[发明专利]基于局部集成学习的短期风速预报方法

说明书

本发明公开了一种基于局部集成学习的短期风速预报方法，步骤一、采用K近邻算法，找到与被测风速样本点最相似的K个风速样本；步骤二、将每一个风速样本点的局部样本得到相应的风速预测值；步骤三、从步骤二得到的若干风速预测值，采用一定的融合策略将其进行融合，得到当前风速点的预测值。本发明首次提出基于局部集成学习的短期风速预报方法，考虑风速样本变化的复杂性与多样性；给出了局部集成学习算法的数学理论知识；有效获得了不同风速样本间的差异性，针对不同的风速样本点建立不同的风速预报模型，与全局风速预报模型及局部风速预报模型以及全集聚成的风速预报模型相比，预报误差降低10％以上。

技术领域

本发明属于风力发电技术领域，特别是涉及一种基于局部学习的短期风速预报方法。

背景技术

由于能源消耗持续增加、环境污染日益严峻，许多国家大规模地开展了新能源的探索工作，其中风能作为一种重要的可再生资源，越来越受到世界各国的重视。随着风力发电技术的成熟，风电并网时要求风电功率供需必须平衡。然而，风电功率具有很强的波动性和不确定性，这对电网的调度方式、稳性定和高峰调频有重大影响。对风电功率的准确预报有利于电网调度部门及时掌握风电场输出功率情况及时调整调度计划。风速是风电功率的最主要的影响因素，对风速进行准确预报是风功率预报的重要前提。

风速预报方法可大致归纳为：物理预报方法、数据驱动的方法(如时间序列，神经网络，Support Vector Regression等)及融合预报方法。物理方法是根据当地气象信息，计算物理方程式，得到当地风速的数值预报结果，但是物理预报方法耗资巨大，且预报范围相比于风电场要大得多，不适用于风电场范围的风速预报。数据驱动方法以及融合预报方法都是假设所有训练样本是独立同分布的，对所有预测样本建立一个统一的风速预报模型。然而风速的分布是动态变化的，不同时刻的风速存在着差异且风速变化是复杂多样的，采用全局预报方法获得一个单一的复杂的训练模型并不能准确地描述风速之间的复杂关系。后续提出的还有基于聚类的风速预报方法，首先是通过聚类方法将输入空间聚成若干类，然后在每个类上分别建立预报模型以提高风速预报精度，准确知道输入空间聚为多少类并不是一件容易的事情。这种方法对于复杂的预报任务并不是很灵活。后续提出的另一种有效的学习方法是局部学习，即对每一个测试样本在历史样本中寻找相似样本，仅用这些相似样本建立风速预报模型。这是一种简单灵活的方法。但是局部学习具有强大的学习能力，会产生过拟合问题，使得算法泛化能力较差。因此用局部学习算法进行预测，预报结果不能满足实际要求。

发明内容

基于上述现有风速预报方法在技术上的不足，本发明提出了一种基于局部集成学习的短期风速预报方法，从局部学习角度出发，考虑风速变化的复杂性、不确定性，对每一个被测样本点单独建立预报模型。由于局部学习的强大的学习能力，会存在过拟合的问题。我们提出基于局部集成学习算法的短期风速预报方法，旨在进一步提高目前风速预报的准确率。

本发明提出了一种基于局部集成学习的短期风速预报方法，该方法包括以下步骤：

步骤一、采用K近邻算法，对于每一个被测样本点X，通过欧式距离寻找与X最相似的K个风速局部样本点作为X的输入空间，建立当前风速样本点的预报模型，完成对被测风电场未来10分钟的实际风速预报，该当前风速样本点的特征表达式为：

X_i＝{x_i,x_i-1,x_i-2,x_i-3,x_i-4,x_i-5,x_i-6}，y_i＝x_i+1，

x_i表示i时刻的风速值，y_i是X_i对应的下一时刻风速值；风速样本点的特征表达式为