基于联想神经网络的风速序列预测方法
【专利摘要】本发明属于时间序列预测分析领域，具体为基于联想神经网络的风速序列预测方法。针对具有混沌特性的风速序列，构造了一种用于风速序列预测的联想网络。以风速序列的波动性作为相似性测度准则，构造联想网络的存储样本模式，根据存储模式中蕴含的关联信息完成网络的学习，从而完成具有自相似性的风速序列的一步和多步预测分析。本发明适用于风速序列预测分析中。
【专利说明】
基于联想神经网络的风速序列预测方法
技术领域
[0001] 本发明属于时间序列预测分析领域，涉及一种用于风速时间序列预测的方法，特 别涉及一种基于联想神经网络的风速序列预测方法。
【背景技术】
[0002] 风能作为一种清洁能源，是目前世界上各国大力发展的新能源之一。而风力发电 又是利用风能的最佳途径之一。但风电并网的技术问题一直制约着风电的发展和利用。这 是由于自然界的风具有较强的随机性和波动性，因此风电在并网过程中会对电力系统产生 较大的冲击。解决该问题的有效途径之一就是对风速进行有效的短期预测，并通过优化调 度等方式缓解风电对电网的冲击。目前，风电场每天都要对风速序列进行短期预测，以保证 风电的质量。
[0003] 由于气象系统具有复杂的非线性特点，风速序列虽然具有可预测性，但准确的预 测却具有较大的难度。目前的风速数据预测的误差甚至高达25%-40%，因此开展有效的风 速预测研究具有重要的理论意义和应用价值。
[0004] 由于数值气象预报模型很难获取，因此基于历史数据的风速预测研究具有更现实 的应用前景。基于历史数据的风速预测的实质是试图利用各种理论和方法，挖掘出风速历 史数据中蕴含的各种关联信息，再利用这些关联信息实现对未来风速的有效预测。实际风 电场中常用的方法有持续预测法、时间序列分析方法、神经网络方法、卡尔曼滤波方法等 等。这些方法试图根据历史数据的关联性建立风速序列的数学模型或者预测模型。但风速 数据在不同时段可能会表现出不同的性质，其内在规律也会发生变化，因此，随着时间的推 移，采用单一不变的模型进行预测分析会降低预测结果的可靠性。
[0005] 现有研究表明，风速具有复杂的非线性特性，并且往往会表现出混沌特性。风速数 据的混沌特性可通过计算风速序列的Lyapunov指数进行判断。由于混沌系统的相空间具有 分形结构，表现出自相似性，因此具有混沌特性的风速序列一般也具有分数维和自相似的 特点。
[0006] 因此，从风速数据自身特性入手，针对具有混沌特性的风速序列，挖掘风速数据蕴 含的相似性关联信息，设计一种简单有效地风速序列预测方法具有很好的应用价值。
【发明内容】
[0007] 本发明所要解决的技术问题是，从风速数据自身特性入手，针对具有混沌特性的 风速序列，挖掘风速数据蕴含的相似性关联信息，构造出风速的相似模式，设计一种基于联 想网络的风速序列的预测方法。
[0008] 本发明所采用的技术方案是：一种基于联想神经网络的风速序列预测方法，针对 具有混沌特性的风速序列，构造了一种用于风速序列预测的联想网络。以风速序列的波动 性作为相似性测度准则，构造联想网络的存储样本模式，根据存储模式中蕴含的关联信息 完成网络的学习，从而完成具有自相似性的风速序列的一步和多步预测分析。
[0009] 本发明的目的在于建立预测机理明确，预测结果唯一，且可一次给出多步预测结 果的风速序列预测方法，具有很好的实用性。
【附图说明】
[0010] 图1是联想预测网络结构图。
【具体实施方式】
[0011] 下面结合附图对本发明作进一步详细说明。
[0012] 风速序列往往具有复杂的动力学特性，可利用混沌理论对其开展动力学特性分 析，并判断其是否具有混沌特性。
[0013] 风速序列的混沌特性可结合相空间重构理论计算其Lyapunov指数进行判断。时间 序列的相空间重构理论是通过重构相空间将时间序列中蕴含的混沌特性在高维空间中显 示出来。设风速时间序列为&(0^ = 1，2，...}，其重构的相空间可表示为：
[0014] Y(t) = {x(t)，χ(?+τ)，· . ·，x(t+(m_l)τ)}，t = 1，2，· · · （1)
[0015] 其中，m为嵌入维数，τ为延迟时间，x(t)为t时刻的风速值，x(t+T)为t+τ时刻的风 速值，X(t+(m-l)W为时刻的风速值，Y(t)为重构相空间中的t时刻的状态向量。利 用构造好的相空间可计算时间序列的Lyapunov指数，当Lyapunov指数大于0时，可判断该序 列具有混沌特性。
[0016] 根据混沌理论，混沌系统的相空间轨迹往往具有分形结构。时间序列的分形维数 可通过计算Hurst指数进行求取。Hurst指数可采用R/S分析方法进行计算，设时间区域为T， 时间序列(xt 11 = 1，2, . . .}的均值为μτ，累积极差R(T)和标准差S(T)计算如下：
[0017]
[0018]
[0019]
[0020]
[0021]
[0022] 式中，Η为Hurst指数，R/S为重标极差，c为与T无关的正值常数。
[0023] Η体现了统计分形的自相似性以及自相似程度，与时间序列的分维D有线性关系D = 2-Η〇
[0024]当0.5<Η< 1时，表明时间序列具有统计自相似性和混沌初值敏感依赖性。Η越接 近1，自相似程度越高，可预测性越强。
[0025]神经网络具有自组织、自学习的能力，适合处理非线性数据分析问题。在时间序列 的预测分析中具有良好的应用效果。但通常的用于时间序列预测分析的神经网络是前向型 的神经网络，如ΒΡ神经网络。这类网络利用梯度下降等学习算法修改网络权值和参数，实现 输入层到输出层的映射。当训练样本构造合理时，可完成时间序列的预测分析。但这类方法 具有一定的不足，首先，神经网络的初始参数和权值为随机选取，对于同样的数据每次预测 所得结果也不相同，预测结果具有一定的随机性。其次，网络在训练过程中易于陷入局部极 小，预测性能无法得到保障。另外，前向型神经网络的预测机理不明确，无法获得输出与输 入的显式表达关系，预测效果完全取决于网络的泛化能力，降低了预测结果的可靠性。
[0026]联想记忆网络是另一类神经网络，典型的网络如Hopfield网络，这类网络一般根 据存储模式蕴含的关联信息构造出无监督学习算法实现存储模式的联想记忆。与BP神经网 络相比，该网络的机理明确，能够显性利用存储模式数据内部的关联信息，因此，在联想记 忆中得到较好的应用。但由于网络结构的限制，这类网络很少用于时间序列预测分析中。 [0027]本发明针对具有混沌特性的风速序列，基于联想网络的工作机理，构建了一种可 用于风速序列预测分析的联想预测网络模型，实现了一种新的风速时间序列预测方法。本 发明方法根据当前风速序列的波动性，在历史数据中构造出相似模式向量，利用相似模式 之间的关联信息与统计信息构建学习算法，采用所构建的联想网络实现风速序列的预测分 析。
[0028] 联想网络需要构造一定数量的存储样本，利用存储样本的关联信息才能实现联想 记忆。为了采用联想记忆网络进行风速序列的预测分析，本发明利用已知风速序列构造联 想存储样本模式。
[0029] 对于具有混沌特性和自相似性的风速序列，可提取与当前风速序列段相似的序列 段构造存储样本。由于风速具有较强的波动性，因此本发明以风速的波动情况衡量样本模 式之间的相似性。
[0030] 设风速序列为{以〖）4 = 1，2，...，11}，可获得该序列的波动模式序列{7(〇4 = 1， 2，. . .，n}，其中：
[0031]
(6)
[0032]式中，x(t)为t时刻的风速值，x(t)为t-ι时刻的风速值，sgn( ·)为二值函数，y(t) 为波动模式序列t时刻的模式值，y(t)的取值为+1或者-1，当x(t)的值比前一时刻的值x(t_ 1)小的时候，也就是风速值变小时，y(t)取-1，否则为+1。根据y(t)的取值可判断出风速的 变化或波动趋势。
[0033]根据风速序列的波动性对不同序列段的风速状态进行匹配性测度。
[0034] 设输入模式长度为N。则可确定输入模式向量乂化=[以11-糾1)^(11-糾2)，...，以11-1)，x(n)]，这样，输入模式向量对应的输入波动模式为Yin=[y(n-N+2)，. . .，y(n-l)，y(n)]。 设联想网络存储样本模式数量为P，从后向前寻找与输入波动模式相同的P个向量作为联想 模式向量{Zi，i = l，2, · · ·，P}，其中，Zi = [ζΥζ1〗，· · ·，zVi] = [y(k)，y(k+l)，y(k+2)，· · ·， y(k+N-2)]，Zi的各元素取值均为± 1，且Zi = Yin，而Zi对应的风速序列段为[x(k-l)，x(k)，x (k+1)，···，x(k+N_2)]。
[0035] 其中，x(n-N+l)为n-N+1时刻的风速值，x(n-N+2)为n-N+2时刻的风速值，x(N-l)为 n-1时刻的风速值，X (N)为η时刻的风速值，y (n-N+2)为波动模式序列n-N+2时刻的模式值，y (n-1)为波动模式序列N-1时刻的模式值，y(n)为波动模式序列η时刻的模式值。x(k-l)为k-1时刻的风速值，x(k)为k时刻的风速值，x(k+l)为k+1时刻的风速值，x(k+N-2)为k+N-2时刻 的风速值，y (k)为波动模式序列k时刻的模式值，y (k+1)为波动模式序列k+1时刻的模式值， y (k+2)为波动模式序列k+2时刻的模式值，y (k+N-2)为波动模式序列k+N-2时刻的模式值， 2\为联想模式向量Zt的第1个分量，为联想模式向量Z t的第2个分量，zVi为联想模式向 量冗1的第N-1个分量，设风速序列的最大预测步长为p，则利用寻找到的相似模式构造训练 样本对集{8*，1 = 1，2，...，卩}，其中
[0036]
[0037] 其中，x(k+N_l)为k+Ν-Ι时刻的风速值，x(k+N)为k+N时刻的风速值，x(k+N_2+p)为 k+N-2+p时刻的风速值。
[0038]设输入模式
[0039] Xin=A = [ai，a2, · · ·，aN] = [χ(η_Ν+1)，χ(η_Ν+2)，···，χ(Ν_1)，χ(η)] (8)
[0040]其中，A表不输入样本模式向量，ai表不输入样本模式向量A的第1个分量，a2表不输 入样本模式向量A的第2个分量，aN表示输入样本模式向量A的第N个分量。
[0041 ]训练样本对Bj由两部分组成，（bji，bT2, . . .，b\)对应与输入样本模式向量A具有相 同波动性的序列段，（Λ+1，ιΑ+2,...，bVP)为该样本对应的未来数据，这两部分共同组成了 训练样本对。其中，bh表不训练样本对Bj的第1个分量，?Λ表不训练样本对Bj的第2个分量， bjN表不训练样本对Bj的第N个分量，bVi表不训练样本对Bj的第N+1个分量，1Λ+2表不训练样 本对B j的第Ν+2个分量，1^_表示训练样本对Bj的第Ν+ρ个分量。
[0042] 根据上述所构造的P个训练样本对，可设计如图1所示的联想网络。
[0043] 联想网络包含输入层和输出层两层结构，输入层有N个单元，对应输入模式的N个 分量，输出层含有P个单元，对应1~P步的预测值。两层之间有网络的连接权值，连接权值根 据P个训练样本对所蕴含的关联信息进行设计。
[0044] X' n+h表示n+h时刻的风速预测值，X' n+h就是输出层第h个单元的输出值。输入层第i 个单元与输出层第h个单元之间的连接权值Wih设计为：
[0045]
(9)
[0046] 权值Wlh表征了存储模式的第N+h个元素与第i个元素比值的平均值。
[0047] 第h个单元的输出x^+h为：
[0048]
(1〇)
[0049] 第h个单元的输出x^+h根据存储模式各元素与第N+h个元素的比例关系，计算当前 输入模式下的h步的预测值。bVh表示训练样本对叫的第N+h个分量，的表示训练样本对叫的 第i个分量。
[0050] X' η+ι表示n+1时刻的风速预测值，X' n+2表示n+2时刻的风速预测值，X' n+p表示n+p时 刻的风速预测值。
[0051] 上述预测方法根据当前风速序列段的波动性特点，在历史风速数据序列段中寻找 相似序列段作为联想网络的训练样本。由于本发明方法针对具有混沌特性的风速序列开展 预测研究，混沌序列中蕴含着不稳定周期，且其相空间具有自相似性，因此，当前风速序列 的动力学行为与根据历史数据所构建的训练样本的动力学行为应具有一定的相似性。这 样，利用联想网络对训练样本间蕴含的关联信息的统计和挖掘能力，能够完成对当前风速 序列的预测分析。采用本发明方法实现风速序列的多步预测，具体步骤可描述如下：
[0052] Stepl.将所采集到的当前风速时间序列段数据作为网络输入样本模式向量A，根 据输入样本模式向量的单元数和最大预测步数确定联想预测网络输入层和输出层的单元 数，从而构建出联想预测网络。
[0053] Step2.根据A的波动性，在已知序列中从后往前寻找P个相似的波动模式，构成联 想存储样本对。
[0054] Step3.根据所构建的P个训练样本，利用式(9)设计网络权值。
[0055] Step4.利用式（10)完成时间序列1至p步的预测分析。
[0056] Step5.当获取到新的风速序列测量值后，将其加入到已知风速序列中，并计算预 测误差，然后转至Stepl进行下一次预测分析。
[0057] 实施例
[0058] 以某风电场实际采集到的风速数据作为研究对象，风速数据每隔10分钟采集一 次，计算风速序列的Lyapunov指数，计算结果为0.302，大于0，表明该段风速序列具有混纯 特性。进一步计算该序列段的Hurst指数，其结果为0.97,接近于1，说明其具有很好的自相 似性，满足本发明方法应用的前提。进行1步预测分析，采用本发明方法所得平均误差为 0.56m/s，采用BP网络方法所得平均误差为0.71m/s，采用ARMA模型方法所得平均误差为 0.89m.s，本发明方法具有更好的预测结果。
[0059] 本发明的优点在于，根据当前风速序列的波动性，动态地在历史数据中构建具有 相似性的训练样本，根据训练样本元素间的关联信息设计网络权值，满足风速序列动态预 测的要求，本发明方法一次计算可同时给出1至P步预测结果，本发明方法无需反复训练网 络参数，计算量小，且预测机理明确，根据历史相似数据的关联信息实现对未来数据的预测 分析，预测结果唯一，克服了前向型预测网络预测结果具有随机性的缺点。本发明适用于风 速序列预测分析中。
【主权项】
1. 一种基于联想神经网络的风速序列预测方法，其特征在于，针对具有混浊特性的风 速序列，构造了一种用于风速序列预测的联想网络，W风速序列的波动性作为相似性测度 准则，构造联想网络的存储样本模式，根据存储模式中蕴含的关联信息完成网络的学习，从 而完成具有自相似性的风速序列的一步和多步预测分析。2. 根据权利要求1所述的一种基于联想神经网络的风速序列预测方法，其特征在于，风 速序列为{x(t)，t = l，2，...，n}，可获得该序列的波动模式序列{パt)，t = l，2，...，n}，其 中：(1) 式中，x(t)为t时刻的风速值，x(t)为t-1时刻的风速值，sgn( ·)为二值函数，y(t)为波 动模式序列t时刻的模式值，y(t)的取值为+1或者-1，当x(t)的值比前一时刻的值x(t)小的 时候，也就是风速值变小时，y(t)取-1，否则为+1;根据y(t)的取值可判断出风速的变化或 波动趋势。3. 根据权利要求1所述的一种基于联想神经网络的风速序列预测方法，其特征在于，根 据风速序列的波动性对不同序列段的风速状态进行匹配性测度，设输入模式长度为N，则可 确定输入模式向量Xin= [x(n-N+l)，x(n-N+2)，. . .，x(n-l)，x(n)]，运样，输入模式向量对应 的输入波动模式为Yin=[y(n-N+2)，. . .，7(11-1)，7(11)]，设联想网络存储样本模式数量为口， 从后向前寻找与输入波动模式相同的P个向量作为联想模式向量{Zi，i = l，2, . . .，P}，其 中，Zi = [zii，χ?2，. . .，zVi] = [}Kk)，y化+1)，y化+2)，. . .，}Kk+N-2)]，Zi的各兀素取值均为 ± 1，且Zi = Yin，而Zi对应的风速序列段为[x(k-l)，x化），x(k+l)，. . .，x(k+N-2)];其中，X (n-N+1)为n-N+1时刻的风速值，x(n-N+2)为n-N+2时刻的风速值，x(n-l)为n-1时刻的风速 值，X (η)为η时刻的风速值，y (n-N+2)为波动模式序列n-N+2时刻的模式值，y (n-1)为波动模 式序列n-1时刻的模式值，y (η)为波动模式序列η时刻的模式值;X化-1)为k-1时刻的风速 值，X化)为k时刻的风速值，X化+1)为k+1时刻的风速值，X化+N-2)为k+N-2时刻的风速值，y 化)为波动模式序列k时刻的模式值，y化+1)为波动模式序列k+1时刻的模式值，y化+2)为波 动模式序列k+2时刻的模式值，y化+N-2)为波动模式序列k+N-2时刻的模式值，zii为联想模 式向量Zi的第1个分量，zi2为联想模式向量Zi的第2个分量，zV功联想模式向量Zi的第N-1 个分量，设风速序列的最大预测步长为P，则利用寻找到的相似模式构造训练样本对集{Bi， i = l，2，. . .，P}，其中其中，X化+N-1)为k+N-1时刻的风速值，X化+N)为k+N时刻的风速值，X化+N-化p)为k+N- 2+P时刻的风速值，设输入模式 Xin=A= [ai,a2,. . .aN] = [x(n-N+l),x(n-N+2),. . . ,χ(η-Ι) ,x(n)] (3) 其中，A表不输入样本模式向量，ai表不输入样本模式向量A的第1个分量，曰2表不输入样 本模式向量A的第2个分量，aN表不输入样本模式向量A的第N个分量;训练样本对Bj由两部分 组成，（Wl，W2, . . .，Wn)对应与输入样本模式向量A具有相同波动性的序列段，（b^+i， bV2, ...，bVp)为该样本对应的未来数据，运两部分共同组成了训练样本对;其中，表示 训练样本对Bj的第1个分量，ΙΛ表示训练样本对Bj的第2个分量，ΙΛ表示训练样本对Bj的第N 个分量，bVi表示训练样本对Bj的第N+1个分量，trV2表示训练样本对Bj的第N+2个分量，bVp 表示训练样本对町的第N+P个分量;联想网络包含输入层和输出层两层结构，输入层有N个 单元，对应输入模式的N个分量，输出层含有P个单元，对应1~P步的预测值;两层之间有网 络的连接权值，连接权值根据P个训练样本对所蕴含的关联信息进行设计;x\+h表示n+h时 刻的风速预测值，X^n+h就是输出层第h个单元的输出值;输入层第i个单元与输出层第h个单 元之间的连接权值Wih设计为：(4) 权值W化表征了存储模式的第N+h个元素与第i个元素比值的平均值，第h个单元的输出 X' n+h为：(5)
【文档编号】G06N3/08GK105976026SQ201610255135
【公开日】2016年9月28日
【申请日】2016年4月20日
【发明人】修春波, 臧亚坤
【申请人】天津工业大学