[发明专利]一种风电场风速智能预测方法

权利要求书

1.一种风电场风速智能预测方法，所述方法的步骤包括数据采集与输入（1）、数据序列分层（2）、建立数学模型（3）、预测综合计算（4）和预测结果输出（5），所述预测综合计算（4）是对数学模型中的数据进行加权计算；其特征在于：所述数据序列分层（2）是采用小波包分解法，将原始非平稳风速分解成至少为两个的趋于平稳的风速数据输出，风速数据输出的个数就定义为风速的序列层数；所述建立数学模型（3），是对风速的序列层数中每层数据单独进行处理，首先按照事先的设定，判定当前数据为高频序列层（9）还是低频序列层（6），如果当前数据属于高频序列层（9），则进行以下处理：建立BP神经网络模型（10）、高频数据计算（11），然后进入数据栈（12）；如果当前数据属于低频序列层（6），则进行以下处理：建立时间序列模型（7）、低频数据计算（8），然后进入数据栈（12）；当所有数据全部到达数据栈（12）后，数据栈（12）中的所有数据才进入预测综合计算（4）步骤进行加权计算，最后执行预测结果输出（5）。

2.根据权利要求1所述的风电场风速智能预测方法，其特征在于：所述建立BP神经网络模型（10）的步骤包括：

（1）、当前数据为高频序列层（9）的确认；

（2）、数据归一化处理；

（3）、BP神经网络结构的确立；

（4）、BP神经网络的训练；

（5）、BP神经网络的预测输出的确定；

（6）、BP神经网络模型的计算及其输出。

3.根据权利要求1或2所述的风电场风速智能预测方法，其特征在于：所述建立时间序列模型（7）的步骤包括：

（1）、当前数据为低频序列层（6）的确认；

（2）、时间序列模型类别辨识；

（3）、时间序列模型阶次确定；

（4）、时间序列模型参数确定；

（5）、时间序列模型的计算及其输出。

4.根据权利要求3所述的风电场风速智能预测方法，其特征在于：所述时间序列模型参数确定过程中，引入了能够提高传统时间序列模型的泛化能力的支持向量机法，即：将时间序列模型的方程作为支持向量机的结构，按照支持向量机的结构风险最小化原则来确定时间序列模型的参数值，然后将所得的参数值代入时间序列模型的方程进行预测计算。