一种基于平行小波神经网络的风力发电功率预测方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN109102118A(43)申请公布日2018.12.28(21)申请号201810891446.6(22)申请日2018.08.07(71)申请人王炳达地址110870辽宁省沈阳市经济技术开发区沈辽西路111号(72)发明人王炳达柳义鹏刘丕丕高浩源邢作霞(74)专利代理机构沈阳东大知识产权代理有限公司21109代理人李运萍(51)Int.Cl.G06Q10/04(2012.01)G06Q50/06(2012.01)G06N3/08(2006.01)权利要求书2页说明书6页附图1页(54)发明名称一种基于平行小波神经网络的风力发电功率预测方法(57)摘要本发明属于分布式能源发电控制的技术领域，具体涉及一种基于平行小波神经网络的风力发电功率预测方法，包括：1)获取风电场的条件参数和风电输出功率数据；2)构建预测样本的训练数据集及测试数据集；3)构建并训练平行神经网络模型；4)平行神经网络模型训练完成，投入使用。本发明缩短了神经网络的训练时间，既保留了传统小波神经网络在进行时序预测中的优点，又解决了小波神经网络参数难以确定的缺点，提升了其预测精度。CN109102118ACN109102118A权利要求书1/2页1.一种基于平行小波神经网络的风力发电功率预测方法，其特征在于，包括以下步骤：步骤1：构建平行小波神经网络，其由左侧小波神经网络L-WNN与右侧小波神经网络R-WNN组成；步骤2：采集风电场任意关键位置的相关数据，包括条件参数和风力发电功率；其中条件参数为影响风力发电功率的因素，风力发电功率通过风电场数据采集获得；步骤3，根据所述相关数据，构建预测样本的训练数据集和测试数据集；所述训练数据集为各个时刻的条件参数的数据集，即包括时刻T1、T2、T3……Tn所对应的条件参数的数据集；所述测试数据集为所述各个时刻后的第K个时刻所对应的风力发电功率的数据集，即包括时刻T1+k、T2+k、T3+k……Tn+k所对应的风力发电功率的数据集；其中，n为神经网络的迭代次数，k为设定值；将所述训练数据集中的条件参数作为L-WNN和R-WNN的输入，将所述测试数据集中的风力发电功率作为L-WNN和R-WNN的期望输出；步骤4，将L-WNN和R-WNN的参数进行初始化，分别开始进行训练；步骤4.1：对R-WNN参数迭代更新；步骤4.1.1：对右侧小波神经网络R-WNN的权值W1R(n)及W2R(n)进行调整，即ER(n)＝D(n)-OR(n)其中，n为神经网络的迭代次数；OR(n)为R-WNN的预测输出；D(n)为与OR(n)对应的期望输出；ER(n)为R-WNN的预测误差；lr1R表示R-WNN的权重学习率；W1R(n)为R-WNN的输入层与隐含层之间的权值；W2R(n)为R-WNN的隐含层及输出层之间的权值；步骤4.1.2：对R-WNN小波基函数的参数进行调整，即其中，a2R(n)为R-WNN小波基函数的伸缩因子；b2R(n)为R-WNN小波基函数的时间平移因子；ER(n)为R-WNN的预测误差；lr2R表示小波基函数尺度伸缩因子及时间平移因子的学习率；步骤4.2：对左侧小波神经网络L-WNN参数迭代更新；步骤4.2.1：对L-WNN的权值W1L(n)及W2L(n)进行调整，即EL(n)＝D(n)-OL(n)2CN109102118A权利要求书2/2页其中，OL(n)为L-WNN的预测输出；D(n)为与OL(n)对应的期望输出；EL(n)为L-WNN的预测误差；lr1L表示L-WNN权重学习率；W1L(n)为L-WNN的输入层与隐含层之间的权值；W2L(n)为L-WNN隐含层及输出层之间的权值；每次迭代之后会计算AR(n)与AL(n)，并将其作为评估L-WNN及R-WNN的指标，数值越小则证明其跟踪效果越好，据此对神经网络的相关参数进行调整；步骤4.2.2：对L-WNN小波基函数参数进行调整，即其中，a2L(n)为L-WNN小波基函数的伸缩因子；b2L(n)为L-WNN小波基函数的时间平移因子；EL(n)为L-WNN的预测误差；lr2L表示小波基函数尺度伸缩因子及时间平移因子的学习率；步骤5：对左侧小波神经网络学习率进行更新，即其中，C1、C2、lr1Rmin、lr2Rmin为经验值；步骤6：通过判断L-WNN和R-WNN的迭代次数是否达到设定的最大迭代次数，判断L-WNN和R-WNN的预测误差是否达到要求，确定是否退出循环；步骤6.1：如果L-WNN和R-WNN的迭代次数均达到设定的最大迭代次数，则进入步骤7；否则，进行下一步；步骤6.2：如果L-WNN和R-WNN的预测误差均未达到要求，则返回步骤2；否则，进行下一步；步骤7：将L-WNN作为预测风力发电功率的