[发明专利]一种风电场风速智能预测方法

说明书

 

技术领域

本发明涉及一种风电场风速智能预测方法。

背景技术

近年来，绿色环保的风力发电得到了世界各国的普遍重视，发展也非常迅速。在决定风力发电机组的安装容量与安装位置之前，风速的超前预测结果能够帮助决策者事先提前获得预测地的风力发电的资源潜力。此外，风速预测技术对于保护风机等设备、监控风电并网也非常重要。因此，风电场风速预测具有非常重大的社会和经济意义。

中国发明专利《一种风电场短期风速预测方法》（申请号：201019146035.5）公开了基于混沌分析方法和支持向量机的风电场风速预测方法。该方法虽然直接通过支持向量机获得了较高的预测精度，但支持向量机是通过二次规划来求解支持向量，而求解二次规划将涉及到大型m阶矩阵的计算（m为样本的个数），当m数目很大时该矩阵的存储和计算将耗费大量的机器内存和运算时间，模型将无法实时输出预测值。其不足之处：该发明无法用于实时的大型风电场风速预警监控系统中。

中国发明专利《基于神经网络的短时风速预报方法》（申请号：200910219123.3）公开了基于风速、风向、温度和气压的BP神经网络风电场风速预测方法。该方法选择了应用最为广泛的BP神经网络模型来对风速、风向、温度和压力等多维时间序列数据进行空间拟合，从而实现风速的预测。其不足之处：是由于使用了多种类的样本数据从而造成BP神经网络模型负责、模型的训练和预测输出时间偏长、预测精度不高、预测实时性难以保障等缺点，同时多种类数据的采集也势必增加实际应用系统的负担。上述专利均不能实现超前多步预测。

发明内容

本发明的目的在于克服现有技术中的不足，基于成熟的小波包分解法、时间序列分析法、神经网络、支持向量机四种算法的分类混合建模，提供一种高精度、简单方便、能实现超前多步预测的风电场风速智能预测方法。

本发明的目的通过下述技术方案予以实现：所述方法的步骤包括数据采集与输入、数据序列分层、建立数学模型、预测综合计算和预测结果输出，所述预测综合计算是对数学模型中的数据进行加权计算；所述数据序列分层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，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还是低频序列层，如果当前数据属于高频序列层，则进行以下处理：建立BP神经网络模型、高频数据计算，然后进入数据栈；如果当前数据属于低频序列层，则进行以下处理：建立时间序列模型、低频数据计算，然后进入数据栈；当所有数据全部到达数据栈后，数据栈中的所有数据才进入预测综合计算步骤进行加权计算，最后执行预测结果输出。

所述建立BP神经网络模型的步骤包括：

（1）、当前数据为高频序列层的确认；

（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。

所述建立时间序列模型的步骤包括：

（1）、当前数据为低频序列层的确认；

（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。

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。

与现有技术相比，本发明具有优点：

(a) 本发明采用小波包分解法将原始跳跃风速数据预先分解成几层较为平稳的风速序列层的做法提高了模型抗跳跃性的能力，使得模型可以获得高精度的跳跃风速预测精度。该优点在后面的实施例1中得到体现；

（b）本发明对小波包分解后的低频、高频风速序列层采用分类预测的做法既兼顾了模型的预测精度，又降低了计算难度和保证了预测输出的实时性；

（c）从背景技术可知，支持向量机是一种出色的智能算法。但如果将其直接用于预测计算，由于涉及大矩阵计算使得模型的实时性难以保证。为改进这个不足，本发明采用一种新思路：不将支持向量机直接用于预测计算，而是用于时间序列模型的参数估计优化中，这样不仅获得了其出色的算法性能，而且有效地缩短了预测输出的时间；