[发明专利]一种基于动态神经网络的风速预测的方法及系统

说明书

技术领域

本发明涉及风速测试技术领域，特别是涉及一种基于动态神经网络的风速预测的方法及系统。

背景技术

近年来，风能作为一种可再生的清洁能源，在开发成本上相对于其他清洁能源具有较大的优势，因此受到了人们的广泛关注。与传统能源相比，虽然风能是环境友好型能源，但大量的风电并网会破坏电网的稳定性，风电出力的不确定性和间歇性的特点主要是由风速的随机性引起的，因此风速是否能精准预测对于风能资源的广泛应用极其重要。

目前在现有技术中，许多学者采用不同方法如人工神经网络、支持向量机等方法来对风速进行预测，但是目前这些方法其模型结构复杂，实际运用中步骤繁琐。

因此，如何提供一种模型简单的风速预测方法是本领域技术人员目前需要解决的问题。

发明内容

本发明的目的是提供一种基于动态神经网络的风速预测的方法及系统，使得其模型结构简单，在实际运用中步骤简单，方便操作。

为解决上述技术问题，本发明提供了一种基于动态神经网络的风速预测的方法，包括：

获取风速预测日前n天风速数据；

将所述预测日前n天风速数据输入预先训练好的动态神经网络并进行风速预测；得到所述动态神经网络输出的预测值。

优选地，所述动态神经网络的训练过程具体包括：

获取风速样本数据并进行预处理，得到风速训练样本数据、风速验证样本数据；

设置所述动态神经网络的参数；

依据所述风速训练样本数据训练所述动态神经网络；

将所述风速验证样本数据输入经过训练的动态神经网络，获得所述经过训练的动态神经网络输出的风速验证值，将所述风速验证值与所述风速验证样本数据中的真实输出值进行比较并计算得到两者之间的误差，通过分析所述误差得到的结果判断所述经过训练的动态神经网络是否满足预设要求；

若不满足所述预设要求，则对经过训练的动态神经网络再次进行训练；若满足要求，则结束训练。

优选地，所述动态神经网络为NAR非线性自回归动态神经网络。

优选地，所述NAR动态神经网络中设置的参数为输出延时和隐含层的神经元个数。

为解决上述技术问题，本发明还提供了一种基于动态神经网络的风速预测的系统，包括：

获取单元，获取预测日前n天风速数据；

预测单元，用于将所述预测日前n天风速数据输入预先训练好的动态神经网络并进行风速预测；得到所述动态神经网络输出的预测值。

优选地，所述预测单元包括：

预处理子单元，用于获取风速样本数据并进行预处理，得到风速训练样本数据、风速验证样本数据；

配置子单元，用于设置所述动态神经网络的参数；

训练子单元，用于依据所述风速训练样本数据训练所述动态神经网络；

验证子单元，用于将所述风速验证样本数据输入经过训练的动态神经网络，获得所述经过训练的动态神经网络输出的风速验证值，将所述风速验证值与所述风速验证样本数据中的真实输出值进行比较并计算得到两者之间的误差，通过分析所述误差得到的结果判断所述经过训练的动态神经网络是否满足预设要求。

本发明提供的一种动态神经网络的风速预测的方法及系统，获取预测日前n天风速数据；将预测日前n天风速数据输入预先训练好的动态神经网络并进行风速预测；得到动态神经网络输出的预测值。本发明采用动态神经网络预测模型预测实际风速，相比现有技术中使用组合模型对风速进行预测，其模型结构简单，在实际运用中步骤简单，方便操作。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对现有技术和实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明提供的一种基于动态神经网络的风速预测的方法的流程图；

图2为本发明提供的一种动态神经网络的训练过程的流程图；

图3为本发明提供的一种基于动态神经网络的风速预测的系统的结构示意图。

具体实施方式

本发明的核心是提供一种基于动态神经网络的风速预测的方法及系统，使得其模型结构简单，在实际运用中步骤简单，方便操作。