[发明专利]基于VMD-GRU的短期风速预测方法

说明书

本发明公开了一种基于VMD‑GRU的短期风速预测方法，其特征在于，采集当前时刻以及距离当前时刻最近的n个时刻的风速的数据构成一时间序列，对时间序列进行预处理得到多个子序列和残余分量，将各子序列和残余分量分别输入到各自对应的训练好的GRU模型中，由训练好的GRU模型输出预测值后，对所有的预测值进行后处理得到下一时刻的未来风速预测的数据。本发明采用变分模态分解法将非平稳的风速数据分解成频率不同的子序列以及残余分量，子序列以及残余分量的平稳性好，便于更好的预测；对于波动性、随机性以及不确定性较强的风速有着较好的预测精度，能够更加合理地调整风力发电装置的运行状态。

技术领域

本发明涉及一种基于VMD-GRU的短期风速预测方法，属于风力发电技术领域。

背景技术

作为大规模风力发电的一项重要内容，准确地风速预测对于风力发电机组的保护和电网供电安全，减小风电机组对电网的冲击，保障电网的稳定性，同时为电网调度计划安排、机组维修和电网改造增能提供可靠的数据保障。

近年来，随着对可再生能源的利用，风机数不断增加，风力发电在电网发电的份额不断增长，由于风力发电出力具有间歇性和不确定性，使得风力发电在并网发电过程中容易对电网造成一定的电压波动，供电可靠性降低，因此，在功率预测的基础上，利用风速的预测进行一些预操作，来进行合理的优化安排使得电网在风力发电并网过程中获得最优的可靠性，同时获得最优的经济效益，并保障大规模风电场机组的安全性。

目前，风速预测的方法主要分为两大类：物理模型法和统计建模法。物理模型法需要相关地形等数据，比较适合长期的风速预测。统计建模法只需要以往的数据及相关的气象数据，更适合短期风速预测。常用的有神经网络法、专家系统法、支持向量机法和时间序列法等。针对风速预测的具有不确定性，上述方法往往在预测精度上并不理想，随着神经网络的兴起，其强大的学习能力、自适应能力使得其在模式识别、智能机器人、自动控制等多领域取得了优异的成绩，根据风速预测的不确定性，可以采用基于变分模态分解模型下的神经网路进行学习以提高风速预测的精度。

目前，有人利用小波分析结合神经网络进行时间序列的预测，但是小波分析需要选取合适的母小波以及设置可行的分解层数，针对非线性、非平稳信号的分解的自适应效果差，预测精度仍然有待提高。因此，研究一种预测精度高的风速预测方法具有十分重要的意义。

发明内容

本发明所要解决的技术问题是：提供一种预测精度高的短期风速预测方法。

为了解决上述问题，本发明采用的技术方案为：

一种基于VMD-GRU的短期风速预测方法，其特征在于，先基于VMD-GRU对风速进行预测，然后根据预测结果调整风力发电的运行状态即控制风力发电站的配电，调整风力发电厂的运行状态前后的预测风速满足下式：

式中：P为函数；C_p为机组风能利用系数；A＝πR²，A是风机叶片扫略一圈的横截面积，R为风机叶片的半径；ρ为空气密度，v为预测的风速数据；

需考虑如下约束：

式中：P_min、P_max分别为风能装置在t₀时刻的最小风速功率、最大风速功率；

通过MATLAB对式(1)进行求解；从式(1)可以看出，本发明是将预测风速当作实际风速去考虑风力发电策略，当预测风速与实际风速预测相差较大的时候，风力发电的功率和预计的风速功率相差较大；本发明根据风速预测结果基于风力发电离并网控制策略，一般在风速比较高的时刻发出的功率就高，风速比较低的时刻风机发出的功率就较低，本发明通过提前预测风速的情况，控制风电机组的运行状态，从而提高经济收益和安全性；

具体步骤如下：