一种风电场短期风速预测方法与流程

技术特征：
1.一种风电场短期风速预测方法，其特征在于：包括以下步骤：s1：获取风电场测风塔基本信息；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；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；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。2.根据权利要求1所述的一种风电场短期风速预测方法，其特征在于：所述步骤s1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。3.根据权利要求1所述的一种风电场短期风速预测方法，其特征在于：所述步骤s2具体过程包括：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；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)
。4.根据权利要求1所述的一种风电场短期风速预测方法，其特征在于：所述步骤s3具体过程包括：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；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；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；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；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。5.根据权利要求4所述的一种风电场短期风速预测方法，其特征在于：所述步骤s304具体过程包括：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：
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；s3042：子种群内部搜索更新机制，采用差分进化算法(differenceevolution，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；具体包括变异、交叉、选择三种操作。6.根据权利要求5所述的一种风电场短期风速预测方法，其特征在于：所述步骤s3042具体包括：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：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；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：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；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：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；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；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
}；公式如下：
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；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；采用如下方法使得cr随进化代数线性变化：式中：cr
max
为cr最大取值，cr
min
为cr最小取值，其余同上；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。7.根据权利要求1所述的一种风电场短期风速预测方法，其特征在于：所述步骤s4具体过程包括：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；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；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；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：如下：

技术总结
本发明公开了一种风电场短期风速预测方法，包括以下步骤：S1：获取风电场测风塔基本信息；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；S3：基于改进差分混合蛙跳


技术研发人员：付晓敏 周元贵 姚杰
受保护的技术使用者：中国大唐集团科学技术研究院有限公司西北电力试验研究院
技术研发日：2021.08.13
技术公布日：2021/12/7