[发明专利]一种基于卷积混合密度神经网络的短期风速预测方法

说明书

本发明公开了一种基于卷积混合密度神经网络的短期风速预测方法，包括步骤：1)使用小波变换对原始风速数据进行分解，获得概貌信号与细节信号；2)对每一层风速信号分别进行归一化处理；3)将归一化后的历史风速数据送入卷积混合密度神经网络进行学习，用于预测未来时段的风速期望值与标准差；4)对预测的风速期望与标准差进行反归一化；5)利用反归一化的预测风速期望值与标准差求取未来时段的风速概率分布。本发明将小波分解、卷积神经网络和混合密度网络结合起来，能够准确预测未来风速的期望值与未来风速的概率分布，按照不同置信水平需要获取未来风速不同的置信区间。

技术领域

本发明涉及短期风速点预测和概率预测的技术领域，尤其是指一种基于卷积混合密度神经网络的短期风速预测方法。

背景技术

随着保护环境的呼声愈高及常规能源的枯竭，新能源的发展越来越受到大家的关注。其中，作为无污染的可再生能源之一的风能，在全球各地得以大力的开发。风电累积并网装机容量确保达到2.1亿千瓦以上，其中海上风电并网装机量达到500万千瓦以上；风电年发电里确保达到400亿千瓦时，约占全国总发电量的6％。

然而，随着风电穿透力的增加，电力系统的随机性程度不断增强。这给电力系统带来了更多的不确定性，对电力系统的安全、稳定和经济运行构成了更大的威胁。因此，准确的风速预测对提高风能的利用率起着重要的作用。

目前对风速的预测方法主要分为四类：1)物理模型：该模型通过建立风速与温度、湿度、气压、地形等物理量之间的关系实现对风速的预测，主要应用于长期与大范围的风速预测；2)概率统计模型，该模型主要利用统计学的方法，通过历史风速变化预测未来风速；3)空间相关模型，该模型通过考虑不同地点的风速相关性对风速进行预测；4)人工智能模型，该模型使用机器学期、深度学习的方法对未来的风速进行预测。总体而言，现有的风速预测方法对超短期风速预测较为精准，而随着时间长度的增加，预测精度急剧下降。然而，由于火电机组的启停时间受到技术限制，这意味着电网调度员为了确保电网运行的安全，不得不增加电网的备用容量或弃用风电，导致风能利用率降低或者电网运行成本提高；另一方面，随着我国电力市场的建设，由于风速预测不准而带来的电网运行增加的成本必定分摊到用户侧，导致用户用电成本增加。

发明内容

本发明的目的在于克服现有技术的缺点与不足，提出了一种基于卷积混合密度神经网络的短期风速预测方法，突破了传统风速预测方式下预测精度低与预测时间跨度短的问题。本发明利用过去历史风速数据对未来六小时或更长时间的风速均值与标准差进行预测，在延长预测时间跨度的同时提高了预测精度，为调度部门安排机组组合预留了更加充裕的时间，以提高电网运行的稳定性；此外，风速预测的标准差可用于评估风速波动带来的成本，为经济调度带来更多的决策空间。

为实现上述目的，本发明所提供的技术方案为：一种基于卷积混合密度神经网络的短期风速预测方法，包括以下步骤：

1)使用小波变换对原始风速数据进行分解，获得概貌信号与细节信号；

2)对每一层风速信号分别进行归一化处理；

3)将归一化后的历史风速数据送入卷积混合密度神经网络进行学习，用于预测未来时段的风速期望值与标准差；

4)对预测的风速期望与标准差进行反归一化；

5)利用反归一化的预测风速期望值与标准差求取未来时段的风速概率分布。

在步骤1)中，所述小波变化是指使用Daubechies母小波将风速原始数据分解成一层代表风速总体变化趋势的概貌信号，与三层代表风速随机性与间歇性的细节信号。

在步骤2)中，对每一层的分解信号，使用泛化的’Max-min’归一化方法分别进行归一化处理：

x'_max＝x_max+0.1×|x_max|