小风机的功率预测系统的制作方法

本发明专利属于风电场风功率预测领域，尤其涉及一个小风机的功率预测系统。

背景技术：

小风机的发电功率预测除了受到一般风机都考虑在内的气压、湿度、风速、风向等环境因素的主要影响外，与传统集中电站风机有差别的是小风机本身的尾流效应较小，实际出场的电气参数特性也不同。因此，小风机的功率预测模型与传统大风机截然不同，需要单独进行建模。这样就不需要了解各因素与小风机发电功率之间的相互关系就能实现小风机的功率预测。

技术实现要素：

本发明专利所要解决的技术问题在于研究一个小风机的功率预测系统，解决在风电场风力发电中小风机的功率预测问题。

本发明专利是这样实现的，一个小风机的功率预测系统，该系统的算法和模型的新建上，包括：

粒子群(pso)优化算法，所述粒子群(pso)优化算法pso算法是1995年j．kennedy博士模拟鸟群的捕食行为提出的一种高效、多维、并行的寻优算法。本发明专利采用pso算法建立位置、速度搜索模型来寻找最优参数(c，y)组合。

粒子群(pso)优化算法的理论：设群体中的每个粒子由二维向量(c，y)组成，第i个粒子在二维解空间的位置ui=（ui1，ui2）^t，其速度vi=（vi1，vi2）^t。本次迭代的个体极值为p，全局极值为g．在每次迭代中，粒子跟踪个体极值、全局极值和自己前一次迭代的状态来调整本次迭代的位置和速度，迭代公式为：

vi(t+1)=ωvi(t)+c1r1(p-ui(t))+c2r2(g-ui(t));(1)

ui(t+1)=ui(t)+vi(t+1).(2)

其中：vi(t)，vi(t+1)，ui(t),ui(t+1)分别是第i个粒子在本次和下一次迭代的速度和位置；c1，c2是学习因子，其初始值本文分别取1.5和1.7；r1，r2是[0，1]之间的随机数；ω是权重因子，为加快收敛速度，其值应随算法的进行根据(3)式自动调节，即

ω=ωmin+(ωmax-ωmin)（3）

其中：ωmax,ωmin∈[0，1]分别为最大和最小权重因子，t为当前迭代次数，tmax为总迭代次数。

混沌相空间重构的神经网络法，考虑到预测时刻点的风速不仅与风速序列经过相空间重构后的相点有关，还和预测时刻的nwp信息和其他相关有关，建立了混沌相空间神经网络的预测模型，所述混沌相空间重构的神经网络法预测日所述分类，利用神经网络法训练模型样本。

混沌相空间重构的神经网络法基本原理：混沌运动在相空间里是有界的，在运动过程中由于吸引子的反复性，可以对这个运动进行处理恢复其运动的规律，利用这点可以对运动规律进行预测。但是，混沌运动对初始条件与初始过程极其敏感，因为如果在过程中设定两个点，随着时间的推移，这两个点的距离会随指数函数无限的扩大，这就决定了混沌不可能无限的预测，但是可以短期的预测。混沌空间重构是其主要支架，是多种分量相互依存的整体。据此我们可以在应用中很好的利用它其中的一部分然后来预测原始的等价空间。当延迟坐标的维数m与动力系数的维数d有不等式成立时，即有规律的轨道(吸引子)就可以从该嵌入维数相空间里恢复出来。设嵌入维数为m，时间延时为，对于混沌序列，则相空间重构为：

混沌原理的属性还无法具体定义。即人们主要是通过对系统的混沌属性识别而采用一些定性、定量等方法来推导混沌属性。定性算法利用系统的相图法、功率谱阀等，这些简单的方法来揭示混沌属性的识别特性，这些方法虽然简单、直观，但是非常的笼统。而定量算法是通过奇异吸引子的等性参数来分析确定的。常用刻画奇异吸引子的主要参数的是最大lyapunov指数。该方法的主要体现，对一维映射，设初始位置，附近有一点,叫为相轨迹上两点间的初始距离，迭代n次后两点间的距离为，即有：

其中lyapunov指数为。当有稳定的吸引子，处于平衡状态时，有；为有周期解时，有；当系统具有混沌属性时，有。即若系统具有混沌属性则一定大于零。

粗糙集理论，所述粗糙集的存在，在数学领域中应用非常的广泛，并且具有潜力挖掘定义，数学模型中的架构，该方法已经被成功地应用于数据挖掘、知识发现、图像处理、专家系统、过程控制、医疗诊断、金融数据分析、近似推理等方面。

粗糙集理论基本概念：粗糙集的存在，在数学领域中应用非常的广泛，并且具有潜力挖掘定义，数学模型中的架构，该方法已经被成功地应用于数据挖掘、知识发现、图像处理、专家系统、过程控制、医疗诊断、金融数据分析、近似推理等方面。

称为一个信息系统（知识表达系统），其中，u为对象的非空有限集合，称为论域；a为属性的非空有限集合；，va是属性a的值域；f:u´a®v是一个信息函数，它为每个对象的每个属性赋予一个信息值，即"aîa,xîu,f(x,a)îva。

信息系统中，若，c为条件属性集，d为决策属性集，这样的信息系统称为决策表。决策表是信息系统中重要而特殊的一类。

u为对象集，，若满足以下三个条件：

1自反性：；

2对称性：；

3传递性：

则成为上的一个等价关系，记为包含的等价类。

是上的等价关系，对于任意的，称为关于的下近似集；称为关于的上近似集。

是包含于中的最大精确集，是包含的最小精确集。集合，成为的边界，边界中的元素可能属于，也可能不属于。

，当且仅当时，是的精确集；当且仅当时，是的粗糙集。

如果我们用已知的等价类来描述知识库中的知识时，一般只能近似的描述，很难描述知识的全部，这种描述是粗糙的，只有当边界为空集的时候，可以通过已知的知识描述，这种描述是精确的。

小风机的功率预测系统硬件的设计，所述小风机的功率预测系统硬件设计即将该系统应用到实际操作中。

附图说明

图1是建立小风机的功率预测模型结构框图；

图2是小风机的功率预测系统硬件设计框图。

具体实施方式

为了使本发明专利的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明专利进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明专利，并不用于限定本发明专利。

参见图1，一个小风机的功率预测系统，该系统的算法和模型的新建上，包括：

粒子群(pso)优化算法，所述粒子群(pso)优化算法pso算法是1995年j．kennedy博士模拟鸟群的捕食行为提出的一种高效、多维、并行的寻优算法。本发明专利采用pso算法建立位置、速度搜索模型来寻找最优参数(c，y)组合。

混沌相空间重构的神经网络法，考虑到预测时刻点的风速不仅与风速序列经过相空间重构后的相点有关，还和预测时刻的nwp信息和其他相关有关，建立了混沌相空间神经网络的预测模型，所述混沌相空间重构的神经网络法预测日所述分类，利用神经网络法训练模型样本。

粗糙集理论，所述粗糙集的存在，在数学领域中应用非常的广泛，并且具有潜力挖掘定义，数学模型中的架构，该方法已经被成功地应用于数据挖掘、知识发现、图像处理、专家系统、过程控制、医疗诊断、金融数据分析、近似推理等方面。

参见图2，一个小风机的功率预测系统硬件设计，所述小风机的功率预测系统硬件设计即将该系统应用到实际操作中。

本发明专利首先将影响小风机的参数数据进行粒子群(pso)优化算法，提出的一种高效、多维、并行的寻优算法。采用pso算法建立位置、速度搜索模型来寻找最优参数(c，y)组合，经过数据分类预处理后，再利用混沌原理进行相空间重构训练神经网络模型以使近似的恢复原来多维非线性系统的规律性，最后利用粗糙集理论对预测值识别并评估和实际值之间的差异，不断进行推理，使预测值更接近实际值，最终达到最优解，通过仿真实例分析验证了该方法的有效性，具有重要的推广和应用价值。

以上所述仅为本发明专利的较佳仿真实例而已，并不用以限制本发明专利，凡在本发明专利的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明专利的保护范围之内。