基于pso-grnn風(fēng)電場風(fēng)電機(jī)缺損風(fēng)速值填充方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于風(fēng)電機(jī)技術(shù)領(lǐng)域，特別涉及了基于PSO-GRNN風(fēng)電場風(fēng)電機(jī)缺損風(fēng)速 值填充方法。
【背景技術(shù)】
[0002] 為了有效地將風(fēng)能并入電網(wǎng)中，對于風(fēng)電場的出力進(jìn)行準(zhǔn)確預(yù)測是極其必要和關(guān) 鍵的，這其中，〇至6小時的短期預(yù)報對于電網(wǎng)實時調(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)電場風(fēng)機(jī)測量風(fēng)速的完整性無論對于風(fēng)電場出 力研究、還是對于研究風(fēng)機(jī)布局以及風(fēng)機(jī)紊流影響等都具有重要意義。針對我國多個風(fēng)場 的采集數(shù)據(jù)進(jìn)行分析，在經(jīng)過必要的數(shù)據(jù)質(zhì)量檢查后，最突出的問題是出現(xiàn)了缺損的數(shù)據(jù)， 其時間跨度從10分鐘至幾小時。現(xiàn)有研究表明風(fēng)力數(shù)據(jù)的缺失對于風(fēng)電的預(yù)估將產(chǎn)生重 要影響，必須加以考量。
[0003] 1997年，美國能源部發(fā)布《風(fēng)能資源預(yù)估手冊（Wind Resources Assessment Handbook，WRAH)NREL/SR-440-22223》，中國政府于2002年發(fā)布了《風(fēng)場風(fēng)能資源測量方 法GB/T 18709-2002》、《風(fēng)場風(fēng)能資源評估方法GB/T 18710-2002》以及2010年發(fā)布了《地 面氣象觀測資料質(zhì)量控制QX/T 118-2010》。這些手冊只是做了規(guī)范性的指導(dǎo)和要求，缺乏 具體的技術(shù)方法。針對風(fēng)場測量風(fēng)速缺損值的填充策略大多是圍繞空間相關(guān)性，采用持續(xù) 法、曲線擬合法、差分自回歸移動平均法（Autoregressive Integrated Moving Average Model，簡稱ARIMA)以及神經(jīng)網(wǎng)絡(luò)模型等。持續(xù)法假設(shè)風(fēng)速不變；曲線擬合插值函數(shù)的非線 性特性很難與風(fēng)速變化趨勢一致，使得缺損值填充效果不好。ARIM將風(fēng)速數(shù)據(jù)視為一個隨 機(jī)序列，通過對歷史風(fēng)速數(shù)據(jù)進(jìn)行平穩(wěn)化處理、模型識別，來近似描述風(fēng)速的變化趨勢。由 于風(fēng)速數(shù)據(jù)的高度非線性，ARIMA也較適用于超短期的缺損值的填補(bǔ)應(yīng)用中。人工神經(jīng)網(wǎng) 絡(luò)作為一種新的方法，具有分布并行處理、非線性映射、自適應(yīng)學(xué)習(xí)和魯棒容錯等特點，符 合風(fēng)速數(shù)據(jù)高度非線性的特點。
[0004] 已有文獻(xiàn)多基于空間相關(guān)性原理，即相鄰地區(qū)氣象觀測資料強(qiáng)相關(guān)的基礎(chǔ)，采用 地理位置上相鄰的測量設(shè)備或站點的測量數(shù)據(jù)組織神經(jīng)網(wǎng)絡(luò)訓(xùn)練集并進(jìn)行缺損值的填充。 由于整個風(fēng)場占地面積較大，風(fēng)電機(jī)眾多，如果考慮到風(fēng)場地勢高低起伏的地理環(huán)境、風(fēng)電 機(jī)的紊流效應(yīng)以及季節(jié)對風(fēng)速風(fēng)向等影響因素，風(fēng)場中空間位置鄰近的風(fēng)電機(jī)，其測量風(fēng) 速很難保證強(qiáng)相關(guān)；相關(guān)系數(shù)法強(qiáng)調(diào)其線性相關(guān)性，而風(fēng)速具有強(qiáng)非線性特點，極大影響了 最終的填充效果，同時單一模型的穩(wěn)定性也欠佳，也影響了最終填充結(jié)果的可靠性。

【發(fā)明內(nèi)容】

[0005] 為了解決上述【背景技術(shù)】提出的技術(shù)問題，本發(fā)明旨在提供基于PSO-GRNN風(fēng)電場 風(fēng)電機(jī)缺損風(fēng)速值填充方法，針對以往單一填充模型穩(wěn)定性差的缺點，采用基于GRNN的神 經(jīng)網(wǎng)絡(luò)組合填充模型對各子模型的填充結(jié)果進(jìn)行動態(tài)組合，克服了傳統(tǒng)組合模型中子模型 權(quán)系數(shù)固定導(dǎo)致的組合模型效果欠佳的不足，同時設(shè)計了對于組合用GRNN最佳平滑系數(shù) 的確定方案，進(jìn)一步提高了最終的填充結(jié)果精度和穩(wěn)定性。
[0006] 為了實現(xiàn)上述技術(shù)目的，本發(fā)明的技術(shù)方案為：
[0007] 基于PSO-GRNN風(fēng)電場風(fēng)電機(jī)缺損風(fēng)速值填充方法，包括以下步驟：
[0008] (1)讀入風(fēng)電場中風(fēng)電機(jī)的原始采樣風(fēng)速集V = {v(#WTp, Tq), P = 1，2,…，S，q = 1，2,…，Z，其中，v(#WTp，Tq)表示風(fēng)電機(jī)#WTP在采樣點T q的測量風(fēng)速值，S為風(fēng)電機(jī)的總 數(shù)，Z為采樣點總數(shù)；在采樣區(qū)間[Tk~T J內(nèi)，從風(fēng)場內(nèi)采樣風(fēng)速完整的風(fēng)電機(jī)集#?!1中搜 索與缺損采樣風(fēng)速的風(fēng)電機(jī)SWT1風(fēng)速演化最相似的前η臺風(fēng)電機(jī)，其中，η為整數(shù)，T ,和T i 分別為采樣區(qū)間[IV-T1]的起始點和終止點，[IV-T1]的區(qū)間長度為Lmiss;
[0009] (2)確定GRNN填充子模型待優(yōu)化參數(shù)集以及評價此優(yōu)化參數(shù)集的適應(yīng)度函數(shù)；
[0010] (3)運用PSO算法優(yōu)化步驟⑵中待優(yōu)化的參數(shù)，建立GRNN填充子模型；
[0011] (4)確定GRNN組合神經(jīng)網(wǎng)絡(luò)平滑參數(shù)，對步驟（3)建立的GRNN填充子模型進(jìn)行 GRNN組合，生成最終的填充結(jié)果。
[0012] 進(jìn)一步地，在步驟（1)中，分別采用動態(tài)時間規(guī)整法、Pearson相關(guān)系數(shù)法和空間 近鄰法，從風(fēng)場內(nèi)采樣風(fēng)速完整的風(fēng)電機(jī)集#11~中搜索與缺損采樣風(fēng)速的風(fēng)電機(jī)#11' 1風(fēng)速 演化最相似的前η臺風(fēng)電機(jī)，具體過程如下：
[0013] 動態(tài)時間規(guī)整法，計算缺損采樣風(fēng)速的風(fēng)電機(jī)SWT1與風(fēng)電機(jī)集#WT中的每臺風(fēng)電 機(jī)對應(yīng)采樣區(qū)間[Tk T k J中風(fēng)速數(shù)據(jù)的DTW距離，取DTW距離最小的前η臺風(fēng)電機(jī)；
[0014] Pearson相關(guān)系數(shù)法，計算缺損采樣風(fēng)速的風(fēng)電機(jī)SWTi與風(fēng)電機(jī)集#WT中的每臺 風(fēng)電機(jī)對應(yīng)采樣區(qū)間[T k ^~T k J中風(fēng)速數(shù)據(jù)的相關(guān)系數(shù)R，取R最大的前η臺風(fēng)電機(jī)；
[0015] 空間近鄰法，計算缺損采樣風(fēng)速的風(fēng)電機(jī)SWT1與風(fēng)電機(jī)集#WT中的每臺風(fēng)電機(jī)的 大圓距離D，取D最小的前η臺風(fēng)電機(jī)；
[0016] 其中，Tk 和T k i分別為動態(tài)時間規(guī)整法和Pearson相關(guān)系數(shù)法中進(jìn)行風(fēng)速演化 相似性計算的采樣區(qū)間的起始點和終止點，[Tk ^~Tk J的區(qū)間長度為Len。
[0017] 進(jìn)一步地，步驟（2)的具體過程如下：
[0018] (a)以動態(tài)時間規(guī)整法生成的數(shù)據(jù)構(gòu)造 GRNN，待優(yōu)化的參數(shù)共有3個，分別為GRNN 輸入層向量維數(shù)I1、進(jìn)行演化相似性比較的風(fēng)速長度L1ARNN的平滑參數(shù)S1，此處I 1即為步 驟⑴中計算得到的缺損采樣風(fēng)速的風(fēng)電WttWT1與風(fēng)電機(jī)集#WT中的每臺風(fēng)電機(jī)對應(yīng)采 樣區(qū)間[T k ?Μ1~T k J中風(fēng)速數(shù)據(jù)的DTW距離最小的前I1臺風(fēng)電機(jī)，1彡I A n，L i= Len， 取一正整數(shù)m，以該I1臺風(fēng)電機(jī)在采樣區(qū)間[Tk ^llllss~Tk ^llss J的采樣風(fēng)速作為訓(xùn)練組輸 入數(shù)據(jù)，以SWT1在采樣區(qū)間[T k ^llllss~T k ^llss J的采樣風(fēng)速作為訓(xùn)練組目標(biāo)數(shù)據(jù)，以該I1 臺風(fēng)電機(jī)在采樣區(qū)間[Tk ^llss~Tk J的采樣風(fēng)速作為測試組輸入數(shù)據(jù)，以SWT1在采樣區(qū)間 [Tk u"ss~T k J的采樣風(fēng)速作為模擬填充用的測試組目標(biāo)數(shù)據(jù)，建立GRNN模型，它適應(yīng)度 函數(shù)為此訓(xùn)練組、測試組數(shù)據(jù)對于平滑參數(shù)為GRNN的模擬填充結(jié)果的均方誤差MSE_ DTff ；
[0019] (b)以Pearson相關(guān)系數(shù)法生成的訓(xùn)練組數(shù)據(jù)構(gòu)造 GRNN，待優(yōu)化的參數(shù)共有3個， 分別為GRNN輸入層向量維數(shù)I2、進(jìn)行演化相似性比較的風(fēng)速長度L 2、GRNN的平滑參數(shù)S2， 此處12即為步驟（1)中計算得到的計算缺損采樣風(fēng)速的風(fēng)電機(jī)SWT 1與風(fēng)電機(jī)集#WT中的 每臺風(fēng)電機(jī)對應(yīng)采樣區(qū)間[Tk ^~Tk J中風(fēng)速數(shù)據(jù)的相關(guān)系數(shù)R最大的前I2臺風(fēng)電機(jī)， 1彡12彡n，L 2= Len，取一正整數(shù)m，以該12臺風(fēng)電機(jī)在采樣區(qū)間[T k mWjlliss~T k ^iss J的 采樣風(fēng)速作為訓(xùn)練組輸入數(shù)據(jù)，以SWT1在采樣區(qū)間[Tk Tk ^llss J的采樣風(fēng)速作為訓(xùn) 練組目標(biāo)數(shù)據(jù)；以該I2臺風(fēng)電機(jī)在采樣區(qū)間[TkUluss~Tkl]的采樣風(fēng)速作為測試組輸入數(shù) 據(jù)，以SWT1在采樣區(qū)間[Tkbluss~Tkl]的采樣風(fēng)速作為模擬填充用的測試組目標(biāo)數(shù)據(jù)，建立 GRNN模型，它的適應(yīng)度函數(shù)為此訓(xùn)練組、測試組數(shù)據(jù)對于平滑參數(shù)為&的GRNN的模擬填充 結(jié)果的均方誤差MSE_PCC ;
[0020] (C)以空間近鄰法生成的訓(xùn)練組數(shù)據(jù)構(gòu)造 GRNN，待優(yōu)化的參數(shù)共有2個，分別為 GRNN輸入層向量維數(shù)IjPGRNN的平滑參數(shù)S3，此處I3為步驟（1)中計算得到的缺損采樣 風(fēng)速的風(fēng)電機(jī)SWT 1與風(fēng)電機(jī)集#WT中的每臺風(fēng)電機(jī)的大圓距離D最小的前I 3臺風(fēng)電機(jī)， 1彡13彡n，L 3= Len，取一正整數(shù)m，以該13臺風(fēng)電機(jī)在采樣區(qū)間[T k mWjlliss~T k ^iss J的 采樣風(fēng)速作為訓(xùn)練組輸入數(shù)據(jù)，以SWT1在采樣區(qū)間[Tk Tk ^llss J的采樣風(fēng)速作為訓(xùn) 練組目標(biāo)數(shù)據(jù)，以該I3臺風(fēng)電機(jī)在采樣區(qū)間[TkUluss~Tkl]的采樣風(fēng)速作為測試組輸入數(shù) 據(jù)，以SWT1在采樣區(qū)間[Tkbluss~Tkl]的采樣風(fēng)速作為模擬填充用的測試組目標(biāo)數(shù)據(jù)，建立 GRNN模型，它的適應(yīng)度函數(shù)為此訓(xùn)練組、測試組數(shù)據(jù)對于平滑參數(shù)為&的GRNN的模擬填充 結(jié)果的均方誤差MSE_SPA。
[0021] 進(jìn)一步地，步驟（3)的具體過程如下：
[0022] (A)采用PSO算法對MSE_DTW求最小，進(jìn)行迭代尋優(yōu)，當(dāng)達(dá)到迭代終止條件時，獲 得以動態(tài)時間規(guī)整法生成的訓(xùn)練組數(shù)據(jù)構(gòu)造 GRNN的最優(yōu)參數(shù)，分別為I_DTW、1^^￥和S_ DTW，建立第1個GRNN填充子模型；
[0023] ⑶采用PSO算法對MSE_PCC求最小，進(jìn)行迭代尋優(yōu)，當(dāng)達(dá)到迭代終止條件時，獲 得以Pearson相關(guān)系數(shù)法生成的訓(xùn)練組數(shù)據(jù)構(gòu)造 GRNN的最優(yōu)參數(shù)，分別為I_PCC、L_PCC和 S_PCC，建立第2個GRNN填充子模型；
[0024] (C)采用PSO算法對MSE_SPA求最小，進(jìn)行迭代尋優(yōu)，當(dāng)達(dá)到迭代終止條件時，獲 得以空間近鄰法生成的訓(xùn)練組數(shù)據(jù)構(gòu)造 GRNN的最優(yōu)參數(shù)，分別為I_SPA和S_SPA，建立第3 個GRNN填充子模型。
[0025] 進(jìn)一步地，步驟（4)的具體過程如下：
[0026] ( I )以建立好的3個GRNN填充子模型分別在采樣區(qū)間[Tk ^llllss~T k ^llss J內(nèi) 對風(fēng)電機(jī)滯T1的模擬輸出作為訓(xùn)練組輸入數(shù)據(jù)，以滯T i在采樣區(qū)間[Tk Tk ^llss J內(nèi) 的采樣風(fēng)速作為訓(xùn)練組目標(biāo)數(shù)據(jù)，以各GRNN填充子模型分別在采樣區(qū)間[Tk ^llss~Tk J內(nèi) 的模擬結(jié)果作為測試組輸入數(shù)據(jù)，以SWT1在采樣區(qū)間[Tk ^llss~Tk J內(nèi)的采樣風(fēng)速作為測 試組目標(biāo)數(shù)據(jù)，建立GRNN模型，采用交叉驗證法，以針對測試組目標(biāo)數(shù)據(jù)的均方誤差最小 為衡量標(biāo)準(zhǔn)，確定GRNN組合神經(jīng)網(wǎng)絡(luò)的最佳平滑參數(shù)S。；
[0027] ( II )以建立好的3個GRNN填充子模型分別在采樣區(qū)間[Tk ^nilss~T k J內(nèi)對風(fēng) 電機(jī)SWT1的模擬輸出作為訓(xùn)練組輸入數(shù)據(jù)，以#WT i在采樣區(qū)