022] 圖1為本發(fā)明系統(tǒng)的結(jié)構(gòu)示意圖； 圖2為本發(fā)明方法的流程圖； 圖3為本發(fā)明具體實施時實際功率與預(yù)測功率曲線對比圖。
【具體實施方式】
[0023] 如圖1所示，一種基于遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的風(fēng)電功率預(yù)測系統(tǒng)，其中包括數(shù)值 天氣預(yù)報模塊、實時數(shù)據(jù)處理模塊、神經(jīng)網(wǎng)絡(luò)功率預(yù)測模塊、功率預(yù)測修正模塊、實時通信 模塊、控制中屯、和調(diào)度中屯、，數(shù)值天氣預(yù)報模塊通過實時數(shù)據(jù)處理模塊與神經(jīng)網(wǎng)絡(luò)功率預(yù) 測模塊連接，神經(jīng)網(wǎng)絡(luò)功率預(yù)測模塊分別與功率預(yù)測修正模塊和調(diào)度中屯、連接，所述的功 率預(yù)測修正模塊分別與數(shù)值天氣預(yù)報模塊、控制中屯、連接，控制中屯、與調(diào)度中屯、連接;在功 率預(yù)測修正模塊與數(shù)值天氣預(yù)報模塊之間設(shè)有實時測量數(shù)據(jù)模塊;在功率預(yù)測修正模塊通 過實時通信模塊與控制中屯、建立通訊連接。
[0024] 如圖2所示，一種基于遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的風(fēng)電功率預(yù)測方法，其包括W下步 驟： 步驟一:獲取數(shù)值天氣預(yù)報數(shù)據(jù)和數(shù)值天氣預(yù)報預(yù)測數(shù)據(jù)； 步驟二:采用MIV算法對數(shù)值天氣預(yù)報數(shù)據(jù)中的自變量進行篩選，篩選出對預(yù)測結(jié)果的 影響程度達到預(yù)設(shè)標(biāo)準的自變量作為輸入矢量；自變量為數(shù)值天氣預(yù)報數(shù)據(jù)中的水平風(fēng)速 數(shù)據(jù)，垂直風(fēng)速數(shù)據(jù)，上下風(fēng)速數(shù)據(jù)，氣壓數(shù)據(jù)，位勢高度數(shù)據(jù)，溫度數(shù)據(jù)和比例濕度數(shù)據(jù)； 采用Μ?ν算法對數(shù)值天氣預(yù)報數(shù)據(jù)中每一個自變量進行Μ?ν計算，根據(jù)Μ?ν值的絕對值大小 對自變量進行篩選，篩選出絕對值達到預(yù)設(shè)標(biāo)準的自變量作為輸入矢量;MIV計算的步驟包 括： 1) 將自變量對應(yīng)原值分別增加和減少10%，構(gòu)成兩個新的訓(xùn)練樣本； 2) 將兩個訓(xùn)練樣本作為仿真樣本利用神經(jīng)網(wǎng)絡(luò)進行仿真預(yù)測，得到兩個仿真結(jié)果； 3) 求出兩個仿真結(jié)果的差值，作為變動自變量后對輸出產(chǎn)生的影響變化值； 4)將影響變化值平均下來，得出自變量對應(yīng)的MIV值。
[0025] 步驟Ξ:基于Tversky模型，采用余弦函數(shù)對步驟一所得的輸入矢量進行相似性比 較，在歷史數(shù)值天氣預(yù)報數(shù)據(jù)的自變量中篩選出與數(shù)值天氣預(yù)報預(yù)測數(shù)據(jù)相似的自變量構(gòu) 成訓(xùn)練集;余弦函數(shù)對向量相似度進行比較，對樣本集中的兩個樣本的特征矢量 Sim為相似度函數(shù)，兩個向量之間相似度計算公式為：
其中，嚴;，裝表示特征矢量嚴蒼。中第i個數(shù)，
表示S的模
表示S'的模。
[0026] 步驟四：將步驟Ξ得出的訓(xùn)練集作為神經(jīng)網(wǎng)絡(luò)的輸入，對應(yīng)的風(fēng)電功率預(yù)測值作 為神經(jīng)網(wǎng)絡(luò)的輸出，進行神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，訓(xùn)練期間采用遺傳算法對神經(jīng)網(wǎng)絡(luò)的初始權(quán)值 及初始閥值進行尋優(yōu)，最終得到風(fēng)電功率預(yù)測值;采用遺傳算法對神經(jīng)網(wǎng)絡(luò)的初始權(quán)值及 初始閥值進行優(yōu)化，所述的遺傳算法的優(yōu)化步驟為： 第一步:種群初始化，隨機產(chǎn)生η組神經(jīng)網(wǎng)絡(luò)的初始權(quán)值及初始閥值組合； 第二步:通過選擇操作、交叉操作與變異操作產(chǎn)生下一代； 第Ξ步:若達到收斂條件，則將收斂的最好染色體作為神經(jīng)網(wǎng)絡(luò)的初始權(quán)值及初始閥 值，完成對神經(jīng)網(wǎng)絡(luò)的優(yōu)化;若未達到收斂條件，則回到第二步。
[0027] W某風(fēng)電場為例對功率預(yù)測方法進行說明。采用的數(shù)值天氣預(yù)報數(shù)據(jù)模式為WRF 模式(Weather Research and化'6。日31:;[雌Model),風(fēng)電場的實際出力數(shù)據(jù)由電網(wǎng)公司調(diào) 度部口提供，選取的字段是1#主變高壓側(cè)有功值，數(shù)據(jù)為15分鐘一個點。觀測數(shù)據(jù)時間為 2013-01-01 00:00:00到2013-07-31 23:45:00,半年的實際運行數(shù)據(jù)。采用NWP數(shù)據(jù)點的經(jīng) 締度為： 表1數(shù)值天氣預(yù)報NWP點經(jīng)締度
NWP數(shù)據(jù)的時間分辨率為15min，空間分辨率為27km。該風(fēng)電場整風(fēng)場風(fēng)機總數(shù)為24臺， 風(fēng)機單機容量為1500kW，額定風(fēng)速為12m/s，風(fēng)機切入風(fēng)速為3m/s，切出風(fēng)速為20m/s，輪穀 局度為70m。
[0028]如圖3所示，其中細實曲線為風(fēng)電場實際功率出力曲線，粗實曲線為本例算法預(yù)測 的風(fēng)電場功率出力曲線，從圖中可W看到預(yù)測的曲線能夠較好的跟隨功率出力。通過計算， 可W得到該算例的均方根誤差（RMSE, root-mean-square error)為18.6%，滿足風(fēng)電場的 并網(wǎng)要求;從預(yù)測結(jié)果來看，通過改善輸入矢量及對數(shù)據(jù)和算法進行優(yōu)化，預(yù)測精度得到了 較大的提高。
【主權(quán)項】
1. 一種基于遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的風(fēng)電功率預(yù)測系統(tǒng)，其特征在于:包括數(shù)值天氣 預(yù)報模塊、實時數(shù)據(jù)處理模塊、神經(jīng)網(wǎng)絡(luò)功率預(yù)測模塊、功率預(yù)測修正模塊、實時通信模塊、 控制中心和調(diào)度中心，所述的數(shù)值天氣預(yù)報模塊通過實時數(shù)據(jù)處理模塊與神經(jīng)網(wǎng)絡(luò)功率預(yù) 測模塊連接，所述的神經(jīng)網(wǎng)絡(luò)功率預(yù)測模塊分別與功率預(yù)測修正模塊和調(diào)度中心連接，所 述的功率預(yù)測修正模塊分別與數(shù)值天氣預(yù)報模塊、控制中心連接，所述的控制中心與調(diào)度 中心連接。2. 根據(jù)權(quán)利要求1所述的風(fēng)電功率預(yù)測系統(tǒng)，其特征在于:在功率預(yù)測修正模塊與數(shù)值 天氣預(yù)報模塊之間設(shè)有實時測量數(shù)據(jù)模塊。3. 根據(jù)權(quán)利要求1所述的風(fēng)電功率預(yù)測系統(tǒng)，其特征在于:在功率預(yù)測修正模塊通過實 時通信模塊與控制中心建立通訊連接。4. 一種基于遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的風(fēng)電功率預(yù)測方法，其特征包括以下步驟： 步驟一:獲取數(shù)值天氣預(yù)報數(shù)據(jù)和數(shù)值天氣預(yù)報預(yù)測數(shù)據(jù)； 步驟二:采用MIV算法對數(shù)值天氣預(yù)報數(shù)據(jù)中的自變量進行篩選，篩選出對預(yù)測結(jié)果的 影響程度達到預(yù)設(shè)標(biāo)準的自變量作為輸入矢量； 步驟三:基于Tversky模型，采用余弦函數(shù)對步驟一所得的輸入矢量進行相似性比較， 在歷史數(shù)值天氣預(yù)報數(shù)據(jù)的自變量中篩選出與數(shù)值天氣預(yù)報預(yù)測數(shù)據(jù)相似的自變量構(gòu)成 訓(xùn)練集； 步驟四：將步驟三得出的訓(xùn)練集作為神經(jīng)網(wǎng)絡(luò)的輸入，對應(yīng)的風(fēng)電功率預(yù)測值作為神 經(jīng)網(wǎng)絡(luò)的輸出，進行神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，訓(xùn)練期間采用遺傳算法對神經(jīng)網(wǎng)絡(luò)的初始權(quán)值及初 始閥值進行尋優(yōu)，最終得到風(fēng)電功率預(yù)測值。5. 根據(jù)權(quán)利要求4所述的風(fēng)電功率預(yù)測方法，其特征在于:所述的自變量為數(shù)值天氣預(yù) 報數(shù)據(jù)中的水平風(fēng)速數(shù)據(jù)，垂直風(fēng)速數(shù)據(jù)，上下風(fēng)速數(shù)據(jù)，氣壓數(shù)據(jù)，位勢高度數(shù)據(jù)，溫度數(shù) 據(jù)和比例濕度數(shù)據(jù)。6. 根據(jù)權(quán)利要求4所述的風(fēng)電功率預(yù)測方法，其特征在于:步驟二中，采用MIV算法對數(shù) 值天氣預(yù)報數(shù)據(jù)中每一個自變量進行MIV計算，根據(jù)MIV值的絕對值大小對自變量進行篩 選，篩選出絕對值達到預(yù)設(shè)標(biāo)準的自變量作為輸入矢量。7. 根據(jù)權(quán)利要求6所述的風(fēng)電功率預(yù)測方法，其特征在于:所述的MIV計算的步驟包括： 1) 將自變量對應(yīng)原值分別增加和減少10%，構(gòu)成兩個新的訓(xùn)練樣本； 2) 將兩個訓(xùn)練樣本作為仿真樣本利用神經(jīng)網(wǎng)絡(luò)進行仿真預(yù)測，得到兩個仿真結(jié)果； 3) 求出兩個仿真結(jié)果的差值，作為變動自變量后對輸出產(chǎn)生的影響變化值； 4)將影響變化值平均下來，得出自變量對應(yīng)的MIV值。8. 根據(jù)權(quán)利要求4所述的風(fēng)電功率預(yù)測方法，其特征在于：步驟三中，余弦函數(shù)對向量 相似度進行比較，對樣本集中的兩個樣本的特征矢量S^S:，Sim為相似度函數(shù)，兩個向量之 間相似度計算公式為：其中，表示特征矢量遷+遍:中第i個數(shù)，s表示S與s'的內(nèi)積，表不s的模，、表不s'的模。9.根據(jù)權(quán)利要求1至7任一所述的風(fēng)電功率預(yù)測方法，其特征在于：神經(jīng)網(wǎng)絡(luò)風(fēng)電功率 預(yù)測方法的步驟四中，采用遺傳算法對神經(jīng)網(wǎng)絡(luò)的初始權(quán)值及初始閥值進行優(yōu)化，所述的 遺傳算法的優(yōu)化步驟為： 第一步:種群初始化，隨機產(chǎn)生η組神經(jīng)網(wǎng)絡(luò)的初始權(quán)值及初始閥值組合； 第二步:通過選擇操作、交叉操作與變異操作產(chǎn)生下一代； 第三步:若達到收斂條件，則將收斂的最好染色體作為神經(jīng)網(wǎng)絡(luò)的初始權(quán)值及初始閥 值，完成對神經(jīng)網(wǎng)絡(luò)的優(yōu)化;若未達到收斂條件，則回到第二步。
【專利摘要】本發(fā)明公開了一種基于遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的風(fēng)電功率預(yù)測系統(tǒng)及方法，其中系統(tǒng)包括數(shù)值天氣預(yù)報模塊、實時數(shù)據(jù)處理模塊、神經(jīng)網(wǎng)絡(luò)功率預(yù)測模塊、功率預(yù)測修正模塊、實時通信模塊、控制中心和調(diào)度中心，而方法首次使用MIV算法、Tversky模型的數(shù)據(jù)預(yù)處理方法，并采用遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)初值的方法進行風(fēng)電功率預(yù)測，能夠有效避免神經(jīng)網(wǎng)絡(luò)易陷入局部最小值的缺點，大大提高了預(yù)測的精度，較好地實現(xiàn)風(fēng)電場的優(yōu)化運行。
【IPC分類】G06N3/12
【公開號】CN105447572
【申請?zhí)枴緾N201510958548
【發(fā)明人】周少雄, 廖一旭, 陳炎鋒, 楊蘋, 許志榮, 鄒澍, 許晨宇
【申請人】廣東智造能源科技研究有限公司, 華南理工大學(xué)
【公開日】2016年3月30日
【申請日】2015年12月21日