一种结合多元及分步线性回归和人工神经网络进行风力发电预测的模型和方法技术

风力发电由于其波动性，间接性，随机性的特性给目前的风力能源的利用从运营计划到调度方案等方面都带来了许多挑战。本发明专利技术提出了一种基于每日天气预测数据以预测风力发电系统日前（day‑ahead）电力输出量的新混合系统和方法。本方法结合了传统的多元线性回归和以及人工神经网络模型，采用了混合建模方法通过分步线性回归的方法筛选更重要的天气预测输入变量，然后将筛选后的天气预测变量馈入人工神经网络模型，从而产生复杂模型以预测风力发电系统的电力输出量。本发明专利技术提出的复杂模型仿真结果表明该复杂模型的性能比其相应的其他单阶段模型更优并且可以在具有监测气象数据的有条件的地区应用该复杂模型实现风力发电系统电力输出预测。

【技术实现步骤摘要】
一种结合多元及分步线性回归和人工神经网络进行风力发电预测的模型和方法
本专利技术涉及风力发电系统输出预测
，具体涉及一种结合多元线性回归，分步线性回归及人工神经网络以预测光伏发电系统输出的复杂模型和方法。
技术介绍
与常规电源不同，风力发电几乎完全取决于实时的天气条件，随机变化的天气导致风力发电具有波动性，间接性，随机性的特点。由于电力系统的发电，输电，用电需要实时保持平衡，风力发电等新能源的大规模并网将给电网运行带来越来越大的压力。随着风力发电在电力系统中的占比不断加大，风力发电预测的重要性将愈来愈突显，预测结果越准确就越能使电力系统运行效率和稳定性极大增加。本专利技术提出了一种基于结合了传统的多元线性回归和以及人工神经网络模型，采用了混合建模方法通过分步线性回归的方法筛选更重要的天气预测输入变量，然后将筛选后的天气预测变量馈入人工神经网络模型，从而产生复杂模型以预测风力发电系统的电力输出量的方法。目前，有多种方法用于预测风力发电系统的发电量，包括物理方法及统计计算方法。物理方法将风力发电系统发电量作为一些随其物理性质的独立变量而变化的函数，例如轮机大小，风速风向和叶片规格等，许多物理模型源自常规的风力发电量等效物旨在实现尽可能接近的本地风力水平的电路负荷情况。而统计预测方法则依赖于用于预测的历史数据进行回归分析，时间序列分析和人工智能分析历史数据来预测风力发电系统的功率，包括自回归模型，支持向量机（SVM）等方法。而人工神经网络（ANN）也被广泛用于预测基于气象数据变量而产生的风力发电输出的非线性建模，并应用于日前风力发电系统发电量的预测。基于人工神经网络的预测方法的关键优势在于模型设计人员可以利用按顺序选择多个输入值以提高预测准确性，将多元线性回归，人工神经网络的预测方法结合分布线性回归的筛选的混合模型可以大大的提高对于风力发电系统出力的预测精度。本专利技术提出了一种新颖的，日前最优的风力发电系统能源输出预测模型，减少模型输入的气候变量的数量，并结合了多元线性回归和ANN技术。本专利技术考虑了大量可能会影响风力发电系统的输出功率的气象参数。采用分步线性回归（StepwiseRegression）的方法来评估每个气象参数的影响，应用复杂模型中的气象输入变量ANN生成最终风力发电系统发电量的预测，通过确保选择只有那些对模型输出有重大影响的输入变量在模型中，达到使用较少的计算工作生成准确的ANN预测输出值的目的。
技术实现思路
本专利技术提出了一种结合多元线性回归，分步回归及人工神经网络以预测风力发电系统输出的复杂模型和方法,其主要的应用在于给定天气数据集，通过混合模型精准预测指定装机容量设备在设定时刻的风力系统发电量，为综合应用风能，合理储能优化等用电计划，决策等提供数据支持。整个复杂混合模型流程包括了天气数据收集，分布线性回归识别最相关输入值，确定最优化神经网络配置，人工神经网络训练数据集，回归后处理，应用训练后模型模拟，计算统计运算相关参数，输出预测风力发电系统发电量等几个步骤，如图1所示。附图说明图1为本专利技术实施例中风力发电预测复杂模型的流程图。图2为本专利技术实施例中使用的模型输入和输出流程图。图3为本专利技术实施例中前馈神经网络的示意图。图4为本专利技术实施例中广义回归神经网络示意图。具体实施方式为使得本专利技术的内容、目的、特征及优点能够更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，下面所描述的实施例仅仅是本专利技术一部分实施例，而非全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本专利技术保护说明书的范围，本专利技术实施例中相关步骤如下。步骤一：收集预测模型需要的指定地区，指定时间跨度的相关天气数据，包括：平均/最高/最低大气压，平均/最高/最低湿度，平均/最高/最低温度，平均/最高/最低风速，平均/最高/最低风向，平均/最高/最低降雨量，平均/最高/最低特点时间段风力顺时强度，特定时间段风向变化量，如图2所示。步骤二：通过回归方法筛选，识别最相关天气输入值；分步线性回归是一种拟合回归模型的方法，通过公式：拟合相关变量，其中预测变量的选择是通过自动程序进行的,其中Y是要预测的光伏发电输出量（因变量），Xi表示K个变化的天气数据（自变量）（其中1≤i≤k），βi为计算的自变量的回归系数，β0是偏移值的预测变量，e是残差项。在每个拟合步骤中，根据某个预先确定的统计标准（包括调整后的R2，标准差（standarderror(SE)）,平均调整偏差（MAPE），预计残差平方和（PRESS）等）采取一系列F检验或t检验的形式，将变量添加到一组解释变量中或从一组解释变量中减去(包括正向和反向逐步回归)；本专利技术通过分步线性回归拟合风力系统发电输出量与八种天气相关数据，根据预设标准（包含1-8项天气数据），识别最相关天气输入值至下一步模型运算。步骤三：通过调整人工设计网络的参数，确定最优化的神经网络配置。人工神经网络的设计包括确定输入层的数量，隐藏层和输出层中神经元的数量以及关联权重，偏差，活动性和正态分布特性。取决于神经元的排列及其活动性，可以形成几种网络架构。（权力要求4）本专利技术应用前馈神经网络（FFNN）和广义回归神经网络（GRNN）这两个架构于光伏输出功率的预测。（权力要求5）FFNN是一种将前一层中的每个神经元都连接在一起到达下一层的所有神经元的复杂多元线性回归，如图3所示；数据从输入层到输出层仅在一个方向上移动通过隐藏层。为了指定目标，前馈伸进网络使用指定时期内的过去历史数据进行训练具有预定的误差范围的时间。在训练期间，连接调整神经元之间的权重，以便网络输出与所需目标匹配。广义回归神经网络是基于概率的网络，可以执行回归而不是分类的任务。广义回归神经网络包括四个层，其中反应神经元层和回归层位于输入和输出层之间，如图4所示；反应神经层用于对训练数据执行聚类，反应神经层的数量等于设计数据集中的样本数量。回归层与输出层和反应神经层相比，具有额外的线性函数神经元这个额外的神经元用于计算概率密度，而剩余的单位用于计算输出。与基于多元线性回归的前馈神经网络不同，它不需要迭代训练，可以直接从训练数据中输入和输出向量。通过输入步骤二中筛选过的数据至两种神经网络，通过分析调整后的R2，标准差(SE),平均调整偏差（MAPE），预计残差平方和（PRESS）等统计指标，选定单一神经网络模型或混合两种神经网络模型并设定模型间数据分配比重。通过数据训练，选定模型输入层的数量，隐藏层和输出层中神经元的数量以及关联权重，偏差，活动性和正态分布特性等指标并进行回归分析后处理，比较训练集的输出值与实际训练集的风力发电系统发电量。步骤四：应用步骤三中训练完成，给定设定参数的人工神经网络的模型模拟计算，预测未来24小时风力发电系统发电量。步骤五：计算模型运行的相关统计数据，并做以记录，监控模型运行情况以及时调整模型参数的检验回归过程。...

【技术保护点】
1.本专利技术一种结合多元及分步线性回归和人工神经网络进行风力发电预测的模型和方法其特征在于，包括：在收集预测模型时需要的指定地区，指定时间跨度的相关天气数据，包括： 平均/最高/最低大气压，平均/最高/最低湿度，平均/最高/最低温度，平均/最高/最低风速，平均/最高/最低风向，平均/最高/最低降雨量，平均/最高/最低特点时间段风力顺时强度，特定时间段风向变化量。/n

【技术特征摘要】
1.本发明一种结合多元及分步线性回归和人工神经网络进行风力发电预测的模型和方法其特征在于，包括：在收集预测模型时需要的指定地区，指定时间跨度的相关天气数据，包括：平均/最高/最低大气压，平均/最高/最低湿度，平均/最高/最低温度，平均/最高/最低风速，平均/最高/最低风向，平均/最高/最低降雨量，平均/最高/最低特点时间段风力顺时强度，特定时间段风向变化量。


2.本发明的特征还在于，包括通过回归方法筛选，识别最相关天气输入值；分步线性回归是一种拟合回归模型的方法，通过公式：



拟合相关变量，其中预测变量的选择是通过自动程序进行的,其中Y是要预测的光伏发电输出量（因变量），Xi表示K个变化的天气数据（自变量）（其中1≤i≤k），βi
为计算的自变量的回归系数，β0是偏移值的预测变量，e是残差项，在每个拟合步骤中，根据某个预先确定的统计标准（包括调整后的R2，标准差（standarderror(SE)）,平均调整偏差（MAPE），预计残差平方和（PRESS）等）采取一系列F检验或t检验的形式，将变量添加到一组解释变量中或从一组解释变量中减去(包括正向和反向逐步回归)。


3.本发明的特征还在于通过分步线性回归拟合风力系统发电输出量与八种天气相关数...

【专利技术属性】
技术研发人员：胡炳谦，周浩，顾一峰，韩俊，
申请(专利权)人：上海积成能源科技有限公司，
类型：发明
国别省市：上海;31