[发明专利]一种基于小数据量法的短期风速预测方法及系统

说明书

技术领域

本发明涉及风速预测技术领域，特别是涉及一种基于小数据量法的短期风速预测方法及系统。

背景技术

风能是一种非常重要和巨大的资源，它安全、清洁、充裕而且无限，能提供源源不断的能源供应，为全球经济开始以可再生能源为基础的转型提供了很好的机会。

由于风速具有随机变动的自然属性，而大型的风电机组又不具有电能存储的功能，因此风电具有与生俱来的随机性和不可控性。此外，由于不同安装地点造成的风速的明显差异，即使在同一风电场内的风电机组，每台风电机组上感受到的风速的变动也不是同步的。由于风力发电的这些特性，导致风力发电机组与风进行能量交换的随机性，进而引起风电机组投切频繁，造成对电网的冲击。随着风电装机容量的不断增大，对电网影响将更加严重，成为制约风电发展的主要因素，受到风电行业的广泛关注。而对风速的准确预测将可以降低风电机组的运维成本，帮助整机制造商及时调整计划，从而减轻风能对电网的冲击。

在现有技术中，对风速的预测包括神经网络方法和支持向量机方法等。中国发明专利CN106503793A中公开了一种基于改进差分算法的神经网络短期风速预测方法，中国发明专利CN101793907A中公开了一种风电场短期风速预测方法，但上述预测方法需要的风速时间序列的训练样本量相对较大，而大量的样本导致风速预测需要的计算时间较长。

因此，如何创设一种基于小数据量法的短期风速预测方法及系统，使其需要的风速时间序列的训练样本量相对较小，并且预测需要的计算时间相对较短，成为本领域技术人员亟待解决的问题。

发明内容

本发明的目的是提供一种基于小数据量法的短期风速预测方法及系统，使其需要的风速时间序列的训练样本量相对较小，并且预测需要的计算时间相对较短，以客户现有风速预测方法的不足。

为实现上述目的，本发明采用如下技术方案：

一种基于小数据量法的短期风速预测方法，包括如下步骤：S1：获取预设长度的风速时间序列；S2：利用自相关函数法计算获取的风速时间序列的时间延迟；S3：根据G-P算法和Taken定理计算所述风速时间序列的嵌入维数；S4：根据所述风速时间序列的时间延迟和嵌入维数重构相空间；S5：对所述重构的相空间的矩阵通过小数据量法计算所述风速时间序列的最大Lyapunov指数；S6：基于所述最大Lyapunov指数建立所述风速时间序列的预测模型，利用所述预测模型对所述风速时间序列之后的短期风速进行预测。

作为本发明的一种改进，所述步骤S1中风速时间序列的形成方法为：采集风电场的风速数据，将采集的风速数据按照采集时间点的先后顺序排列并形成风速时间序列。

进一步改进，所述步骤S1中还包括采用单步平滑法对获取的风速时间序列进行平滑处理的步骤。

进一步改进，所述步骤S3具体包括：S31：根据预设嵌入维数和时间延迟重构第一相空间；S32：计算关联积分；S33：根据重构的第一相空间的领域半径和计算得到的关联积分，利用G-P算法计算饱和关联维数；S34：根据计算得到的饱和关联维数，利用Taken定理计算风速时间序列的嵌入维数。

进一步改进，所述步骤S33具体包括：根据计算得到的关联积分C(r)和重构的第一相空间的领域半径r，计算对应于预设嵌入维数m₀＝1的关联维数估计值d(m₀＝1)，所述关联积分和第一相空间的领域半径具有对数线性关系，具体表达式如下：

式中，m₀为预设嵌入维数，C(r,m₀＝1)为嵌入维数为m0时的关联积分，r为相空间的领域半径；增加预设嵌入维数，利用G-P算法计算饱和关联维数。

一种基于小数据量法的短期风速预测系统，包括：获取模块，用于获取预设长度的风速时间序列；时间延迟计算模块，用于利用自相关函数法计算风速时间序列的时间延迟；嵌入维数计算模块，用于根据G-P算法和Taken定理计算风速时间序列的嵌入维数；相空间重构模块，用于根据风速时间序列的时间延迟和嵌入维数重构相空间；Lyapunov指数计算模块，用于对重构的相空间的矩阵通过小数据量法计算风速时间序列的最大Lyapunov指数；预测模块，用于基于最大Lyapunov指数建立风速时间序列的预测模型，利用所述预测模型对所述风速时间序列之后的短期风速进行预测。

作为本发明的一种改进，还包括风速时间序列形成模块，用于采集风电场的风速数据，将采集的风速数据按照采集时间点的先后顺序排列并形成风速时间序列。