一种基于rbf的风电场短期风速预测方法
【专利摘要】本发明公开了一种基于RBF的风电场短期风速预测方法，属于风电场风速预测领域。目的是为了解决风电场风速预测不准确而对风电并网以及生产带来的困难。其原理是利用风电场与风速相关信息(气压，湿度，风向，温度)的历史数据归一化得到训练样本。通过K均值聚类来优化RBF人工神经网络的中心和宽度，再利用最小二乘法来得到权值。使用K均值聚类和最小二乘法来对RBF人工神经网络进行建模；使用该模型对风电场短期风速快速有效预测。本发明基于应用K均值聚类和最小二乘法来对RBF进行建模，有效提高预测精度。准确的预测可以减少电力系统运行成本，对电网调度和资源配置具有重要意义。
【专利说明】—种基于RBF的风电场短期风速预测方法
【技术领域】
[0001]本发明涉及一种基于RBF的风电场短期风速预测方法，属于风电场风速预测领域。
【背景技术】 [0002]正确的预测风电场短期风速是一项艰巨而复杂的工作，也是风电并网安全的根本任务之一。常用的风电场风速预测方法主要有时间序列法、卡尔曼滤波法、数值天气预报法，以及人工神经网络模型为代表的一些智能预测技术。由于风电场风速受到气温、气压、湿度等因素的综合影响，普遍存在高度的非线性、随机性和复杂性。
[0003]人工神经网络网络模型的出现，可以利用其逼近任意连续函数的性质，通过模型的自我学习监督，将预测因素之间的内在联系通过人工神经网络的权值分布实现隐形表达。传统的人工神经网络模型在预测风电场短期风速时，普遍采用构建BP神经网络模型，其中模型训练采用包括基于误差反向传播的最速下降法或拟牛顿方法。这些方法在网络学习方面表现出比较好的性质，收敛速度也较好，但是难以实现对未来风速的准确预测。因此本文利用具有更好逼近能力的RBF人工神经网络进行预测，采用K均值聚类和最小二乘法的方法进行建模，具有更高的预测精度，实现预测的准确性。
【发明内容】
[0004]本发明的目的是克服目前风电场短期风速预测方法的不足，提供具有更高精度和泛化能力更好的一种基于RBF的风电场短期风速预测方法。
[0005]为实现上述目的，本发明的技术方案包括以下步骤:
[0006]步骤一、构建归一化风速训练样本
[0007]短期风速预测中，找出风速、温度、湿度、气压和风向的M组历史数据，每个历史数据都是风电场每隔10分钟记录一次的对应数据。其中，温度、湿度、气压和风向为输入的4维数据，风速为输出的I维数据。选取前面N组数据作为训练数据，后面(M-N)组数据作为测试数据。然后将上述历史数据经行归一化处理，归一化公式为:
’X — min(jr)
[0008]X = ~厂'——
max (jr) - min(xj
[0009]步骤二、构建RBF人工神经网络
[0010]确定RBF人工神经网络具有三层，输入层、隐层和输出层:
[0011]I)确定RBF人工神经网络输入层神经元个数:输入层神经元个数为风速相关因素的个数，即4个；
[0012]2)确定RBF人工神经网络输出层神经元个数:即风速，为I个；
[0013]3)确定RBF人工神经网络隐层神经元个数:根据Hecht-Nielsen的经验公式确定隐层神经元的个数，公式为:[0014]
【权利要求】
1.一种基于RBF的风电场短期风速预测方法，其特征包括以下步骤: 步骤一:利用风速、温度、湿度、气压和风向的历史数据，将历史数据归一化，构建训练样本； 步骤二:构建RBF人工神经网络，确定RBF人工神经网络的输入层神经元个数、隐层神经元个数以及输出层神经元个数； 步骤三:运用K均值聚类和最小二乘法对训练样本进行求解，训练求出RBF人工神经网络的中心、宽度和权值； 步骤四:利用训练好的RBF人工神经网络的中心、宽度和权值建立预测模型，实现对风速的预测。
2.根据权利要求1所述的一种基于RBF的风电场短期风速预测方法，其特征在于:在步骤一中采用归一化的方法对搜集的历史数据进行预处理，构建训练样本。
3.根据权利要求1所述的一种基于RBF的风电场短期风速预测方法，其特征在于:在步骤二中需要确定RBF模型的结构，利用样本输入输出的个数确定输入层和输出层神经元的个数，再利用经验公式求得隐层神经元个数。
4.根据权利要求1所述的一种基于RBF的风电场短期风速预测方法，其特征在于:在步骤三中具体包括如下步骤: 4.1:初始化聚类中心； 4.2:计算样本与聚类中心的欧氏距离； 4.3:按最小距离原则对样本重新分类； 4.4:重新计算各类的中心； 4.5:判断新旧中心是否相等，如果不等就循环4.1，如果相等就得到RBF的中心； 4.6:利用各聚类中心的距离计算RBF的宽度； 4.7:利用最小二乘法得到RBF的权值。
5.根据权利要求1所述的一种基于RBF的风电场短期风速预测方法，其特征在于:在步骤四中利用训练好的RBF人工神经网络的中心、宽度和权值建立预测模型，输入归一化后的测试数据，就可以得到风速的归一化预测值，再将其反归一化就可以得到真实预测值。
【文档编号】G06F19/00GK103927460SQ201410186324
【公开日】2014年7月16日 申请日期:2014年5月5日 优先权日:2014年5月5日
【发明者】柴毅, 屈剑锋, 郭茂耘, 梁大伟, 董勇 申请人:重庆大学