[发明专利]一种插值修匀优化的支持向量回归机风速组合预测方法

说明书

技术领域

本发明涉及风电技术领域，尤其涉及一种插值修匀优化的支持向量回归机风速组合预测方法。

背景技术

风电作为一种清洁可再生能源越来越受到各国的重视，但是由于风速自身所有的随机波动性、间歇性和不可控性增加了风电有功输出的不确定性。这种不确定性将会增加电网调度的难度，影响电网的安全稳定性，有悖于大规模风电并网运行的发展趋势。进行准确的预测是解决该问题的有效措施。

风速直接决定了风电场输出的电能，因此可以通过对风机轮毂高度的风速进行准确的预测来获得风电场有功输出状况，有利于电力系统部门安排更加合理的调度计划，从而有效的减轻风电并网对配电网带来的影响。

发明内容

本发明解决的技术问题在于获得更高的风速预测精度。

为了解决以上问题，一种插值修匀优化的支持向量回归机风速组合预测方法，包括以下步骤：

步骤1：对所获得的风电场风机轮毂高度的风速初始数据进行预处理，并分析样本数据，选择插值修匀优化的时间域；

步骤2：对所选择的时间域内的风速时间序列进行插值修匀优化处理；

步骤3：对插值修匀优化处理后的风速序列进行相空间重构形成建模所需的样本集；

步骤4：利用步骤3中所获得的样本集建立对应的插值修匀优化支持向量回归机风速组合预测模型。

进一步，作为一种优选，步骤1中所述选择插值修匀优化的时间域具体包括以下步骤：对预处理之后的风速时间序列进行按位作差的比对分析，即对于风速时间序列：Δx=（x₂-x₁），处理为：（x₂-x₁）,（x₃-x₂）,…,（x_n-x_n-1），并对处理后的序列赋予相应的时刻属性，即:假定t＝1时刻对应风速变化差为Δx＝（x₂-x₁），以此类推，当t＝n-1时刻对应风速变化差Δx=(x_n-x_n-1），对该风速变化差时间序列从大到小排序分析，对该序列赋予排序序号，即：风速变化差最大的为x=1号，以此类推，风速变化差最小的序号为x=n-1，按照选择风速变化差最大的对称左右时间邻域或包含从最大风速变化差开始到第x号风速变化差之间的时间域的原则选择所需插值修匀优化的时间域。

进一步，作为一种优选，所述步骤2具体包括以下步骤：对于风速序列x₁,x₂,x₃…x_n，在每两个风速时刻假设对应的风速值为x_m和x_m+1之间插入一个新的风速时刻，对应的风速值为从而获得一个新的风速时间序列，设为v₁,v₂,…v_2n-1。

进一步，作为一种优选，所述步骤3中在进行相空间重构形成所需样本集时：假设当前时刻的风速是由p个历史风速决定的，有关系式v_m=f(v_m-p,v_m-p+1，…，v_m-1)成立，其中p称为嵌入维数，然后按预测需要分为训练样本集和测试样本集。在重构第n个样本数据时，输入样本的第p维风速数据为v_p+n-1，当p+n-1的数值为偶数时令v_p+n-1＝v_p+n-2，若为奇数则不做变换。

进一步，作为一种优选，所述步骤4中具体步骤如下：

步骤4.1：将得到的训练样本集分别输入给BP神经网络和支持向量机，采用对应的算法建立相应的BP神经网络和支持向量机的风速预测模型,对所获得的模型进行测试分析，获得对应的预测输出；

步骤4.2：对获得的BP神经网络和支持向量机风速预测模型的预测输出值进行后续处理，按照所需预测时刻选择输出值,保存预测输出和对应的时刻属性，并进行预测误差分析；

步骤4.3：将插值修匀优化后的BP神经网络和支持向量机预测模型的输出结果作为SVR组合风速预测模型的输入，同时结合预测时刻的真实风速值进行相空间重构获得组合预测样本集，然后建立插值修匀优化的支持向量回归机风速组合预测模型。