主权项 |
用于风电场功率预测模型的正弦归一化方法,其特征在于,包括以下步骤:1)获取风电场的n组数值天气预报数据和风电场输出功率数据;数据采样间隔为15分钟;2)初始化BP神经网络,该BP神经网络具有两个隐藏层;3)分别对风速、风向正弦、风向余弦、气温、气压和湿度进行线性归一化处理,线性归一化的公式如下: <mrow> <msup> <mi>y</mi> <mo>′</mo> </msup> <mo>=</mo> <mfrac> <mrow> <mi>y</mi> <mo>-</mo> <msub> <mi>y</mi> <mi>min</mi> </msub> </mrow> <mrow> <msub> <mi>y</mi> <mi>max</mi> </msub> <mo>-</mo> <msub> <mi>y</mi> <mi>min</mi> </msub> </mrow> </mfrac> </mrow>其中y’为归一化后的变量,y为待归一化变量(风速、风向正弦、风向余弦、气温、气压或湿度),ymin为待归一化变量中的最小值,ymax为待归一化变量中的最大值;对于风电场输出功率数据,进行正弦归一化处理,具体说明如下:首先按以下公式进行线性归一化处理: <mrow> <msub> <mi>x</mi> <mi>new</mi> </msub> <mo>=</mo> <mfrac> <mrow> <mi>x</mi> <mo>-</mo> <msub> <mi>x</mi> <mi>min</mi> </msub> </mrow> <mrow> <msub> <mi>x</mi> <mi>max</mi> </msub> <mo>-</mo> <msub> <mi>x</mi> <mi>min</mi> </msub> </mrow> </mfrac> </mrow>xnew线性归一化后的风电场输出功率数据,x为待归一化的风电场输出功率数据,xmin为待归一化的风电场输出功率数据中的最小值,xmax为待归一化的风电场输出功率数据中的最大值;然后再按照以下公式进行正弦归一化处理: <mrow> <msubsup> <mi>x</mi> <mi>new</mi> <mo>′</mo> </msubsup> <mo>=</mo> <mi>sin</mi> <mrow> <mo>(</mo> <mfrac> <mi>π</mi> <mn>2</mn> </mfrac> <msub> <mi>x</mi> <mi>new</mi> </msub> <mo>)</mo> </mrow> </mrow>x′new为正弦归一化后的风电场输出功率数据;将y′和x′new作用于神经网络模型,依据BP误差反向传播算法,经过学习,最终建立BP神经网络;4)将x′new作为BP神经网络的输入值进行预测,并将得到的预测结果进行反归一化;首先按照以下公式进行正弦反归一化: <mrow> <msup> <mi>x</mi> <mo>′</mo> </msup> <mo>=</mo> <mfrac> <mn>2</mn> <mi>π</mi> </mfrac> <mi>arcsin</mi> <mrow> <mo>(</mo> <msubsup> <mi>x</mi> <mi>new</mi> <mo>′</mo> </msubsup> <mo>)</mo> </mrow> </mrow>其中x′new为上一步得到的预测结果,该值为0到1之间的值,x’为正弦反归一化后的结果;而后再按照以下公式进行线性反归一化:p=x′(Xmax‑Xmin)+XminP为风电场输出功率预测值。 |