【技術實現步驟摘要】
本專利技術涉及風力發電預測，具體涉及一種長期風力發電量預測方法。
技術介紹
1、傳統的風力發電預測方法包括物理模型、時間序列模型和機器學習模型。然而，物理模型嚴重依賴天氣和氣候數據的精確性，對于地形信息較為敏感，易導致預測誤差；時間序列模型需要大量的歷史數據來建模，從而保證預測精度；機器學習模型不僅需要大量訓練數據，同時預測算法復雜、計算量大。與此同時，年風力發電量數據具有小樣本、非線性、非光滑和增長率不確定等特點。因此，較難采用傳統預測方法，建立精確、高效和適用性強的預測模型，來精確預測不同國家和地區的長期風力發電量。
2、灰色預測模型具有結構簡單、所需樣本少和計算高效等優點，針對小樣本、貧信息的系統模擬和預測具有顯著優勢。目前，針對短期和超短期的風力發電量預測方案較多，采樣間隔一般為小時或分鐘，而針對長期的年風力發電量預測研究較少。近年來，分數階灰色伯努利模型和自適應灰色離散模型被先后應用于長期風力發電量預測并獲取了較好的預測精度，還有部分灰色模型被用于可再生能源發電預測。從現有的研究結果可知，當風力發電數據具有非線性光滑特性時取得較高的預測精度，而面臨自然條件以外的不確定影響時，不確定增長率會顯著降低風力發電的模擬和預測精度。同時，不同地區的氣候、經濟差異較大，進一步增加了風力發電預測的不確定性和差異性。因此，難以利用已有模型針對不同地區在不確定影響下進行精確、有效的長期風力發電預測。
技術實現思路
1、專利技術目的：本專利技術的目的是提供一種準確率高、適用性強的
2、技術方案：一種長期風力發電量預測方法，包括以下步驟：
3、(1)收集目標區域的年風力發電量數據并建立原始序列x(0)；
4、(2)構建速率阻尼適形分數階累加算子，在速率阻尼分數階累加算子中引入適形分數階矩陣、阻尼矩陣和速率矩陣；
5、(3)利用原始序列x(0)和速率阻尼適形分數階累加算子計算速率阻尼適形分數階序列；
6、(4)在灰色伯努利模型ngbm(1,1)中引入速率阻尼適形分數階序列，構建速率阻尼適形分數階灰色伯努利模型rdcfbm(1,1,tβ)，并建立速率阻尼適形分數階灰色伯努利模型rdcfbm(1,1,tβ)的微分方程；
7、(5)利用灰狼優化gwo算法對速率阻尼適形分數階灰色伯努利模型rdcfbm(1,1,tβ)的非線性參數進行優化，得到最優的非線性參數值，再通過最小二乘法求解步驟(4)中微分方程的參數，得到最優速率阻尼適形分數階灰色伯努利模型rdcfbm(1,1,tβ)；
8、(6)利用最優速率阻尼適形分數階灰色伯努利模型rdcfbm(1,1,tβ)對年風力發電量進行預測。
9、具體的，速率阻尼適形分數階累加算子公式為：
10、
11、式中：為速率阻尼適形分數階累加算子，aα為適形分數階矩陣，dζ為阻尼矩陣，ar為速率矩陣，xr(0)為原始序列x(0)的增長率，[α]為不小于α的整數，α為適形分數階次，ζ為阻尼系數，r為模型階次，n為原始序列x(0)的長度。
12、具體的，速率阻尼適形分數階序列公式為：
13、
14、式中：為速率阻尼適形分數階序列，為速率阻尼適形分數階累加算子，α為適形分數階次，n為原始序列x(0)的長度。
15、具體的，速率阻尼適形分數階灰色伯努利模型rdcfbm(1,1,tβ)的微分方程為：
16、
17、式中：t為時間，α為適形分數階次，r為模型階次，β為結構指數，a、b、c為模型參數，為速率阻尼適形分數階序列。
18、具體的，通過最小二乘法求解步驟(4)中微分方程的參數，公式為：
19、(a,b,c)t＝(btb)-1bty
20、
21、式中：a、b、c為模型參數，為速率阻尼適形分數階序列，α為適形分數階次，r為模型階次，β為結構指數，n為原始序列x(0)的長度。
22、具體的，灰狼優化gwo算法以平均相對誤差mape最小化為適應度函數，速率阻尼適形分數階灰色伯努利模型rdcfbm(1,1,tβ)的非線性參數為待求變量，進行參數求解，適應度函數為：
23、
24、式中：x(0)(k)為原始序列，為速率阻尼適形分數階灰色伯努利模型rdcfbm(1,1,tβ)的模擬值序列，m為建模數據個數。
25、具體的，灰狼優化gwo算法進行參數求解的步驟包括：
26、(51)設定待優化的非線性參數為灰狼個體位置，隨機產生初始種群；
27、(52)將平均相對誤差mape最小化作為適應度函數，計算灰狼個體的適應值，根據適應值選擇初始種群的δ1狼，δ2狼和δ3狼，δ1狼具有最優適應值，δ2狼具有次優適應值，δ3狼具有次次優適應值；
28、(53)更新灰狼種群位置，產生新種群；
29、(54)根據適應度函數，更新δ1狼，δ2狼和δ3狼的位置；
30、(55)如果達到最大迭代次數，輸出全局最優的灰狼位置和對應的最小mape值，否則返回步驟(53)，全局最優的灰狼位置對應的非線性參數值即最優的非線性參數值。
31、具體的，速率阻尼適形分數階序列的模擬值為：
32、當0<β≤1時，
33、
34、當β＝0時，
35、
36、式中：為速率阻尼適形分數階序列的模擬值，a、b、c為模型參數，α為適形分數階次，r為模型階次，β為結構指數，為速率阻尼適形分數階序列，k＝1,2,…,n，n為原始序列x(0)的長度。
37、具體的，速率阻尼適形分數階灰色伯努利模型rdcfbm(1,1,tβ)的模擬值序列為：
38、當0<α≤1時，
39、
40、當a>1時，
41、
42、式中：為速率阻尼適形分數階灰色伯努利模型rdcfbm(1,1,tβ)的模擬值，為速率阻尼適形分數階序列的模擬值，xr(0)為原始序列x(0)的增長率，α為適形分數階次，α∈(l,l+1]，l為大于零的整數，k[α]-αδl表示適形分數階逆運算，[α]為不小于α的整數，ζ為阻尼系數，n為原始序列x(0)的長度。
43、具體的，非線性參數包括適形分數階次、阻尼系數、模型階次、結構指數。
44、有益效果：與現有技術相比，本專利技術的顯著效果是：本專利技術設計了速率阻尼適形分數階累加算子，以降低風力發電數據的不確定性影響，提高風電數據挖掘的有效性和效率，提出的rdcfbm(1,1,tβ)模型，在傳統的ngbm(1,1)模型中引入適形分數階次，阻尼系數和結構指數，提高了不確定增長率影響下的地區年風力發電的預測精度。利用灰狼優化算法對模型的非線性參數進行優化，增強模型的自適應性。對比傳統灰色預測模型，rdcfbm(1,1,tβ)模型提高了多個地本文檔來自技高網...
【技術保護點】
1.一種長期風力發電量預測方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的長期風力發電量預測方法，其特征在于：所述速率阻尼適形分數階累加算子公式為：
3.根據權利要求2所述的長期風力發電量預測方法，其特征在于：所述速率阻尼適形分數階序列公式為：
4.根據權利要求3所述的長期風力發電量預測方法，其特征在于：所屬步驟(4)中，速率阻尼適形分數階灰色伯努利模型RDCFBM(1，1，tβ)的微分方程為：
5.根據權利要求4所述的長期風力發電量預測方法，其特征在于：所述步驟(5)中，通過最小二乘法求解步驟(4)中微分方程的參數，公式為：
6.根據權利要求1所述的長期風力發電量預測方法，其特征在于：所述步驟(5)中，灰狼優化GWO算法以平均相對誤差MAPE最小化為適應度函數，速率阻尼適形分數階灰色伯努利模型RDCFBM(1，1，tβ)的非線性參數為待求變量，進行參數求解，適應度函數為：
7.根據權利要求6所述的長期風力發電量預測方法，其特征在于：所述灰狼優化GWO算法進行參數求解的步驟包括：
8.根
9.根據權利要求8所述的長期風力發電量預測方法，其特征在于：所述速率阻尼適形分數階灰色伯努利模型RDCFBM(1，1，tβ)的模擬值序列為：
10.根據權利要求1所述的長期風力發電量預測方法，其特征在于：所述非線性參數包括適形分數階次、阻尼系數、模型階次、結構指數。
...【技術特征摘要】
1.一種長期風力發電量預測方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的長期風力發電量預測方法，其特征在于：所述速率阻尼適形分數階累加算子公式為：
3.根據權利要求2所述的長期風力發電量預測方法，其特征在于：所述速率阻尼適形分數階序列公式為：
4.根據權利要求3所述的長期風力發電量預測方法，其特征在于：所屬步驟(4)中，速率阻尼適形分數階灰色伯努利模型rdcfbm(1，1，tβ)的微分方程為：
5.根據權利要求4所述的長期風力發電量預測方法，其特征在于：所述步驟(5)中，通過最小二乘法求解步驟(4)中微分方程的參數，公式為：
6.根據權利要求1所述的長期風力發電量預測方法，其特征在于：所述步驟(5)中，灰狼優化...
【專利技術屬性】
技術研發人員：李迺璐，巴浩楠，江文宇，朱衛軍，楊華，
申請(專利權)人：揚州大學，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。