[发明专利]一种可发电风资源的预测方法

权利要求书

1.一种可发电风资源的预测方法，包括以下步骤：

以复相关系数为筛选依据，通过遍历所有可用测风序列的各种组合，以计算可用测风序列与平均风速序列的复相关系数，按照最大复相关系数选择模型输入，实现对可用测风序列的初步筛选，得到多维的有效测风序列；

以典型相关分析方法为理论基础，对多维的有效测风序列进一步提取，将多维的测风序列降至一维；以及

以降维后的测风序列作为模型输入，以风场平均风速作为模型输出，采用基于遗传算法的BP神经网络模型训练得到映射模型，最终将该映射模型应用于实时输入测风序列，实现可发电风资源的预测。

2.如权利要求1所述的可发电风资源的预测方法，其他特征在于，所述将多维的测风序列降至一维通过构建多元线性回归模型实现。

3.如权利要求2所述的可发电风资源的预测方法，其特征在于，所述多元线性回归模型的构建包括如下步骤：

设两组分别为p个观测测风序列和q个预测对象平均测风序列的变量                                               ，；设p+q维随机向量：；则协方差阵为：

，

其中，是的协方差阵，是的协方差阵，是，的协方差阵；

用和的线性组合，之间的相关性来研究，之间的相关性，找到合适的向量和使得最大，则即为典型相关系数：

。

4.如权利要求3所述的可发电风资源的预测方法，其特征在于，所述a、b通过以下方法计算：

增加约束条件：

记

，

其中，矩阵和具有相同的非零特征根，且非零特征根的个数；

设和矩阵的非零特征根为，则有

，

其中，、即为与对应的特征向量，即待求的组合系数。

5.如权利要求2所述的可发电风资源的预测方法，其特征在于，所述将多维的测风序列降至一维包括以下步骤：对、…作关于的线性回归，得到：

，

其中，为回归系数，为变量的估计值。

6.如权利要求1所述的可发电风资源的预测方法，其特征在于，所述遗传算法的主要计算包括如下步骤：

第一步：对种群进行随机初始化，产生具有一定数目个体的初代种群；

第二步：根据事先确定的适应度函数计算每个个体的适应度，若个体满足优化准则，输出最佳个体及对应的最优解，结束计算，否则进行第三步；

第三步：根据适应度的大小来选择进行重组或交叉的个体，适应度越高，则个体越容易被保留下来，反之个体容易被淘汰；

第四步：按照特定的交叉概率，采用交叉方法，在父代种群中个体的基础上产生新的个体；

第五步：按照特定的变异概率，采用变异方法，对交叉处理后的基因再进行小概率扰动以产生最终的个体；

第六步：至此产生新一代种群，返回第二步。

7.如权利要求1所述的可发电风资源的预测方法，其特征在于，所述BP网络的训练过程包含如下阶段：

第一个阶段：以学习样本作为输入，基于设定的网络结构以及前一次迭代得到的权值和阈值，计算神经网络的输出；

第二个阶段：从网络最后一层开始，向前计算各个权值和阈值对总误差的影响程度，并且据此对各权值和阈值进行调整；

循环进行以上两个过程，直至模型精度满足要求为止。

8.如权利要求1所述的可发电风资源的预测方法，其特征在于，单一变量与其他多变量、…之间的复相关系数的计算包括如下步骤：

对、…作关于的线性回归，得到：

，

其中，为回归系数，为变量的估计值；

计算与之间的复相关系数，有：

。