台机组总的风电功率。隶属函数为高斯函数；个数为两个；训练 次数为2000次；训练样本选取的是8月5日到8月7日的风电功率实际值；
[0050] (2)建立多步滚动预测模式
[0051] 进行风电功率预测时，一般已知建模域所有时刻风电功率的实际值P(t_n At)，n =0,1，2. . . N，因此建模域的历史数据数量为N+1，需要预测的风电功率为P (t+1 A t)，1 = 1，2. . . L，L为多步预测的步数，令&(&/△〇表示滚动多步预测模式下的风电功率预测值，在 滚动多步预测方式下有：
[0053] 其中f代表所选预测方法对应的映射关系。
[0054] (3)建立基于自适应神经模糊推理系统（ANFIS)的风电功率预测模型
[0055] 输入ANFIS模型的结构如说明书附图的图1所示，整个建模过程分5层进行，用Ok, i表示第k层的第i个节点的输出。
[0056] 第1层：此层中，每个节点i都是由节点函数表示的（该层参数是可变的）：
[0058] 其中：Xi (或x2)为节点i的输入，Ai(或&_2)为与该节点函数值相关的语言量，如 "大"或"小"等。换句话说， 〇i i是模糊集a(a = Ai，' Bi，氏）的隶属度函数，通常可以选 用高斯函数（本文所用）和钟形函数等。
[0059] 第2层：该层的节点在说明书附图的图1中用n表示，将输入信号相乘，其乘积为 模糊规则激励强度 Wi，将其作为第2层的输出：
[0060] 02, ！=w!=yAi(xjyBi (x2)，i= 1，2 (3)
[0061] 第3层：该层的节点在图中用N表示，此层进行的是激励强度归一化处理，其输出 为：
[0063] 第4层：该层每个节点均为自适应节点，应计算每条规则的贡献，其输出为：
[0065] 其中，Pi、qjPr 为结论参数。
[0066] 第5层：计算所有规则的最终输出，即计算所有输入信号的总输出为：
[0068] 因此可以将建模域内已知的风电功率历史数据作为ANFIS预测模型的输入，从而 得到预测域的风电功率预测值。
[0069] (4)预测精度评价
[0070] 预测精度评价采用国家能源局在对现行风电场风电功率实时预测预报的管理规 定中，提出的指标来进行误差评价，从而实现对预测结果的评价。
[0071] 表1和表2为以8月8日为例，分别对91号机组和整场267台机组风电功率在各 预测方法下，依据具体实施方案进行预测时的预测精度评价指标统计表。
[0072] 表1 91号机组风电功率预测结果评价指标（8月8日）
[0074] 表2整场267台机组总风电功率预测结果评价指标（8月8日）
[0076] 中华人民共和国国家能源局于2011年发布的《风电场功率预测预报管理暂行办 法》中对风电功率实时预测要求为全天预测结果均方根误差应小于20%，由表1和表2知， 通过ANFIS模型来进行预测时，无论是单台机组还是整场机组，其准确率、合格率均较高， 全天预测结果均方根误差也均低于20%，符合要求，说明了 ANFIS预测模型的有效性。
[0077] 91号机组在8月8日的第29次预测中（全天共预测96次，每次预测16个点）， 基于ANFIS预测方法下的预测值和真实值对比如图2所示。从中可以看出，在此次预测中， ANFIS预测模型的预测结果非常接近真实值。
[0078] 以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术 人员应了解，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其等效 物界定。
【主权项】
1.基于自适应神经模糊推理系统的风电功率实时高精度预测方法，其特征在于：基于 自适应神经模糊推理系统的风电功率实时高精度预测方法包括W下数据采集及处理、建立 多步滚动预测模式、建立基于自适应神经模糊推理系统（ANFIS)的风电功率预测模型和预 测精度评价4个步骤；基于自适应神经模糊推理系统的风电功率实时高精度预测方法的预 测精度，单台机组全天预测结果均方根误差为14. 01%，整场267台机组总风电功率预测结 果评价指标中的全天预测结果均方根误差为7. 03%，符合国家能源局对风电功率实时预测 精度的全天预测结果均方根误差须低于20%的要求，说明了ANFIS预测模型的有效性；基 于自适应神经模糊推理系统的风电功率实时高精度预测方法的4个步骤具体内容如下： (1) 数据采集及处理 采集风电场各风力机组每15分钟间隔的实际风电功率数据，将历史数据分为两个部 分，一部分作为训练集（分为输入和输出），另一部分作为预测时的输入数据； (2) 建立多步滚动预测模式 进行风电功率预测时，一般已知建模域所有时刻风电功率的实际值P(t-nAt)，n= 0，1，2...N，因此建模域的历史数据数量为化1，需要预测的风电功率为P(t+lAt)，1 = 1， 2. ..LL为多步预测的步数，令片(f+ /Af)表示滚动多步预测模式下的风电功率预测值，在滚 动多步预测方式下有： A(' + /心)=八戶('-(W- / + 1)心)，..'，尸(f-心)，作)，戶r(f+ 么化...，A(【+ (/ - 1)W) U) 其中f代表所选预测方法对应的映射关系； (3) 建立基于自适应神经模糊推理系统（ANFI巧的风电功率预测模型整个建模过程分 5层进行，用〇k,i表示第k层的第i个节点的输出； 第1层；此层中，每个节点i都是由节点函数表示的（该层参数是可变的）：口） 其中；Xi(或X,)为节点i的输入，Ai(或町_2)为与该节点函数值相关的语言量，如"大" 或"小"等；换句话说，〇i,i是模糊集A(A=A1，A2,Bi，B2)的隶属度函数，通常可W选用高斯 函数（本文所用）和钟形函数等； 第2层：该层的节点在说明书附图的图1中用n表示，将输入信号相乘，其乘积为模糊 规则激励强度Wi，将其作为第2层的输出： 〇2'i= W i= y Ai(Xi) WBi(X2)，i = 1，2 (3) 第3层；该层的节点在图中用N表示，此层进行的是激励强度归一化处理，其输出为：(4) 第4层：该层每个节点均为自适应节点，应计算每条规则的贡献，其输出为： 〇4., =w,/； =W,(PA+ + /?,)，z'=l，2 (5) 其中，Pi、qi和r;均为结论参数； 第5层；计算所有规则的最终输出，即计算所有输入信号的总输出为： (6) 因此可W将建模域内已知的风电功率历史数据作为ANFIS预测模型的输入，从而得到 预测域的风电功率预测值； (4)预测精度评价 预测精度评价采用国家能源局在对现行风电场风电功率实时预测预报的管理规定中， 提出的指标来进行误差评价，从而实现对预测结果的评价；指标具体计算式如下： 日平均预测计划曲线准确率ri:式中，rii为第i次实时预报的准确率；巧，为第i次实时预报中第k时刻的风电功率实 际值；巧为第i次实时预测中第k时刻的风电功率预测值，Cap为风电场的开机容量； 日平均预测计划曲线合格率r2:式中，为第i次实时预测的合格率； 全天预测结果均方根误差rs:(11) 当准确率ri、合格率r,越大、全天预测结果均方根误差r3越小时，预测精度越高。
【专利摘要】基于自适应神经模糊推理系统的风电功率实时高精度预测方法，属于风电技术领域，其特征在于首先设计实验方案，对数据进行采集及处理，建立多步滚动预测模式，构建基于自适应神经模糊推理系统(ANFIS)的风电功率预测模型，最后对预测精度进行评价，达到提供一种基于数据的、具有自学能力的、满足实时预测精度要求的风电功率多步滚动实时预测方法的目的。基于自适应神经模糊推理系统的风电功率实时高精度预测方法预测结果非常接近真实值，预测结果有效，预测精度高，可操作性强。
【IPC分类】G06Q50/06, G06Q10/04
【公开号】CN104933489
【申请号】CN201510382594
【发明人】杨茂, 齐玥
【申请人】东北电力大学
【公开日】2015年9月23日
【申请日】2015年6月29日