[发明专利]一种风能资源数据补偿方法

说明书

本发明公开了一种风能资源数据补偿方法，利用鲸鱼优化算法对BP神经网络进行优化，构建数据补偿模型，通过输入气象要素，即可获得相对应的输出数据，以补偿观测期间的缺失数据。本发明利用鲸鱼优化算法在搜索寻优方面收敛速度快、精度高、且易跳出局部最优的优势，通过BP神经网络更新权值阈值的同时进行鲸鱼寻优的方式，解决BP神经网络易陷入局部最优而导致的预测精度低的问题。同时，针对BP神经网络中存在的收敛速度慢的问题，改进鲸鱼优化算法动态收敛因子，提高了算法可靠性及精度。

技术领域

本发明涉及一种风能资源数据补偿方法。

背景技术

在风能资源的测量过程中，往往会出现数据缺失问题，相较于地面测风，海洋测风、高空测风、复杂山地测风等测风方式所测得的风能资源数据难以即时补充。而常用的预测算法，例如BP神经网络预测算法，由于其初始权值具有随机性，导致算法整体可靠性、时效性以及准确性较差，难以提供准确的数据保障。

如专利号为201210460427.0的中国发明专利，提供了一种基于BP神经网络的风电场短期功率预测方法，其核心思想为：将风速、风向、空气密度和相对湿度作为BP神经网络输入，风电场的发电输出功率作为BP神经网络输出，利用BP神经网络预测某一时间段的风电场的发电输出功率。具体工作步骤如下：a.获取风电场所在地的包括风速、风向和空气密度的气象要素数据的历史记录及与每一记录相对的风电场发电输出功率；b.其中，将风速、风向和空气密度修正为风电机组轮毂处的风速、风向和空气密度，从而生成修正后的气象要素数据；c.将修正后的气象要素数据作为输入数据输入BP神经网络，将与每一气象要素数据对应的风电场发电输出功率作为BP神经网络的输出对BP神经网络进行训练；d.根据数值天气预报获得风电场所在地在预测时间段的包括风速、风向和空气密度的气象要素数据，并将风速、风向和空气密度修正为风电机组轮毂处的风速、风向和空气密度，从而生成修正后的气象要素数据；e.将步骤d所得的修正后的气象要素数据输入经步骤c训练后的BP神经网络，BP神经网络输出的数据即为该预测时间段的风电场的发电输出功率。轮毂处的相对湿度，以作为输入数据输入BP神经网络。

整个技术方案仍旧是利用BP神经网络进行风电场的发电输出功率预测，其本质仍属于BP神经网络的范畴，将BP神经网络算法用在了风电场短期功率预测上，由于该方法存在易陷入局部最优解的问题，导致预测精度低、预测结果不可靠。基于此，本发明提出了一种风能资源数据补偿方法，旨在为风能资源缺失数据进行准确补偿。

发明内容

本发明的目的是提出一种风能资源数据补偿方法，利用鲸鱼优化算法在搜索寻优方面收敛速度快、精度高、且易跳出局部最优的优势，通过BP神经网络更新权值阈值的同时进行鲸鱼寻优的方式，解决由于BP神经网络易陷入局部最优导致的预测精度低的问题。同时，针对BP神经网络中存在的收敛速度慢的问题，利用鲸鱼优化算法在全局寻优能力方面的优势，改进鲸鱼优化算法动态收敛因子，提高算法可靠性。

为此，本发明提供了一种风能资源数据补偿方法，通过基于鲸鱼优化算法的BP神经网络模型，构建数据补偿模型，以防止BP神经网络陷入局部最优，从而根据输入的气象要素模型，即可获得相对应的输出数据，以补偿观测期间的缺失数据。

本发明的优点是：利用鲸鱼优化算法在搜索寻优方面收敛速度快、精度高、且易跳出局部最优的优势，通过BP神经网络更新权值阈值的同时进行鲸鱼寻优的方式，解决由于BP神经网络易陷入局部最优导致的预测精度低的问题。同时，针对BP神经网络中存在的收敛速度慢的问题，利用鲸鱼优化算法在全局寻优能力方面的优势，改进鲸鱼优化算法动态收敛因子，提高了算法可靠性和精度。

以下将结合附图对本发明做进一步详细说明。

附图说明

图1是WOA-BP算法流程图。

图2是WOA-BP预测误差图。

图3是WOA-BP风速训练和测试对比图。