本發(fā)明屬于風(fēng)能預(yù)報(bào)領(lǐng)域，具體涉及一種基于神經(jīng)網(wǎng)絡(luò)的風(fēng)電機(jī)有功功率預(yù)測(cè)及誤差訂正方法。
背景技術(shù)：
：為了有效地將風(fēng)能并入電網(wǎng)中，對(duì)于風(fēng)電場(chǎng)的出力進(jìn)行準(zhǔn)確預(yù)報(bào)是極其必要和關(guān)鍵的，這其中，0至6小時(shí)的短期預(yù)報(bào)對(duì)于電網(wǎng)實(shí)時(shí)調(diào)度，確保電網(wǎng)頻率、功率和電壓平衡等涉及電網(wǎng)安全的技術(shù)參數(shù)具有重要意義。風(fēng)能作為一種可再生的清潔能源，具有裝機(jī)規(guī)模靈活、風(fēng)電發(fā)電機(jī)組可靠性高、造價(jià)低、運(yùn)行維護(hù)簡(jiǎn)單等優(yōu)點(diǎn)。據(jù)2015年2月國(guó)家能源局公布的《2014年風(fēng)電產(chǎn)業(yè)監(jiān)測(cè)情況》，截至2014年底，我國(guó)風(fēng)電累計(jì)裝機(jī)容量已達(dá)到9637萬(wàn)千瓦，占全部發(fā)電裝機(jī)容量的7％，占全球風(fēng)電裝機(jī)的27％。2014年風(fēng)電上網(wǎng)電量1534億千瓦時(shí)，占全部發(fā)電量的2.78％。2014年12月國(guó)家能源局發(fā)布《能源發(fā)展戰(zhàn)略行動(dòng)計(jì)劃(2014-2020年)》，預(yù)計(jì)到2020年，風(fēng)電裝機(jī)將達(dá)到2億千瓦。截至目前，風(fēng)電已經(jīng)繼火電和水電之后成為我國(guó)第三大主力電源。隨著裝機(jī)容量的不斷增加，風(fēng)電的棄電問(wèn)題一直較為突出，據(jù)國(guó)家能源局統(tǒng)計(jì)，2012年全國(guó)棄風(fēng)電量約200億千瓦時(shí)，平均棄風(fēng)率達(dá)到17％；2013年全國(guó)棄風(fēng)電量約150億千瓦時(shí)，平均棄風(fēng)率達(dá)到10％，最新的統(tǒng)計(jì)顯示，截至2014年9月底，風(fēng)電棄風(fēng)電量86億千瓦時(shí)，平均棄風(fēng)率7.5％。造成風(fēng)電棄電的一個(gè)重要原因在于風(fēng)的間歇性導(dǎo)致風(fēng)電的波動(dòng)性和不穩(wěn)定性影響了風(fēng)電質(zhì)量，為了保證電網(wǎng)的安全而白白棄電?；诖?，國(guó)家能源局于2011年發(fā)布《風(fēng)電場(chǎng)功率預(yù)測(cè)預(yù)報(bào)管理暫行辦法》，要求我國(guó)所有已并網(wǎng)運(yùn)行的風(fēng)電廠應(yīng)在2012年1月1日前建立起風(fēng)電預(yù)測(cè)預(yù)報(bào)體系和發(fā)電計(jì)劃申報(bào)工作機(jī)制并開(kāi)始試運(yùn)行，按照要求報(bào)送風(fēng)電功率預(yù)測(cè)預(yù)報(bào)結(jié)果。目前風(fēng)電場(chǎng)的有功功率預(yù)報(bào)常用方法包括物理方法和統(tǒng)計(jì)方法，物理方法是指根據(jù)精細(xì)化數(shù)值天氣預(yù)報(bào)模式得到高時(shí)空分辨率的定時(shí)、定點(diǎn)、定量的數(shù)值天氣預(yù)報(bào)模式風(fēng)力預(yù)測(cè)輸出結(jié)果，同時(shí)根據(jù)風(fēng)電場(chǎng)風(fēng)機(jī)運(yùn)行實(shí)際情況，綜合考慮各種風(fēng)機(jī)發(fā)電影響因素，建立出力預(yù)測(cè)物理模型，進(jìn)行風(fēng)電場(chǎng)出力預(yù)測(cè)。物理方法不需要大量的測(cè)量數(shù)據(jù)，但要求對(duì)大氣的物理特性及風(fēng)電場(chǎng)風(fēng)電機(jī)的特性有準(zhǔn)確的數(shù)學(xué)描述，這些方程求解困難，所需資料海量，計(jì)算量大，計(jì)算時(shí)間長(zhǎng)，并且從氣象部門(mén)獲取資料的難度大、費(fèi)用高，因此在短期風(fēng)電場(chǎng)有功功率預(yù)報(bào)中，仍常用統(tǒng)計(jì)方法。目前，統(tǒng)計(jì)方法大多根據(jù)風(fēng)電場(chǎng)測(cè)風(fēng)塔的歷史資料，采用持續(xù)法、隨機(jī)時(shí)間序列法、卡爾曼濾波法、神經(jīng)網(wǎng)絡(luò)法、支持向量機(jī)等方法將風(fēng)電場(chǎng)作為一個(gè)整體進(jìn)行預(yù)測(cè)，此種方法最大缺點(diǎn)在于風(fēng)電場(chǎng)受地形、紊流以及風(fēng)電機(jī)工況等影響，必將導(dǎo)致較大的預(yù)報(bào)誤差，這個(gè)與具體的預(yù)報(bào)方法無(wú)關(guān)。隨著測(cè)量技術(shù)和計(jì)算機(jī)計(jì)算能力的提高，精細(xì)化的對(duì)單臺(tái)發(fā)電機(jī)機(jī)艙的有功功率進(jìn)行預(yù)報(bào)成為可能。技術(shù)實(shí)現(xiàn)要素：針對(duì)上述問(wèn)題，本發(fā)明提出一種基于神經(jīng)網(wǎng)絡(luò)的風(fēng)電機(jī)有功功率預(yù)測(cè)及誤差訂正方法，通過(guò)對(duì)風(fēng)電場(chǎng)內(nèi)每臺(tái)風(fēng)電機(jī)的有功功率進(jìn)行精細(xì)化預(yù)報(bào)，從而有效提高整個(gè)風(fēng)電場(chǎng)的短期出力預(yù)報(bào)水平。實(shí)現(xiàn)上述技術(shù)目的，達(dá)到上述技術(shù)效果，本發(fā)明通過(guò)以下技術(shù)方案實(shí)現(xiàn)：一種基于神經(jīng)網(wǎng)絡(luò)的風(fēng)電機(jī)有功功率預(yù)測(cè)及誤差訂正方法，其特征在于，包括以下步驟：(1)讀入風(fēng)電機(jī)的原始采樣有功功率時(shí)間序列p＝{p(i),i＝1,2,...,n}，其中n為原始風(fēng)電機(jī)有功功率采樣點(diǎn)個(gè)數(shù)；將p調(diào)整為按預(yù)報(bào)間隔要求的平均有功功率時(shí)間序列p’＝{p’(j),j＝1,2,...,m}，其中m為按預(yù)報(bào)間隔要求調(diào)整后的風(fēng)電機(jī)平均有功功率序列的采樣點(diǎn)個(gè)數(shù)，p’的平均值為令(2)采用多尺度小波功率譜分析方法，提取p中的顯著周期序列{p1,p2,…,pk,…,pk}，其中k為p中的顯著周期序列的個(gè)數(shù)，pk＝{pk(1),pk(2),…,pk(m)}，由此p＝p1+p2+…+pk+r，其中r＝p-p1-p2-…-pk，為p中剔除顯著周期序列后的殘差序列；(3)對(duì)p中的顯著周期序列{p1,p2,…,pk,…,pk}，分別采用粒子群優(yōu)化并疊加誤差訂正的bp神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測(cè)，設(shè)定預(yù)測(cè)步長(zhǎng)為l，則各顯著周期序列{p1,p2,…,pk,…,pk}的預(yù)測(cè)結(jié)果為其中(4)對(duì)殘差序列r的一階差分序列d采用粒子群優(yōu)化并疊加誤差訂正的rbf神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測(cè)，后經(jīng)差分反運(yùn)算得到殘差序列的預(yù)測(cè)結(jié)果，設(shè)定預(yù)測(cè)步長(zhǎng)為l，則殘差序列r的預(yù)測(cè)結(jié)果為yr＝{yr(1),yr(2),...,yr(l)}；(5)將與各周期信號(hào)序列、殘差序列的預(yù)測(cè)結(jié)果相加，得到最終的預(yù)測(cè)結(jié)果y，進(jìn)一步地，所述步驟(3)中所采用的粒子群優(yōu)化的bp神經(jīng)網(wǎng)絡(luò)的具體過(guò)程為：(1)依據(jù)kolmogorov定理，建立3層bp神經(jīng)網(wǎng)絡(luò)模型，設(shè)輸入層神經(jīng)元個(gè)數(shù)為i，隱含層神經(jīng)元個(gè)數(shù)為h，輸出層神經(jīng)元個(gè)數(shù)為o；其中，h＝2*i+1，o＝1；(2)確定需要優(yōu)化的參數(shù)，包括：bp神經(jīng)網(wǎng)絡(luò)的輸入層神經(jīng)元個(gè)數(shù)i和訓(xùn)練集的長(zhǎng)度l，還包括：一組對(duì)象w＝(w(1),w(2),...,w(q))，q＝i*h+h*o+h+o，其中，w(1)～w(i*h)為bp神經(jīng)網(wǎng)絡(luò)的輸入層至隱含層神經(jīng)元的連結(jié)權(quán)值，w(i*h+1)～w(i*h+h*o)為bp神經(jīng)網(wǎng)絡(luò)的隱含層至輸出層神經(jīng)元的連結(jié)權(quán)值，w(i*h+h*o+1)～w(i*h+h*o+h)為bp神經(jīng)網(wǎng)絡(luò)隱含層神經(jīng)元的閾值，w(i*h+h*o+h+1)～w(i*h+h*o+h+o)為bp神經(jīng)網(wǎng)絡(luò)輸出層神經(jīng)元的閾值；(3)初始化種群其中q1為粒子的總數(shù)，第i個(gè)粒子為xi＝(ii,wi,li)，粒子速度為vi＝(v_ii,v_wi,v_li)，其中ii、wi、li為參數(shù)i、w、l一組備選解；(4)對(duì)群體中的每個(gè)粒子xi＝(ii,wi,li)確定的參數(shù)，構(gòu)造bp神經(jīng)網(wǎng)絡(luò)訓(xùn)練集的輸入和輸出矩陣，其中針對(duì)顯著周期序列pk及bp神經(jīng)網(wǎng)絡(luò)輸入層神經(jīng)元個(gè)數(shù)ii首先建立矩陣z1和z2，其中：針對(duì)待優(yōu)化神經(jīng)網(wǎng)絡(luò)訓(xùn)練集長(zhǎng)度l，z1中最后的li列作為訓(xùn)練集的輸入矩陣itrain，z2中最后的li列作為訓(xùn)練集的輸出矩陣otrain；將預(yù)報(bào)步長(zhǎng)l作為測(cè)試步長(zhǎng)，z1中最后的l列作為測(cè)試集的輸入矩陣itest，z2中最后的l列作為測(cè)試集的輸出矩陣otest；根據(jù)訓(xùn)練集構(gòu)造的bp神經(jīng)網(wǎng)絡(luò)對(duì)測(cè)試集模擬結(jié)果的誤差平方和作為其適應(yīng)度值，以適應(yīng)度值最小為優(yōu)化方向作為評(píng)價(jià)標(biāo)準(zhǔn)評(píng)判各個(gè)粒子的優(yōu)劣，記錄粒子xi當(dāng)前個(gè)體極值為pbest(i)，取群體中pbest(i)最優(yōu)的個(gè)體作為整體極值gbest；(5)群體中的每個(gè)粒子xi，分別對(duì)其位置和速度進(jìn)行更新；式中：ω為慣性權(quán)重，c1、c2為加速度因子，g為當(dāng)前迭代次數(shù)，而r1、r2為分布于[0,1]的隨機(jī)數(shù)；(6)重新計(jì)算各個(gè)粒子此時(shí)的目標(biāo)函數(shù)值，更新pbest(i)和gbest；(7)判斷是否達(dá)到最大迭代次數(shù)，如滿足則結(jié)束優(yōu)化過(guò)程，獲得bp神經(jīng)網(wǎng)絡(luò)最佳參數(shù)ibest、wbest(wbest(1),wbest(2),...,wbest(q))、lbest，否則返回步驟(4)。進(jìn)一步地，所述步驟(3)中所采用的疊加誤差訂正方法的具體過(guò)程為：(1)首先按優(yōu)化的bp神經(jīng)網(wǎng)絡(luò)參數(shù)ibest、wbest(wbest(1),wbest(2),...,wbest(q))、lbest構(gòu)造神經(jīng)網(wǎng)絡(luò)訓(xùn)練集z3和測(cè)試集z4并初始化bp神經(jīng)網(wǎng)絡(luò)連結(jié)權(quán)值和閾值，其中：wbest(1)～wbest(i*h)為bp神經(jīng)網(wǎng)絡(luò)的輸入層至隱含層神經(jīng)元的連結(jié)權(quán)值的初始值，wbest(i*h+1)～wbest(i*h+h*o)為bp神經(jīng)網(wǎng)絡(luò)的隱含層至輸出層神經(jīng)元的連結(jié)權(quán)值的初始值，wbest(i*h+h*o+1)～wbest(i*h+h*o+h)為bp神經(jīng)網(wǎng)絡(luò)隱含層神經(jīng)元的閾值的初始值，wbest(i*h+h*o+h+1)～wbest(i*h+h*o+h+o)為bp神經(jīng)網(wǎng)絡(luò)輸出層神經(jīng)元的閾值的初始值；(2)定義序列pk在采樣點(diǎn)i的變化率為c＝|pk(i)-pk(i-1)|，針對(duì)預(yù)測(cè)步長(zhǎng)l，計(jì)算z4最后l步長(zhǎng)的最大變化率為cmax，之后便可以進(jìn)行迭代的l步預(yù)測(cè)，在預(yù)測(cè)過(guò)程中，以cmax作為第j步長(zhǎng)預(yù)測(cè)時(shí)神經(jīng)網(wǎng)絡(luò)的輸出值與前一預(yù)測(cè)值或者真實(shí)值的最大變化率，若則作為第j步長(zhǎng)的預(yù)測(cè)值；否則若則若則進(jìn)一步地，所述步驟(4)中所采用的粒子群優(yōu)化rbf神經(jīng)網(wǎng)絡(luò)的具體過(guò)程為：(1)確定需優(yōu)化參數(shù)，包括：rbf神經(jīng)網(wǎng)絡(luò)輸入層神經(jīng)元個(gè)數(shù)i和訓(xùn)練集的長(zhǎng)度l；(2)初始化種群其中q2為粒子的總數(shù)，第i個(gè)粒子為xi＝(ii,li)，粒子速度為其中ii,li為參數(shù)i、l一組備選解；(3)根據(jù)群體中的每個(gè)粒子xi(ii,li)確定的參數(shù)，構(gòu)造rbf神經(jīng)網(wǎng)絡(luò)訓(xùn)練集的輸入和輸出矩陣，其中針對(duì)殘差序列r及rbf神經(jīng)網(wǎng)絡(luò)輸入層神經(jīng)元個(gè)數(shù)ii首先建立矩陣z5和z6，其中：針對(duì)待優(yōu)化神經(jīng)網(wǎng)絡(luò)訓(xùn)練集長(zhǎng)度l，z5中最后的li列作為訓(xùn)練集的輸入矩陣itrain，z6中最后的li列作為訓(xùn)練集的輸出矩陣otrain；將預(yù)報(bào)步長(zhǎng)l作為測(cè)試步長(zhǎng)，z5中最后的l列作為測(cè)試集的輸入矩陣itest，z6中最后的l列作為測(cè)試集的輸出矩陣otest；根據(jù)訓(xùn)練集構(gòu)造的rbf神經(jīng)網(wǎng)絡(luò)對(duì)測(cè)試集模擬結(jié)果的誤差平方和作為其適應(yīng)度值，以適應(yīng)度值最小為優(yōu)化方向作為評(píng)價(jià)標(biāo)準(zhǔn)評(píng)判各個(gè)粒子的優(yōu)劣，記錄粒子xi當(dāng)前個(gè)體極值為pbest(i)，取群體中pbest(i)最優(yōu)的個(gè)體作為整體極值gbest；(4)群體中的每個(gè)粒子xi，分別對(duì)其位置和速度進(jìn)行更新；式中：ω為慣性權(quán)重，c1、c2為加速度因子，g為當(dāng)前迭代次數(shù)，而r1、r2為分布于[0,1]的隨機(jī)數(shù)；(5)重新計(jì)算各個(gè)粒子此時(shí)的目標(biāo)函數(shù)值，更新pbest(i)和gbest；(6)判斷是否達(dá)到最大迭代次數(shù)，如滿足則結(jié)束優(yōu)化過(guò)程，獲得rbf神經(jīng)網(wǎng)絡(luò)最佳參數(shù)ibest和lbest，否則返回步驟(3)。進(jìn)一步地，所述步驟(4)中所采用的疊加誤差訂正方法的具體過(guò)程為：首先按優(yōu)化的rbf神經(jīng)網(wǎng)絡(luò)參數(shù)ibest和lbest構(gòu)造神經(jīng)網(wǎng)絡(luò)訓(xùn)練集z7和測(cè)試集z8并初始化bp神經(jīng)網(wǎng)絡(luò)連結(jié)權(quán)值和閾值，其中：(2)定義序列r在采樣點(diǎn)i的變化率為c＝|r(i)-r(i-1)|，針對(duì)預(yù)測(cè)步長(zhǎng)l，計(jì)算z8最后l步長(zhǎng)的最大變化率為cmax，之后便可以進(jìn)行迭代的l步預(yù)測(cè)，在預(yù)測(cè)過(guò)程中，以cmax作為第j步長(zhǎng)預(yù)測(cè)時(shí)神經(jīng)網(wǎng)絡(luò)的輸出值yr(j)與前一預(yù)測(cè)值或者真實(shí)值yr(j-1)的最大變化率，若|yr(j)-yr(j-1)|<cmax，則yr(j)作為第j步長(zhǎng)的預(yù)測(cè)值；否則若yr(j)>yr(j-1)，則yr(j)＝y(tǒng)r(j-1)+cmax，若yr(j)<yr(j-1)，則yr(j)＝y(tǒng)r(j-1)-cmax。進(jìn)一步地，所述慣性權(quán)重ω＝0.5，加速度因子c1＝c2＝1.49445。本發(fā)明的有益效果：(1)經(jīng)多尺度分析提取的風(fēng)電機(jī)有功功率的顯著周期序列由于規(guī)律性強(qiáng)，而且在原有功功率序列中所占比重較大，因此奠定了較高精度預(yù)測(cè)的基礎(chǔ)；剔除了顯著周期序列后的殘差序列由于在整體中的比重不大，因此其預(yù)測(cè)誤差相對(duì)有限，因此本發(fā)明所提出的將原始有功功率序列經(jīng)多尺度分析，分解為顯著周期序列和殘差序列，進(jìn)而對(duì)各個(gè)序列分別進(jìn)行預(yù)測(cè)的思路可以大大提高整體預(yù)測(cè)效果。(2)由于天氣過(guò)程變化是連續(xù)的，而非突變的，這點(diǎn)在顯著周期序列中表現(xiàn)的極為突出，顯著周期序列雖然光滑平順，但其中序列的振幅和相位隨時(shí)間變化明顯，這會(huì)影響神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)和泛化性能，導(dǎo)致預(yù)測(cè)值突變，預(yù)測(cè)精度下降，本申請(qǐng)基于天氣變化的連續(xù)性特征，通過(guò)最大變化率指標(biāo)來(lái)約束預(yù)測(cè)值突變的行為，經(jīng)實(shí)驗(yàn)，此技術(shù)可以有效改善神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)值的突變行為，提高預(yù)測(cè)精度，此方法同時(shí)也適用于殘差序列的誤差訂正中。(3)針對(duì)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)選擇不一對(duì)于預(yù)報(bào)性能的影響，本發(fā)明提出針對(duì)風(fēng)電機(jī)有功功率序列提取的顯著周期序列和分離的殘差序列的特點(diǎn)，分別采用bp神經(jīng)網(wǎng)絡(luò)和rbf神經(jīng)網(wǎng)絡(luò)，對(duì)于神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)參數(shù)，訓(xùn)練集規(guī)模采用粒子群算法進(jìn)行優(yōu)方法，顯著改善了神經(jīng)網(wǎng)絡(luò)的泛化性能，最終提高了預(yù)測(cè)精度。附圖說(shuō)明圖1為本發(fā)明的方法流程圖；圖2為分鐘級(jí)別風(fēng)電機(jī)有功功率序列；圖3為序列p的小波功率譜分析結(jié)果圖；圖4為序列p提取的顯著周期序列及分離的殘差序列圖；圖5(a)為本發(fā)明方法的一步預(yù)測(cè)結(jié)果；圖5(b)為本發(fā)明方法的二步預(yù)測(cè)結(jié)果；圖5(c)為本發(fā)明方法的三步預(yù)測(cè)結(jié)果；；圖6(a)為最大變化率指標(biāo)針對(duì)顯著周期序列p5預(yù)測(cè)結(jié)果對(duì)比；圖6(b)為最大變化率指標(biāo)針對(duì)殘差r預(yù)測(cè)結(jié)果對(duì)比；圖7(a)為針對(duì)分鐘級(jí)別風(fēng)電機(jī)有功功率序列建立粒子群算法優(yōu)化rbf神經(jīng)網(wǎng)絡(luò)一步預(yù)測(cè)結(jié)果；圖7(b)為針對(duì)分鐘級(jí)別風(fēng)電機(jī)有功功率序列建立粒子群算法優(yōu)化rbf神經(jīng)網(wǎng)絡(luò)二步預(yù)測(cè)結(jié)果；圖7(c)為針對(duì)分鐘級(jí)別風(fēng)電機(jī)有功功率序列建立粒子群算法優(yōu)化rbf神經(jīng)網(wǎng)絡(luò)三步預(yù)測(cè)結(jié)果；圖8為對(duì)比實(shí)驗(yàn)中分鐘級(jí)別風(fēng)電機(jī)有功功率序列db3小波分解結(jié)果；圖9(a)為對(duì)比實(shí)驗(yàn)中固定rbf神經(jīng)網(wǎng)絡(luò)參數(shù)的小波分解-rbf神經(jīng)網(wǎng)絡(luò)一步預(yù)測(cè)結(jié)果；圖9(b)為對(duì)比實(shí)驗(yàn)中固定rbf神經(jīng)網(wǎng)絡(luò)參數(shù)的小波分解-rbf神經(jīng)網(wǎng)絡(luò)一步預(yù)測(cè)結(jié)果；圖9(c)為對(duì)比實(shí)驗(yàn)中固定rbf神經(jīng)網(wǎng)絡(luò)參數(shù)的小波分解-rbf神經(jīng)網(wǎng)絡(luò)一步預(yù)測(cè)結(jié)果；圖10(a)為對(duì)比實(shí)驗(yàn)中采用粒子群算法優(yōu)化rbf神經(jīng)網(wǎng)絡(luò)參數(shù)的小波分解-rbf神經(jīng)網(wǎng)絡(luò)一步預(yù)測(cè)結(jié)果；圖10(b)為對(duì)比實(shí)驗(yàn)中采用粒子群算法優(yōu)化rbf神經(jīng)網(wǎng)絡(luò)參數(shù)的小波分解-rbf神經(jīng)網(wǎng)絡(luò)二步預(yù)測(cè)結(jié)果；圖10(c)為對(duì)比實(shí)驗(yàn)中采用粒子群算法優(yōu)化rbf神經(jīng)網(wǎng)絡(luò)參數(shù)的小波分解-rbf神經(jīng)網(wǎng)絡(luò)三步預(yù)測(cè)結(jié)果。具體實(shí)施方式為了使本發(fā)明的目的、技術(shù)方案及優(yōu)點(diǎn)更加清楚明白，以下結(jié)合實(shí)施例，對(duì)本發(fā)明進(jìn)行進(jìn)一步詳細(xì)說(shuō)明。應(yīng)當(dāng)理解，此處所描述的具體實(shí)施例僅僅用以解釋本發(fā)明，并不用于限定本發(fā)明。下面結(jié)合附圖對(duì)本發(fā)明的應(yīng)用原理作詳細(xì)的描述。如圖1所示，一種基于神經(jīng)網(wǎng)絡(luò)的風(fēng)電機(jī)有功功率預(yù)測(cè)及誤差訂正方法，包括以下步驟：s1：讀入風(fēng)電機(jī)的原始采樣有功功率時(shí)間序列p＝{p(i),i＝1,2,...,n}，其中n為原始風(fēng)電機(jī)有功功率采樣點(diǎn)個(gè)數(shù)；將p調(diào)整為按預(yù)報(bào)間隔要求的平均有功功率時(shí)間序列p’＝{p’(j),j＝1,2,...,m}，其中m為按預(yù)報(bào)間隔要求調(diào)整后的風(fēng)電機(jī)平均有功功率序列的采樣點(diǎn)個(gè)數(shù)，p’的平均值為令s2：采用多尺度小波功率譜分析方法，提取p中的顯著周期序列{p1,p2,…,pk,…,pk}，其中k為p中的顯著周期序列的個(gè)數(shù)，pk＝{pk(1),pk(2),…,pk(m)}，由此p＝p1+p2+…+pk+r，其中r＝p-p1-p2-…-pk，為p中剔除顯著周期序列后的殘差序列；所述采用多尺度小波功率譜分析方法，提取p中的顯著周期序列{p1,p2,…,pk,…,pk}，具體過(guò)程為：假設(shè)一離散時(shí)間序列xn，其中n＝1,...,n，共n個(gè)采樣點(diǎn)，采樣時(shí)間間隔δt＝1，應(yīng)用morlet小波變換，分析該時(shí)間序列的顯著周期，提取各顯著周期帶對(duì)應(yīng)的時(shí)間序列。2.1確定分析周期小波變換的周期tj(圖3橫坐標(biāo)值)與小波分析中尺度參數(shù)sj有關(guān)，考慮morlet母小波中心周期特性，此處tj＝sj。尺度參數(shù)的選擇為：sj＝2jδj，其中δj＝1/4，j＝0,1,...,j，共j+1個(gè)尺度，其中j的最大值不超過(guò)jmax＝4log2(n)即可，這里j＝48。2.2確定全局小波變換譜值在第n采樣點(diǎn)，sj尺度參數(shù)對(duì)應(yīng)的局地小波變換譜值wn(sj)為：其中ψ*(·)為ψ(·)的共軛函數(shù)，對(duì)第n采樣點(diǎn)，尺度參數(shù)sj的morlet小波基小波函數(shù)為：對(duì)wn(sj)的模|wn(sj)|沿整個(gè)采樣區(qū)間積分，得到尺度參數(shù)sj對(duì)應(yīng)的全局小波變換譜值即：本發(fā)明采用標(biāo)準(zhǔn)化的全局小波變換譜值(圖3實(shí)線)，其中σ2為xn的方差。2.3全局小波變換譜值顯著性檢驗(yàn)通常將全局小波變換譜值曲線的極大值對(duì)應(yīng)的周期定為主要周期，但是否顯著，要通過(guò)顯著性檢驗(yàn)。這里將以上所得全局小波變換譜值與紅噪音譜值進(jìn)行比較，判斷其顯著性，其中紅噪音譜值qk表示為：其中α為xn時(shí)間序列落后一個(gè)采樣點(diǎn)的自相關(guān)系數(shù)，k＝0,1,…,n/2。假設(shè)全局小波變換譜值為某一非周期過(guò)程譜值，則其與紅噪音譜值之比遵從被自由度ν去除的分布：其中自由度γ為去相關(guān)因子，對(duì)morlet小波，γ＝2.32。在此取0.05顯著性水平，當(dāng)時(shí)，該全局小波變換譜值對(duì)應(yīng)的周期是顯著的，其中為圖3虛線。2.4提取顯著周期帶對(duì)應(yīng)的時(shí)間序列提取某特定周期帶即[t1,t2]對(duì)應(yīng)的時(shí)間序列x′n，由(1)知特定周期帶[t1，t2]對(duì)應(yīng)的尺度參數(shù)為對(duì)于morlet小波，提取尺度參數(shù)對(duì)應(yīng)的時(shí)間序列是對(duì)該尺度參數(shù)帶對(duì)應(yīng)進(jìn)行求和，即：其中，其中為wn(sj)的實(shí)部，針對(duì)morlet小波，ψ0(0)＝π-1/4，cδ＝0.776。s3：對(duì)p中的顯著周期序列{p1,p2,…,pk,…,pk}，分別采用粒子群優(yōu)化并疊加誤差訂正的bp神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測(cè)，設(shè)定預(yù)測(cè)步長(zhǎng)為l，則各顯著周期序列{p1,p2,…,pk,…,pk}的預(yù)測(cè)結(jié)果為其中所述步驟s3中所采用的粒子群優(yōu)化的bp神經(jīng)網(wǎng)絡(luò)的具體過(guò)程為：(1)依據(jù)kolmogorov定理，建立3層bp神經(jīng)網(wǎng)絡(luò)模型，設(shè)輸入層神經(jīng)元個(gè)數(shù)為i，隱含層神經(jīng)元個(gè)數(shù)為h，輸出層神經(jīng)元個(gè)數(shù)為o；其中，h＝2*i+1，o＝1；(2)確定需要優(yōu)化的參數(shù)，包括：bp神經(jīng)網(wǎng)絡(luò)的輸入層神經(jīng)元個(gè)數(shù)i和訓(xùn)練集的長(zhǎng)度l，還包括：一組對(duì)象w＝(w(1),w(2),...,w(q))，q＝i*h+h*o+h+o，其中，w(1)～w(i*h)為bp神經(jīng)網(wǎng)絡(luò)的輸入層神經(jīng)元至隱含層神經(jīng)元的連結(jié)權(quán)值，w(i*h+1)～w(i*h+h*o)為bp神經(jīng)網(wǎng)絡(luò)的隱含層神經(jīng)元至輸出層神經(jīng)元的連結(jié)權(quán)值，w(i*h+h*o+1)～w(i*h+h*o+h)為bp神經(jīng)網(wǎng)絡(luò)隱含層神經(jīng)元的閾值，w(i*h+h*o+h+1)～w(i*h+h*o+h+o)為bp神經(jīng)網(wǎng)絡(luò)輸出層神經(jīng)元的閾值；(3)初始化種群其中q1為粒子的總數(shù)，第i個(gè)粒子為xi＝(ii,wi,li)，粒子速度為vi＝(v_ii,v_wi,v_li)，其中ii、wi、li為參數(shù)i、w、l一組備選解；(4)對(duì)群體中的每個(gè)粒子xi＝(ii,wi,li)確定的參數(shù)，構(gòu)造bp神經(jīng)網(wǎng)絡(luò)訓(xùn)練集的輸入和輸出矩陣，其中針對(duì)顯著周期序列pk及bp神經(jīng)網(wǎng)絡(luò)輸入層神經(jīng)元個(gè)數(shù)ii首先建立矩陣z1和z2，其中：針對(duì)待優(yōu)化神經(jīng)網(wǎng)絡(luò)訓(xùn)練集長(zhǎng)度l，z1中最后的li列作為訓(xùn)練集的輸入矩陣itrain，z2中最后的li列作為訓(xùn)練集的輸出矩陣otrain；將預(yù)報(bào)步長(zhǎng)l作為測(cè)試步長(zhǎng)，z1中最后的l列作為測(cè)試集的輸入矩陣itest，z2中最后的l列作為測(cè)試集的輸出矩陣otest；根據(jù)訓(xùn)練集構(gòu)造的bp神經(jīng)網(wǎng)絡(luò)對(duì)測(cè)試集模擬結(jié)果的誤差平方和作為其適應(yīng)度值，以適應(yīng)度值最小為優(yōu)化方向作為評(píng)價(jià)標(biāo)準(zhǔn)評(píng)判各個(gè)粒子的優(yōu)劣，記錄粒子xi當(dāng)前個(gè)體極值為pbest(i)，取群體中pbest(i)最優(yōu)的個(gè)體作為整體極值gbest；(5)群體中的每個(gè)粒子xi，分別對(duì)其位置和速度進(jìn)行更新；式中：ω為慣性權(quán)重，c1、c2為加速度因子，g為當(dāng)前迭代次數(shù)，而r1、r2為分布于[0,1]的隨機(jī)數(shù)；(6)重新計(jì)算各個(gè)粒子此時(shí)的目標(biāo)函數(shù)值，更新pbest(i)和gbest；(7)判斷是否達(dá)到最大迭代次數(shù)，如滿足則結(jié)束優(yōu)化過(guò)程，獲得bp神經(jīng)網(wǎng)絡(luò)最佳參數(shù)ibest、wbest(wbest(1),wbest(2),...,wbest(q))、lbest，否則返回步驟(4)。所述步驟s3中所采用的疊加誤差訂正方法的具體過(guò)程為(1)首先按優(yōu)化的bp神經(jīng)網(wǎng)絡(luò)參數(shù)ibest、wbest(wbest(1),wbest(2),...,wbest(q))、lbest構(gòu)造神經(jīng)網(wǎng)絡(luò)訓(xùn)練集z3和測(cè)試集z4并初始化bp神經(jīng)網(wǎng)絡(luò)連結(jié)權(quán)值和閾值，其中：wbest(1)～wbest(i*h)為bp神經(jīng)網(wǎng)絡(luò)的輸入層至隱含層神經(jīng)元的連結(jié)權(quán)值的初始值，wbest(i*h+1)～wbest(i*h+h*o)為bp神經(jīng)網(wǎng)絡(luò)的隱含層至輸出層神經(jīng)元的連結(jié)權(quán)值的初始值，wbest(i*h+h*o+1)～wbest(i*h+h*o+h)為bp神經(jīng)網(wǎng)絡(luò)隱含層神經(jīng)元的閾值的初始值，wbest(i*h+h*o+h+1)～wbest(i*h+h*o+h+o)為bp神經(jīng)網(wǎng)絡(luò)輸出層神經(jīng)元的閾值的初始值；(2)定義序列pk在采樣點(diǎn)i的變化率為c＝|pk(i)-pk(i-1)|，針對(duì)預(yù)測(cè)步長(zhǎng)l，計(jì)算z4最后l步長(zhǎng)的最大變化率為cmax，之后便可以進(jìn)行迭代的l步預(yù)測(cè)，在預(yù)測(cè)過(guò)程中，以cmax作為第j步長(zhǎng)預(yù)測(cè)時(shí)神經(jīng)網(wǎng)絡(luò)的輸出值與前一預(yù)測(cè)值或者真實(shí)值的最大變化率，若則作為第j步長(zhǎng)的預(yù)測(cè)值；否則若則若則s4對(duì)殘差序列r的一階差分序列d采用粒子群優(yōu)化并疊加誤差訂正的rbf神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測(cè)，后經(jīng)差分反運(yùn)算得到殘差序列的預(yù)測(cè)結(jié)果，設(shè)定預(yù)測(cè)步長(zhǎng)為l，則殘差序列r的預(yù)測(cè)結(jié)果為yr＝{yr(1),yr(2),...,yr(l)}；所述步驟s4中所采用的粒子群優(yōu)化rbf神經(jīng)網(wǎng)絡(luò)的具體過(guò)程為：(1)確定需優(yōu)化參數(shù)，包括：rbf神經(jīng)網(wǎng)絡(luò)輸入層神經(jīng)元個(gè)數(shù)i和訓(xùn)練集的長(zhǎng)度l；(2)初始化種群其中q2為粒子的總數(shù)，第i個(gè)粒子為xi＝(ii,li)，粒子速度為其中ii,li為參數(shù)i、l一組備選解；(3)根據(jù)群體中的每個(gè)粒子xi(ii,li)確定的參數(shù)，構(gòu)造rbf神經(jīng)網(wǎng)絡(luò)訓(xùn)練集的輸入和輸出矩陣，其中針對(duì)殘差序列r及rbf神經(jīng)網(wǎng)絡(luò)輸入層神經(jīng)元個(gè)數(shù)ii首先建立矩陣z5和z6，其中：針對(duì)待優(yōu)化神經(jīng)網(wǎng)絡(luò)訓(xùn)練集長(zhǎng)度l，z5中最后的li列作為訓(xùn)練集的輸入矩陣itrain，z6中最后的li列作為訓(xùn)練集的輸出矩陣otrain；將預(yù)報(bào)步長(zhǎng)l作為測(cè)試步長(zhǎng)，z5中最后的l列作為測(cè)試集的輸入矩陣itest，z6中最后的l列作為測(cè)試集的輸出矩陣otest；根據(jù)訓(xùn)練集構(gòu)造的rbf神經(jīng)網(wǎng)絡(luò)對(duì)測(cè)試集模擬結(jié)果的誤差平方和作為其適應(yīng)度值，以適應(yīng)度值最小為優(yōu)化方向作為評(píng)價(jià)標(biāo)準(zhǔn)評(píng)判各個(gè)粒子的優(yōu)劣，記錄粒子xi當(dāng)前個(gè)體極值為pbest(i)，取群體中pbest(i)最優(yōu)的個(gè)體作為整體極值gbest；(4)群體中的每個(gè)粒子xi，分別對(duì)其位置和速度進(jìn)行更新；式中：ω為慣性權(quán)重，c1、c2為加速度因子，g為當(dāng)前迭代次數(shù)，而r1、r2為分布于[0,1]的隨機(jī)數(shù)；(5)重新計(jì)算各個(gè)粒子此時(shí)的目標(biāo)函數(shù)值，更新pbest(i)和gbest；(6)判斷是否達(dá)到最大迭代次數(shù)，如滿足則結(jié)束優(yōu)化過(guò)程，獲得rbf神經(jīng)網(wǎng)絡(luò)最佳參數(shù)ibest和lbest，否則返回步驟(3)。所述步驟(4)中所采用的疊加誤差訂正方法的具體過(guò)程為：首先按優(yōu)化的rbf神經(jīng)網(wǎng)絡(luò)參數(shù)ibest和lbest構(gòu)造神經(jīng)網(wǎng)絡(luò)訓(xùn)練集z7和測(cè)試集z8并初始化bp神經(jīng)網(wǎng)絡(luò)連結(jié)權(quán)值和閾值，其中：(2)定義序列r在采樣點(diǎn)i的變化率為c＝|r(i)-r(i-1)|，針對(duì)預(yù)測(cè)步長(zhǎng)l，計(jì)算z8最后l步長(zhǎng)的最大變化率為cmax，之后便可以進(jìn)行迭代的l步預(yù)測(cè)，在預(yù)測(cè)過(guò)程中，以cmax作為第j步長(zhǎng)預(yù)測(cè)時(shí)神經(jīng)網(wǎng)絡(luò)的輸出值yr(j)與前一預(yù)測(cè)值或者真實(shí)值yr(j-1)的最大變化率，若|yr(j)-yr(j-1)|<cmax，則yr(j)作為第j步長(zhǎng)的預(yù)測(cè)值；否則若yr(j)>yr(j-1)，則yr(j)＝y(tǒng)r(j-1)+cmax，若yr(j)<yr(j-1)，則yr(j)＝y(tǒng)r(j-1)-cmax。所述慣性權(quán)重ω＝0.5，加速度因子c1＝c2＝1.49445。(5)將與各周期信號(hào)序列、殘差序列的預(yù)測(cè)結(jié)果相加，得到最終的預(yù)測(cè)結(jié)果y，具體測(cè)試實(shí)例：按圖1所展示的流程圖，取我國(guó)某風(fēng)電場(chǎng)某臺(tái)風(fēng)電機(jī)自2015年10月5日10時(shí)07分53秒開(kāi)始采集的秒級(jí)別的原始有功功率時(shí)間序列，由于本實(shí)例展現(xiàn)的為分鐘級(jí)別的超短期預(yù)報(bào)，因此首先按預(yù)報(bào)間隔要求，按調(diào)整原始有功功率時(shí)間序列以獲得分鐘級(jí)別的平均有功功率時(shí)間序列，如圖2所示，其中p(i)為風(fēng)電機(jī)采集的原始有功功率時(shí)間序列(秒級(jí)，但采樣間隔不統(tǒng)一)，p’(j)為調(diào)整后的分鐘級(jí)別的平均有功功率時(shí)間序列，t和z分別指代該分鐘起止點(diǎn)在原有功功率時(shí)間序列中對(duì)應(yīng)的采樣點(diǎn)的序號(hào)。本測(cè)試實(shí)例取p’(j)中前2150個(gè)點(diǎn)為訓(xùn)練數(shù)據(jù)，開(kāi)展為期為50個(gè)步長(zhǎng)的1步、2步和3步預(yù)測(cè)實(shí)驗(yàn)，并以相對(duì)百分比誤差mape為標(biāo)準(zhǔn)測(cè)試本算法的有效性：其中，y(i)和p’(i)分別為預(yù)測(cè)風(fēng)電機(jī)有功功率值和采樣值，l為預(yù)測(cè)步長(zhǎng)。剔除均值后的分鐘級(jí)別的風(fēng)電機(jī)有功功率序列記為p，圖3所示為對(duì)于p的小波功率譜分析結(jié)果，以5％顯著性水平的紅噪音檢測(cè)線為閾值，該風(fēng)電機(jī)的平均分鐘有功功率時(shí)間序列具有4096、2048、1218、609和256為極值點(diǎn)的共5個(gè)顯著周期，取其極值點(diǎn)左右兩側(cè)各第一個(gè)低于紅噪音檢測(cè)線的周期點(diǎn)，組成周期帶，此周期帶為顯著周期帶，以本例為例，存在[2896.3，4871]、[1722.2，2435.5]、[861.1，1722.2]、[430.5，724.1]和[215.3，304.4]共5個(gè)顯著周期帶，根據(jù)小波重構(gòu)方法，提取此5個(gè)周期帶對(duì)應(yīng)的時(shí)間序列p1、p2、p3、p4和p5，并得到對(duì)應(yīng)的殘差序列r，由此p＝p1+p2+p3+p4+p5+r，見(jiàn)圖4。可見(jiàn)，5個(gè)顯著周期信號(hào)的規(guī)律性強(qiáng)，有望較高精度的預(yù)測(cè)；另一方面，雖然針對(duì)殘差的預(yù)測(cè)誤差不可避免，但經(jīng)計(jì)算，殘差r的能量(方差)占比p的能量(方差)為40.80％，下降顯著，因此，針對(duì)殘差的預(yù)測(cè)誤差要遠(yuǎn)遠(yuǎn)小于直接對(duì)于p進(jìn)行預(yù)測(cè)的誤差。雖然神經(jīng)網(wǎng)絡(luò)具有強(qiáng)大的非線性擬合能力和快速的學(xué)習(xí)能力，但如何選擇恰當(dāng)?shù)纳窠?jīng)網(wǎng)絡(luò)模型，確定神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)、訓(xùn)練集和測(cè)試集仍主要靠人工經(jīng)驗(yàn)或者試湊，其普適性較差。通過(guò)對(duì)提取的顯著周期信號(hào)的分析發(fā)現(xiàn)，特別是p3、p4和p5序列，雖然具有明顯的周期變化特點(diǎn)，且序列平順，但其中序列的振幅和相位隨時(shí)間變化明顯，這會(huì)影響神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)和泛化性能，導(dǎo)致預(yù)測(cè)值突變，預(yù)測(cè)精度下降，所以一方面本發(fā)明選擇容錯(cuò)能力較強(qiáng)的bp神經(jīng)網(wǎng)絡(luò)，另一方面基于天氣變化的連續(xù)性特征，通過(guò)引入最大變化率指標(biāo)來(lái)約束預(yù)測(cè)值突變的行為；而殘差信號(hào)經(jīng)一階差分后的序列呈現(xiàn)圍繞0軸的波動(dòng)性，更適合于rbf神經(jīng)網(wǎng)絡(luò)，因此本發(fā)明對(duì)提取的顯著周期信號(hào)p1～p5采用基于粒子群算法優(yōu)化并疊加誤差訂正的bp神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測(cè)，而對(duì)于殘差信號(hào)r則采用基于粒子群算法優(yōu)化并疊加誤差訂正的rbf神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測(cè)，經(jīng)實(shí)驗(yàn)，此技術(shù)可以有效改善神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)值的突變行為，提高預(yù)測(cè)精度。對(duì)p1～p5采用基于粒子群算法優(yōu)化的bp神經(jīng)網(wǎng)絡(luò)模型，取輸入層神經(jīng)元個(gè)數(shù)的范圍為[5,14]，訓(xùn)練集的長(zhǎng)度為[50,2100]，神經(jīng)網(wǎng)絡(luò)權(quán)值和閾值的范圍為[-3,3]，粒子群種群規(guī)模是50，迭代30次。對(duì)于r則采用基于粒子群算法優(yōu)化的rbf神經(jīng)網(wǎng)絡(luò)，取輸入層神經(jīng)元個(gè)數(shù)的范圍為[5,20]，訓(xùn)練集的長(zhǎng)度為[50,2100]，粒子群種群規(guī)模是50，迭代30次，表1所示為進(jìn)行3步預(yù)測(cè)時(shí)，針對(duì)顯著周期序列p1～p5和殘差r的輸入層神經(jīng)元個(gè)數(shù)i和訓(xùn)練集長(zhǎng)度l兩個(gè)參數(shù)的優(yōu)化結(jié)果，對(duì)于p1～p5建立的bp神經(jīng)網(wǎng)絡(luò)權(quán)值和閾值的優(yōu)化結(jié)果由于參數(shù)過(guò)多而不一一列出。表1本測(cè)試用例進(jìn)行了總預(yù)測(cè)步長(zhǎng)為50的1步、2步和3步預(yù)測(cè)實(shí)驗(yàn)，預(yù)測(cè)結(jié)果如圖5(a)-(c)所示，表2為預(yù)測(cè)誤差統(tǒng)計(jì)。表21步預(yù)測(cè)2步預(yù)測(cè)3步預(yù)測(cè)mape0.06350.07300.1248對(duì)比實(shí)驗(yàn)1測(cè)試最大變化率指標(biāo)對(duì)于預(yù)測(cè)精度的影響，由于最大變化率指標(biāo)都是針對(duì)各個(gè)顯著周期序列p1～p5或者殘差序列r單獨(dú)進(jìn)行設(shè)置的，因此此處以p5和r為例加以說(shuō)明。圖6(a)所示為對(duì)于p5的總預(yù)測(cè)步長(zhǎng)為50的1步預(yù)測(cè)對(duì)比實(shí)驗(yàn)，發(fā)現(xiàn)采取最大變化率指標(biāo)后，其mape誤差由0.0093降至0.0032，預(yù)測(cè)曲線的平滑性得到了保證，預(yù)測(cè)精度提高了190.63％；圖6(b)所示為對(duì)于r的總預(yù)測(cè)步長(zhǎng)為50的1步預(yù)測(cè)對(duì)比實(shí)驗(yàn)，發(fā)現(xiàn)采取最大變化率指標(biāo)后，其mape誤差由1.0268降至0.9926，預(yù)測(cè)精度提高了3.45％對(duì)比實(shí)驗(yàn)2對(duì)于分鐘級(jí)別的風(fēng)電機(jī)有功功率序列，直接進(jìn)行一次差分運(yùn)算，之后采用粒子群優(yōu)化rbf神經(jīng)網(wǎng)絡(luò)模型進(jìn)行建模，取輸入層神經(jīng)元個(gè)數(shù)的范圍為[5,20]，訓(xùn)練集的長(zhǎng)度為[50,2100]，粒子群種群規(guī)模是50，迭代30次，表3所示為進(jìn)行3步預(yù)測(cè)時(shí)，針對(duì)輸入層神經(jīng)元個(gè)數(shù)i和訓(xùn)練集長(zhǎng)度l兩個(gè)參數(shù)的優(yōu)化結(jié)果：表3輸入層神經(jīng)元個(gè)數(shù)(i)訓(xùn)練集長(zhǎng)度(l)12169本測(cè)試用例進(jìn)行了總預(yù)測(cè)步長(zhǎng)為50的1步、2步和3步預(yù)測(cè)實(shí)驗(yàn)，預(yù)測(cè)結(jié)果如圖7(a)-(c)所示，表4為預(yù)測(cè)誤差統(tǒng)計(jì)。表41步預(yù)測(cè)2步預(yù)測(cè)3步預(yù)測(cè)mape0.27270.48250.4715其1-3步的平均mape誤差較表2增加了369.46％，此實(shí)驗(yàn)說(shuō)明原始風(fēng)電機(jī)采集的有功功率數(shù)據(jù)由于波動(dòng)劇烈，規(guī)律性差，直接用于神經(jīng)網(wǎng)絡(luò)建模效果不好。對(duì)比實(shí)驗(yàn)3此外，為了驗(yàn)證方法的有效性，本發(fā)明還針對(duì)一種常用的小波分析方法進(jìn)行了比較實(shí)驗(yàn)，常用的小波分析的方法是將原序列分解為較為光滑的低頻趨勢(shì)序列和高頻波動(dòng)序列，之后對(duì)各個(gè)序列單獨(dú)進(jìn)行預(yù)測(cè)，將預(yù)測(cè)值進(jìn)行累加即為最終的預(yù)測(cè)結(jié)果，現(xiàn)有文獻(xiàn)已證明此種方法比單獨(dú)對(duì)于原始序列進(jìn)行預(yù)測(cè)效果要好很多。對(duì)比實(shí)驗(yàn)采用db3小波對(duì)p(i)進(jìn)行3層分解，獲得低頻趨勢(shì)序列a3和高頻波動(dòng)序列d1、d2、d3，如圖8所示。之后采用rbf神經(jīng)網(wǎng)絡(luò)對(duì)各個(gè)序列進(jìn)行單獨(dú)預(yù)測(cè)，為了驗(yàn)證本發(fā)明所提出的粒子群優(yōu)化rbf的有效性，本發(fā)明測(cè)試了固定rbf參數(shù)和粒子群算法優(yōu)化rbf參數(shù)兩種方法：1)固定參數(shù)：選取輸入層神經(jīng)元個(gè)數(shù)為20，即取前20個(gè)采樣點(diǎn)的有功功率數(shù)據(jù)用于預(yù)測(cè)其后的有功功率數(shù)據(jù)，訓(xùn)練集長(zhǎng)度為500，其總預(yù)測(cè)步長(zhǎng)為50的1步、2步和3步預(yù)測(cè)誤差如表5所示，預(yù)測(cè)結(jié)果見(jiàn)圖9(a)-(c)所示，可見(jiàn)，其1-3步的平均mape誤差較表2增加了131.15％。表51步預(yù)測(cè)2步預(yù)測(cè)3步預(yù)測(cè)mape0.18290.19270.22842)粒子群優(yōu)化rbf參數(shù)：取輸入層神經(jīng)元個(gè)數(shù)的范圍為[10，20]，訓(xùn)練集的長(zhǎng)度為[50，2100]，粒子群種群規(guī)模是50，迭代30次，進(jìn)行3步預(yù)測(cè)時(shí)，rbf神經(jīng)網(wǎng)絡(luò)優(yōu)化結(jié)果如表6所示，預(yù)測(cè)結(jié)果見(jiàn)圖8所示：表6a3d1d2d3輸入層神經(jīng)元個(gè)數(shù)15181517訓(xùn)練集長(zhǎng)度164113129111其總預(yù)測(cè)步長(zhǎng)為50的1步、2步和3步預(yù)測(cè)誤差如表7所示，預(yù)測(cè)結(jié)果見(jiàn)圖10(a)-(c)所示，可見(jiàn)，其1-3步的平均mape誤差較表2增加了18.33％。表71步預(yù)測(cè)2步預(yù)測(cè)3步預(yù)測(cè)mape0.08470.10290.1216以上顯示和描述了本發(fā)明的基本原理和主要特征和本發(fā)明的優(yōu)點(diǎn)。本行業(yè)的技術(shù)人員應(yīng)該了解，本發(fā)明不受上述實(shí)施例的限制，上述實(shí)施例和說(shuō)明書(shū)中描述的只是說(shuō)明本發(fā)明的原理，在不脫離本發(fā)明精神和范圍的前提下，本發(fā)明還會(huì)有各種變化和改進(jìn)，這些變化和改進(jìn)都落入要求保護(hù)的本發(fā)明范圍內(nèi)。本發(fā)明要求保護(hù)范圍由所附的權(quán)利要求書(shū)及其等效物界定。當(dāng)前第1頁(yè)12