[发明专利]一种基于分解与优化的短期风速时序预测方法

说明书

技术领域

本发明属于风速预测技术领域，具体涉及一种基于分解与优化的短期风速时 序预测方法。

背景技术

随着化石能源的日渐枯竭以及环境污染的日益严重，风电作为一种清洁可再 生能源发电形式，得到了世界各国的广泛重视。风电大规模并网后，可能会出现 电压、频率偏差、电压波动甚至脱网等现象，在我国多个区域电网还存在风电上 网后的系统调峰难题，这些问题产生的根源是风速的波动性和随机性导致风电出 力呈现出间歇性和不确定性的特点。因此，对风电场短期风速进行准确预测至关 重要。

国内外学者针对风速预测已进行了一些研究，主要可分为基于物理模型和基 于历史数据预测两类方法。物理模型法采用天气预报数据进行预测，但是由于我 国数值气象模型难获取且气象预报数据更新频率低，仅适用于中长期风速预测。 基于历史数据预测的方法较多，主要有时间序列法、空间相关法、高斯过程回归、 神经网络、支持向量机、最小二乘支持向量机等。其中最小二乘支持向量机(Least Squaressupportvectormachines,LS-SVM)因其训练时间短、泛化能力强、 精度高等优点而得到了广泛的应用。然而由于风速的高度随机性和影响因素的复 杂性，目前上述预测方法绝对平均误差为25％～40％，还未达到一定的满意程度。

最小二乘支持向量机的预测效果与其模型超参数紧密相关，已有研究遗传 算法、粒子群算法和改进的粒子群算法等智能仿生算法对LS-SVM进行参数寻优。 研究结果表明参数寻优可以提高风速预测的精度，而且寻优算法的全局寻优能力 越好则模型预测精度越高。可见，使用性能更好的智能寻优算法对最小二乘支持 向量机的参数进行优化，是一种提高风速预测精度的有效方法。

发明内容

针对短期风速时序预测精度尚有待提高的问题，本发明提供一种基于分解与 优化的短期风速时序预测方法，其很好的提高了短期风速预测精度，且方法实现 简单，计算量小，可操作性强。

本方法所采用的具体技术方案是：一种基于分解与优化的短期风速时序预测 方法，其特征在于，包括以下步骤：

S1:按小时进行原始风速序列采样及处理，构建时序风速序列{v₁,v₂,v₃…v_n}，其中， v表示风速，n表示序列长度；

S2:将时序风速进行3层小波分解，得到高频细节序列d₁,d₂,d₃和一个低频近似序 a₃；

S3:对分解得到的序列进行二插值重构，得到细节序列D₁,D₂,D₃和近似序列A₃；

S4.对重构后的各序列分别进行归一化处理,构建时序相关序列组，将最后24组作 为测试集，其余为训练集；

S5:利用步骤S4中的训练集数据，使用混沌萤火虫算法优化最小二乘支持向量机 超参数c,σ²，得到最优LS-SVM；

S6:将步骤S4中的测试集数据输入到步骤S5中的最优LS-SVM进行风速预测；

S7:将各预测值反归一化后叠加得到实际的风速预测值。

进一步的，所述的步骤S4中，具体的归一化的公式如下：

vi1=vi-vminvmax-vmin---(1)]]>