[发明专利]基于联想神经网络的风速序列预测方法

说明书

技术领域

本发明属于时间序列预测分析领域，涉及一种用于风速时间序列预测的方法，特别涉及一种基于联想神经网络的风速序列预测方法。

背景技术

风能作为一种清洁能源，是目前世界上各国大力发展的新能源之一。而风力发电又是利用风能的最佳途径之一。但风电并网的技术问题一直制约着风电的发展和利用。这是由于自然界的风具有较强的随机性和波动性，因此风电在并网过程中会对电力系统产生较大的冲击。解决该问题的有效途径之一就是对风速进行有效的短期预测，并通过优化调度等方式缓解风电对电网的冲击。目前，风电场每天都要对风速序列进行短期预测，以保证风电的质量。

由于气象系统具有复杂的非线性特点，风速序列虽然具有可预测性，但准确的预测却具有较大的难度。目前的风速数据预测的误差甚至高达25％-40％，因此开展有效的风速预测研究具有重要的理论意义和应用价值。

由于数值气象预报模型很难获取，因此基于历史数据的风速预测研究具有更现实的应用前景。基于历史数据的风速预测的实质是试图利用各种理论和方法，挖掘出风速历史数据中蕴含的各种关联信息，再利用这些关联信息实现对未来风速的有效预测。实际风电场中常用的方法有持续预测法、时间序列分析方法、神经网络方法、卡尔曼滤波方法等等。这些方法试图根据历史数据的关联性建立风速序列的数学模型或者预测模型。但风速数据在不同时段可能会表现出不同的性质，其内在规律也会发生变化，因此，随着时间的推移，采用单一不变的模型进行预测分析会降低预测结果的可靠性。

现有研究表明，风速具有复杂的非线性特性，并且往往会表现出混沌特性。风速数据的混沌特性可通过计算风速序列的Lyapunov指数进行判断。由于混沌系统的相空间具有分形结构，表现出自相似性，因此具有混沌特性的风速序列一般也具有分数维和自相似的特点。

因此，从风速数据自身特性入手，针对具有混沌特性的风速序列，挖掘风速数据蕴含的相似性关联信息，设计一种简单有效地风速序列预测方法具有很好的应用价值。

发明内容

本发明所要解决的技术问题是，从风速数据自身特性入手，针对具有混沌特性的风速序列，挖掘风速数据蕴含的相似性关联信息，构造出风速的相似模式，设计一种基于联想网络的风速序列的预测方法。

本发明所采用的技术方案是：一种基于联想神经网络的风速序列预测方法，针对具有混沌特性的风速序列，构造了一种用于风速序列预测的联想网络。以风速序列的波动性作为相似性测度准则，构造联想网络的存储样本模式，根据存储模式中蕴含的关联信息完成网络的学习，从而完成具有自相似性的风速序列的一步和多步预测分析。

本发明的目的在于建立预测机理明确，预测结果唯一，且可一次给出多步预测结果的风速序列预测方法，具有很好的实用性。

附图说明

图1是联想预测网络结构图。

具体实施方式

下面结合附图对本发明作进一步详细说明。

风速序列往往具有复杂的动力学特性，可利用混沌理论对其开展动力学特性分析，并判断其是否具有混沌特性。

风速序列的混沌特性可结合相空间重构理论计算其Lyapunov指数进行判断。时间序列的相空间重构理论是通过重构相空间将时间序列中蕴含的混沌特性在高维空间中显示出来。设风速时间序列为{x(t)，t＝1，2，...}，其重构的相空间可表示为：

Y(t)＝{x(t)，x(t+τ)，...，x(t+(m-1)τ)}，t＝1，2，... (1)

其中，m为嵌入维数，τ为延迟时间，x(t)为t时刻的风速值，x(t+τ)为t+τ时刻的风速值，x(t+(m-1)τ)为t+(m-1)τ时刻的风速值，Y(t)为重构相空间中的t时刻的状态向量。利用构造好的相空间可计算时间序列的Lyapunov指数，当Lyapunov指数大于0时，可判断该序列具有混沌特性。

根据混沌理论，混沌系统的相空间轨迹往往具有分形结构。时间序列的分形维数可通过计算Hurst指数进行求取。Hurst指数可采用R/S分析方法进行计算，设时间区域为T，时间序列(x_t|t＝1，2，...}的均值为μ_T，累积极差R(T)和标准差S(T)计算如下：

则

式中，H为Hurst指数，R/S为重标极差，c为与T无关的正值常数。

H体现了统计分形的自相似性以及自相似程度，与时间序列的分维D有线性关系D＝2-H。