模型的平均填充误差，显示 出了良好的适应性。
[0092] 测试实例2第#WT2S~#WT 37共10台风电机对比测试结果
[0093] 命名在未采用PSO优化前3个子模型DTW_GRNN、PCC_GRNN和SPA_GRNN的平均为 AVE_N0PS0_GRNN ;命名采用 PSO 优化后 3 个子模型 PS0_DTW_GRNN、PS0_PCC_GRNN 和 PS0_ SPA_GRNN的平均为AVE_PS0_GRNN ;命名直接采用该风电机在风速缺损值发生时刻之前的 采样风速来构建的GRNN神经网络为SINGLE_GRNN，此处假定采用前6个采样风速训练下一 个采样风速，训练长度为600个步长，GRNN平滑系数统一为0. 5,将训练好的SINGLE_GRNN 对于缺损测量的20个步长的风速数据进行填充；命名直接采用该风电机在风速缺损值发 生时刻之前的采样风速来构建的BP神经网络为SINGLE_BP，此处假定采用前6个采样风速 训练下一个采样风速，训练长度为600个步长，此处采样标准3层6-13-1结构的BP神经网 络，并假定SINGLE_BP的学习率为0. 1，期望训练误差为0. 00004,最大训练步数为1000次， 将训练好的SINGLE_BP对于缺损测量的20个步长的风速数据进行填充，模拟填充结果列于 表5中.
[0094] 表 5
[0095]
LlN 丄UOldS/zy A I ^ 丄Z/IZ JM
[0096] 由表5可见，SINGLE_GRNN的误差好于SINGLE_BP，说明GRNN神经网络的学习和泛 化性能优于BP神经网络，本申请提出的风电机测量风速缺损值的组合填充系统在3个误差 指标上都好于其它模型，表现出了良好的系统平稳性和精准性。
[0097] 以上实施例仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是 按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明保护范围 之内。
【主权项】
1. 基于PSO-GRNN风电场风电机缺损风速值填充方法，其特征在于，包括以下步骤： (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#WT P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n台风电机，其中，n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; (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； (3) 运用PSO算法优化步骤（2)中待优化的参数，建立GRNN填充子模型； (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。2. 根据权利要求1所述基于PSO-GRNN风电场风电机缺损风速值填充方法，其特征在 于：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#WT中搜索与缺损采样风速的风电机SWT 1风速演化最相似的前n 台风电机，具体过程如下： 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 ten~Tk J中风速数据的DTW距离，取DTW距离最小的前n台风电机； 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[Tk ^~T k J中风速数据的相关系数R，取R最大的前n台风电机； 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n台风电机； 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。3. 根据权利要求2所述基于PSO-GRNN风电场风电机缺损风速值填充方法，其特征在 于，步骤（2)的具体过程如下： (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Q、GRNN的平滑参数S 1，此处I1即为步 骤（1)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 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 := Len， 取一正整数m，以该I1台风电机在采样区间[Tk ^nilss-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 Ulllss~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 ； (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I2 即为步骤（1)中计算得到的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[T k ^~Tk J中风速数据的相关系数R最大的前I2台风电机，I < 1n， L2= Len，取一正整数m，以该I 2台风电机在采样区间[Tk mWjlliss~T k ^lliss d的采样风速作 为训练组输入数据，以SWT1在采样区间[TkTk^lllssJ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[Tk^llss~TkJ的采样风速作为测试组输入数据，以SWT1 在采样区间[Tk ^lllss-TkJ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; (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13和GRNN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SWT1与风电机集#WT中的每台风电机的大圆距离D最小的前I3台风电机， 1彡13彡n，L3=Len，取一正整数m，以该13台风电机在采样区间[TkmWjlliss~Tk^llissJ的 采样风速作为训练组输入数据，以SWT1在采样区间[TkTk^llssJ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。4. 根据权利要求3所述基于PSO-GRNN风电场风电机缺损风速值填充方法，其特征在 于，步骤（3)的具体过程如下： (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、L_DTW和S_DTW，建 立第1个GRNN填充子模型； (B) 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； (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。5. 根据权利要求4所述基于PSO-GRNN风电场风电机缺损风速值填充方法，其特征在 于，步骤（4)的具体过程如下： (I)以建立好的3个GRNN填充子模型分别在采样区间[Tkl^nilss~Tk^llssJ内对风 电机SWT1的模拟输出作为训练组输入数据，以#WTi在采样区间[Tk~TktnussJ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~TkJ内的 模拟结果作为测试组输入数据，以SWT1在采样区间[Tk ^llss~TkJ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。； (II)以建立好的3个GRNN填充子模型分别在米样区间[TkmWjlliss~Tkd内对风电机SWT1的模拟输出作为训练组输入数据，以#WTi在采样区间[TkTkJ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[IV-T1]内的填充结果作为 测试组输入数据，建立GRNN模型，平滑参数为S。，该GRNN模型的输出即为针对SWT1在采样 区间[IV-T1]内的缺损采样风速的组合填充结果。
【专利摘要】本发明公开了基于PSO-GRNN风电场风电机缺损风速值填充方法，依次进行风速数据相似性判定；确定GRNN填充子模型待优化参数集和评价此优化参数集的适应度函数；运用PSO算法优化待优化的参数，建立GRNN填充子模型；GRNN填充子模型进行GRNN组合，生成最终的填充结果。本发明针对以往单一填充模型稳定性差的缺点，提取与缺损测量风速风电机在缺损采样点附近风速演化最相似的若干台风电机的测量风速，采用PSO-GRNN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，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。
【IPC分类】G06F17/50
【公开号】CN105138729
【申请号】CN201510443853
【发明人】杜杰, 彭丽霞, 刘玉宝, 曹一家, 陆金桂, 顾韵华, 潘林林, 刘月巍, 孙泓川, 顾云丽, 徐萌
【申请人】南京信息工程大学
【公开日】2015年12月9日
【申请日】2015年7月24日