本发明涉及一种基于随机模糊神经网络的风电出力预测方法，属于电力系统负荷预测领域。
背景技术：
科技的进步和经济的快速发展使得电力系统领域日趋成熟，与此同时用电用户负荷对电力系统输送电能质量的要求也越来越高，而电能不能长时间保存，是以，对负荷变化与特性进行预测是电网稳定运行和发展的重要内容。在世界能源紧缺的背景下，负荷预测技术显得尤为重要，发电机组的出力、电力的分配只有在对负荷有效预测之后才能实现利用最少的能源出最多的力。
但是风力发电系统具有影响因素众多，各因素之间相互关系错综复杂，主次关系变化不定，数量关系难以提取及定量分析的特点，使得风力发电系统成为由各种不确定性共同作用的复杂巨系统，其往往表现出较强的非线性时变的特征，因而对其建模与预测所需要处理的信息量与计算量往往十分庞大，对算法的性能有较高的要求，这就给预测工作带来了很大的困难。模糊神经网络综合了模糊逻辑和神经网络的优点，其内部包含的大量可调参数使得系统的灵活性大大增强，为控制和决策系统的智能化指出了新的方向，但是对于输入输出数据包含“噪声”的情况，适用性大为降低。随机模糊神经网络(stochasticfuzzyneuralnetwork,sfnn)考虑了输入输出数据包含“噪声”的情况，并且它对于致密集上的连续函数和离散函数具有万能逼近能力。风力发电系统是一种典型的复杂非线性时变系统，难以建立相关信息之间的精确数学模型，利用随机模糊神经网络的自学习和模糊推理能力以及万能逼近能力对风电出力进行预测更具优势。
文献《随机模糊神经网络在公司收益预测中的应用》将随机模糊神经网络用于上市公司每股收益的分类和预测，以解决一般的预测方法没有考虑到输入输出数据含有“噪声”的现实问题。风力发电系统和经济系统相比有很强的相似性，但基于随机模糊神经网络的风电出力预测亟待研究，基于此，提出一种基于随机模糊神经网络的风电出力预测方法对电力系统负荷预测领域具有一定意义。
技术实现要素：
针对现有技术的不足，本发明“一种基于随机模糊神经网络的风电出力预测方法”，建立基于随机模糊神经网络的风电出力预测模型，并对某地区未来某时段实施风电出力预测。
本发明采用如下技术方案：一种基于随机模糊神经网络的风电出力预测方法，该方法包括如下步骤：
步骤1：搜集并整理相关资料数据，建立基于随机模糊神经网络的风电出力预测模型；
步骤2：基于历史风电出力数据，对某地区未来某时段实施风电出力预测。
附图说明
图1是多层前向随机模糊神经网络的结构图；
图2是神经网络中任一节点结构图；
图3是随机模糊神经网络风电出力预测算法流程；
图4是随机模糊神经网络风电出力预测输出和实际输出；
图5是预测输出和实际输出间的相对误差。
具体实施方式
本发明包括以下步骤：
步骤1：搜集并整理相关资料数据，建立基于随机模糊神经网络的风电出力预测模型；
随机模糊神经网络的结构如图1所示，一共有五层。第1层的节点是输入节点，它代表输入语言变量；第2层的节点是模糊产生器节点，它把输入变量模糊化；第3层的每个节点是一规则节点，它代表模糊规则，第3层的所有节点形成模糊规则库，模糊规则数将通过结构学习来确定最优值；第4层是模糊推理机节点。第3层和第4层的连接作为神经模糊推理机，它能避免规则的匹配过程；第5层的节点是模糊消除器或输出节点，它把模糊集映射成一确定点。
随机模糊神经网络中的模糊逻辑采用非单值模糊产生器、乘积推理规则、改进型中心平均模糊消除器和高斯隶属函数。其中，模糊规则库由l条组成：
thenyisgl.(i＝1,…,n；l＝1,…,l)
其中fil和gl为模糊集合，x和y分别为输入和输出语言变量。
令
随机模糊神经网络的节点的基本结构如图2所示，其中，
(1)第一层：输入节点
(2)第二层：模糊产生器节点
并且，
(3)第三层：规则库节
(4)第四层：推理机节点
(5)第五层：模糊消除器或输出节点
由以上各层结点原型的定义可得出多入单出随机模糊神经网络的输入输出关系为：
据此就建立了基于随机模糊神经网络的风电出力预测数学模型，算法流程包括随机模糊神经网络构建、随机模糊神经网络训练和随机模糊神经网络预测。
步骤2：基于历史风电出力数据，对某地区未来某时段实施风电出力预测。
将某地区2016年5月1日到5月30日的风电每15min间隔出力数据代入随机模糊神经网络的风电出力预测数学模型，预测2016年5月31日的风电每15min间隔出力数据，预测结果如图4和图5。
以上实施方案仅用于说明本发明，而并非对本发明的限制，有关技术领域的普通技术人员，在不脱离本发明的精神和范围的情况下，还可以做出各种变化和变型，因此所有等同的技术方案也属于本发明的保护范畴。