ارتفاع Shujie، تيان Jianyan، أريل وانغ
(كلية هندسة المعلومات، جامعة تاييوان للتكنولوجيا، وتاييوان 030024، الصين)
مثل أن سرعة الرياح الحالية هناك مزرعة رياح خطأ التنبؤ نموذج التنبؤ المعلمة كبير، والذي يستخدم سلسلة ماركوف يقترح (MC) نموذج طريقة خطأ التنبؤ يمكن تعديلها بشكل عشوائي وخصائص متقطعة. تسلسل خطأ بين القيمة الفعلية والقيمة التنبؤية لمعالم النموذج المحدد باستخدام وسائل ج- غامض تجميع خوارزمية لحالة الانقسام، MC تحسب وفقا للحالة احتمال انتقال مصفوفة كل حالة الخطأ، ثم حساب القيم تصحيح نموذج خطأ التنبؤ والقيمة المتوقعة للدقة العالية التي تم الحصول عليها في نهاية المطاف. ثلاثة نماذج بعد استخدام طرق MC الانحدار العام الشبكة العصبية (من GRNN) نموذج، TS غامض نموذج الشبكة العصبية ويمكن تعديل علمان نموذج الشبكة العصبية خطأ التنبؤ، وتطبيق تصحيح MC من مزرعة الرياح هوائيات طول شانشى متزامنة الرياح التنبؤ سرعة دراسة المحاكاة، ناقش تأثير MC التعديلات على كل خطأ نموذج تنبؤي. وتبين نتائج المحاكاة أن الطريقة المقترحة لتصحيح الخطأ هو ممكن لتحسين فعالية وسرعة الرياح برج الدقة الرياح، والتنبؤ نموذج تصحيح الخطأ لتوفير وسيلة فعالة وعملية.
تصحيح الخطأ، سلسلة ماركوف، نموذج تنبؤي، التنبؤ سرعة الرياح
TP183
كود الوثيقة: A
10.16157 / j.issn.0258-7998.2016.07.029
شكل الاقتباس الصيني: ارتفاع Shujie، تيانجين يان، مزرعة انغ فانغ. الرياح على أساس تصحيح MC نموذج التنبؤ المعلمة خطأ التكنولوجيا الالكترونية، 2016،42 (7): 114-118.
الإنجليزية شكل الاقتباس: قاو Shujie، تيان Jianyan، وانغ فانغ. تصحيح خطأ من المعلمة نموذج التنبؤ مزرعة الرياح على أساس ماركوف سلسلة .Application من تقنيات الالكترونية، 2016،42 (7): 114-118.
0 مقدمة
الرياح سرعة الرياح مزرعة في الوقت الحقيقي ودقيقة وتوقعات موثوقة، والتنبؤ طاقة الرياح ليست فقط الأساس، ولكن أيضا للتخطيط مزارع الرياح والتصميم هو المهم. وقد تم اقتراح مجموعة متنوعة من نماذج التنبؤ، ولكن نظرا لعشوائية وسرعة الرياح متقطعة، حتى أن طريقة التنبؤ له على الشروط والعيوب المعمول بها، وبالتالي تسعى دقيق طريقة التنبؤ سرعة الرياح له أهمية عملية كبيرة ل. Yindong يانغ وآخرون باستخدام علمان الشبكة العصبية للتنبؤ سرعة الرياح المستقبل 10 دقيقة، وصلت مايب مؤشر الخطأ 12.73. زو يا ، الذين استخدموا نموذج GRNN لسرعة الرياح من 30 دقيقة للتنبؤ الصيف المستقبل والشتاء على التوالي، وصلت مايب 39.76، على التوالي، 27.26، ما هو أبعد من دقة التنبؤ سرعة الرياح. من أجل تحسين دقة التنبؤ سرعة الرياح، وجعلت العلماء ذات الصلة الكثير من البحوث، وعوامل الرياح بيانات سرعة الرياح سرعة، تم تحسين سرعة الرياح المعلمات نموذج التنبؤ في الوقت الحقيقي ولتحسين زاوية. ولكن بغض النظر عن أي من الأساليب المذكورة أعلاه لتحقيق اليقين سوف يؤدي إلى خطأ التنبؤ كبير. لذلك، وهذه المادة من وجهة نظر تصحيح الخطأ، وذلك باستخدام سلسلة ماركوف (ماركوف سلسلة، MC) نموذج التنبؤ قيمة تصحيح سرعة الرياح. والفكرة الأساسية هي: يتم تحديد تسلسل خطأ بين القيمة الفعلية والقيمة المتوقعة للمعالم النموذج، وذلك باستخدام وسائل C- غامض تجميع حالته تقسيم، MC تحسب وفقا لاحتمال انتقال الدولة من كل دولة من المصفوفة الخطأ، يحسب خطأ التنبؤ التنبؤي نموذج تصحيح القيمة، وحصلت أخيرا قيمة التنبؤ عالية الدقة.
A سرعة الرياح على أساس ماركوف سلسلة تصحيح الخطأ التنبؤ
تأثير غير دقيقة كبير على نتيجة تصحيح لأن الدولة ينقسم، وMC تقسيم الدولة لا توجد وسيلة موحدة. لتجنب متوسط - تأثير أسلوب التباين تقسيم الدولة من العوامل البشرية ووسائل ج- غامض تجميع خوارزمية لتاريخ الخطأ تسلسل تقسيم الدولة، والقيمة الحدية التي تنتمي إلى كل فئة كدولة موحدة الانقسام، من أجل النظر في حالة احتمال منها نتائج التنبؤ تأثير، ومعامل الارتباط الذاتي تطبيع المخلفات كما أن الوزن احتمال دولة ، واتخاذ أقصى الاحتمالات بعين الاعتبار تأثير مستوى احتمال غيرها من الميزات القيمة المحددة، والذي يحدد الوقت الحالي باستخدام الدولة التي الخطأ سرعة الرياح .
يتم تصحيح الإجراء محددة اعتمدت MC خطأ التنبؤ سرعة الرياح على النحو التالي:
(1) تاريخ الحوسبة نموذج التنبؤ السرعة للالصناعات الاستخراجية خطأ التنبؤ:
حيث، MIJ ط ك الخطوات بعد انتقال الدولة إلى العصور ي الدولة، مي هو عدد الدول ي مرات الحدوث.
(5) الحصول من N، N-1، ...، N-ك + 1 الزمن التاريخي ينتمي سرعة الرياح حالة خطأ التنبؤ E1، E2، ...، إيك، وفقا لمصفوفة انتقال الدولة للحصول على ك نقلها أولا إلى التاريخ خطأ N + 1 توقيت خطأ التنبؤ الدول الاحتمالات، أي دولة حساب مصفوفة Q:
2 تصحيح MC استنادا الرياح نموذج التنبؤ سرعة
2.1 مصادر البيانات واختيار المدخلات متغير
استخدام برج الرياح بيانات شانشى دراسة محاكاة مزرعة الرياح، وذلك بسبب المساحة المحدودة، والنتائج التي ترد فقط على البيانات من أبريل 2014 ويونيو لتحليلها. أولا، تحليل الارتباط للعلاقة بين تحليل المتغيرات وسرعة الرياح ودرجة الحرارة تحدد اختيار الوقت T T، T-1، T-2 الوقت والرطوبة والضغط الجوي كنموذج التنبؤ سرعة الرياح متغيرات المدخلات، واختيار الرياح الوقت T + ح (كانت ساعة 15 دقيقة، 30 دقيقة، 60 دقيقة) كمتغير الانتاج.
2.2 تقييم
من أجل تقييم كمي لفعالية كل سرعة الرياح سرعة الرياح تنبؤات نموذج التنبؤ، واختيار الخطأ يعني المطلق (MAE)، يعني الخطأ المطلق نسبة (مايب) والجذر مربع الخطأ نفسه (RMSE) وذلك في مؤشر التقييم لتقييم تأثير نموذج التنبؤ .
2.3 تستند MC تعديل GRNN الشبكة العصبية نموذج التنبؤ سرعة
المعمم الانحدار الشبكات العصبية (المعمم الانحدار الشبكات العصبية، GRNN) هو feedforward نموذج الشبكة العصبية مع مماثلة شبكة وظيفة أساس شعاعي، وشبكة مبين في الشكل 1.
لأنه يقوم على الانحدار نواة غير حدودي غير محسوبة على أساس دالة الكثافة الاحتمالية المشترك لسرعة الرياح بين المدخلات والمخرجات X المتغير Y رياح الرياح عينة المراقبة محسوبة مباشرة الانحدار قيمة Y من X:
في الشبكة العصبية الانحدار العامة، فقط؟ مهاجمي احد المعلمة قابل للتعديل، أيضا عاملا أساسيا يؤثر على أداء الشبكة. في هذه الورقة، وعشرة أضعاف عبر التحقق من صحة تجانس عامل الأمثل ومحاكاة لسرعة الرياح المتوقعة وتصحيح الخطأ ماركوف يقوم على أساس استخدام GRNN. وتجدر الإشارة إلى أن يتم تحديد عدد كبير من التجارب في هذه الورقة على أساس عدد من الدول من سلسلة ماركوف هو ج = 5، و4 خطوات الأولى يتم احتساب الانتقال مصفوفة الدولة من قيمة تصحيح الخطأ سرعة الرياح. أبريل 2014 ويونيو من دقيقة المستقبل 15، 30 دقيقة، 60 دقيقة مقارنة نتائج التنبؤ سرعة الرياح كما هو مبين في الجدول رقم 1.
من الجدول رقم 1، الجدول 2، بعد التصحيح باستخدام سلسلة ماركوف، وتحسنت بشكل ملحوظ في سرعة الرياح من GRNN دقة التنبؤ. ارتفعت أبريل 2014 كل خطوة توقعوا سرعة مايب من 14.40، 16.04، 12.10، يونيو 2014 كل خطوة مايب تتوقع زيادة سرعة الرياح التي 11.46، 7.06، 13.73.
واستنادا إلى MC 2.4 T-S الشبكة العصبية الرياح نموذج التنبؤ تعديل
T-S غامض نموذج الشبكة العصبية الشبكة العصبية وغامض T-S المنطق تجمع، يجمع بين مزايا المنطق الضبابي هي سهلة للتعبير عن الخبرة والمعرفة الفنية للشبكة العصبية التعلم الذاتي والتكيف قدرة . وهو يتألف من الجبهة وعناصر الشبكة الخلفية، كما هو مبين في الشكل. الرياح أعضاء الجبهة مسؤولة عن fuzzification من متغيرات المدخلات، ومعامل الترجيح كعضو، وعضو الخلفي هو المسؤول عن تركيبة خطية من المتغيرات الإدخال.
في T-S الشبكة العصبية غامض لمعرفة المعلمات هي أساسا الطبقة الثانية والعرض من التمويه وضوح عضوا وظيفة المركزي قبل كل شبكة العقدة، والأوزان اتصال شبكة من العناصر . الحصول أولا من قبل وسائل ج- غامض تجميع مركز الأولي والعرض، والتدرج المعلمات شبكة التدريب النسب، والإسراع في إدخال بالقصور الذاتي سرعة التعلم المدى. ورقة على أساس خوارزمية التعلم على التنبؤ سرعة الرياح، والتنبؤ نتيجة تصحيح الخطأ وذلك باستخدام سلسلة ماركوف، مثل نتائج الجدول رقم 3 و 4.
الجدول 3، الجدول 4، TS الرياح سرعة دقة التنبؤ بعد تصحيح سلسلة ماركوف درجة مختلفة على التوالي، أبريل 2014 تمت زيادة كل خطوة سرعة الرياح التنبؤ مايب 13.45، 9.72، 21.08، 2014 في يونيو من كل خطوة مايب تتوقع زيادة سرعة الرياح بنسبة 4.76، 9.07، 32.35.
MC 2.5 على أساس علمان سرعة الرياح نموذج الشبكة العصبية المعدلة
الشبكة العصبية علمان هي شبكات ال feedforward وجود الذاكرة المحلية وصلات ردود الفعل المحلية. بعد أن أول سرعة الرياح مساهمة في المتغيرات المدخلة هي المرجحة مخبأة طبقة، ويتم تغذية طبقة مخفية وطبقة الإخراج إلى الإدخال عن طريق طبقة دولة خفية، حتى أن الشبكة لديه وظيفة من المعلومات عملية ديناميكية، وأخيرا عن طريق إدخال طبقة مخفية الرياح مرجح قيمة الانتاج الجمع . هيكل الشبكة هو مبين في الشكل (3).
الأوزان اتصال بين طبقة مخفية وعقدة طبقة الإنتاج وشبكة في عتبة علمان المعلمات العصبية عملية التدريب شبكة يحدد لاحقا. لتحسين التنبؤ أداء الشبكة، ويتم تحسين الخوارزمية الجينية علمان أوزان الشبكة العصبية وعتبات للحصول على نتائج جيدة نسبيا التنبؤ. في هذه الورقة GA-علمان محاكاة لسرعة الرياح، واستخدام ماركوف تصحيح الخطأ سلاسل التنبؤ يؤدي ذلك، فإن النتائج هو مبين في الجدولين 5 و 6 على سبيل المثال.
الجداول 5 و 6 يمكن الحصول عليها من المقارنة، وسلسلة ماركوف تصحيحها، وتوقع علمان تحسين الأداء سرعة الرياح إلى حد كبير. ارتفعت أبريل 2014 كل خطوة توقعوا سرعة مايب من 19.38، 39.93، 18.03، أكتوبر 2014 ارتفعت كل خطوة مايب سرعة الرياح المتوقعة من 7.08، 10.84، 13.47.
تحليل شامل للجدول رقم 1 ليبين الجدول 6 أن نموذج التنبؤ سرعة مختلفة عن سرعة الرياح قدرة التنبؤ مختلفة. كما يزيد من الخطوات توقع منذ فترة طويلة، وأكثر وضوحا في سلسلة ماركوف تأثير تصحيح الخطأ. عندما دقة التنبؤ نموذج أعلى، أصغر ماركوف سلسلة إجراءات تصحيحية، وعندما دقة التنبؤ منخفضة، وزيادة دور سلسلة ماركوف. فيما يلي GRNN، T-S الشبكة العصبية غامض، وتأثير سرعة الرياح في أبريل القادم 60 دقيقة GA-علمان التنبؤ الشبكة العصبية وتصحيح النقيض من ذلك، كما هو مبين في الشكل. 4 إلى FIG. 6.
من 4-6 الرسم البياني الاتجاه العام، ومنحنى التنبؤ سرعة الرياح بعد منحنى تصحيح أكثر تقارب سرعة الرياح الفعلية وسرعة الرياح وبعض النقاط تعقب على سرعة الرياح الفعلية، والتي يمكن وصفها MC طريقة تصحيح الخطأ يمكن أن تحسن دقة سرعة الرياح المتوقعة.
3 الخاتمة
في هذه الورقة، فإن المشكلة أكبر من خطأ التنبؤ الرياح الحالي نموذج التنبؤ سرعة الرياح المزرعة، وتقترح ماركوف خطأ سلسلة طريقة التصحيح بناء على وسائل غامض C- تجميع، و على التوالي نموذج GRNN، TS نموذج، نموذج مزيج علمان، ثلاثة نموذج التنبؤ تشكيل سرعة للرياح المقبل 15 دقيقة، 30 دقيقة، 60 دقيقة سرعة الرياح التنبؤ. النتائج المقارنة من التجارب والعروض تحليل المحاكاة أن الطريقة المقترحة الرياح خطوات مختلفة تم تحسين سرعة، وخصوصا عندما الخطوة التنبؤ هو 60 دقيقة، وأثر هو اكثر من رائع. فإنه يدل على أن الأسلوب يمكن أن تحسن بشكل فعال دقة التنبؤ سرعة الرياح.
مراجع
Yindong يانغ شينغ يي جيانغ مينغ جيه، الخ الخام نظرية المجموعات - علمان الشبكة العصبية تحليل المكون الرئيسي للرياح التنبؤ على المدى القصير . حماية السلطة نظام والسيطرة، 2014،42 (11): 46-51.
زو يا سون دونغ مى، أي صوت، وما إلى ذلك من التنبؤ على المدى القصير على أساس سرعة الرياح واحتمال إحصاءات ملزمة EMD-GRNN علوم الكمبيوتر، 2014،41 (6): 72-75.
دو تتشانغهاى، وهوانغ شي-يوي، يانغ زو يوان، الخ حركة تدفق الشبكة العصبية وسلسلة ماركوف بناء على التوقعات في الوقت الحقيقي المتداول صحيفة نظام المحاكاة، 2008،20 (9): 2464-2468.
تشانغ تشن لين كيتا. نموذج ماركوف ضبابي سلسلة التنبؤ وتطبيق الهندسة لها جامعة ووهان للتكنولوجيا، 2005، 26 (11): 63-66.
غاو S J، تيان J Y، وانغ F، وآخرون al.The دراسة GRNN للتنبؤ سرعة الرياح على أساس ماركوف سلسلة مؤتمر .International على النمذجة، والمحاكاة والرياضيات التطبيقية (MSAM 2015)، 2015: 285-288.
تجميع خوارزمية تشو شياو دونغ. استنادا T-S-ضبابي الشبكات العصبية نموذج هاربين: معهد هاربين للتكنولوجيا، عام 2003.
تشانغ ويى جيى، تيانجين يان وانغ فانغ، الخ TS وتحسين البحث الرياح نموذج التنبؤ قوة الشبكة العصبية غامض . عملية أتمتة الأجهزة، 2014،35 (12): 39-42.
ليو جيان هوا، لي تيانيو، Fujuan خوان، الخ بدء خوارزمية المعيار على أساس الذكية فرعية سجلت موجة BP وعلمان الشبكة العصبية . حماية السلطة نظام والسيطرة، 2014،42 (5): 110-115.
