一种短期风速预测方法及系统与流程
本发明涉及风速预测领域，特别是涉及一种短期风速预测方法及系统。
背景技术：
21世纪以来，能源与环境问题日益全球化，化石能源的稀缺性和环境污染的不可逆性敦促世界各国制定能源可持续发展战略，构建多元化能源体系。推动绿色可再生能源的发展是破解当前能源问题的一把钥匙，更是促进全球能源转型的必经之路。
风力发电作为一种零排放、运行成本低的新能源发电技术，已在世界范围内实现了大规模的开发和利用。据全球风能理事会发布的数据显示，2017年全球风电市场累计装机容量突破500gw，新增装机容量超过50gw，其中中国累计装机容量188gw，占全球累计装机容量的34.8％，新增装机容量为19.5gw，占全球新增装机容量的37％，持续领跑全球风电市场。近年来，海上风电发展势头良好，截止到2017年底，全球海上风电新增装机容量4.331gw，累计装机容量达18.814gw。然而随着装机容量的不断增加，电网消纳问题日益凸显。电网消纳水平低，弃风限电严峻不仅给各风电企业也带来了不可估量的经济损失，而且大大削弱了新能源发电利用率，限制了新能源产业的发展。精确的风速预测是有效提高电网消纳能力的关键环节。
技术实现要素：
本发明的目的是提供一种短期风速预测方法及系统，用以有效提升风速预测精度的可靠性。
为实现上述目的，本发明提供了如下方案：
一种短期风速预测方法，所述方法包括：
获取历史风速数据；所述历史风速数据包括第一历史风速数据和第二历史风速数据，所述第一历史风速数据为所述第二历史风速数据之前的数据；
通过遗传算法对神经网络模型进行优化；
通过所述历史风速数据对优化后的神经网络模型进行训练，得到预测模型；
对所述第二历史风速数据进行变分模态分解，得到多个第二非线性波动风速特征数据；
通过所述预测模型对多个所述第二非线性波动风速特征数据进行预测，得到风速预测数据。
可选的，所述获取历史风速数据，具体包括：
获取初始历史风速数据；所述初始历史风速数据包括第一初始历史风速数据和第二历史风速数据；
通过层次聚类法筛选出与所述第二历史风速数据相关性在阈值范围内的所述第一初始历史风速数据，为第一历史风速数据。
可选的，所述通过遗传算法对神经网络模型进行优化，具体包括：
通过遗传算法优化所述神经网络模型的初始权值和阈值，得到最优初始权值和最优阈值；
通过所述最优初始权值和所述最优阈值确定神经网络模型，得到优化后的神经网络。
可选的，所述通过所述历史风速数据对优化后的神经网络模型进行训练，得到预测模型，具体包括：
对所述第一历史风速数据进行变分模态分解，得到多个第一非线性波动风速特征数据；
将多个所述第一非线性波动风速特征数据作为所述优化后的神经网络模型的输入，得到输出数据；
判断所述输出数据与所述第一非线性波动风速特征数据的误差是否在误差阈值范围内；
若是，确定所述优化后的神经网络模型为预测模型；
若否，调整所述优化后的神经网络模型，使所述输出数据与所述第一非线性波动风速特征数据的误差在误差阈值范围内。
可选的，所述通过所述预测模型对多个所述第二非线性波动风速特征数据进行预测，得到风速预测数据，具体包括：
通过所述预测模型对每个所述第二非线性波动风速特征数据进行预测，得到多个初始风速预测数据；
将多个所述初始风速预测数据进行线性叠加，得到风速预测数据。
一种短期风速预测系统，所述系统包括：
风速数据获取模块，用于获取历史风速数据；所述历史风速数据包括第一历史风速数据和第二历史风速数据，所述第一历史风速数据为所述第二历史风速数据之前的数据；
优化模块，用于通过遗传算法对神经网络模型进行优化；
训练模块，用于通过所述历史风速数据对优化后的神经网络模型进行训练，得到预测模型；
分解模块，用于对所述第二历史风速数据进行变分模态分解，得到多个第二非线性波动风速特征数据；
预测模块，用于通过多个所述第二非线性波动风速特征数据以及所述预测模型，对风速进行预测，得到预测风速。
可选的，所述风速数据获取模块具体包括：
风速数据获取单元，用于获取初始历史风速数据；所述初始历史风速数据包括第一初始历史风速数据和第二历史风速数据；
筛选单元，用于通过层次聚类法筛选出与所述第二历史风速数据相关性在阈值范围内的所述第一初始历史风速数据，为第一历史风速数据。
可选的，所述优化模块具体包括：
优化单元，用于通过遗传算法优化所述神经网络模型的初始权值和阈值，得到最优初始权值和最优阈值；
第一模型确定单元，用于通过所述最优初始权值和所述最优阈值确定神经网络模型，得到优化后的神经网络模型。
可选的，所述训练模块具体包括：
分解单元，用于对所述第一历史风速数据进行变分模态分解，得到多个第一非线性波动风速特征数据；
输入单元，用于将多个所述第一非线性波动风速特征数据作为所述优化后的神经网络模型的输入，得到输出数据；
判断单元，用于判断所述输出数据与所述第一非线性波动风速特征数据的误差是否在误差阈值范围内；
第二模型确定单元，用于当所述输出数据与所述第一非线性波动风速特征数据的误差在误差阈值范围内时，确定所述优化后的神经网络模型为预测模型；
调整单元，用于当所述输出数据与所述第一非线性波动风速特征数据的误差在误差阈值范围外时，调整所述优化后的神经网络模型，使所述输出数据与所述第一非线性波动风速特征数据的误差在误差阈值范围内。
可选的，所述预测模块具体包括：
预测单元，用于通过所述预测模型对每个所述第二非线性波动风速特征数据进行预测，得到多个初始风速预测数据；
叠加单元，用于将多个所述初始风速预测数据进行线性叠加，得到风速预测数据。
与现有技术相比，本发明具有以下技术效果：本发明采用系统聚类方法筛选原始数据得到与预测日相关度高的数据作为预测建模样本，并结合变分模态分解方法对删选的历史数据进行分解，降低数据的复杂程度。同时利用遗传算法优化bp神经网络的初始权值和阈值，降低神经网络陷入局部极值点甚至不收敛的可能性，同时优化后的神经网络对非线性数据具有更好的拟合效果，提高神经网络的预测性能。本发明有效弱化了风速的间歇性和波动性，提升了风速预测精度的可靠性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例短期风速预测方法的流程图；
图2为本发明实施例风电场9天的风速数据分布曲线图；
图3为本发明实施例风速数据聚类结果示意图；
图4为本发明实施例风速数据分解结果示意图；
图5为本发明实施例各imf分量预测结果示意图；
图6为本发明实施例各模型的风速预测曲线示意图；
图7为本发明实施例四个风速预测模型的预测误差示意图；
图8为本发明实施例预测模型的误差分布图；
图9为本发明实施例短期风速预测系统的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1所示，短期风速预测方法包括以下步骤：
步骤101：获取历史风速数据；所述历史风速数据包括第一历史风速数据和第二历史风速数据，所述第一历史风速数据为所述第二历史风速数据之前的数据。所述获取历史风速数据，具体包括：获取初始历史风速数据；所述初始历史风速数据包括第一初始历史风速数据和第二历史风速数据；通过层次聚类法筛选出与所述第二历史风速数据相关性在阈值范围内的所述第一初始历史风速数据，为第一历史风速数据。
系统聚类分析，也称层次聚类法(hierarchicalcluster)是常用的聚类分析方法之一。变量间的差异程度是系统聚类法的分类标准，可以通过计算变量间的距离实现。常用聚类分析距离计算方法包括：最短距离法、最长距离法、类平均法、重心法、中间距离法和离差平方和法，本文采用离差平方和法计算变量间距离。
系统聚类分析的基本思想是首先将n个变量视为一类，根据类与类之间的距离将最相近的类加以合并，再计算新类与其他类之间的距离，并选择将距离最近的类加以合并，每合并一次减少一类，不断计算此过程，直到所有变量合并为一类。系统聚类分析的基本步骤如下：
(1)、计算n个变量两两间的距离{dij}，记作d；
(2)、构造n个类，每类只包含一个变量；
(3)、合并距离最近的两类为一新类；
(4)、计算新类与当前各类的距离，若类个数为1，转到步骤(5)，否则回到步骤(3)；
(5)、画聚类图；
(6)、决定类的个数和类。
步骤102：通过遗传算法对神经网络模型进行优化。通过遗传算法优化所述神经网络模型的初始权值和阈值，得到最优初始权值和最优阈值；通过所述最优初始权值和所述最优阈值确定神经网络模型，得到优化后的神经网络。
遗传算法将待优化参数形成的编码串模拟成一个生物进化过程，通过选择、交叉、突变等操作产生下一代，不断提高群体中个体的适应度值，直到满足一定的终止条件为止。bp神经网络是一种多层前馈式人工神经网络，具有强大的自学习、自适应能力，尤其适用于非线性数据拟合。然而随机产生的初始权值和初始阈值在训练过程中易导致网络陷入局部极值点甚至不收敛，因此采用遗传算法优化bp神经网络的初始权值和阈值。以下给出遗传算法优化bp神经网络的流程：
(1)、初始化ga算法以及神经网络的参数。设置bp神经网络的结构为6-6-1，训练次数为100，学习率为0.1，误差目标为0.0001。设置遗传算法中的种群规模为10，进化次数为60，交叉概率为0.3，变异概率为0.1。
(2)、实数编码，生成初始种群。将按一定顺序级联起来的网络权值和阈值作为遗传算法的一个染色体。在权值和阈值范围内，产生m个这种染色体，就构成初始种群。编码长度l的计算公式如下：
l＝i×j+j+j×k+k(1)
其中，i是神经网络输入层节点数，j是神经网络隐含层节点数，k是神经网络输出层节点数。
(3)、构造适应度函数。遗传算法利用每个染色体的适应度值进行搜索，适应度值越高，遗传到下一代的可能性越大。本发明采用的适应度函数f的计算公式如下：
其中，
(4)选择。即选择用于交叉变异的个体，令f(xi)为个体xi的适应度，个体被选择的概率为：
其中，n为种群个数。
(5)交叉。本采用实数交叉法，具体操作如下
n为[0,1]之间的随机数，mkj为个体k的第j位基因，mlj为个体l的第j位基因。
(6)变异。选择个体i的第j位基因mij按公式进行变异操作。
其中，mmax，mmin为mij的上下界，g为迭代次数，r为基因mij在个体i中比重。
其中，r2为一个随机数，gmax为最大迭代次数。
(7)、反复进行进行(3)-(5)，并从所有个体中选择最优个体，当目标函数达到设定值或达到最大迭代次数，停止进化，获得bp神经网络的初始权值和阈值。
步骤103：通过所述历史风速数据对优化后的神经网络模型进行训练，得到预测模型。具体包括：
对所述第一历史风速数据进行变分模态分解，得到多个第一非线性波动风速特征数据；
将多个所述第一非线性波动风速特征数据作为所述优化后的神经网络模型的输入，得到输出数据；
判断所述输出数据与所述第一非线性波动风速特征数据的误差是否在误差阈值范围内；
若是，确定所述优化后的神经网络模型为预测模型；
若否，调整所述优化后的神经网络模型，使所述输出数据与所述第一非线性波动风速特征数据的误差在误差阈值范围内。
步骤104：对所述第二历史风速数据进行变分模态分解，得到多个第二非线性波动风速特征数据。
变分模态分解是一种自适应、准正交、完全非递归的分解方法，是基于经典维纳滤波、希尔伯特变换和混频的变分问题求解过程。在获取分解变量的过程中通过迭代搜寻变分模型最优解来确定每个分量的频率中心及带宽，将对模态的估计转变为变分问题的求解，使得每个模态的估计带宽之和最小，从而能够自适应地实现信号的频域剖分及各分量的有效分离。
变分模态分解方法在原理上与经验模态分解方法完全不同。经验模态分解只是简单的循环筛选，而变分模态分解则将信号的分解放入了变分模型中，通过寻找约束变分模型的最优解实现复杂信号的分解。此过程中，每个本征模态函数分量的中心频率和带宽不断地相互交替迭代更新，最后自适应地按频带分解信号得到由自己设定的k个窄带本征模态函数分量。变分模态分解的具体步骤如下：
构造变分问题(评估模态带宽)
(1)对每一个模态函数uk(t)，通过希尔伯特变换求其解析信号，得到单边谱；
其中，δ(t)是狄拉克分布；*表示卷积。
(2)各模态的解析信号乘以预估的中心频率
(3)利用高斯平滑求解各模态函数的带宽，各模态函数uk(t)之和为被分解信号x(t)，即：
求解变分问题
(1)引入二次惩罚因子α和拉格朗日乘法算子λ，将约束性变分问题转换化为非约束性变分问题，即：
其中，uk(t)为模态函数，ωk为中心频率，f(t)为原始输入数据。
(2)采用乘法算子交替方向法解决以上变分问题，通过交替更新uk、ωk和λ寻求扩展拉格朗日表达式的极小值点。
uk的迭代：
ωk的迭代：
λ的迭代：
(3)vmd分解的具体过程如下：
步骤一:初始化
步骤二:迭代次数n＝n+1；
步骤三:对于1:k，
对所有的ω≥0，根据公式(11)更新
步骤四:对所有的ω≥0，进行双重提升
步骤五:重复步骤二～步骤四，直到满足迭代约束条件：
结束整个循环并输出结果，从而得到k个窄带imf分量。
步骤105：通过所述预测模型对多个所述第二非线性波动风速特征数据进行预测，得到风速预测数据。通过所述预测模型对每个所述第二非线性波动风速特征数据进行预测，得到多个初始风速预测数据；将多个所述初始风速预测数据进行线性叠加，得到风速预测数据。
根据本发明提供的具体实施例，本发明公开了以下技术效果：本本发明采用系统聚类方法筛选原始数据得到与预测日相关度高的数据作为预测建模样本，并结合变分模态分解方法对删选的历史数据进行分解，降低数据的复杂程度。同时利用遗传算法优化bp神经网络的初始权值和阈值，降低神经网络陷入局部极值点甚至不收敛的可能性，同时优化后的神经网络对非线性数据具有更好的拟合效果，提高神经网络的预测性能。本发明有效弱化了风速的间歇性和波动性，提升了风速预测精度的可靠性。
为了验证本发明方法对实际风电场的风速数据具很好的预测性能，采用中国风电场的风速进行数据仿真实验。
数据分析
风电场每10分钟取一个风速数据，每天采集144个风速点，图2是风电场9天的风速数据分布曲线，最大风速接近18m/s，最低风速却仅仅接近0m/s，风速起伏很大且在第7天风速波动最大。
聚类分析结果
风速序列是一组非线性时间序列，记录了数据的顺序和大小，呈现出风速的动态特征。风速特征既会随着四季的变化而产生明显区别，也会因日出日落的周期变化产生一定的规律。为了充分利用历史风速数据所蕴含的数据信息，本文利用系统聚类分析方法对数据进行分类，采用欧式距离作为度量两向量间的相似度，并利用离差平方和法(ward法)进行并类。9天的风速数据，前8天作为训练集，第9天是预测集，利用聚类分析法对1296个数据分类，聚类结果如图3所示，横坐标表示风速数据收集是在哪天。聚类分析结果显示，与预测集相关度最高的是第4天和第5天，接着是第8天，最后是第1天、第2天和第3天，因此，将第1、2、3、4、5、8天的数据作为变分模态分解(vmd)的输入信号，将有效降低了原始风速数据的复杂程度。
原始风速序列vmd分解结果
取k＝5,α＝500对筛选后的风速数据进行变分模态分解，分解结果如图4所示。黑色曲线是待分解的风速数据，其波动幅度较大，表现出很强的非线性特征，imf1～imf5为分解风速信号得到的5个分量，并且imf1分量到imf5分量波动性逐渐增强，均表现出了原始风速序列的随机波动特征。
基于变分模态分解改进的ga-bp风速预测模型建模步骤
综合系统聚类分析、变分模态分解(vmd)、遗传算法、以及bp神经网络的优势，得到了短期风速预测模型具体的建模流程，并且将此模型命名为hc-vmd-ga-bp模型。详细的建模流程如下：
步骤一：基于系统聚类分析对原始数据进行分类。对9天的原始数据进行系统聚类分析，并依据聚类图结果筛选出与第9天风速数据相关性高数据y(t)；
步骤二：选取参数k,α，对筛选后的数据执行变分模态分解(vmd)，得到k个具有非线性波动特征的经验模态函数：imf1,…,imfk；
步骤三：ga算法优化bp神经网络。利用遗传算法全局搜索能力优化bp神经网络的初始权值和阈值，确定最优初始权值和初始阈值；
步骤四：选择优化后的ga-bp神经网络分别对k个经验模态函数分别进行预测，并记录k个分量的预测结果：y1(t),…,yk(t)；
步骤五：将各分量预测结果进行线性叠加，得到风速预测结果：
步骤六：对风速预测结果进行误差分析。利用平均绝对误差(mae)、均方根误差(rmse)和平均绝对百分误差(mape)对预测结果进行综合评价。
其中，v(t)表示原始风速数据，
风速预测结果以及误差分析
1)各分量预测结果
风速序列是一组典型的非线性时间序列，其固有的随机波动性对提高风速预测精度带来了诸多困难。利用vmd方法对风速序列进行分解，采用ga-bp神经网络对各个imf分量进行预测，得到各imf分量的预测结果，如图5所示。图中实曲线代表实际分量序列，虚曲线代表分量预测序列，imf1和imf2的波动性较小，预测曲线和真实曲线几乎重合，imf3～imf5的波动性逐渐增大，但预测曲线走势与真实序列曲线基本一致并且在数值上相差无几。由此可见，vmd分解深度挖掘了原始风速数据蕴含的信息，有效的较低了原始风速数据的波动性，有效提高了ga-bp神经网络的预测性能。
2)风速预测结果
各个模型的风速预测曲线如图6所示。横坐标是预测周期，纵坐标是风速值。四个模型的预测曲线大部分均在真实风速曲线的下方，说明四个模型的预测结果大部分低于真实风速值。bp神经网络模型和ga-bp模型的风速预测曲线都与原始风速序列变化趋势保持一致，但是点曲线更贴近原始风速序列，并且在第十八个预测点之后虚曲线和点曲线两条线的差别更加明显，这充分说明了遗传算法有效的优化了bp神经网络的预测性能。同时，与ga-bp模型的预测结果相比，hc-ga-bp模型更好地刻画出原始风速序列的变化趋势，可见系统聚类分析处理后的数据对提高预测精度具有重要意义。hc-vmd-ga-bp模型不仅在较精确地描述了原始风速序列的动态变化，而且在数值上更切近原始风速序列。综合以上分析，预测模型的预测性能对风速数据具有敏感性，而风速序列是复杂的时间序列，采用系统聚类分析方法较低风速数据的复杂程度，利用vmd分解方法挖掘历史风速数据的隐含信息，考虑ga-bp神经网络模型强非线性拟合能力和泛化能力，可见，hc-vmd-ga-bp模型具有很好的预测性能且适用于真实风速数据预测，有效的提高了预测精度。
3)风速预测模型的误差分析
四个风速预测模型的预测误差如图7所示，误差分布如图8(a)-(d)所示。图7中带
应用平均绝对误差(mse)、均方根误差(rmse)和平均绝对百分误差(mape)综合评价各模型的风速预测结果。各个模型的具体预测精度如表1所示。bp神经网络的mae、rmse和mape分别为0.6545、0.7895和11.87％，与bp神经网络的误差指标相比，ga-bp模型的mae、rmse和mape至少降低了38.29％，可以明显的看出ga-bp模型的预测性能远超bp神经网络。hc-ga-bp模型的三个误差指标明显小于ga-bp模型的，可见利用系统聚类分析对历史风速数据处理可以有效的提高了ga-bp的预测精度。hc-vmd-ga-bp模型的mae、rmse和mape分别为0.1304、0.1581和2.55％，比hc-ga-bp模型至少降低了58.44％，由此可见vmd分解对原始风速数据分解有效降低了风速序列的随机波动性，提高了短期风速预测精度。通过以上分析，我们知道hc-vmd-ga-bp的三项误差指标均优于其他三种预测模型，这再次证明了hc-vmd-ga-bp模型具有良好的预测性能。
表1风速预测的误差统计
如图9所示，一种短期风速预测系统包括：
风速数据获取模块901，用于获取历史风速数据；所述历史风速数据包括第一历史风速数据和第二历史风速数据，所述第一历史风速数据为所述第二历史风速数据之前的数据。
所述风速数据获取模块901具体包括：
风速数据获取单元，用于获取初始历史风速数据；所述初始历史风速数据包括第一初始历史风速数据和第二历史风速数据；
筛选单元，用于通过层次聚类法筛选出与所述第二历史风速数据相关性在阈值范围内的所述第一初始历史风速数据，为第一历史风速数据。
优化模块902，用于通过遗传算法对神经网络模型进行优化。
所述优化模块902具体包括：
优化单元，用于通过遗传算法优化所述神经网络模型的初始权值和阈值，得到最优初始权值和最优阈值；
第一模型确定单元，用于通过所述最优初始权值和所述最优阈值确定神经网络模型，得到优化后的神经网络模型。
训练模块903，用于通过所述历史风速数据对优化后的神经网络模型进行训练，得到预测模型。
所述训练模块903具体包括：
分解单元，用于对所述第一历史风速数据进行变分模态分解，得到多个第一非线性波动风速特征数据；
输入单元，用于将多个所述第一非线性波动风速特征数据作为所述优化后的神经网络模型的输入，得到输出数据；
判断单元，用于判断所述输出数据与所述第一非线性波动风速特征数据的误差是否在误差阈值范围内；
第二模型确定单元，用于当所述输出数据与所述第一非线性波动风速特征数据的误差在误差阈值范围内时，确定所述优化后的神经网络模型为预测模型；
调整单元，用于当所述输出数据与所述第一非线性波动风速特征数据的误差在误差阈值范围外时，调整所述优化后的神经网络模型，使所述输出数据与所述第一非线性波动风速特征数据的误差在误差阈值范围内。
分解模块904，用于对所述第二历史风速数据进行变分模态分解，得到多个第二非线性波动风速特征数据。
预测模块905，用于通过多个所述第二非线性波动风速特征数据以及所述预测模型，对风速进行预测，得到预测风速。
所述预测模块905具体包括：
预测单元，用于通过所述预测模型对每个所述第二非线性波动风速特征数据进行预测，得到多个初始风速预测数据；
叠加单元，用于将多个所述初始风速预测数据进行线性叠加，得到风速预测数据。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。
- 还没有人留言评论。精彩留言会获得点赞！