基于LCASO-BP模型的风力发电短期功率预测方法

技术领域

本发明属于风力发电短期功率预测技术领域，具体涉及基于LCASO-BP模型的风力发电短期功率预测方法。

背景技术

风力发电是风能利用的主要途径，但是，由于风电的波动性、间歇性和不可控性，风电难以调度控制，给风电的并网运行和调度带来了挑战，严重制约了风力发电的发展，对风电发电功率进行准确预测值得深入研究；因此，提供一种基于逻辑混沌原子搜索算法(LCASO)优化的BP神经网络风力发电功率预测方法，以实现对风力发电准确、高效的功率预测是很有必要的。

发明内容

本发明的目的是为了克服现有技术的不足，而提供一种基于LCASO-BP模型的风力发电短期功率预测方法，以实现对风力发电准确、高效的功率预测，促进风力发电的发展。

本发明的目的是这样实现的：基于LCASO-BP模型的风力发电短期功率预测方法，它包括以下步骤：

步骤1、进行风力发电系统建模；

步骤2、建立LCASO-BP神经网络模型；

步骤3、基于LCASO-BP神经网络模型进行风力发电预测。

所述步骤1进行风力发电系统建模包括：

步骤11、确定风速对风力发电的影响；

步骤12、确定空气密度对风力发电的影响；

所述步骤2建立LCASO-BP神经网络模型包括：

步骤21、建立Logistic混沌模型；

步骤22、建立BP神经网络模型；

步骤23、确定基于逻辑混沌的改进ASO算法；

所述步骤3基于LCASO-BP神经网络模型进行风力发电预测包括：

步骤31、进行数据预处理；

步骤32、确定评价标准；

步骤33、确定模拟试验设计流程。

所述步骤11确定风速对风力发电的影响包括：

风力发电系统的风力涡轮机从自然风中吸收能量，并将其转化为风能，其表示为：

P

其中，P

在风电场的实际运行中，考虑实际条件下空气密度和风速的变化，风速与风速之间存在复杂的非线性关系，用下式来描述，

其中，V

所述步骤12确定空气密度对风力发电的影响包括：

空气密度的大小会影响到风力发电机组所捕获的自然风能的量，空气密度还与外部温度、相对湿度、大气压等因素密切相关，可描述为：

其中，t表示风电场地面温度，h表示相对湿度，P代表大气压，P

所述步骤21建立Logistic混沌模型包括：

传统逻辑映射的迭代方程如下：

x

其中，μ表示控制参数，μ∈(0,4]；x

当x

C

x

式中，C

逻辑混沌映射的一般流程为：通过式(5)将问题的初始决策变量映射到混沌搜索区间，再根据混沌映射的初始值和相应的混沌映射方程，得到新的混沌序列，然后将得到的混沌序列通过式(6)映射到原点问题的解空间中，并根据新决策变量的值计算出适应度值，一直进行以上循环，直至达到混沌搜索的最大数量。

所述步骤22建立BP神经网络模型包括：

BP神经网络由三层组成：输入、隐藏、输出，每一层都由一定数量的神经元组成；每个神经元都有一个阈值，每层由权重连接；两层的输入和输出之间的关系看作是一种映射关系，即每一组输入对应于一组输出，然后使用权值(或阈值)来表示这种关系，然后执行问题处理；

在BP神经网络中，除输入层外，所有层都由神经元组成，每个神经元都相当于一个感知器；首先，输入变量x＝(x

BP网络学习的两个阶段是输入信号的前向缩放和错误的后向缩放；在第一阶段，将训练样本信息输入到输入层，之后由隐藏层进行处理，然后传递到输出层；如果存在实际输出，则在实际输出和预测输出之间存在误差，则执行第二个过程；第二个过程是将输出信号的误差通过原始路径从隐藏层传递到输入层，然后，根据所分配的误差信号，每层的每个神经元调整每个网络的权值和阈值的连接，最后使误差信号逐渐减少；这两个过程交替重复，直到算法收敛并获得满意的误差精度。

所述步骤23确定基于逻辑混沌的改进ASO算法包括：

平衡在原ASO优化过程中的探索和挖掘过程，将逻辑混沌理论引入到ASO(LCASO)中，通过初始化原子的总体位置，选择具有最佳适配度的种群个体作为初始种群，从而提高初始原子种群解的质量和算法的效率，LCASO的优化原理是在ASO优化得到的群体最优值的基础上加入逻辑混沌策略，LCASO算法的工作流程为：

1)参数初始化：设置原子初始种群大小、最大迭代次数、深度、权重等；

2)种群初始化：初始化原子的种群位置，选择适应度最好的种群为初始种群；

3)适应度评价：计算初始种群中原子个体的适应度，并进行排序，更新原子个体和种群的最佳位置；

4)混沌变分：对于群体的最优位置，根据公式(5)(6)进行混沌迭代和适应性评价，选择全局最优解；

5)更新原子加速度、速度和位置；

6)计算原子种群的适应性，并重新排序以更新原子种群位置；

7)迭代次数满足要求后结束，不满足时返回3)继续循环。

所述步骤31进行数据预处理包括：

按以下公式进行数据完整性测试：

其中，C

所述步骤32确定评价标准包括：

评价指标包括平均绝对误差(MAE)、均方误差(MSE)、平均绝对百分比误差(MAPE)和均方根误差(RMSE)，分别用以下公式表示：

/>

其中，n为预测点数，x

所述步骤33、确定模拟试验设计流程包括：

第一步，首先输入风力发电站年历史数据集作为输入数据集，然后对数据集进行一系列预处理，提高输入数据集的质量，然后将训练集分成多个数据集，将测试集也分成多个数据集，然后对输入数据集进行线性归一化；

第二步，确定BP神经网络和LCASO算法及比较算法的参数设置；BP神经网络的参数设置包括训练次数、学习效率设置、网络目标精度和动量系数；LCASO算法的参数设置包括初始总体大小、最大迭代次数、自变量的上限和下限、深度和乘数权重；

第三步，确定三个预测模型隐含层最优神经元节点数，输入变量为测风塔的风速(米/秒)和风向、温度(℃)、气压(hPa)、湿度(％)，输出变量为预测输出功率(kW)，根据输入输出变量确定输入输出变量。

本发明的有益效果：本发明的基于LCASO-BP模型的风力发电短期功率预测方法，通过步骤1进行风力发电系统建模；步骤2建立LCASO-BP神经网络模型；步骤3基于LCASO-BP神经网络模型进行风力发电预测，以基于逻辑混沌原子搜索算法(LCASO)优化的BP神经网络对风力发电功率进行预测的功率预测趋势与实际的功率预测趋势一致性高，可实现对风力发电准确、高效的功率预测，促进风力发电的发展。

附图说明

图1为本发明基于LCASO-BP模型的风力发电短期功率预测方法的流程示意图。

图2为逻辑混沌映射的一般流程示意图。

图3为BP神经网络的基本结构示意图。

图4为LCASO算法的工作流程示意图。

图5为基于标准BP神经网络的风电预测曲线示意图。

图6为基于GA-BP神经网络的风电预测曲线示意图。

图7为基于PSO-BP神经网络的风电预测曲线示意图。

图8为基于LCASO-BP神经网络的风电预测曲线示意图。

图9为风力发电预测结果与实际值比较的示意图。

具体实施方式

下面结合附图对本发明做进一步的说明。

本发明基于LCASO-BP模型的风力发电短期功率预测方法，如图1所示，它包括以下步骤：

步骤1、进行风力发电系统建模；

步骤2、建立LCASO-BP神经网络模型；

步骤3、基于LCASO-BP神经网络模型进行风力发电预测。

所述步骤1进行风力发电系统建模包括：

步骤11、确定风速对风力发电的影响；

步骤12、确定空气密度对风力发电的影响；

所述步骤2建立LCASO-BP神经网络模型包括：

步骤21、建立Logistic混沌模型；

步骤22、建立BP神经网络模型；

步骤23、确定基于逻辑混沌的改进ASO算法；

所述步骤3基于LCASO-BP神经网络模型进行风力发电预测包括：

步骤31、进行数据预处理；

步骤32、确定评价标准；

步骤33、确定模拟试验设计流程。

所述步骤11确定风速对风力发电的影响包括：

风力发电系统的风力涡轮机从自然风中吸收能量，并将其转化为风能，其表示为：

P

其中，P

在风电场的实际运行中，考虑实际条件下空气密度和风速的变化，风速与风速之间存在复杂的非线性关系，用下式来描述，

其中，V

风电场的自然风向对风力发电机组输出功率的影响包括以下两个方面：

首先，在风机运行中，为了使风机捕获尽可能多的风能，风机的偏航装置会根据风速计和风向标的记录数据来调整风机的位置，但是，由于大部分偏航装置是延时的，风机不能有效地与进风对齐，使得风机在相同风速下的输出功率不同。

其次，尾流效应会随风向的变化而变化。逆风风机的风力涡轮机捕获风能后，自然风速逐渐下降，使通过下风向的风机的风能明显降低，相应的输出功率也会降低。因此，在风电场的现场设置和布置中，为了减少尾流效应的危害，通常将风力发电机组相隔较远。

所述步骤12确定空气密度对风力发电的影响包括：

空气密度的大小会影响到风力发电机组所捕获的自然风能的量，空气密度还与外部温度、相对湿度、大气压等因素密切相关，可描述为：

其中，t表示风电场地面温度，h表示相对湿度，P代表大气压，P

混沌是某些非线性系统中固有的随机性现象。它的变化不是随机的，而是看似随机的，它具有以下特征：初始值敏感性、有界性、遍历性、内部随机性、具有正的最大Lyapunov指数等。混沌序列的生成方法主要采用以下混沌：逻辑映射、帐篷映射、厄农映射、洛伦兹映射和逐段线性混沌映射。

逻辑混沌是一种相对简单的数学形式的映射方法，实验表明，该混沌系统具有良好的安全性和稳定性。因此，本发明采用Logistic混沌模型对种群中的最优个体进行混沌映射。此外，与其他生成混沌变量的系统相比，逻辑映射使用简单，计算的计算更少。因此，逻辑映射将被用于在标准原子群中产生混沌现象。

所述步骤21建立Logistic混沌模型包括：

传统逻辑映射的迭代方程如下：

x

其中，μ表示控制参数，μ∈(0,4]；x

当x

C

x

式中，C

如图2所示，逻辑混沌映射的一般流程为：通过式(5)将问题的初始决策变量映射到混沌搜索区间，再根据混沌映射的初始值和相应的混沌映射方程，得到新的混沌序列，然后将得到的混沌序列通过式(6)映射到原点问题的解空间中，并根据新决策变量的值计算出适应度值，一直进行以上循环，直至达到混沌搜索的最大数量。

所述步骤22建立BP神经网络模型包括：

BP神经网络由三层组成：输入、隐藏、输出，每一层都由一定数量的神经元组成；每个神经元都有一个阈值，每层由权重连接；两层的输入和输出之间的关系看作是一种映射关系，即每一组输入对应于一组输出，然后使用权值(或阈值)来表示这种关系，然后执行问题处理；

在BP神经网络中，除输入层外，所有层都由神经元组成，每个神经元都相当于一个感知器；首先，输入变量x＝(x

典型的三层BP神经网络的典型构造如图3所示，左侧为输入节点，右侧为输出节点，中间为隐藏层。

BP网络学习的两个阶段是输入信号的前向缩放和错误的后向缩放；在第一阶段，将训练样本信息输入到输入层，之后由隐藏层进行处理，然后传递到输出层；如果存在实际输出，则在实际输出和预测输出之间存在误差，则执行第二个过程；第二个过程是将输出信号的误差通过原始路径从隐藏层传递到输入层，然后，根据所分配的误差信号，每层的每个神经元调整每个网络的权值和阈值的连接，最后使误差信号逐渐减少；这两个过程交替重复，直到算法收敛并获得满意的误差精度。

传统ASO算法设计简单，适用性好。然而，它有以下两个主要缺陷：过早收敛和容易陷入局部优化。过早收敛会影响探索操作，即全局搜索能力，而陷入局部优化会影响挖掘操作，也就是局部搜索能力。因此，本发明的改进方法旨在平衡在原ASO优化过程中的探索和挖掘过程。

所述步骤23确定基于逻辑混沌的改进ASO算法包括：

平衡在原ASO优化过程中的探索和挖掘过程，将逻辑混沌理论引入到ASO(LCASO)中，通过初始化原子的总体位置，选择具有最佳适配度的种群个体作为初始种群，从而提高初始原子种群解的质量和算法的效率，LCASO的优化原理是在ASO优化得到的群体最优值的基础上加入逻辑混沌策略，如图4所示，LCASO算法的工作流程为：

1)参数初始化：设置原子初始种群大小、最大迭代次数、深度、权重等；

2)种群初始化：初始化原子的种群位置，选择适应度最好的种群为初始种群；

3)适应度评价：计算初始种群中原子个体的适应度，并进行排序，更新原子个体和种群的最佳位置；

4)混沌变分：对于群体的最优位置，根据公式(5)(6)进行混沌迭代和适应性评价，选择全局最优解；

5)更新原子加速度、速度和位置；

6)计算原子种群的适应性，并重新排序以更新原子种群位置；

7)迭代次数满足要求后结束，不满足时返回3)继续循环。

输入数据样本质量受两方面因素影响：一是输入的数据样本存在异常值、缺失值等质量问题，二是输入数据样本的大小和维数差异很大。常见的数据样本问题大致可以分为三类：完整性、准确性和有效性；风电数据的检测标准可参考GB/T 18710-2002标准。

不完整的数据是指缺乏一个数据值和一些重要的属性。其原因可能是采集设备在数据采集过程中存在系统故障和人为操作错误，或者在数据采集和数据组件分析中考虑了不同的因素，以及数据存储中存在的问题。

所述步骤31进行数据预处理包括：

按以下公式进行数据完整性测试：

其中，C

所述步骤32确定评价标准包括：

评价指标包括平均绝对误差(MAE)、均方误差(MSE)、平均绝对百分比误差(MAPE)和均方根误差(RMSE)，分别用以下公式表示：

其中，n为预测点数，x

将LCASO-BP神经网络应用于风力发电功率预测，为了进一步验证其预测模型的综合性能，可选择标准BP神经网络、GA-BP神经网络和PSO-BP神经网络作为比较模型进行比较仿真测试。

所述步骤33、确定模拟试验设计流程包括：

第一步，首先输入风力发电站年历史数据集作为输入数据集，然后对数据集进行一系列预处理，提高输入数据集的质量，然后将训练集分成多个数据集，将测试集也分成多个数据集，然后对输入数据集进行线性归一化；

第二步，确定BP神经网络和LCASO算法及比较算法的参数设置；BP神经网络的参数设置包括训练次数、学习效率设置、网络目标精度和动量系数；LCASO算法的参数设置包括初始总体大小、最大迭代次数、自变量的上限和下限、深度和乘数权重；

第三步，确定三个预测模型隐含层最优神经元节点数，输入变量为测风塔的风速(米/秒)和风向、温度(℃)、气压(hPa)、湿度(％)，输出变量为预测输出功率(kW)，根据输入输出变量确定输入输出变量。

具体地，以某风力发电站2017年历史数据为例：

第一步，首先输入该风力发电站2017年历史数据集作为输入数据集，然后对数据集进行一系列预处理，提高输入数据集的质量，然后将训练集分成27990个数据集，将测试集分成50个数据集，然后对输入数据集进行线性归一化。

第二步，确定BP神经网络和LCASO算法及比较算法的参数设置。BP神经网络的参数设置如下：训练次数为1000，学习效率设置为0.1，网络目标精度为0.1％，动量系数为0.8；LCASO算法的参数设置如下：初始总体大小为30，最大迭代次数为50，自变量的上限和下限分别为(1、3)和(-3、1)，深度和乘数权重分别为50和0.2。

第三步，通过实验方法和经验公式法确定三个预测模型隐含层最优神经元节点数为9个，输入变量为测风塔70米处的风速(米/秒)、测风塔70米处的风向、温度(℃)、气压(hPa)、湿度(％)，输出变量为预测输出功率(kW)，根据输入输出变量确定输入输出变量。输入层和输出层的神经元节点分别为5和1，因此三种预测模型的结构都为5-9-1的三层网络结构。特别是，为了减少随机初始化对总体预测结果的影响，本发明中所有的模拟测试误差评价指标值都采用了20个独立实验结果的平均值。

BP神经网络、GA-BP神经网络、PSO-BP神经网络和LCASO-BP神经网络的风电功率预测曲线如图5-8所示。对比结果表明，LCASO-BP神经网络的预测拟合程度最好，而GA-BP和PSO-BP神经网络的预测拟合程度次之，BP神经网络的排名最差。这表明经过LCASO优化后的BP神经网络的功率预测趋势在很大程度上与实际的功率预测趋势一致。另外，将图9中预测功率与实际功率的对比可以看出，优化前的BP神经网络模型的预测功率，对峰值的过度或滞后都有很大的改善，而优化后的三个模型的预测精度有一定程度的提高，特别是LCASO-BP神经网络的预测功率曲线与实际输出功率曲线基本匹配，对风电系统的短期功率趋势较好呈现，具有显著优势。

综述，本发明的基于LCASO-BP模型的风力发电短期功率预测方法，通过步骤1进行风力发电系统建模；步骤2建立LCASO-BP神经网络模型；步骤3基于LCASO-BP神经网络模型进行风力发电预测，以基于逻辑混沌原子搜索算法(LCASO)优化的BP神经网络对风力发电功率进行预测的功率预测趋势与实际的功率预测趋势一致性高，可实现对风力发电准确、高效的功率预测，促进风力发电的发展。