一种基于神经网络和模式搜索优化的多气象风速融合方法与流程

本发明属于电网风电预测领域,特别是涉及到一种基于神经网络和模式搜索优化的多气象风速融合方法。

背景技术：

风能具有随机性、间歇性的特点，对电网的运行调度带来很大的困难，功率预测是保障风电并网的关键技术。风电功率预测利用数值天气预报NWP(Numerical Weather Prediction)预测出来的风速，然后建立风速->功率数学模型，预测风场出力功率。功率预测的准确性很大程度上依赖NWP预测风速的准确性。

当前解决NWP预测风速准确性不稳定的最有效手段主要是引入多个NWP系统的预测功率，然后与实际风速进行比较，从中选择最接近实际风速的NWP系统的风速作为最终预测风；或者对多个NWP系统的预测功率进行简单加权，然后进行风速预测。

NWP系统预测风速误差有着很强的非线性特性，只是从多个NWP预测风速中选择一个精度最高的；或者进行简单的加权，并不能充分发挥单个NWP系统的优点。这就导致在某些天气模式下风速预测精度较高，但是在天气模式发生变化后，风速预测精度大幅下降，进而影响功率预测精度的稳定性。

技术实现要素：

有鉴于此，本发明提出一种基于神经网络和模式搜索优化的多气象风速融合方法，采用神经网络进行风速融合，同时引入了模式搜索优化算法来调整神经网络的参数，能准确的挖掘出NWP预测风速的非线性特点，提高风速预测精度的稳定性。

为达到上述目的，本发明的技术方案是这样实现的：

一种基于神经网络和模式搜索优化的多气象风速融合方法，包括以下步骤：

(1)、从电场数据库中获取实际风速及各个气象源的NWP预测风速数据，剔除不合理的数据；按时间先后次序分成建模数据段及验证数据段；

(2)、设计神经网络结构，根据气象源的个数，设定输入层神经元个数，输出层神经元个数设定为1，隐含层的神经元个数设定初步值并根据预测结果进行调整；

(3)、利用建模数据段的数据，采用模式搜索算法，优化神经网络的权值w和b，优化目标为风速均方根误差或者绝对偏差；

(4)、利用验证数据段的数据测试模型的精度，如果精度不满足要求，则回到步骤(2)，调整神经网络的结构，重新训练网络；如果精度满足要求则得到最终的融合模型，进行风速预测。

进一步的，步骤(1)所述不合理的数据剔除方法为：按照风速数值进行判断，风速的合理范围一般为0～25m/s。

更进一步的，步骤(1)所述不合理的数据剔除方法还包括：如果连续若干采样点的风速数据完全一样，则认为是风速仪出现故障或者数据采集软件故障，该数据剔除。

进一步的，步骤(2)所述隐含层神经元个数的初步值设定方法为：若有m组NWP预测风速，则神经网络隐含层神经元个数范围在1～m+1。

进一步的，步骤(3)所述采用模式搜索算法优化的方法为：首先利用梯度下降的学习算法,训练神经网络的参数w及b；然后将这组参数作为模式搜索的出发点，搜索步长在10～100中选择，以保证模式搜索算法的全局最优性；最后采用模式搜索方法，在各个参数的维度上搜索最优的神经网络参数。

进一步的，步骤(4)所述调整神经网络结构的方法为：调整隐含层神经元个数，比较相应的验证数据段的预测风速均方根误差RMSE，选择最优的神经元个数。

进一步的，步骤(4)所述精度的要求为预测风速均方根误差RMSE在2.5m/s以内。

更进一步的，所述预测风速均方根误差RMSE的公式为：

$RMSE=\sqrt{\frac{1}{n}\underset{i=1}{\overset{n}{\Σ}}{(s-ps)}^2}.$

其中n为验证数据段样本个数，s为实际风速，ps为预测风速。

相对于现有技术，本发明所述的一种基于神经网络和模式搜索优化的多气象风速融合方法，主要有以下优势：

本发明针对NWP预测风速偏差的非线性特征，采用神经网络+模式搜索寻优的算法可以充分表达NWP预测风速与实际风速之间的关系，提高预测风速的精度，进而提高了风功率预测数值预报的精度。

附图说明

图1是本发明的流程图；

图2是本发明实施例的NWP预测风速1-实际风速散点图；

图3是本发明实施例的NWP预测风速2-实际风速散点图；

图4是本发明实施例的NWP预测风速3-实际风速散点图；

图5是本发明实施例的神经网络结构图；

图6是本发明实施例的融合后预测风速-实际风速的散点图。

具体实施方式

需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。

下面将结合实施例以及附图来详细说明本发明。

本发明引入神经网络及模式搜索优化算法进行NWP预测风速融合，算法流程图如图1所示，步骤如下:

1)、剔除异常数据：从电场数据库中获取实际风速及各个气象源的NWP预测风速，剔除不合理的数据。

按照风速数值进行判断，风速的合理范围一般为0～25m/s。另外，如果风速数据连续几个采样点(例如连续3个)完全一样，那么这段数据一般是风速仪出现故障或者数据采集软件故障，也要将其剔除。

2)、设计神经网络结构：根据气象源的个数，设定输入层神经元个数，由于最终只需预测出风速，所以输出层则只有1个神经元，隐含层的神经元个数需要根据经验及预测结果进行调整。

3)、模式搜索算法优化网络权值：利用模式搜索算法，优化神经网络的权值w和b，优化目标可以是传统的风速均方根误差或者绝对偏差。

具体步骤为：步骤3)所述采用模式搜索算法优化的方法为：首先利用梯度下降的学习算法,训练神经网络的参数w及b；然后将这组参数作为模式搜索的出发点，搜索步长在10～100中选择，以保证模式搜索算法的全局最优性；最后采用模式搜索方法，在各个参数的维度上搜索最优的神经网络参数。

4)、测试融合模型：利用测试数据测试模型的精度，如果精度不满足要求，则回到步骤2，调整神经网络的结构，重新训练网络；如果精度满足要求则得到最终的融合模型，进行风速预测。

将1)中的实际风速与NWP预测风速按时间分成建模及验证数据段，设置隐含层神经元个数后，利用建模数据段，采用模式搜索算法训练神经网络模型，然后利用验证数据段验证模型的有效性(通过预测风速与实际风速的均方根误差(RMSE:Root Mean Square Error)来判断，误差越小说明模型越有效)。

$RMSE=\sqrt{\frac{1}{n}\underset{i=1}{\overset{n}{\Σ}}{(s-ps)}^2}$

其中n为验证数据段样本个数，s为实际风速，ps为预测风速。假设有m组NWP预测风速，神经网络隐含层神经元个数一般在1～m+1的范围，可以尝试不同的隐含层神经元个数，比较相应的验证数据段的预测风速均方根误差，选择最优的神经元个数。

另外，国家电网要求预测功率精度在80％以上，对预测风速的精度现阶段还没有进行考核，但是如果预测风速精度太低会导致预测功率偏差较大，我们一般要求预测风速RMSE在2.5m/s以下。

以山西某风电场为例，为该电场提供了3组NWP预测风速，选取2015年10月～2016年5月的数据进行仿真测试。用2015年10月～2016年2月的数据进行建模，用2016年3月至5月的数据进行验证。图2-图4是验证数据段这3组预测风速与实际风速的散点图，横坐标为NWP预测风速，纵坐标为实际风速。可见这3组NWP预测风速与实际风速均有偏差，均方根误差分别为2.95m/s，2.64m/s，3.3m/s，偏差都比较大，需要进行风速融合提高预测风速的精度。

将异常风速数据剔除后，利用建模数据段建立神经网络模型，采用2)～4)中的流程，调整神经网络隐含层神经元个数，然后用模式搜索法训练神经网络的参数w及b，具体训练方法为：首先利用梯度下降的学习算法,训练神经网络的参数w及b；然后将这组参数作为模式搜索的出发点，搜索步长在10～100中选择，以保证模式搜索算法的全局最优性；最后采用模式搜索方法，在各个参数的维度上搜索最优的神经网络参数。

图5是神经网络结构图，根据测试数据段预测风速的均方根误差，最后选择隐含层神经元个数为1时，均方根误差最小为2.12m/s，3组NWP预测风速的均方根误差都小，图6为融合后预测风速-实际风速的散点图，从散点图上也可以看出融合后的预测风速-实际风速的散点图最为紧凑，偏差最小。因此通过模式搜索算法来训练神经网络的方法可以有效提高预测风速的精度。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。