基于pso-grnn风电场风电机缺损风速值填充方法
【技术领域】
[0001] 本发明属于风电机技术领域，特别涉及了基于PSO-GRNN风电场风电机缺损风速 值填充方法。
【背景技术】
[0002] 为了有效地将风能并入电网中，对于风电场的出力进行准确预测是极其必要和关 键的，这其中，〇至6小时的短期预报对于电网实时调度，确保电网频率、功率和电压平衡等 涉及电网安全的技术参数具有重要意义。风电场风机测量风速的完整性无论对于风电场出 力研究、还是对于研究风机布局以及风机紊流影响等都具有重要意义。针对我国多个风场 的采集数据进行分析，在经过必要的数据质量检查后，最突出的问题是出现了缺损的数据， 其时间跨度从10分钟至几小时。现有研究表明风力数据的缺失对于风电的预估将产生重 要影响，必须加以考量。
[0003] 1997年，美国能源部发布《风能资源预估手册（Wind Resources Assessment Handbook，WRAH)NREL/SR-440-22223》，中国政府于2002年发布了《风场风能资源测量方 法GB/T 18709-2002》、《风场风能资源评估方法GB/T 18710-2002》以及2010年发布了《地 面气象观测资料质量控制QX/T 118-2010》。这些手册只是做了规范性的指导和要求，缺乏 具体的技术方法。针对风场测量风速缺损值的填充策略大多是围绕空间相关性，采用持续 法、曲线拟合法、差分自回归移动平均法（Autoregressive Integrated Moving Average Model，简称ARIMA)以及神经网络模型等。持续法假设风速不变；曲线拟合插值函数的非线 性特性很难与风速变化趋势一致，使得缺损值填充效果不好。ARIM将风速数据视为一个随 机序列，通过对历史风速数据进行平稳化处理、模型识别，来近似描述风速的变化趋势。由 于风速数据的高度非线性，ARIMA也较适用于超短期的缺损值的填补应用中。人工神经网 络作为一种新的方法，具有分布并行处理、非线性映射、自适应学习和鲁棒容错等特点，符 合风速数据高度非线性的特点。
[0004] 已有文献多基于空间相关性原理，即相邻地区气象观测资料强相关的基础，采用 地理位置上相邻的测量设备或站点的测量数据组织神经网络训练集并进行缺损值的填充。 由于整个风场占地面积较大，风电机众多，如果考虑到风场地势高低起伏的地理环境、风电 机的紊流效应以及季节对风速风向等影响因素，风场中空间位置邻近的风电机，其测量风 速很难保证强相关；相关系数法强调其线性相关性，而风速具有强非线性特点，极大影响了 最终的填充效果，同时单一模型的稳定性也欠佳，也影响了最终填充结果的可靠性。
【发明内容】
[0005] 为了解决上述【背景技术】提出的技术问题，本发明旨在提供基于PSO-GRNN风电场 风电机缺损风速值填充方法，针对以往单一填充模型稳定性差的缺点，采用基于GRNN的神 经网络组合填充模型对各子模型的填充结果进行动态组合，克服了传统组合模型中子模型 权系数固定导致的组合模型效果欠佳的不足，同时设计了对于组合用GRNN最佳平滑系数 的确定方案，进一步提高了最终的填充结果精度和稳定性。
[0006] 为了实现上述技术目的，本发明的技术方案为：
[0007] 基于PSO-GRNN风电场风电机缺损风速值填充方法，包括以下步骤：
[0008] (1)读入风电场中风电机的原始采样风速集V = {v(#WTp, Tq), P = 1，2,…，S，q = 1，2,…，Z，其中，v(#WTp，Tq)表示风电机#WTP在采样点T q的测量风速值，S为风电机的总 数，Z为采样点总数；在采样区间[Tk~T J内，从风场内采样风速完整的风电机集#?!1中搜 索与缺损采样风速的风电机SWT1风速演化最相似的前η台风电机，其中，η为整数，T ,和T i 分别为采样区间[IV-T1]的起始点和终止点，[IV-T1]的区间长度为Lmiss;
[0009] (2)确定GRNN填充子模型待优化参数集以及评价此优化参数集的适应度函数；
[0010] (3)运用PSO算法优化步骤⑵中待优化的参数，建立GRNN填充子模型；
[0011] (4)确定GRNN组合神经网络平滑参数，对步骤（3)建立的GRNN填充子模型进行 GRNN组合，生成最终的填充结果。
[0012] 进一步地，在步骤（1)中，分别采用动态时间规整法、Pearson相关系数法和空间 近邻法，从风场内采样风速完整的风电机集#11~中搜索与缺损采样风速的风电机#11' 1风速 演化最相似的前η台风电机，具体过程如下：
[0013] 动态时间规整法，计算缺损采样风速的风电机SWT1与风电机集#WT中的每台风电 机对应采样区间[Tk T k J中风速数据的DTW距离，取DTW距离最小的前η台风电机；
[0014] Pearson相关系数法，计算缺损采样风速的风电机SWTi与风电机集#WT中的每台 风电机对应采样区间[T k ^~T k J中风速数据的相关系数R，取R最大的前η台风电机；
[0015] 空间近邻法，计算缺损采样风速的风电机SWT1与风电机集#WT中的每台风电机的 大圆距离D，取D最小的前η台风电机；
[0016] 其中，Tk 和T k i分别为动态时间规整法和Pearson相关系数法中进行风速演化 相似性计算的采样区间的起始点和终止点，[Tk ^~Tk J的区间长度为Len。
[0017] 进一步地，步骤（2)的具体过程如下：
[0018] (a)以动态时间规整法生成的数据构造 GRNN，待优化的参数共有3个，分别为GRNN 输入层向量维数I1、进行演化相似性比较的风速长度L1ARNN的平滑参数S1，此处I 1即为步 骤⑴中计算得到的缺损采样风速的风电WttWT1与风电机集#WT中的每台风电机对应采 样区间[T k ?Μ1~T k J中风速数据的DTW距离最小的前I1台风电机，1彡I A n，L i= Len， 取一正整数m，以该I1台风电机在采样区间[Tk ^llllss~Tk ^llss J的采样风速作为训练组输 入数据，以SWT1在采样区间[T k ^llllss~T k ^llss J的采样风速作为训练组目标数据，以该I1 台风电机在采样区间[Tk ^llss~Tk J的采样风速作为测试组输入数据，以SWT1在采样区间 [Tk u"ss~T k J的采样风速作为模拟填充用的测试组目标数据，建立GRNN模型，它适应度 函数为此训练组、测试组数据对于平滑参数为GRNN的模拟填充结果的均方误差MSE_ DTff ；
[0019] (b)以Pearson相关系数法生成的训练组数据构造 GRNN，待优化的参数共有3个， 分别为GRNN输入层向量维数I2、进行演化相似性比较的风速长度L 2、GRNN的平滑参数S2， 此处12即为步骤（1)中计算得到的计算缺损采样风速的风电机SWT 1与风电机集#WT中的 每台风电机对应采样区间[Tk ^~Tk J中风速数据的相关系数R最大的前I2台风电机， 1彡12彡n，L 2= Len，取一正整数m，以该12台风电机在采样区间[T k mWjlliss~T k ^iss J的 采样风速作为训练组输入数据，以SWT1在采样区间[Tk Tk ^llss J的采样风速作为训 练组目标数据；以该I2台风电机在采样区间[TkUluss~Tkl]的采样风速作为测试组输入数 据，以SWT1在采样区间[Tkbluss~Tkl]的采样风速作为模拟填充用的测试组目标数据，建立 GRNN模型，它的适应度函数为此训练组、测试组数据对于平滑参数为&的GRNN的模拟填充 结果的均方误差MSE_PCC ;
[0020] (C)以空间近邻法生成的训练组数据构造 GRNN，待优化的参数共有2个，分别为 GRNN输入层向量维数IjPGRNN的平滑参数S3，此处I3为步骤（1)中计算得到的缺损采样 风速的风电机SWT 1与风电机集#WT中的每台风电机的大圆距离D最小的前I 3台风电机， 1彡13彡n，L 3= Len，取一正整数m，以该13台风电机在采样区间[T k mWjlliss~T k ^iss J的 采样风速作为训练组输入数据，以SWT1在采样区间[Tk Tk ^llss J的采样风速作为训 练组目标数据，以该I3台风电机在采样区间[TkUluss~Tkl]的采样风速作为测试组输入数 据，以SWT1在采样区间[Tkbluss~Tkl]的采样风速作为模拟填充用的测试组目标数据，建立 GRNN模型，它的适应度函数为此训练组、测试组数据对于平滑参数为&的GRNN的模拟填充 结果的均方误差MSE_SPA。
[0021] 进一步地，步骤（3)的具体过程如下：
[0022] (A)采用PSO算法对MSE_DTW求最小，进行迭代寻优，当达到迭代终止条件时，获 得以动态时间规整法生成的训练组数据构造 GRNN的最优参数，分别为I_DTW、1^^￥和S_ DTW，建立第1个GRNN填充子模型；
[0023] ⑶采用PSO算法对MSE_PCC求最小，进行迭代寻优，当达到迭代终止条件时，获 得以Pearson相关系数法生成的训练组数据构造 GRNN的最优参数，分别为I_PCC、L_PCC和 S_PCC，建立第2个GRNN填充子模型；
[0024] (C)采用PSO算法对MSE_SPA求最小，进行迭代寻优，当达到迭代终止条件时，获 得以空间近邻法生成的训练组数据构造 GRNN的最优参数，分别为I_SPA和S_SPA，建立第3 个GRNN填充子模型。
[0025] 进一步地，步骤（4)的具体过程如下：
[0026] ( I )以建立好的3个GRNN填充子模型分别在采样区间[Tk ^llllss~T k ^llss J内 对风电机滞T1的模拟输出作为训练组输入数据，以滞T i在采样区间[Tk Tk ^llss J内 的采样风速作为训练组目标数据，以各GRNN填充子模型分别在采样区间[Tk ^llss~Tk J内 的模拟结果作为测试组输入数据，以SWT1在采样区间[Tk ^llss~Tk J内的采样风速作为测 试组目标数据，建立GRNN模型，采用交叉验证法，以针对测试组目标数据的均方误差最小 为衡量标准，确定GRNN组合神经网络的最佳平滑参数S。；
[0027] ( II )以建立好的3个GRNN填充子模型分别在采样区间[Tk ^nilss~T k J内对风 电机SWT1的模拟输出作为训练组输入数据，以#WT i在采样区