè)6維的矢量IV1,…，VN+1},得:
5.根據(jù)權(quán)利要求1或4所述的基于自適應(yīng)神經(jīng)模糊推理系統(tǒng)的風(fēng)速超短期在線預(yù)測(cè)方法，其特征在于，步驟S3包括: 步驟S31，采用ANFIS對(duì)風(fēng)速時(shí)間序列進(jìn)行建模，得:

6.根據(jù)權(quán)利要求5所述的基于自適應(yīng)神經(jīng)模糊推理系統(tǒng)的風(fēng)速超短期在線預(yù)測(cè)方法，其特征在于，
所述的
7.根據(jù)權(quán)利要求5所述的基于自適應(yīng)神經(jīng)模糊推理系統(tǒng)的風(fēng)速超短期在線預(yù)測(cè)方法，其特征在于，所述步驟S4具體指: 判斷得到的最優(yōu)模糊規(guī)則條數(shù)n，若規(guī)則數(shù)為一條，則采用持續(xù)法預(yù)測(cè)； 若規(guī)則數(shù)多于一條，則將預(yù)測(cè)樣本VN+1輸入到模型，得到預(yù)測(cè)值xN+7:若O ( xN+7 < I，則表示該預(yù)測(cè)值有效，否則，仍采用持續(xù)法預(yù)測(cè)。
8.根據(jù)權(quán)利要求1所述的基于自適應(yīng)神經(jīng)模糊推理系統(tǒng)的風(fēng)速超短期在線預(yù)測(cè)方法，其特征在于，所述步驟S7具體包括:
步驟 S71,按照公式:P (t) =x (t) * (max (v (t)) -min (v (t))) +min (v (t))對(duì)得到的預(yù)測(cè)值進(jìn)行反歸一化處理；其中，x(t)是預(yù)測(cè)值，P(t)是反歸一化后的數(shù)據(jù)，min (V (t))指提取出的所有原始風(fēng)速數(shù)據(jù)值中的最小值，max(v(t))指提取出的所有原始風(fēng)速數(shù)據(jù)值中的最大值； 步驟S72，判斷反歸一化處理得到的各預(yù)測(cè)風(fēng)速P(t)是否異常，若是，進(jìn)入步驟S73 ;若否，則結(jié)束； 步驟S73，對(duì)異常值P(t)進(jìn)行平滑性處理，即:將前一時(shí)刻的正常數(shù)據(jù)P(t-l)代替該異常值P(t)。
9.根據(jù)權(quán)利要求8所述的基于自適應(yīng)神經(jīng)模糊推理系統(tǒng)的風(fēng)速超短期在線預(yù)測(cè)方法，其特征在于，所述步驟S72中，若P (t)滿足條件:
【文檔編號(hào)】G06N3/02GK103559540SQ201310571081
【公開日】2014年2月5日 申請(qǐng)日期:2013年11月13日 優(yōu)先權(quán)日:2013年11月13日
【發(fā)明者】李衛(wèi), 席林, 佘慎思, 楊文斌, 曾旭 申請(qǐng)人:上海電氣集團(tuán)股份有限公司