本發(fā)明涉及風(fēng)電功率預(yù)測方法，具體涉及一種基于健康評估的優(yōu)化神經(jīng)網(wǎng)絡(luò)風(fēng)電功率預(yù)測方法。

背景技術(shù)：

1、風(fēng)能的波動性，造成風(fēng)電的不穩(wěn)定，并網(wǎng)后影響電網(wǎng)運(yùn)行。為了保障電網(wǎng)安全，需要進(jìn)行風(fēng)電功率預(yù)測并及時(shí)調(diào)控。

2、對于風(fēng)電功率預(yù)測這一技術(shù)，國際上已經(jīng)有了較多的研究，大致上可分為兩種：物理模型和統(tǒng)計(jì)模型。其中，構(gòu)建物理模型較為復(fù)雜，且模型因?yàn)槭艿江h(huán)境因素，氣候因素以及風(fēng)機(jī)自身的狀態(tài)信息等的影響，難以對風(fēng)電功率構(gòu)建合理有效的預(yù)測模型且無法保證穩(wěn)定的預(yù)測精度，因此，基于統(tǒng)計(jì)分析構(gòu)建的模型在風(fēng)電功率預(yù)測過程中運(yùn)用較為廣泛。早期風(fēng)電功率預(yù)測，常使用數(shù)值天氣預(yù)報(bào)(numerical?weather?prediction，nwp)和功率曲線圖等方法。由于nwp測量精度不高，傳輸延時(shí)較大，方法的預(yù)測精度不高。功率曲線圖來源于風(fēng)機(jī)工況，當(dāng)環(huán)境變化影響風(fēng)機(jī)運(yùn)行，造成實(shí)際功率偏離額定功率，預(yù)測精度降低。

3、為提高精度，常使用神經(jīng)網(wǎng)絡(luò)進(jìn)行功率預(yù)測。神經(jīng)網(wǎng)絡(luò)使用歷史數(shù)據(jù)訓(xùn)練網(wǎng)絡(luò)模型，

4、預(yù)測風(fēng)電功率，對比同類方法，預(yù)測性能提升明顯，但存在預(yù)測速度慢，數(shù)據(jù)成本高等問題。尋找高效優(yōu)化方法，提升神經(jīng)網(wǎng)絡(luò)預(yù)測性能，成為近年來研究熱點(diǎn)。優(yōu)化算法可增強(qiáng)網(wǎng)絡(luò)能力，同時(shí)提高預(yù)測速度和精度。目前，大部分優(yōu)化算法只能單獨(dú)提升精度或速度，效果不理想。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明要解決的技術(shù)問題就在于：本發(fā)明提供一種基于健康評估的優(yōu)化神經(jīng)網(wǎng)絡(luò)風(fēng)電功率預(yù)測方法，通過健康評估，得到風(fēng)機(jī)健康矩陣，改進(jìn)功率權(quán)重計(jì)算方法，調(diào)整網(wǎng)絡(luò)預(yù)測策略，可同時(shí)提升預(yù)測精度與速度。

2、為解決上述技術(shù)問題，本發(fā)明提出的技術(shù)方案為：

3、一種基于健康評估的優(yōu)化神經(jīng)網(wǎng)絡(luò)風(fēng)電功率預(yù)測方法，包括以下步驟：

4、步驟s1，獲取風(fēng)機(jī)數(shù)據(jù)，進(jìn)行健康評估構(gòu)建健康矩陣；

5、步驟s2，根據(jù)步驟s1的健康矩陣，計(jì)算改進(jìn)功率權(quán)重，將矩陣近似超參數(shù)，作為wsa起始值，加速svr尋優(yōu)流程，利用神經(jīng)網(wǎng)絡(luò)優(yōu)化預(yù)測功率。

6、作為上述技術(shù)方案的進(jìn)一步改進(jìn)為：

7、優(yōu)選地，所述步驟s1構(gòu)建健康矩陣的過程為：

8、s1-1，數(shù)據(jù)采集：采集風(fēng)速、溫度、壓力、轉(zhuǎn)速、功率等風(fēng)機(jī)數(shù)據(jù)；

9、s1-2，數(shù)據(jù)清洗：針對數(shù)據(jù)缺失值、異常值、噪聲，進(jìn)行數(shù)據(jù)清洗，提高數(shù)據(jù)可靠性；

10、s1-3，特征篩選：從清洗后的數(shù)據(jù)中，篩選出特征數(shù)據(jù)，得到神經(jīng)網(wǎng)絡(luò)的近似超參數(shù)，以及健康矩陣的維度；

11、s1-4，狀態(tài)分類：通過特征數(shù)據(jù)，計(jì)算發(fā)電效率，劃分風(fēng)機(jī)狀態(tài)類別；

12、s1-5，矩陣生成：將同類狀態(tài)的發(fā)電效率，按照數(shù)值高低排列成矩陣。

13、優(yōu)選地，所述步驟s1中，健康矩陣a，為：

14、an×n＝qn×1v1×n

15、式中，n是健康矩陣維度，qn×1為效率矩陣，v1×n為功率的特征相關(guān)矩陣。

16、優(yōu)選地，所述步驟s2中，得到原始預(yù)測功率的方法為：

17、首先，得到權(quán)重矩陣cn×1，即：

18、cn×1＝an×nbn×1

19、式中，bn×1為特征矩陣；

20、然后，將原始預(yù)測功率pi，擴(kuò)充為功率矩陣d1×n，即：

21、d1×n＝【pi?pi?···?pi】

22、接著，集合d與c，得到重構(gòu)預(yù)測功率即：

23、

24、式中，λ與特征數(shù)據(jù)、風(fēng)機(jī)工況有關(guān)，取值0.01～0.1。

25、優(yōu)選地，所述改進(jìn)功率權(quán)重計(jì)算公式為：

26、δω＝α×δ×xi

27、式中，δω表示權(quán)重的變化量，α是學(xué)習(xí)率，δ是當(dāng)前節(jié)點(diǎn)的誤差，xi是當(dāng)前節(jié)點(diǎn)的輸入。

28、優(yōu)選地，加速svr尋優(yōu)流程的方法為：

29、假設(shè)第i個(gè)數(shù)據(jù)的輸入為xi，輸出為yi，預(yù)測值為f(xi)，定義誤差變量ei，表示實(shí)際值和預(yù)測值之間的差距，即：

30、ei＝f(xi)-yi

31、最小化誤差平方和的同時(shí)，限制每個(gè)ei不超過給定閾值ε，得到約束條件為：

32、minimize:0.5×ωt×ω+t1×∑ei

33、subject:|ei|≤ε,i＝1,2,…,n

34、式中，ω是功率權(quán)重，與權(quán)重矩陣c元素相同，t1是正則化參數(shù)，ωt為ω的轉(zhuǎn)置，采用wsa算法對t1進(jìn)行尋優(yōu)；

35、svr預(yù)測值為：

36、f(xi)＝∑αi×k(xi,x)+ei

37、式中，αi是拉格朗日乘子，由svr求解拉格朗日函數(shù)方程得到；k(xi,x)表示內(nèi)積核函數(shù)，ei誤差變量。

38、本發(fā)明提供的基于健康評估的優(yōu)化神經(jīng)網(wǎng)絡(luò)風(fēng)電功率預(yù)測方法，與現(xiàn)有技術(shù)相比，有以下優(yōu)點(diǎn)：

39、本發(fā)明的基于健康評估的優(yōu)化神經(jīng)網(wǎng)絡(luò)風(fēng)電功率預(yù)測方法，通過健康評估優(yōu)化神經(jīng)網(wǎng)絡(luò)，提高預(yù)測精度和速度。首先，基于風(fēng)機(jī)數(shù)據(jù)，進(jìn)行健康評估，得到健康矩陣。然后，通過矩陣的權(quán)重計(jì)算結(jié)果，優(yōu)化網(wǎng)絡(luò)預(yù)測策略。接著，利用矩陣近似超參數(shù)，加速尋優(yōu)過程。最后，使用優(yōu)化的bp、wsa-svr神經(jīng)網(wǎng)絡(luò)，進(jìn)行風(fēng)電功率預(yù)測，同時(shí)提升了預(yù)測精度與速度。

技術(shù)特征：

1.一種基于健康評估的優(yōu)化神經(jīng)網(wǎng)絡(luò)風(fēng)電功率預(yù)測方法，其特征在于，包括以下步驟：

2.根據(jù)權(quán)利要求1所述的基于健康評估的優(yōu)化神經(jīng)網(wǎng)絡(luò)風(fēng)電功率預(yù)測方法，其特征在于，所述步驟s1構(gòu)建健康矩陣的過程為：

3.根據(jù)權(quán)利要求2所述的基于健康評估的優(yōu)化神經(jīng)網(wǎng)絡(luò)風(fēng)電功率預(yù)測方法，其特征在于，所述步驟s1中，健康矩陣a，為：

4.根據(jù)權(quán)利要求3所述的基于健康評估的優(yōu)化神經(jīng)網(wǎng)絡(luò)風(fēng)電功率預(yù)測方法，其特征在于，所述步驟s2中，得到原始預(yù)測功率的方法為：

5.根據(jù)權(quán)利要求4所述的基于健康評估的優(yōu)化神經(jīng)網(wǎng)絡(luò)風(fēng)電功率預(yù)測方法，其特征在于，所述改進(jìn)功率權(quán)重計(jì)算公式為：

6.根據(jù)權(quán)利要求4所述的基于健康評估的優(yōu)化神經(jīng)網(wǎng)絡(luò)風(fēng)電功率預(yù)測方法，其特征在于，所述加速svr尋優(yōu)流程的方法為：

技術(shù)總結(jié)
本發(fā)明公開了一種基于健康評估的優(yōu)化神經(jīng)網(wǎng)絡(luò)風(fēng)電功率預(yù)測方法，涉及風(fēng)電功率預(yù)測方法技術(shù)領(lǐng)域，所述預(yù)測方法包括以下步驟：步驟S1，獲取風(fēng)機(jī)數(shù)據(jù)，進(jìn)行健康評估構(gòu)建健康矩陣；步驟S2，根據(jù)步驟S1的健康矩陣，計(jì)算改進(jìn)功率權(quán)重，將矩陣近似超參數(shù)，作為WSA起始值，加速SVR尋優(yōu)流程，利用神經(jīng)網(wǎng)絡(luò)優(yōu)化預(yù)測功率。本發(fā)明的基于健康評估的優(yōu)化神經(jīng)網(wǎng)絡(luò)風(fēng)電功率預(yù)測方法，首先，基于風(fēng)機(jī)數(shù)據(jù)，進(jìn)行健康評估，得到健康矩陣；然后，通過矩陣的權(quán)重計(jì)算結(jié)果，優(yōu)化網(wǎng)絡(luò)預(yù)測策略；接著，利用矩陣近似超參數(shù)，加速尋優(yōu)過程；最后，使用優(yōu)化的BP、WSA?SVR神經(jīng)網(wǎng)絡(luò)，進(jìn)行風(fēng)電功率預(yù)測，同時(shí)提升了預(yù)測精度與速度。

技術(shù)研發(fā)人員：黃峰,謝鑫,游紅,彭游源,周文娟,曾冰
受保護(hù)的技術(shù)使用者：湖南工程學(xué)院
技術(shù)研發(fā)日：
技術(shù)公布日：2024/12/23