[发明专利]一种长时间尺度功率预测方法

权利要求书

1.一种长时间尺度功率预测方法，其特征在于包括：

步骤1，建立神经网络长时间尺度风速预测模型；

步骤2，基于所述神经网络长时间尺度风速预测模型进行长时间尺度风速预测；

步骤3，基于长时间尺度风速预测结果进行长时间尺度功率预测。

2.根据权利要求1所述的一种长时间尺度功率预测方法，其特征在于所述步骤1包括：以长时间平均风速的总体趋势作为输入，实际小时数为目标，以训练网络并更新神经网络中神经元的权重，然后使用神经网络模拟预测不同时间尺度下的风速数据。

3.根据权利要求1所述的一种长时间尺度功率预测方法，其特征在于所述步骤2包括：

步骤21，年风速预测：使用三种ANN网络架构预测下一年月平均风速，通过存储获得的输出值作为反馈和输入来预测序列；

步骤22，月风速预测：应用神经网络对每个月的模式进行预测。根据预测结果精度选择使用，使用两个前馈反向传播网络来预测每月的风速形态；

步骤23：每日风速预测：从上一年的每小时风速数据中提取每日风速模式。利用往年的气象资料计算出每天每小时的平均小时风速，然后，根据等式(1)对数据集进行归一化处理，式中，V_h,p计算每小时风速，Va为平均小时风速，Vh为逐小时风速；

步骤24：每小时风速预测：将去年的每小时的实际数据用作输入和目标来训练网络并更新神经元的权重。

4.根据权利要求3所述的一种长时间尺度功率预测方法，其特征在于所述步骤21还包括：为了找到最佳的预测，对结果进行检验，如果过去第一年度时间段的误差小于0.6m/s，则接受所述第一年度时间段后第1年的预测值；否则，将重复训练，直到达到预期输出。

5.根据权利要求3所述的一种长时间尺度功率预测方法，其特征在于所述步骤22还包括：经过更多次训练后，误差会减少，但随着网络开始过度拟合训练数据，验证数据集上的误差可能会开始增加，训练在验证错误连续6次增加后停止，最佳性能取自验证错误最低的时期；第一个网络利用上一年前6个月的平均风速值训练后预测下一年前6个月的平均风速值，同理，第二个网络利用上一年后6个月的平均风速值训练后预测下一年后6个月的平均风速值；采用样本关联函数识别神经网络中输入和目标之间的偏移量，使时间序列更加对称；通过对不同时间段的数据迁移和不同神经网络的测试，与镜像函数或逆函数相结合降低时间序列数据的误差。

6.根据权利要求3所述的一种长时间尺度功率预测方法，其特征在于所述步骤23与所述步骤24之间还包括：模式识别：通过应用相同的程序，从每小时的风速数据中提取了上一年的风速的一般模式。

7.根据权利要求1所述的一种长时间尺度功率预测方法，其特征在于所述方法还包括：步骤4，建立预测误差指标，对预测误差进行综合评价：采用平均绝对误差来评价模型性能，所述平均绝对误差是绝对误差的平均值(MAE)，公式如(2)所示：

式中，N是数据个数，Pf是预测值，Pa是实际值。

8.一种实施如权利要求1-7任一所述方法的长时间尺度功率预测系统，其特征在于包括：

模型建立模块，用于建立神经网络长时间尺度风速预测模型；

长时间尺度风速预测模块，用于基于所述神经网络长时间尺度风速预测模型进行长时间尺度风速预测；

长时间尺度功率预测模块，基于长时间尺度风速预测结果进行长时间尺度功率预测。

9.一种电子设备，其特征在于，包括处理器和存储器，所述存储器存储有多条指令，所述处理器用于读取所述指令并执行如权利要求1-7任一所述的方法。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有多条指令，所述多条指令可被处理器读取并执行如权利要求1-7任一所述的方法。