一种基于神经网络外推的风速概率模型的建模方法与流程

1.本发明属于风力发电领域，具体涉及一种基于神经网络外推的风速概率模型的建模方法，根据风速历史数据，采用概率学的统计方法对风速进行建模并采用神经网络对风速模型进行外推。


背景技术：

2.风力发电是现如今中国能源结构的重要组成部分，准确的风能预测对于电力系统的安全稳定运行具有重要意义，电网根据风速预测结果制定调度计划、调节电网频率，确保电网稳定和供电质量；风电场根据风速预测结果调整风机来提高发电效益。
3.风速模型的准确建立是风速预测的基础，风速具有不确定性的特点，由于其随机性和波动性导致风速的建模困难，为简化模型并且提高模型准确度，可将分解重构后的风速分量分别建立模型。为此，将风速分解重构为具有一定规律的低频分量和随机性强的高频分量，然后分别建立模型来描述风速的波动性和随机性；既可以简化建模，也可以提高模型准确度。
4.风速的概率建模方法是对大量的历史风速数据进行分析统计，得到其概率模型的方法，现有概率方法大多直接对历史风速数据的概率分布进行分析，历史数据的准确度与完整性很大程度上影响了风速建模的准确性，因此对现有数据进行外推可提高建模精度，本方法结合智能方法和概率方法，利用神经网络对风速的历史数据进行外推，建立广义的风速概率模型。


技术实现要素：

5.本发明所提概率模型表示随着风速大小的变化风速变化量的分布情况。
6.本发明的目的在于，提供一种基于神经网络外推的风速概率模型的建模方法。该建模方法通过离散点进行外推获得的风速概率模型准确度高，对于风速较大或风速较小的情况都能适用。
7.为实现上述目的，本发明采用以下技术方案：
8.一种基于神经网络外推的风速概率模型的建模方法，该建模方法包括以下内容：
9.将风电场多年的历史风速数据进行分解，获得多个不同频率的风速分量，然后将多个风速分量重构为风速低频分量和风速高频分量；
10.针对风速低频分量建立广义的风速
‑
变化量的联合概率密度模型：
11.利用区间风速和风速变化量在小风速区间内建立风速
‑
变化量联合概率密度模型；利用第一神经网络对风速
‑
变化量联合概率密度模型进行外推，获得大风速区间内的概率密度、区间风速、风速变化量三者关联的离散数据点，采用分布模型对离散数据点进行拟合获得大风速区间下的每一区间风速v
t
下对应的风速变化量δv
t
的概率密度曲线f
j
，概率密度曲线中的分布模型的参数分别与区间风速进行拟合，再利用粒子群算法对拟合后的表达式中的参数进行优化，进而得到大风速区间下的概率密度函数表达式，即广义的风速
‑
变
化量的联合概率密度模型；
12.针对风速高频分量建立广义的通用描述模型：
13.将小风速区间内的风度低频分量重新进行更密集的区间风速的划分，找出每个低频分量的区间风速值对应的高频分量v
f
，带着高频分量v
f
对低频分量的区间风速值从小到大排序，分别获得每个低频分量的区间风速值对应的风速高频分量的最大、最小值，记为v
f_max
和v
f_min
；利用第四、第五神经网络分别对风速高频分量的最大值、最小值进行外推，获得大风速区间下的风速高频分量v
f
的最大值、最小值与相应区间风速的离散数据点；
14.对大风速区间下的风速高频分量v
f
的最大值、最小值与风速低频分量的区间风速值的函数关系进行拟合，并通过粒子群算法对其函数关系中的参数进行优化得到广义的风速高频分量的最值与低频分量的区间风速值的函数关系；将每个区间风速下风速高频分量v
f
标幺化到[0，1]，将风速高频分量表达为与风速低频分量的关系，即为广义的风速高频分量的通用描述模型。
[0015]
与现有方法相比，本发明的有益效果在于：
[0016]
(1)本发明结合智能方法和概率方法对风速进行建模；基于神经网络深度学习算法对风速的概率模型进行了外推，建立了广义的风速概率模型；通过神经网络深度学习直接外推风速、变化量和概率密度数据相比于通过外推概率密度模型的参数间接得到广义的风速概率模型精度更高，建模更准确。
[0017]
(2)建立了区间约束函数对第一神经网络预测结果进行修正，当不满足区间约束时，修正神经网络的结果为ε以下，ε接近于0的某一数值；提升了建模准确度。
[0018]
(3)结合指数模型和幂函数模型对区间风速与分布模型的参数进行函数关系的拟合，幂函数模型在风速较低时有很好的拟合精度，指数模型在风速高时有很好的拟合精度，结合两种模型，能较好地拟合风速从低到高的参数关系。
附图说明
[0019]
图1风速变化量的区间约束函数，上图：变化量最大值与区间风速的关系；下图变化量最小值与区间风速的关系。
[0020]
图2优化后的风速低频分量的风速
‑
变化量联合概率密度模型。
[0021]
图3基于lstm神经网络外推的风速低频分量的风速
‑
变化量联合概率密度模型。
[0022]
图4幂函数模型和指数模型相结合描述参数与低频分量的区间风速之间的关系，上图为均值参数与区间风速之间的关系图；下图为标准差参数与区间风速之间的关系图。
[0023]
图5变化量区间约束函数的建立的过程示意图。
[0024]
图6第一神经网络外推的流程图。
[0025]
图7广义的风速高频分量的通用描述模型的建立过程示意图。
具体实施方式
[0026]
下面结合实施例及附图进一步解释本发明，但并不以此作为对本技术保护范围的限定。
[0027]
本发明基于神经网络外推的风速概率模型的建模方法包括以下内容：
[0028]
应用vmd算法将风电场多年的历史风速数据进行分解，获得多个不同频率的风速
分量，然后将多个风速分量重构为风速低频分量和风速高频分量；
[0029]
1)针对风速低频分量，建立风速
‑
变化量联合概率密度模型：
[0030]
计算风速的时间序列中相邻两风速点的风速变化量得到风速的变化量δv
t
；将连续的风速低频分量的数据进行多区间划分，所划分的区间数记为m，以区间中点v
t_j
作为该区间风速值，然后带着变化量δv
t
对区间风速进行从小到大的排序；分别统计每个区间风速下风速变化量的个数，生成风速变化量的频数分布直方图，然后取直方图中点生成频数分布折线图，进而可得风速变化量的频率分布直方图和折线图；由频率分布直方图和折线图获得每个区间风速下的变化量的分布模型，通过分布模型拟合出每个区间风速下的变化量的概率密度函数，进而得到区间风速从v
t_1
到v
t_m
的范围内的变化量的概率密度曲线，生成风速
‑
变化量联合概率密度三维图，即为风速
‑
变化量联合概率密度模型；
[0031]
2)基于第一神经网络对风速
‑
变化量联合概率密度模型进行外推：
[0032]
统计步骤1)中的风速变化量的范围，记风速变化量的范围在区间[a，b]内，其中a、b为常数，将区间[a，b]按照固定间隔g等分为s个小区间，以每个小区间中点风速变化量数值作为该小区间的风速变化量的数据，风速变化量的数据记为δv
t_k
，(k＝1，2
…
，s)，将其作为神经网络的一个输入量；
[0033]
以步骤1)确定的区间风速v
t_j
的数据导出作为第一神经网络的另一个输入量；
[0034]
将(v
t_j
，δv
t_k
)带入风速
‑
变化量联合概率密度模型获得相应的概率密度值得到对应的一组概率密度数据，以该概率密度数据作为第一神经网络的目标输出；
[0035]
基于历史数据以(v
t_j
，δv
t_k
，)构成的数据集训练第一神经网络，利用训练好的第一神经网络来预测更大风速值所对应的概率密度值，得到区间风速从v
t_1
～v
t_n
之间的离散的数据点，采用高斯分布分别拟合每一区间风速vt下对应的风速变化量δv
t
的概率密度曲线f
j
，j＝1，2，3
……
n，概率密度曲线的横轴为变化量的值，纵轴为概率密度，得到区间风速从v
t_1
到v
t_n
的范围内的概率密度函数。
[0036]
实现概率密度模型从区间风速v
t_1
～v
t_m
到风速v
t_1
～v
t_n
的外推，其中n＞m，v
t_n
＞v
t_m
，v
t_n
为所需区间风速的最大值，根据不同的需要可取不同的值，风速从v
t_1
～v
t_n
所划分的n个区间间隔与风速从v
t_1
～v
t_m
所划分的区间间隔相同，n＝[1/(所划分的m个区间的区间间隔值)]*v
t_n
。
[0037]
再对每个区间风速下对应风速变化量δv
t
的概率密度曲线中的一组高斯分布参数分别与区间风速进行拟合，再利用粒子群算法对拟合后的表达式中的参数进行优化，进而得到风速从v
t_1
到v
t_n
的范围内的概率密度函数表达式，即广义的风速
‑
变化量的联合概率密度模型；
[0038]
3)建立风速低频分量的风速变化量的区间约束
[0039]
然后利用历史数据建立起风速变化量的区间约束函数，以此为约束条件进行第一神经网络的修正；
[0040]
对风速的历史数据，按照时间序列计算其风速变化量δv
t
，再次将区间风速v
t_1
～v
t_m
进行等分，等分为m份，m大于m，取区间中点作为风速低频分量的区间风速值，用v
t_i
(i＝1，2
…
m)，来表示；将风速变化量按照低频分量的区间风速值进行分组并带着风速变化量对风速的低频分量从小到大进行排序，分别统计每个低频分量的区间风速值对应风速变化量δv
t
的最大、最小值，分别记为δv
t_max
|v
t_i
和δv
t_min
|v
t_i
；
[0041]
将风速低频分量的区间风速值为输入，与其对应的风速变化量δv
t
的最大值为目标输出，训练第二神经网络；
[0042]
将风速低频分量的区间风速值为输入，与其对应的风速变化量δv
t
的最小值为目标输出，训练第三神经网络；
[0043]
通过第二神经网络和第三神经网络实现对风速变化量区间的外推，得到风速范围在v
t_1
～v
t_n
对应的风速变化量δv
t
的最大值、最小值；
[0044]
将风速范围在v
t_1
～v
t_n
低频分量的区间风速值与其对应的风速变化量δv
t
最大值、最小值的函数关系进行拟合，得到每个低频分量的区间风速值下风速变化量的区间约束，并通过粒子群算法分别进行优化，得到优化后的风速变化量的区间约束如公式(1)所示。
[0045][0046]
式中δv
t_max
为风速变化量最大值与区间风速的函数，δv
t_min
为风速变化量最小值与区间风速的函数。则区间风速v
t
＝v
t_i
时对应的风速变化量区间为：
[0047][0048]
式中，表示区间风速为v
t_i
时的风速变化量，为区间风速为v
t_i
时风速变化量的最大值，为区间风速为v
t_i
时风速变化量的最小值；
[0049]
公式(2)即为风速变化量区间约束函数。
[0050]
4)实现风速高频分量的最值外推
[0051]
在步骤3)的基础上，将区间风速v
t_1
～v
t_m
等分为m份，取区间中点作为风速低频分量的区间风速值，用v
t_i
(i＝1，2
…
m)，找出每个低频分量的区间风速值对应的高频分量v
f
，带着高频分量v
f
对低频分量的区间风速值从小到大排序，分别获得每个低频分量的区间风速值对应的风速高频分量的最大、最小值，记为v
f_max
和v
f_min
；
[0052]
以低频分量的区间风速值为输入，以与其对应的风速高频分量v
f
的最大值为目标输出训练第四神经网络；
[0053]
以低频分量的区间风速值为输入，以与其对应的风速高频分量v
f
的最小值为目标输出训练第五神经网络；
[0054]
利用训练好的第四神经网络和第五神经网络实现风速高频分量最大值和最小值的外推，得到区间风速范围在v
t_1
～v
t_n
对应的风速高频分量v
f
的最大值、最小值；
[0055]
5)针对风速高频分量建立通用描述模型，
[0056]
对风速范围在v
t_1
～v
t_n
对应的风速高频分量v
f
的最大值、最小值与低频分量的区间风速值的函数关系进行拟合(拟合后获得的函数关系的表达式，同时获得函数关系的参数的范围)，并通过粒子群算法对其函数关系中的参数进行优化得到广义的风速高频分量的最值与低频分量的区间风速值的函数关系，参见公式(8)；
[0057][0058]
式中，v
f_min
是风速高频分量的最小值，v
f_max
是风速高频分量的最大值，h1(x)、h2(x)表示为变量v
t
的函数；
[0059]
将每个区间风速下风速高频分量v
f
标幺化到[0，1]；
[0060][0061]
记h3(v
t
)＝v
f_max
‑
v
f_min
，因为这两个值是关于低频分量v
t
的函数，在风速低频分量的大小确定时h3(v
t
)、h4(v
t
)为定值，则式(9)可改写为：
[0062][0063]
其中，为标幺化后的风速高频分量。
[0064]
式(10)即为广义的风速高频分量的通用描述模型。
[0065]
上述广义的风速
‑
变化量的联合概率密度模型和广义的风速高频分量的通用描述模型构成本技术的基于神经网络外推的风速概率模型。
[0066]
进一步地，步骤3)中在通过第二神经网络和第三神经网络实现对风速变化量区间的外推后，将区间风速范围在v
t_1
～v
t_n
的低频分量的区间风速值与其对应的风速变化量δv
t
的最大值、最小值的分别进行函数关系拟合，得到每个低频分量的区间风速值下风速变化量的区间约束，并通过粒子群算法分别对两个拟合的函数关系中的参数进行优化，得到优化后的风速变化量的区间约束。
[0067]
进一步地，步骤1)中提到的风速
‑
变化量联合概率密度模型表达式为式(3)，每个区间风速下的概率密度函数都具有参数项分别为概率密度函数的高斯表达式中的均值和标准差参数，二者均是区间风速值v
t
的函数，采用幂函数模型对区间风速和当前概率密度函数的各个参数进行拟合，获得拟合后的相应参数公式，带入公式(3)即获得优化后的风速
‑
变化量联合概率密度模型；
[0068][0069]
其中，δv
t
为风速的变化量；分别为概率密度函数的高斯表达式中的均值和标准差参数，二者均是区间风速值v
t
的函数，为风速
‑
变化量的联合概率密度。
[0070]
进一步地，在确定了风速变化量的区间约束后，在进行第一神经网络训练过程中：以(v
t_j
，δv
t_k
)(j＝1，2
…
m，k＝1，2
…
，s)作为第一神经网络的输入，以概率密度值作为第一神经网络的目标输出，以目标输出与实际输出之间误差最小为损失函数，通过第一神经网络的训练使输出跟随输入变化而变化，当网络的损失函数小于δ或达到迭代次数时结束训练，δ接近于0。
[0071]
在第一神经网络预测阶段，当输入的风速低频分量的区间风速v
t_j
、变化量不满足区间约束(即变化量不在风速范围在v
t_1
～v
t_n
对应的风速变化量δv
t
的最大值、最小值之间)时，修正第一神经网络的输出为ε以下，ε为接近于0的某一数值，数量级在10
‑3以下。
[0072]
进一步地，对步骤1)获得的风速
‑
变化量联合概率密度模型进行优化，选用某种分布模型分别拟合风速低频分量的每一区间风速下对应的变化量的概率密度函数f
j
，每一概率密度函数均对应一组参数，结合指数模型和幂函数模型这两种拟合模型对区间风速与其
对应的概率密度函数中的一组参数的函数关系进行拟合，其中，指数模型和幂函数模型的基本表达式如式：
[0073][0074]
式中，a为常数，q为模型中幂函数的个数，p为模型中指数函数的个数，c1
q
为第q个幂函数的系数，k1
q
为第q个幂函数的幂，c2
p
为第p个指数的系数，k2
p
为第p个指数的底。
[0075]
并对拟合后的表达式中的参数(a、c1
q
、k1
q
、c2
p
、k2
p
)进行粒子群算法的优化，确定了每一概率密度函数中的一组参数的表达式，进而带入风速
‑
变化量联合概率密度模型，得到优化后的风速
‑
变化量联合概率密度模型。这种拟合方式既能适用于风速比较大的情况，也能适用于风速较小的情况，指数模型和幂函数模型两个拟合模型联合使用时，将二者叠加即可，拟合更加精确。
[0076]
上述中的多个神经网络结构可以都相同，输入输出不同，优选神经网络为lstm神经网络。后期在利用本技术的模型建好后，根据历史风速数据对风速进行预测时，历史数据优选地也应按照上述各步骤中提到的区间间隔进行划分，然后再带入相应的模型进行处理。上述区间约束时的m与风速高频分量最值外推时的m可以相同，也可以不同，都大于m。
[0077]
实施例
[0078]
步骤一：建立风速变化量区间约束函数
[0079]
对风速的历史数据，按照时间序列计算其风速变化量δv
t
，将风速v
t_1
～v
t_m
等分为m份，取区间中点作为低频分量的区间风速值，用v
t_i
(i＝1，2
…
m)来表示；将风速变化量按照低频分量的区间风速值进行分组并带着风速变化量对风速的低频分量从小到大进行排序，分别统计每个低频分量的区间风速值对应风速变化量δv
t
的最大最小值，分别记为和其中(i＝1，2
…
m)；将低频分量的区间风速值与其对应的风速变化量δv
t
的最大值、最小值作为第二和第三神经网络的训练数据；基于第二和第三神经网络进行对其进行外推，得到风速范围在v
t_1
～v
t_n
对应的风速变化量δv
t
的最大值、最小值；
[0080]
将风速范围在v
t_1
～v
t_n
低频分量的区间风速值与其对应的风速变化量δv
t
最大值、最小值的函数关系进行拟合，得到每个低频分量的区间风速值下风速变化量的区间约束，并通过粒子群算法对函数关系中的参数分别进行优化，得到优化后的风速变化量的区间约束如公式(1)所示。
[0081][0082]
式中δv
t_max
为风速变化量最大值与区间风速的函数，δv
t_min
为风速变化量最小值与区间风速的函数。则区间风速v
t
＝v
t_i
时对应的风速变化量区间为：
[0083][0084]
式中，表示区间风速为v
t_i
时的风速变化量，为区间风速为v
t_i
时风速变化量的最大值，为区间风速为v
t_i
时风速变化量的最小值；
[0085]
公式(2)即为风速变化量区间约束函数。
[0086]
步骤二：神经网络训练数据的提取
[0087]
由优化后的风速低频分量的风速
‑
变化量联合概率密度模型可知，该模型的风速范围在[v1，v
m
]区间，将该区间等分为m个小区间，以区间中点值v
t_j
，(j＝1，2
…
m)代表每个小区间的风速，记为区间风速，并从优化后低频分量的风速
‑
变化量联合概率密度模型中将该区间风速数据导出作为神经网络的其中一个输入量。
[0088]
统计风速变化量的范围在区间[a，b]内，其中a、b为常数，将区间[a，b]等分s份作为风速变化量的数据δv
t_k
，(k＝1，2
…
，s)，将其作为第一神经网络的另外一个输入量。
[0089]
由优化后风速低频分量的风速
‑
变化量联合概率密度模型计算可得(v
t_j
，δv
t_k
)相应的概率密度值将其作为联合概率密度模型导出概率密度数据，作为神经网络的目标输出。
[0090][0091]
式(3)为优化后风速低频分量的风速
‑
变化量联合概率密度模型，其中，δv
t
为风速的变化量；分别为概率密度函数的高斯表达式中的均值和标准差参数，二者均是区间风速值v
t
的函数，为风速低频分量的风速
‑
变化量的联合概率密度。
[0092]
步骤三：进行第一神经网络的训练和预测。
[0093]
以(v
t_j
，δv
t_k
)(j＝1，2
…
m，k＝1，2
…
，s)作为第一神经网络的输入，以概率密度值作为第一神经网络的目标输出，通过第一神经网络的训练使输出跟随输入变化而变化，网络的损失函数为：
[0094][0095]
式中，为第d个点的概率密度预测值，y
d
为第d个点的概率密度实际值，d为总的预测个数。
[0096]
当网络的损失函数小于δ或达到迭代次数时结束训练，δ接近于0，为网络的训练误差指标。
[0097]
对于训练好的第一神经网络，以(v
t_j
，δv
t_k
)(j＝1，2
…
m，k＝1，2
…
，s)作为第一神经网络的输入，来预测其对应的概率密度值实现风速从v
t_1
～v
t_m
到从v
t_1
～v
t_n
的数据量的外推，得到区间风速从v
t_1
～v
t_n
的离散的风速
‑
变化量联合概率密度模型数据点。在预测过程中，如果风速低频分量的区间风速、变化量不满足式(2)区间约束时，修正第一神经网络的输出为ε以下，ε为接近于0的某一数值，数量级在10
‑3以下。
[0098]
步骤四：基于粒子群算法的降维拟合
[0099]
1对于区间风速从v
t_1
～v
t_n
之间的离散的数据点，采用高斯分布分别拟合每一区间风速v
t
下对应的风速变化量δv
t
的概率密度曲线f
j
，j＝1，2，3
……
n，概率密度曲线的横轴为变化量的值，纵轴为概率密度，得到区间风速从v
t_1
到v
t_n
的范围内的概率密度函数。
[0100]
2每个区间风速下对应一组高斯分布模型的参数，分别为均值参数和标准差参数对区间风速与为均值参数和标准差参数分别进行拟合并基于粒子群算法对拟合后的表达式中的参数进行优化，优化得到相应的函数表达式。
[0101][0102]
进而得到风速从v
t_1
到v
t_n
的范围内的概率密度函数表达式，即广义的风速
‑
变化量的联合概率密度，如式(6)所示。
[0103][0104]
式中δv
t
为风速的变化量；分别为概率密度函数的高斯表达式中的均值和标准差参数，二者均是区间风速的函数。为风速低频分量的风速
‑
变化量联合概率密度函数。
[0105]
粒子群优化算法的适应度函数e为：
[0106][0107]
式中，w
r
为权重，为第r个粒子对应的或的预测值，y
r
为第r个粒子对应或的实际值，n为种群粒子数。
[0108]
步骤五风速高频分量的通用描述模型的外推：
[0109]
1对风速的历史数据，将风速v
t_1
～v
t_m
等分为m份，取区间中点作为低频分量的区间风速值，用v
t_i
(i＝1，2
…
m)来表示；
[0110]
2找出每个低频分量的区间风速值对应的高频分量v
f
，带着高频分量v
f
对低频分量的区间风速值从小到大排序，分别每个低频分量的区间风速值对应的风速高频分量的最大最小值，记为v
f_max
和v
f_min
；
[0111]
3将低频分量的区间风速值与其对应的风速高频分量v
f
的最大值、最小值作为第四、第五神经网络的训练数据；基于第四、第五神经网络对其进行外推，得到风速范围在v
t_1
～v
t_n
对应的风速高频分量v
f
的最大值、最小值；
[0112]
4对风速范围在v
t_1
～v
t_n
对应的风速高频分量v
f
的最大值、最小值与低频分量的区间风速值的函数关系进行拟合，并通过粒子群算法进行优化得到广义的风速高频分量的最值与低频分量的区间风速值的函数关系；
[0113][0114]
式中，v
f_min
是风速高频分量的最小值，v
f_max
是风速高频分量的最大值，h1(x)、h2(x)表示为变量v
t
的函数。
[0115]
5将每个区间风速下风速高频分量v
f
标幺化到[0，1]；
[0116][0117]
记h3(v
t
)＝v
f_max
‑
v
f_min
，因为这两个值是关于低频分量vt的函数，在风速低频分量的大小确定时h3(v
t
)、h4(v
t
)为定值，则式(9)可改写为：
[0118][0119]
其中，为标幺化后的风速高频分量。
[0120]
式(10)即为广义的风速高频分量的通用描述模型。
[0121]
实施例2
[0122]
本实施例一种基于神经网络外推的风速概率模型的建模方法：
[0123]
步骤一：建立风速变化量区间约束函数
[0124]
设v
t_n
＝34m/s，对张家口某风电场近两年的风速的历史数据，按照时间序列计算其风速变化量δv
t
，将风速0m/s～18m/s等分为m份，取区间中点作为低频分量的区间风速值，用v
t_i
(i＝1，2
…
m)来表示；将风速变化量按照低频分量的区间风速值进行分组并带着风速变化量对风速的低频分量从小到大进行排序，分别统计每个低频分量的区间风速值对应风速变化量δv
t
的最大最小值，分别记为和其中(i＝1，2
…
m)；将低频分量的区间风速值与其对应的风速变化量δv
t
的最大值、最小值作为第二、第三神经网络的训练数据；基于第二、第三神经网络对其进行外推，得到风速范围在0m/s～34m/s对应的风速变化量δv
t
的最大值、最小值；
[0125]
采用幂函数模型对风速范围在0m/s～34m/s低频分量的区间风速值与其对应的风速变化量δv
t
最大值、最小值的函数关系进行拟合，得到每个低频分量的区间风速值下风速变化量的区间约束，并通过粒子群算法分别进行优化，得到优化后的风速变化量的区间约束如公式(1)所示。
[0126][0127]
式中δv
t_max
为风速变化量最大值与区间风速的函数，δv
t_min
为风速变化量最小值与区间风速的函数。则区间风速v
t
＝v
t_i
时对应的风速变化量区间为：
[0128][0129]
式中，表示区间风速为v
t_i
时的风速变化量，为区间风速为v
t_i
时风速变化量的最大值，为区间风速为v
t_i
时风速变化量的最小值；
[0130]
公式(2)即为风速变化量区间约束函数。
[0131]
步骤二：第一神经网络训练数据的提取
[0132]
优化后的风速低频分量的风速
‑
变化量联合概率密度模型为：
[0133][0134]
[0135]
式(3)(4)为优化后风速低频分量的风速
‑
变化量联合概率密度模型，其中，δv
t
为风速的变化量；分别为概率密度函数的高斯表达式中的均值和标准差参数，二者均是区间风速值v
t
的函数，为风速低频分量的风速
‑
变化量的联合概率密度。
[0136]
由该模型可知，风速范围在[0m/s，18m/s]区间，将该区间等分为m个小区间，以区间中点值v
t_i
，(j＝1，2
…
m)代表每个小区间的风速，记为区间风速，并从优化后低频分量的风速
‑
变化量联合概率密度模型中将该区间风速数据导出作为神经网络的其中一个输入量。
[0137]
该模型的风速变化量的范围在区间[
‑
4m/s，4m/s]内，将区间[
‑
4m/s，4m/s]进行s等分作为风速变化量的数据δv
t_k
，(k＝1，2
…
，s)，将其作为第一神经网络的另外一个输入量。
[0138]
由优化后风速低频分量的风速
‑
变化量联合概率密度模型计算可得(v
t_j
，δv
t_k
)相应的概率密度值将其作为联合概率密度模型导出概率密度数据，作为神经网络的目标输出。
[0139]
步骤三：进行神经网络的训练和预测。
[0140]
以(v
t_j
，δv
t_k
)(j＝1，2
…
m，k＝1，2
…
，s)作为第一神经网络的输入，以概率密度值作为第一神经网络的目标输出，通过第一神经网络的训练使输出跟随输入变化而变化，网络的损失函数l2为：
[0141][0142]
式中，为第r个点的概率密度预测值，y
r
为第r个点的概率密度实际值，d为总的预测个数。
[0143]
当网络的损失函数小于δ或达到迭代次数时结束训练，δ接近于0，为网络的训练误差指标。
[0144]
对于训练好的第一神经网络，以(v
t_j
，δv
t_k
)(j＝1，2
…
m，k＝1，2
…
，s)作为第一神经网络的输入，来预测其对应的概率密度值实现区间风速从0m/s～18m/s到从0m/s～34m/s的数据量的外推，得到区间风速从v
t_1
～v
t_n
的离散的风速
‑
变化量联合概率密度模型数据点。在预测过程中，如果风速低频分量的区间风速、变化量不满足式(2)区间约束时，修正第一神经网络的输出为ε以下，ε为接近于0的某一数值，数量级在10
‑3以下。
[0145]
步骤四：基于粒子群算法的降维拟合
[0146]
1对于区间风速从0m/s～34m/s的离散的数据点，采用高斯分布分别拟合每一区间风速v
t
下对应的风速变化量δv
t
的概率密度曲线f
j
，j＝1，2，3
……
n，概率密度曲线的横轴为变化量的值，纵轴为概率密度，得到区间风速从0m/s～34m/s的范围内的概率密度函数。
[0147]
2每个区间风速下对应一组高斯分布模型的参数，分别为均值参数和标准差参数对区间风速与为均值参数和标准差参数分别进行拟合并基于粒子群算法对拟合后的函数中的参数优化得到相应的函数表达式。
[0148]
采用幂函数模型和指数模型相结合来描述两参数与区间风速之间的关系，如式(6)所示。
[0149][0150]
进而得到风速从0m/s到34m/s的范围内的概率密度函数表达式，即广义的风速
‑
变化量的联合概率密度，如式(7)所示。
[0151][0152]
式中δv
t
为风速的变化量；分别为概率密度函数的高斯表达式中的均值和标准差参数，二者均是区间风速的函数。为风速低频分量的风速
‑
变化量联合概率密度函数。
[0153]
粒子群优化算法的适应度函数e为：
[0154][0155]
式中，w
r
为权重，为第r个粒子对应的或的预测值，y
r
为第r个粒子对应或的实际值，n为种群粒子数。
[0156]
步骤五风速高频分量通用模型的外推：
[0157]
1对风速的历史数据，将在0m/s～18m/s范围的风速等分为m份，取区间中点作为低频分量的区间风速值，用v
t_i
(i＝1，2
…
m)来表示；
[0158]
2找出每个低频分量的区间风速值对应的高频分量v
f
，带着高频分量v
f
对低频分量的区间风速值从小到大排序，分别每个低频分量的区间风速值对应的风速高频分量的最大最小值，记为v
f_max
和v
f_min
；
[0159]
3将低频分量的区间风速值与其对应的风速高频分量v
f
的最大值、最小值作为第四、第五神经网络的训练数据；基于第四、第五神经网络对其进行外推，得到风速范围在0m/s～34m/s对应的风速高频分量v
f
的最大值、最小值；
[0160]
4选用某种拟合模型对风速范围在0m/s～34m/s对应的风速高频分量v
f
的最大值、最小值与低频分量的区间风速值的函数关系进行拟合并基于粒子群算法进行优化得到该拟合模型的最优参数；
[0161]
由低频分量的区间风速值与风速高频分量的最值之间的关系，选用幂函数模型来描述，基于粒子群优化后的函数表达式为：
[0162][0163]
式中，v
f_min
是风速高频分量的最小值，v
f_max
是风速高频分量的最大值。
[0164]
5将每个区间风速下风速高频分量v
f
标幺化到[0，1]；
[0165]
[0166]
记h3(v
t
)＝v
f_max
‑
v
f_min
，因为这两个值是关于低频分量v
t
的函数，在风速低频分量的大小确定时h3(v
t
)、h4(v
t
)为定值，则式(10)可改写为：
[0167][0168]
其中，为标幺化后的风速高频分量。
[0169]
式(11)即为风速高频分量的通用描述模型。
[0170]
本发明未述及之处适用于现有技术。