一种风电场短期风速预测方法与流程

1.本发明涉及风速预测技术领域，具体涉及一种风电场短期风速预测方法。


背景技术：

2.随着近几年新能源行业的大力发展，风电装机容量占比不断提高，截止2019年，全国风力发电并网容量达到21005万千瓦，增长14％，占全部容量的10.45％。风力发电出力具有随机性强的特点，随着并网容量占比的不断提升，所需要的调峰调频容量也随之提高，近年来，电网实施的“两个细则”考核，提出了对风力发电的功率预测要求，实现对风电场出力的精准预测，风速的预测是关键。通过对短期风速的精准预测，进而得到准确的功率预测值，减少风电场应对“两个细则”要求的考核，提高电网整体运行水平和优化调度能力。
3.风速预测所用的算法主要由时间序列、支持向量机、小波神经网络、人工神经网络等，单一使用某种算法进行风速预测时，误差常达到25％～40％，预测精度低，因此通常使用组合算法进行风速预测，以提高预测精度，为此，我们提出一种风电场短期风速预测方法。


技术实现要素：

4.本发明的目的在于克服现有技术中存在的上述问题，提供一种风电场短期风速预测方法，采用小波分解、混合蛙跳算法与人工神经网络进行组合，通过风速数据的小波多层分解，降低分辨率，改善风速量的波动性，利用混合蛙跳算法的遍历性强、不易陷入局部最优的特点，改进人工神经网络权值与阈值的寻优，通过对各层风速分解量进行神经网络权值与阈值优化，分别预测，以达到提高风速预测精度的目的。
5.为实现上述技术目的，达到上述技术效果，本发明是通过以下技术方案实现：
6.一种风电场短期风速预测方法，包括以下步骤：
7.s1：获取风电场测风塔基本信息；
8.s2：对于一定时段的风速数据，利用小波分解工具进行多层分解；
9.s3：基于改进差分混合蛙跳
‑
神经网络算法建立测风数据预测模型，将经小波分解算法得到的各分量分为训练样本与测试样本，分别经所建模型进行模型训练与神经网络权值与阈值参数优化；
10.s4：利用拟合样本数据，利用所建模型分层进行预测，后进行预测风速数据重构，与拟合数据进行对比，检验风速预测模型可靠性。
11.优选地，本发明所述的一种风电场短期风速预测方法，所述步骤s1具体过程包括：
12.s101：收集风电场装机容量、场址、风机选型测风塔位置、实测各通道风速风向、场地气象环境数据。
13.优选地，本发明所述的一种风电场短期风速预测方法，所述步骤s2具体过程包括：
14.s201：利用小波分解算法进行风速数据的多层分解，得到高频分量与低频分量，选择合适的小波分解函数与分解层数p；
15.s202：基于选择的小波分解函数与确定的分解层数，计算得到低频分量v
a
，高频分量v
d1
，v
d2
...v
d(p
‑
1)
。
16.优选地，本发明所述的一种风电场短期风速预测方法，所述步骤s3具体过程包括：
17.s301：确定神经网络为三层拓扑结构，输入层、隐含层、输出层神经元数量分别为m、n、q个，设置人工神经网络训练迭代次数t，学习率lr，最小目标误差er；
18.s302：确定染色体，包括输入隐含层权值w1、隐含阈值b1、隐含输出层权值w2、输出阈值b2，其基因数量分别为m*n、n、n*q、q，共同组成一条染色体，基因总数为d；
19.s303：确定混合蛙跳算法中蛙群个体数量p，子种群数量l，子种群迭代寻优次数s，全局混合迭代寻优次数g，每个子种群中蛙群个体数量为f＝p/l，个体x
i
＝(x1,x2,...,x
d
)，i∈p，种群x＝(x1,x2,...,x
p
)，个体x
i
按照随机概率在[
‑
r,r]间生成；
[0020]
s304：计算每个个体的适应度值，按照升序或者降序统一排序，进行子种群个体排序，将第一只青蛙分配到第一个子种群中，第二个青蛙分配到第二个子种群中，以此类推，将所有个体划分为个子种群，形成子种群个体序列x
i
＝(x
i1
,x
i2
,...,x
if
)，i∈l，进行各子种群内部局部搜索更新，待满足子种群更新条件后，所有个体混合，按照适应度值进行排序分配，进行子种群更新寻优，周而复始，完成全局循环更新后输出最优个体；
[0021]
s305：将最优个体中权值与阈值分别赋予人工神经网络结构，完成人工神经网络拓扑结构建模。
[0022]
优选地，本发明所述的一种风电场短期风速预测方法，所述步骤s304具体过程包括：
[0023]
s3041：将s2中经小波分解算法得到的高频与低频分量作为训练数据与测试数据，参与模型的训练进化；计算种群个体x
i
的适应度值公式为：
[0024][0025]
式中：v
ture
为测风塔时段实测风速值，f
net
(x
i
)为人工神经网络同时段预测风速值，j∈r，为该时段内风速数据样本个数，f(x
i
)越小表示个体x
i
越优秀；
[0026]
s3042：子种群内部搜索更新机制，采用差分进化算法(difference evolution，de)进行改进，替换原有的子种群搜索更新机制，de中特有的进化策略使得算法具有针对较优个体的记忆能力，促使较差个体迅速向最优个体靠拢，具有较强的全局收敛性和鲁棒性；
[0027]
具体包括变异、交叉、选择三种操作。
[0028]
优选地，本发明所述的一种风电场短期风速预测方法，所述步骤s3042具体包括以下内容：
[0029]
s3042a：变异操作，通过把子种群中随机三个个体向量中两个向量的加权差向量加到第三个个体向量上得到变异个体，公式如下：
[0030][0031]
式中：为在子种群第t次迭代中随机选择的3个个体，i1≠i2≠i3，f为差分矢量缩放因子；
[0032]
s3042b：由于差分算法在改进混合蛙跳算法中充当局部搜索的角色，因此，对上式提出改进措施，如下式所示：
[0033][0034]
式中：x
best
(t)为子种群中最优个体，为子种群中随机选择的两个个体，i1≠i2，f
i
同上；
[0035]
式(1
‑
3)中f为介于[0，2]的实数型常量因子，参数f的大小与差分矢量对变异个体的影响强弱有着紧密关系，当取值f较大时，生成的变异个体与当前个体差异较大，有助于保持种群的多样性和跳出局部最优，加快全局收敛；当f取值较小时，生成的变异个体与当前个体差异较小，使得de围绕最优解精细化搜索，有利于局部搜索和加速收敛；基于f的这一特性，设计f动态变化策略，使得f随着混合蛙跳算法全局迭代次数的逐渐增加而逐渐减小，如下所示：
[0036][0037]
式中：f
max
为f最大取值，f
min
为f最小取值，gen为混合蛙跳算法全局迭代次数，i＝1,2,...,gen；
[0038]
s3042c：交叉操作，通过将目标个体与变异个体按照一定概率交换向量元素的方式产生试验个体，以此增加种群个体的多样性；
[0039]
本文采用二项式交叉方法实现交叉操作，根据独立的bernoulli实验确定变异个体v
i
(t)和目标个体x
i
(t)中不同部位上元素进入到试验个体u
i
中，依据下面公式生成试验个体u
i
＝{u
i1
,u
i2
,...,u
id
}；
[0040]
公式如下：
[0041][0042]
式中：cr∈[0,1]，为杂交概率，控制变异个体和目标个体对试验个体的影响程度，rand1是[0,1]之间的随机数，rand2是[1,d]之间的随机整数，j＝rand2保证u
ij
中至少从变异个体中继承一个元素，确保试验个体与变异个体的差异性；
[0043]
交叉概率cr的取值大小对de的影响与参数f类似，当cr去取值较大时，交叉个体与变异个体差异较大，有助于算法未知空间的拓展；当cr取值较小时，交叉个体与变异个体差异较小，当算法迭代后期时，较小的cr利于保证具有良好向量因子的个体免遭过多的破坏，加快算法收敛；
[0044]
采用如下方法使得cr随进化代数线性变化：
[0045][0046]
式中：cr
max
为cr最大取值，cr
min
为cr最小取值，其余同上；
[0047]
s3042d：选择操作，基于适者生存的贪婪选择机制，将执行变异、交叉操作生产的个体，与子种群当前适应度值最差个体进行比较，若新个体适应度值优于当前最差个体，则进行替换，开始下一次子种群迭代更新；否则，重新进行变异与交叉操作，重复上述操作，进行适应度值比较，优选最佳个体进入下一次子种群迭代更新，若重复n次后仍未产生较佳个体，则随机选择变异、交叉个体进入下一次子种群迭代更新。
[0048]
优选地，本发明所述的一种风电场短期风速预测方法，所述步骤s4具体内容包括：
[0049]
s401：以低频分量v
a
为例，经模型进行神经网络初始权值与阈值寻优计算，完成模型构建，输入测试；
[0050]
基于已完成权值、阈值参数优化，并完成建模的人工神经网络结构，利用拟合数据进行风速数据短期预测；
[0051]
s402：将拟合样本数据输入风速预测模型，经过运算后得到输出样本数据；
[0052]
s403：以此类推，分别完成剩余高频分量v
d1
，v
d2
...v
d(p
‑
1)
的输入与预测数据输出，将输出的各高频分量与低频分量重构成风速数据，将输出样本数据与同期实测风速数据进行对比分析，计算并评价拟合效果；采用平均绝对百分比误差、均方根误差指标进行计算，公式如下：
[0053][0054][0055]
与现有技术相比，本发明的有益效果如下：
[0056]
第一：采用人工神经网络算法进行风速数据的预测，更好的利用了人工神经网络算法鲁棒性、自学习、自适应特性，具有更好的风速数据预测精度。
[0057]
第二：基于人工神经网络自学习易陷入局部最优的问题，引入混合蛙跳算法进行输入层、隐含层、输出层的权值与阈值寻优，较好的解决了人工神经网络易陷入局部最优的问题，提高了人工神经网络模型训练的效率与拟合精度。
[0058]
第三：将差分算法引入混合蛙跳算法子种群迭代寻优过程，并对变异、交叉策略进行适当改进，特有的进化策略使得算法具有针对较优个体的记忆能力，促使较差个体迅速向最优个体靠拢，使其具有自适应、较强的全局收敛能力和鲁棒性的特点，使得新算法具有较优的收敛速度与精度。
[0059]
当然，实施本发明的任一产品并不一定需要同时达到以上所述的所有优点。
附图说明
[0060]
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0061]
图1为本发明的基于混合蛙跳差分算法改进的人工神经网络算法流程图；
[0062]
图2为本发明的de算法选择操作流程图；
[0063]
图3为本发明的原始风速数据；
[0064]
图4为本发明的原始风速数据小波分解分量；
[0065]
图5为本发明的预测数据与实测数据拟合与相对误差过程线。
具体实施方式
[0066]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
[0067]
实施例1
[0068]
请参阅图1
‑
5所示，一种风电场短期风速预测方法，包括以下步骤：
[0069]
s1：获取风电场测风塔基本信息
[0070]
具体过程包括：s101：收集风电场装机容量、场址、风机选型测风塔位置、实测各通道风速风向、场地气象环境数据；
[0071]
s2：对于一定时段的风速数据，利用小波分解工具进行多层分解；
[0072]
具体过程包括：
[0073]
s201：利用小波分解算法进行风速数据的多层分解，得到高频分量与低频分量，选择合适的小波分解函数与分解层数p；
[0074]
s202：基于选择的小波分解函数与确定的分解层数，计算得到低频分量v
a
，高频分量v
d1
，v
d2
...v
d(p
‑
1)
；
[0075]
s3：基于改进差分混合蛙跳
‑
神经网络算法建立测风数据预测模型，将经小波分解算法得到的各分量分为训练样本与测试样本，分别经所建模型进行模型训练与神经网络权值与阈值参数优化；
[0076]
具体过程包括：
[0077]
s301：确定神经网络为三层拓扑结构，输入层、隐含层、输出层神经元数量分别为m、n、q个，设置人工神经网络训练迭代次数t，学习率lr，最小目标误差er；
[0078]
s302：确定染色体，包括输入隐含层权值w1、隐含阈值b1、隐含输出层权值w2、输出阈值b2，其基因数量分别为m*n、n、n*q、q，共同组成一条染色体，基因总数为d；
[0079]
s303：确定混合蛙跳算法中蛙群个体数量p，子种群数量l，子种群迭代寻优次数s，全局混合迭代寻优次数g，每个子种群中蛙群个体数量为f＝p/l，个体x
i
＝(x1,x2,...,x
d
)，i∈p，种群x＝(x1,x2,...,x
p
)，个体x
i
按照随机概率在[
‑
r,r]间生成；
[0080]
s304：计算每个个体的适应度值，按照升序或者降序统一排序，进行子种群个体排序，将第一只青蛙分配到第一个子种群中，第二个青蛙分配到第二个子种群中，以此类推，将所有个体划分为个子种群，形成子种群个体序列x
i
＝(x
i1
,x
i2
,...,x
if
)，i∈l，进行各子种群内部局部搜索更新，待满足子种群更新条件后，所有个体混合，按照适应度值进行排序分配，进行子种群更新寻优，周而复始，完成全局循环更新后输出最优个体；
[0081]
步骤s304具体过程包括：
[0082]
s3041：将s2中经小波分解算法得到的高频与低频分量作为训练数据与测试数据，参与模型的训练进化；计算种群个体x
i
的适应度值公式为：
[0083][0084]
式中：v
ture
为测风塔时段实测风速值，f
net
(x
i
)为人工神经网络同时段预测风速值，j∈r，为该时段内风速数据样本个数，f(x
i
)越小表示个体x
i
越优秀；
[0085]
s3042：子种群内部搜索更新机制，采用差分进化算法(difference evolution，de)进行改进，替换原有的子种群搜索更新机制，de中特有的进化策略使得算法具有针对较优个体的记忆能力，促使较差个体迅速向最优个体靠拢，具有较强的全局收敛性和鲁棒性；
[0086]
具体包括变异、交叉、选择三种操作：
[0087]
具体包括：
[0088]
s3042a：变异操作，通过把子种群中随机三个个体向量中两个向量的加权差向量加到第三个个体向量上得到变异个体，公式如下：
[0089][0090]
式中：为在子种群第t次迭代中随机选择的3个个体，i1≠i2≠i3，f为差分矢量缩放因子；
[0091]
s3042b：由于差分算法在改进混合蛙跳算法中充当局部搜索的角色，因此，对上式提出改进措施，如下式所示：
[0092][0093]
式中：x
best
(t)为子种群中最优个体，为子种群中随机选择的两个个体，i1≠i2，f
i
同上；
[0094]
式(1
‑
3)中f为介于[0，2]的实数型常量因子，参数f的大小与差分矢量对变异个体的影响强弱有着紧密关系，当取值f较大时，生成的变异个体与当前个体差异较大，有助于保持种群的多样性和跳出局部最优，加快全局收敛；当f取值较小时，生成的变异个体与当前个体差异较小，使得de围绕最优解精细化搜索，有利于局部搜索和加速收敛；基于f的这一特性，设计f动态变化策略，使得f随着混合蛙跳算法全局迭代次数的逐渐增加而逐渐减小，如下所示：
[0095][0096]
式中：f
max
为f最大取值，f
min
为f最小取值，gen为混合蛙跳算法全局迭代次数，i＝1,2,...,gen；
[0097]
s3042c：交叉操作，通过将目标个体与变异个体按照一定概率交换向量元素的方式产生试验个体，以此增加种群个体的多样性；
[0098]
本文采用二项式交叉方法实现交叉操作，根据独立的bernoulli实验确定变异个体v
i
(t)和目标个体x
i
(t)中不同部位上元素进入到试验个体u
i
中，依据下面公式生成试验个体u
i
＝{u
i1
,u
i2
,...,u
id
}；
[0099]
公式如下：
[0100][0101]
式中：cr∈[0,1]，为杂交概率，控制变异个体和目标个体对试验个体的影响程度，rand1是[0,1]之间的随机数，rand2是[1,d]之间的随机整数，j＝rand2保证u
ij
中至少从变异个体中继承一个元素，确保试验个体与变异个体的差异性；
[0102]
交叉概率cr的取值大小对de的影响与参数f类似，当cr去取值较大时，交叉个体与
变异个体差异较大，有助于算法未知空间的拓展；当cr取值较小时，交叉个体与变异个体差异较小，当算法迭代后期时，较小的cr利于保证具有良好向量因子的个体免遭过多的破坏，加快算法收敛；
[0103]
采用如下方法使得cr随进化代数线性变化：
[0104][0105]
式中：cr
max
为cr最大取值，cr
min
为cr最小取值，其余同上；
[0106]
s3042d：选择操作，基于适者生存的贪婪选择机制，将执行变异、交叉操作生产的个体，与子种群当前适应度值最差个体进行比较，若新个体适应度值优于当前最差个体，则进行替换，开始下一次子种群迭代更新；否则，重新进行变异与交叉操作，重复上述操作，进行适应度值比较，优选最佳个体进入下一次子种群迭代更新，若重复n次后仍未产生较佳个体，则随机选择变异、交叉个体进入下一次子种群迭代更新；
[0107]
s305：将最优个体中权值与阈值分别赋予人工神经网络结构，完成人工神经网络拓扑结构建模；
[0108]
s4：利用拟合样本数据，利用所建模型分层进行预测，后进行预测风速数据重构，与拟合数据进行对比，检验风速预测模型可靠性：
[0109]
步骤s4具体过程包括：
[0110]
s401：以低频分量v
a
为例，经模型进行神经网络初始权值与阈值寻优计算，完成模型构建，输入测试；
[0111]
基于已完成权值、阈值参数优化，并完成建模的人工神经网络结构，利用拟合数据进行风速数据短期预测；
[0112]
s402：将拟合样本数据输入风速预测模型，经过运算后得到输出样本数据；
[0113]
s403：以此类推，分别完成剩余高频分量v
d1
，v
d2
...v
d(p
‑
1)
的输入与预测数据输出，将输出的各高频分量与低频分量重构成风速数据，将输出样本数据与同期实测风速数据进行对比分析，计算并评价拟合效果；采用平均绝对百分比误差、均方根误差指标进行计算，公式如下：
[0114][0115][0116]
实施例2
[0117]
请参阅图1
‑
5所示，一种风电场短期风速预测方法，包括以下步骤：
[0118]
s1：获取风电场测风塔基本信息，采用激光雷达进行测风，获取该测风塔2019
‑6‑
27，0：00至2019
‑6‑
27，23:50，90m高度处实测风速数据，采样频率为10min，数据点共380个，其中前350个数据点为训练样本，剩余30个数据点为拟合样本。
[0119]
s2：选择小波分解算法db3，将样本数据分解为低频分量v
a
与高频分量v
d1
，v
d2
，v
d3
。
[0120]
s3：基于混合蛙跳算法，优化人工神经网络参数设置，引入差分算法改进混合蛙跳算法子种群寻优机制，建立测风数据插补模型；
[0121]
具体的，步骤s3包括以下内容：
[0122]
s301：确定人工神经网络隐含层神经元数量，经过反复试验，隐含层神经元数量为5，人工神经网络训练迭代次数t＝100，学习率lr＝0.1，最小目标误差er＝0.0001；
[0123]
s302：输入隐含层权值w1、隐含阈值b1、隐含输出层权值w2、输出阈值b2分别为1、5、5、1，蛙群个体向量包括16个元素，构成个体向量；
[0124]
s303：设置混合蛙跳算法蛙群个体数量为p＝100，子种群数量l＝10，子种群迭代寻优次数s＝20，全局混合迭代寻优次数g＝100，每个子种群青蛙个体f＝10，按照随机概率在(
‑
1，1)之间生成；
[0125]
s304：首先对全部种群个体进行初始适应度值计算按照适应度值由小到大进行排序，将第一只青蛙个体分配至第一个子种群，将第二只青蛙个体分配至第二个子种群，以此类推，共将100只青蛙个体分配至10个子种群，每个子种群中个体数量为10，进行子种群内部寻优迭代；
[0126]
具体的，步骤s304包括以下内容：
[0127]
a、采用差分进化算法代替原有的混合蛙跳算法子种群迭代寻优机制，包括变异、交叉和选择三种操作。设置差分缩放矢量因子f∈[0.6,0.8]，杂交概率因子cr∈[0.3,0.45]，f与cr随着全局迭代次数的增加逐渐减小；
[0128]
b、在10个子种群内部分别按照变异、交叉、选择操作进行新个体产生与适应度值比较，优选优秀青蛙个体更新子种群；
[0129]
c、当所有子种群内部寻优迭代全部完成后，混合所有青蛙个体，重新计算适应度值、排序与分配，开始第二轮全局迭代，当满足全局迭代次数时，结束程序；
[0130]
s305：将最优青蛙个体中权值与阈值赋予人工神经网络结构，完成人工神经网络拓扑结构建模。
[0131]
s4：完成人工神经网络结构参数设置，拟合样本数据进行短期风速数据预测，经模型运算后，将输出样本数据与同期测风塔实测数据进行对比分析；
[0132]
具体的，s4步骤主要包括：
[0133]
d、以低频分量v
a
为例，将输入数据进行归一化处理，基于步骤s3进行模型计算，生成初始蛙群，按照混合差分算法进行迭代寻优，完成子种群与全局寻优，输出最佳适应度值个体；
[0134]
e、将最佳适应度值个体赋值给已构建好的三层神经网络，作为初始权值与阈值，完成神经网络训练；
[0135]
f、基于已训练好的神经网络，将经归一化处理后的低频分量v
a
作为神经神经网络输入数据，得到预测数据v
d
'1；
[0136]
g、按照步骤s401～s403，完成剩余分解分量的神经网络预测，分别得到v
a
'1,v
d
'2,v
d
'3，将所有预测分量进行小波重构，得到预测风速数据；
[0137]
h、利用式(1
‑
7)、式(1
‑
8)计算拟合精度指标ε
mape
，ε
rmse
，评价算法模型短期风速预测效果。
[0138]
实施例3
[0139]
现已某风电场激光雷达测风数据为例，进行实施方式解析，按照上述具体实施方式中模型与参数进行设置，将381个数据样本分为训练样本(1～350)与拟合样本(351～381
个)，具体见图3，经小波分解算法db3分解为低频分量与3个高频分量，具体见图4，按照上述步骤分别输入模型进行神经网络初始权值与阈值寻优，待种群全局寻优结束，将最佳个体元素作为神经网络初始权值与阈值，进行神经网络训练，基于已训练好的神经网络完成分解分量的数据预测，将各分量预测数据进行小波重构，与实测拟合样本数据进行对比分析，具体见图5，计算绝对误差ε
mape
为8.54％，均方差ε
rmse
为0.52，效果较好。
[0140]
在本说明书的描述中，参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
[0141]
以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。