耦合气象信息与EMD技术的风电发电能力预测方法与流程
本发明属于风电发电能力预测技术领域，具体涉及一种耦合气象信息与emd数据处理技术的风电发电能力预测方法。
背景技术：
目前，我国对于清洁能源消纳能力的需求与日俱增，对于如何进一步将更大容量的清洁能源电源纳入电网，与传统电源进行有效的协同运行、调度也提出了一系列的问题。风电、光伏等属于较为常见的清洁能源，其出力过程受电厂所在地气象条件的影响，往往具有间歇性的特点，对其纳入当地电网统一安排发电计划造成了一定的障碍。基于这一实际情况，对风电场站在各个时间尺度下的长中短期发电能力的准确评估，对包含清洁能源电网的安全稳定运行具有重要意义。现阶段国内外对于风电场站的发电能力预测，有以下几个解决方向：(1)基于传统统计模型，由风电场站的历史发电数据出发，对一定时间颗粒的同类发电数据进行数学统计模型意义上的外延，从而达到预测的目的。这种预测方式的依据是风电场的风力情况在时间角度上会具有一定的惯性，在预测尺度较短时，这种惯性会稳定一段时间。因此，基于此种思路，运用马尔科夫链、自回归滑动平均模型等均可以帮助实现风电场的点预测或概率置信区间预测。但对于中长期尺度下的风电场站发电能力预测，由于风力变化过程的平稳性将有所减弱，此时基于状态转移与线性回归的方法可能不再适用。(2)基于软计算方法的风电场站发电能力预测。通过深入寻找数据中隐含的高维特征，使用包括神经网络、支持向量回归、回归树等计算方法，将需要预测发电能力的风电场站的历史数据资料，按照所需要的时间步长预处理并作为输入条件(如风电场站的风速、风功率等)，将所预测的单、多步风速或风功率作为模型的输出，通过软计算方式建立的黑箱模型模拟物理量的动态变化过程，最终获得预测结果。但该种方法其输入条件与输出风功率之间的映射关系为黑箱模型，其物理意义并不明确，故此类方法在某些高维特征不连续情况下(如影响风功率的一些自然条件发生改变，且无法量化)对数据之间对应关系的建模表达并不足够准确，进而导致其在此类情况下预测精度偏低。因此如何克服现有技术的不足是目前风电发电能力预测技术领域亟需解决的问题。
技术实现要素：
本发明的目的是为了解决现有技术的不足，提供一种耦合气象信息与emd数据处理技术的风电发电能力预测方法，该方法在建模过程中对风电场站的气象影响因素作为一定的输入条件进行考量，同时通过对历史数据的合理分解与处理提高预测模型建模描述的准确性，进而实现精度更高的风电发电能力预测。
为实现上述目的，本发明采用的技术方案如下：
耦合气象信息与emd技术的风电发电能力预测方法，包括如下步骤：
步骤(1)，建立模型所需的基础数据，包括2年以上风电场站的日平均出力、风电场站装机容量、日风速时间序列数据，设数据序列长度为n天；
步骤(2)，对风电场站历史日平均出力结合历史风速数据采用变点法-四分位法进行数据清洗处理，去除因通讯故障、人为弃风、数据记录错误导致的无效异常信息，得到风电场的风速-日平均出力曲线；对风功率异常日，采用线性插值的方法进行线性插值得出日平均出力，最终得到可用于训练的风速-风功率时序数据集合w＝{(v1，p1)，(v2，p2)，…，(vi，pi)，…，(vn，pn)}(i＝1,2,…,n)，其中，vi为第i天的风速，pi为第i天的风功率；
步骤(3)，对序列w中的p1,p2,…,pn部分采用经验模态分解方法进行序列分解，得到对应i个本征模函数和一个余项；
步骤(4)，对第2个本征模函数到第i个本征模函数与余项表达式，即imf2、……、imfi、r0，其对应的数学函数表示为f1(vi),f2(vi),…,fi(vi)，将其与序列w中的风速值分别组成t1、……、ti的i个新的输入训练集tm＝{vi,fm(vi)}，m＝1,2,…,i；确定模型预测的预见期tfore，设定各本征模函数对应的训练模型输入层神经元个数为tfore，输出层神经元个数为1，对各个训练集ti分别进行bp神经网络训练；最终得到适用于电站风功率预测的风速-风功率本征模函数bp神经网络模型；
步骤(5)，按照步骤(4)预测模型训练时要求的输入条件，将预测起点日前tfore天的历史风速序列输入(4)训练好的模型中，模型逐日向后预测从预测起点向后tfore日内风电场各日平均出力，即得到该风电场站待预测时段内预测的风电发电能力。
进一步，优选的是，步骤(2)的具体方法为：
步骤(2.1)，对风电场站的历史日平均出力数据与对应的风速数据按照风速大小每1m/s为一个区间从小到大进行分组，分为s1、s2、…、sk、…sl共l组，各组内数据长度为dk；
步骤(2.2)，对每一组sk(k＝1，2，…，l)，按照公式
步骤(2.3)，采用最小二乘法对方差变化率δt进行变点识别，设δt服从一两段线性模型；以δt的观察值与理论值之差的二次方和作为目标函数，以其达到极小值之点的时刻或位置作为数据系列变点位置的估计，求出各组sk的数据序列变点序号，将序号后的部分异常值舍弃；
步骤(2.3)，采用四分位法对舍弃异常区间后的风速区间内对应异常日平均出力的数值点进行清洗；将变点法处理后的风速区间内日平均出力区间[pmin,pmax]平均划分成四部分，处于三个分割点位置的数值，分别记作q1、q2、q3；通过四分位距iqr＝q3-q1，确定日平均出力数值的内限[f1,fu]＝[q1-1.5iqr,q3+1.5iqr]；将内限以外的风速-日平均出力数据点确定为日平均出力异常数据点进行清洗。
进一步，优选的是，步骤(4)中，bp神经网络训练的训练步骤如下：①从预测起点日起向前取tfore个日风速数据，输入各本征模函数bp神经网络输入层；②从输出层获得预测区段第1个日平均出力预测值pf1对应的各本征模函数值；将各本征模函数值相加得到pf1，由风速-日平均出力曲线得对应得风速值vf1；③将预测起点日后移1日，按照①、②步预测第2个、……、第tfore个预测值。
本发明同时提供耦合气象信息与emd技术的风电发电能力预测系统，包括：
数据采集模块，用于采集2年以上风电场站的日平均出力、风电场站装机容量、日风速时间序列数据；
第一处理模块，用于采用变点法-四分位法对于采集到的数据进行清洗处理，对风功率异常日，对风功率异常日，采用线性插值的方法进行线性插值得出日平均出力，最终得到可用于训练的风速-风功率时序数据集合；
第二处理模块，用于对风速-风功率时序数据集合中的风功率部分采用经验模态分解方法进行序列分解，对第2个本征模函数到第i个本征模函数及余项表达式与风速-风功率时序数据集合中的风速组成输入训练集进行bp神经网络训练，得到bp神经网络模型；
风电发电能力预测模块，用于采用bp神经网络模型对待预测时段内的风电发电能力进行预测。
本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如上述耦合气象信息与emd技术的风电发电能力预测方法的步骤。
本发明另外提供一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如上述耦合气象信息与emd技术的风电发电能力预测方法的步骤。
针对风电预测中存在的历史资料存在客观失真以及出力过程随机性与波动性较大，即使通过软计算方法建模同样难以准确找到高维特征，进而实现准确预测的问题，本发明通过两步数据预处理以及神经网络针对处理后数据集建模训练的方式进行风电预测以解决上述问题。首先通过变点法-四分位法，实现对于历史风功率资料失真数据的优化处理，提高生成训练集原始数据系列的数据质量。其次，通过经验模态分解算法进行处理后风功率系列的分解处理，对分解后规律性与稳定性更强的本征模函数与对应时间序列的气象信息一同进行bp建模训练以提高最终风电预测精度。本发明可以解决单个风电场站中期时间尺度(7-10d)的发电能力预测，给出预测结果精度优于目前研究领域一般bp建模预测模型，是一种切实可行可用的方法。
本发明与现有技术相比，其有益效果为：
本发明为一种结合气象信息与多种数据预处理方法的风电场中期发电能力预测建模方法。通过两个阶段对数据的预先处理，使对应数据集之间的高维特征更易被神经网络算法捕捉，生成模型的速度更快，其计算准确度更优。
本发明综合合理的气象数据，对风电场站的历史风功率数据采用适当算法进行预处理，综合风电场站气象数据与场站历史风功率数据两者，再采用软计算方法发掘数据高维特征进行预测计算，有效的解决风电预测问题；由于在对历史时间序列数据进行统计分析与软计算方法建模的同时，考虑了风力发电的物理影响因素，其预测精度较单一使用两者之一的方法大幅提高，更好地满足了电网调度计划制定过程中对风电发电能力的预测要求，具有重要的使用推广价值。
附图说明
图1是本发明方法的总体方法框图；
图2是单一风电场风功率系列emd分解示意图；
图3是磨豆山风电场预测结果与实际风功率过程的对比；
图4是本发明耦合气象信息与emd技术的风电发电能力预测系统的结构示意图；
图5为本发明电子设备结构示意图。
具体实施方式
下面结合实施例对本发明作进一步的详细描述。
本领域技术人员将会理解，下列实施例仅用于说明本发明，而不应视为限定本发明的范围。实施例中未注明具体技术或条件者，按照本领域内的文献所描述的技术或条件或者按照产品说明书进行。所用材料或设备未注明生产厂商者，均为可以通过购买获得的常规产品。
耦合气象信息与emd技术的风电发电能力预测方法，包括如下步骤：
步骤(1)，建立模型所需的基础数据，包括2年以上风电场站的日平均出力、风电场站装机容量、日风速时间序列数据，设数据序列长度为n天；
步骤(2)，对风电场站历史日平均出力结合历史风速数据采用变点法-四分位法进行数据清洗处理，去除因通讯故障、人为弃风、数据记录错误导致的无效信息，得到风电场的风速-日平均出力曲线；对风功率异常日，采用线性插值的方法进行线性插值得出日平均出力，最终得到可用于训练的风速-风功率时序数据集合w＝{(v1，p1)，(v2，p2)，…，(vi，pi)，…，(vn，pn)}(i＝1,2,…,n)，其中，vi为第i天的风速，pi为第i天的风功率；
步骤(3)，对序列w中的p1,p2,…,pn部分采用经验模态分解方法进行序列分解，得到对应i个本征模函数和一个余项；
步骤(4)，对第2个本征模函数到第i个本征模函数与余项表达式，即imf2、……、imfi、r0，其对应的数学函数表示为f1(vi),f2(vi),…,fi(vi)，将其与序列w中的风速值分别组成t1、……、ti的i个新的输入训练集tm＝{vi,fm(vi)}，m＝1,2,…,i；确定模型预测的预见期tfore，设定各本征模函数对应的训练模型输入层神经元个数为tfore，输出层神经元个数为1，对各个训练集ti分别进行bp神经网络训练；最终得到适用于电站风功率预测的风速-风功率本征模函数bp神经网络模型；
步骤(5)，按照步骤(4)预测模型训练时要求的输入条件，将预测起点日前tfore天的历史风速序列输入(4)训练好的模型中，模型逐日向后预测从预测起点向后tfore日内风电场各日平均出力，即得到该风电场站待预测时段内预测的风电发电能力。
步骤(2)的具体方法为：
步骤(2.1)，对风电场站的历史日平均出力数据与对应的风速数据按照风速大小每1m/s为一个区间从小到大进行分组，分为s1、s2、…、sk、…sl共l组，各组内数据长度为dk；
步骤(2.2)，对每一组sk(k＝1，2，…，l)，按照公式
步骤(2.3)，采用最小二乘法对方差变化率δt进行变点识别，设δt服从一两段线性模型；以δt的观察值与理论值之差的二次方和作为目标函数，以其达到极小值之点的时刻或位置作为数据系列变点位置的估计，求出各组sk的数据序列变点序号，将序号后的部分异常值舍弃；
步骤(2.3)，采用四分位法对舍弃异常区间后的风速区间内对应异常日平均出力的数值点进行清洗；将变点法处理后的风速区间内日平均出力区间[pmin,pmax]平均划分成四部分，处于三个分割点位置的数值，分别记作q1、q2、q3；通过四分位距iqr＝q3-q1，确定日平均出力数值的内限[f1,fu]＝[q1-1.5iqr,q3+1.5iqr]；将内限以外的风速-日平均出力数据点确定为日平均出力异常数据点进行清洗。
步骤(4)中，bp神经网络训练的训练步骤如下：①从预测起点日起向前取tfore个日风速数据，输入各本征模函数bp神经网络输入层；②从输出层获得预测区段第1个日平均出力预测值pf1对应的各本征模函数值；将各本征模函数值相加得到pf1，由风速-日平均出力曲线得对应得风速值vf1；③将预测起点日后移1日，按照①、②步预测第2个、……、第tfore个预测值。
如图4所示，耦合气象信息与emd技术的风电发电能力预测系统，其特征在于，包括：
数据采集模块101，用于采集2年以上风电场站的日平均出力、风电场站装机容量、日风速时间序列数据；
第一处理模块102，用于采用变点法-四分位法对于采集到的数据进行清洗处理，对风功率异常日，对风功率异常日，采用线性插值的方法进行线性插值得出日平均出力，最终得到可用于训练的风速-风功率时序数据集合；
第二处理模块103，用于对风速-风功率时序数据集合中的风功率部分采用经验模态分解方法进行序列分解，对第2个本征模函数到第i个本征模函数及余项表达式与风速-风功率时序数据集合中的风速组成输入训练集进行bp神经网络训练，得到bp神经网络模型；
风电发电能力预测模块104，用于采用bp神经网络模型对待预测时段内的风电发电能力进行预测。
在本发明实施例中，数据采集模块101采集2年以上风电场站的日平均出力、风电场站装机容量、日风速时间序列数据；第一处理模块102采用变点法-四分位法对于采集到的数据进行清洗处理，对风功率异常日，对风功率异常日，采用线性插值的方法进行线性插值得出日平均出力，最终得到可用于训练的风速-风功率时序数据集合；第二处理模块103对风速-风功率时序数据集合中的风功率部分采用经验模态分解方法进行序列分解，对第2个本征模函数到第i个本征模函数及余项表达式与风速-风功率时序数据集合中的风速组成输入训练集进行bp神经网络训练，得到bp神经网络模型；风电发电能力预测模块104采用bp神经网络模型对待预测时段内的风电发电能力进行预测。
本发明实施例提供的耦合气象信息与emd技术的风电发电能力预测系统，该系统在对历史时间序列数据进行统计分析与软计算方法建模的同时，考虑了风力发电的物理影响因素，其预测精度较单一使用两者之一的方法大幅提高，更好地满足了电网调度计划制定过程中对风电发电能力的预测要求，具有重要的使用推广价值。
本发明实施例提供的系统是用于执行上述各方法实施例的，具体流程和详细内容请参照上述实施例，此处不再赘述。
图5为本发明实施例提供的电子设备结构示意图，参照图5，该电子设备可以包括：处理器(processor)201、通信接口(communicationsinterface)202、存储器(memory)203和通信总线204，其中，处理器201，通信接口202，存储器203通过通信总线204完成相互间的通信。处理器201可以调用存储器203中的逻辑指令，以执行如下方法：提取出包含采集2年以上风电场站的日平均出力、风电场站装机容量、日风速时间序列数据；采用变点法-四分位法对于采集到的数据进行清洗处理，对风功率异常日，对风功率异常日，采用线性插值的方法进行线性插值得出日平均出力，最终得到可用于训练的风速-风功率时序数据集合；对风速-风功率时序数据集合中的风功率部分采用经验模态分解方法进行序列分解，对第2个本征模函数到第i个本征模函数及余项表达式与风速-风功率时序数据集合中的风速组成输入训练集进行bp神经网络训练，得到bp神经网络模型；采用bp神经网络模型对待预测时段内的风电发电能力进行预测。
此外，上述的存储器203中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明实施例还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各实施例提供的耦合气象信息与emd技术的风电发电能力预测方法，例如包括：提取出包含采集2年以上风电场站的日平均出力、风电场站装机容量、日风速时间序列数据；采用变点法-四分位法对于采集到的数据进行清洗处理，对风功率异常日，对风功率异常日，采用线性插值的方法进行线性插值得出日平均出力，最终得到可用于训练的风速-风功率时序数据集合；对风速-风功率时序数据集合中的风功率部分采用经验模态分解方法进行序列分解，对第2个本征模函数到第i个本征模函数及余项表达式与风速-风功率时序数据集合中的风速组成输入训练集进行bp神经网络训练，得到bp神经网络模型；采用bp神经网络模型对待预测时段内的风电发电能力进行预测。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如rom/ram、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
本发明耦合气象信息与emd数据处理技术的风电发电能力预测方法由三个部分组成，变点法-四分位法训练集数据清洗、采用emd对训练集数据进行小波分解、按照分解本征模函数系列进行预测模型训练。
①基于变点法-四分位法的训练集数据清洗
变点法是指在一个序列中某个或者某些量突然变化的点，这种变化往往表示数据质的变化。根据所分析样本数据均值与方差的主要数字特征变化，分为位置参数与刻度参数的变点问题。在这一风功率预测建模的问题中，本发明研究的是风速-日平均出力中数据特征突变的位置参数。如果一个风速区间内存在堆积型异常数据，功率序列的变化率、均值、方差或方差的变化率等数据的特征都会发生突变。以方差的变化率作为变点分组依据时，数据损失量相对较少的同时清洗效果比较好，所以对风电场日平均出力的方差变化率进行变点识别，可以从统计学的角度得到功率值明显变化的位置，进而得到某一风速区间内正常风功率的数据集。
四分位数是指将一个排好序的数据样本平均划分成四部分的处于三个分割点位置的数值，分别记作q1、q2、q3。通过计算出的四分位数可以得到四分位距iqr＝q3-q1，最终确定数据样本中异常值的内限[f1,fu]＝[q1-1.5iqr,q3+1.5iqr]。处于内限[f1,fu]以外的数值均判定为异常值。
联合以上两种常见的数据清洗方法可以有效清除风速-风功率数据系列中由于通讯错误、仪器记录错误、人为弃风等造成的集中累积与分散的异常数值，为后续建模分析提供较为精确的数据集。
②对风电场功率序列的预处理——经验模态分解算法(emd)
风电场的实际出力历史数据在具体训练模型的过程中，由于风电的出力时间序列从统计角度看具有较强随机性，其数据系列整体随时间变化的惯性较差，如果直接使用整体序列用于神经网络建模预测，则高维的数据特征很难被捕捉，进而造成模型建立精度的降低。因此，在采用历史风电出力数据进行风电发电能力预测时，需要对既有数据序列进行处理，以尽量去除数据序列的噪声并体现出规律性。对于此类问题，本发明给出一种结合emd进行模型输入条件处理，凸显风电变化规律性提高建模精度的解决方式。
emd是希尔伯特-黄变换的核心内容，该方法假设任何复杂的信号都是由简单的本征态函数imf(intrinsicmodefunction)组成，且各imf都是相互独立的。imf有如下2个特点：整个函数中极值点(极大值和极小值)数目和过零点数目相等或最多相差1个；在任何点，由局部极大值构成的上包络线和由局部极小值构成的下包络线相应点的均值为零。
风电站日平均出力时间序列的emd算法步骤如下：
a.对于历史出力时间序列p(t)，首先找出它所有的极大值点和极小值点。用三次样条插值法分别将所有极大值点、极小值点连成曲线，称为上包络线和下包络线。设m(t)为上、下包络线的均值，h(t)为序列p(t)与m(t)差值，即：h(t)＝p(t)-m(t)。
b.将h(t)作为新的原始序列，重复k次步骤a中的过程直到hk(t)是imf。判断hk(t)是否为imf的标准为：
如果rk小于预先给定的阈值，则hk(t)可以判断为一个imf。设得到的第1个imf为imf1(t)＝hk(t)。
c.得到imf1(t)之后，再用原始日平均出力序列减去imf1(t)，获得余项r1(t)，即：r1(t)＝p(t)-imf1(t)
将r1(t)当作z(t)重复步骤a和步骤b获得第2个imf，即imf2(t)，设r2(t)＝r1(t)-imf2(t)，将r2(t)当作z(t)接着重复上述步骤。为了得到所有imf，重复该过程直到余项函数r(t)为单调函数或者小于预先给定的阈值。最后的余项函数r(t)被称为余项。
在研究过程中，对多个电站的历史风功率数据序列进行emd分解，其结果表明高频率本征模函数对应的序列对于最后进行的神经网络建模往往产生一定的负面影响，对于模型的预测精度产生一定的扰动，因此在下一步的模型训练过程中，我们舍弃imf1的风功率分解序列，不纳入预测模型训练。对磨豆山风电场一段30d的风功率过程进行emd分解后其分解结果曲线见图2。
③结合风速-风功率imf各序列进行bp建模与训练
建立模型采用bp神经网络方法，输入条件为预测区段时间的风速预报数值序列，输出序列为n个imf函数各自对应的本征态函数序列值。在经验模态分解对历史出力数据处理的基础上，对风速与imf1、imf2、……、imfn分别建立n个bp模型进行预测，最终输出序列值进行重整后得到风电场功率预测值序列。
bp神经网络是一种多层前馈型网络，由于其网络参数的调整采用误差反向传播(backpropagation，bp)学习算法，通常被称为bp网络。数学家已经证明，具有sigmoid非线性传递函数的三层神经网络可以任意逼近任何连续函数。典型的bp网络如附图2所示。
在网络结构确定后，就可利用样本集对网络进行训练。训练的实质是一个学习调整过程，即对网络的权值和阈值进行学习和调整，使网络寻找样本集中输入与输出之间的内在隐形函数关系。bp学习算法实质上是把一组样本输入输出问题转化为一个非线性优化问题(称之为表现函数)，并且利用表现函数的梯度调整网络参数，即权值和阈值的修正都要沿着表现函数下降最快的方向——负梯度方向。其学习过程包括误差正向传播和反向传播两个过程。在正向传播过程中，输入信息从输入层经隐含层逐层处理，并传向输出层，每一层神经元的状态只影响下一层神经元的状态。如果输出层不能得到期望的输出，则转入反向传播，将误差信号沿原来的路径返回。通过反复修改各层神经元的权值和阈值，使误差最小。bp学习算法中，各层神经元的权值和阈值的调整公式如下：
xk+1＝xk-akgk
其中，xk是当前的权值和阈值矩阵，gk是当前表现函数的梯度，ak是学习速率。
假设为三层bp网络，输入节点xi，隐含层节点yj，输出节点zl，输入层与隐含层的权重矩阵为wji，隐含层与输出节点的权值矩阵为vlj，输出层和隐含层阈值为b，输入层、输出层的节点函数输出值分别为f(netj)、f(netl)。
当输出节点的期望值为tl时，bp学习算法推导如下：
隐含层节点的输出：
输出层节点的输出：
输出层节点的计算误差：
权重修正公式为：
wji(k+1)＝wji(k)+δwji＝wji(k)+η′δ′jxi
其中隐含层节点误差δ′j中的
输出层和隐含层阈值b的修正公式如下：
bl(k+1)＝bl(k)+ηδl
bj(k+1)＝bj(k)+η′δ′j
故有：
输出层：
f′(netl)＝f(netl)(1-f(netl))＝zl(1-zl)
隐含层：
f′(netj)＝f(netj)(1-f(netj))＝yj(1-yj)
以上为bp神经网络算法中间隐藏神经元以及输出神经元最终训练权重的计算过程。
应用实例
根据上述计算方法，我们对一个实际风电场站未来10d的风电发电出力过程进行预测计算。实例中我们使用云南磨豆山风电场的历史运行数据与风速数据。其预测结果如下表1所示。为了对emd-bp方法所得结果的合理性进行对比，对相同条件下的算例采用不对风功率系列进行emd分解，直接进行bp神经网络训练的方法进行预测模型率定与10d风功率预测，其结果见上表第4列。其两种方法的预测过程与实际出力过程的对比曲线见图3。通过预测结果的对比可以看出，对于2.1至2.5日之间，emd-bp方法的预测准确率均值为89.9％，而bp方法的预测准确率为89.84％，预测精度相对比较接近。而在预测时段较远的后5日，emd-bp方法平均预测准确率为87.4％，bp方法为80.2％，可以看出在预测时段较远的情况下，emd-bp方法具有更高的预测准确性。
表1磨豆山10d预测结果表
通过实际预测计算可以看出，在靠近预测起点部分的5d内，预测模型的预测值与实际值比较接近，从大小与变化趋势上均较为一致，该预测模型对风电出力的预测精度相对较高。但对于距离预测起点较远，其输入条件内出现前期预测值，并且数值的大小或者趋势出现较大变化时，该部分的预测精度则有所欠缺。这是由于预测模型的率定所采用的emd经验模态分解与bp神经网路相结合的方法属于对数据高维特征的挖掘算法，其对于连续性较好的、能正确反应实际数据物理变化规律的时间序列数据具有较高的预测精度。但是模型对于输入与输出之间映射关系的物理成因并未做出探究，因此对于距离现有实际数据较远距离时间点的风功率无法做出准确的预测，对于各种人为因素或突发环境改变导致的突变点及以后时段的风功率预测精度也会出现不足。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
- 还没有人留言评论。精彩留言会获得点赞！