[发明专利]基于变分异方差高斯过程回归的短期风速预测方法

说明书

本发明涉及短期风速预测技术领域，公开了一种基于变分异方差高斯过程回归的短期风速预测方法，首先采用具适应性噪声的完全集合经验模态分解将原始风速时间序列分解为规律性更强的子序列集合，计算每个子序列的偏自相关函数值，并选择95%置信水平下显著的滞后时间序列作为输入变量；然后，采用变分异方差高斯过程回归对每个子序列进行训练与预测，最后，将所有子序列的预测结果进行合并，得到风速时间序列的最终预测结果。与现有技术相比，本发明采用变分异方差高斯过程回归模型对风速时间序列进行预测，其预测能力更强，且变分异方差高斯过程回归模型性能优于标准高斯过程回归模型，能够获得更高的预测精度。

技术领域

本发明涉及短期风速预测领域，特别涉及一种基于变分异方差高斯过程回归的短期风速预测方法。

背景技术

随着世界范围内化石燃料的减少和环境污染水平的恶化，可再生能源越来越受到人们的重视。作为一种清洁、蕴量巨大、可循环利用的可再生能源，风能已成为电力系统最具发展前景的能源之一。但由于风速的间歇性、波动性和随机性，使得风能并网的难度增大。准确可靠的短期风速预测方法不仅能为经济可靠的发电计划制定提供保障，而且能够减轻风电并网难度，提高风力发电能源开发利用效率。

根据不同风速预测模型的机理，风速预测方法主要可分为物理模型、时间序列模型、智能预测模型三类。物理模型主要基于数值天气预报NWP模型。NWP模型通常采用风速、温度、湿度、地形粗糙度和障碍物等来建立一系列的力学和热力学方程，适用于未来三天的中长期风速预报。然而，NWP预测模型建模过程复杂，计算成本高，不适合于短期风速预测。与物理模型不同，时间序列和智能预测模型的建立主要基于历史观测风速数据。时间序列模型通常假设时间序列是平稳的并且服从正态分布。然而，实际风速时间序列一般具有较强的随机性和波动性。因此，在处理强非线性风速时间序列时，时间序列模型很难获得良好的结果。

智能预测模型主要包括神经网络、支持向量机、高斯过程回归等。其中，高斯过程回归是一种新型的基于统计和贝叶斯理论的智能回归模型，它同时具备贝叶斯网络的数学推理能力和支持向量机的自适应能力，尤其适合处理小样本、高维、强非线性的复杂线性回归问题。然而，标准高斯过程回归模型假设噪声符合高斯分布，且整个数据集的噪声方差为常数，使得实际风速的预测误差较大，且具有很强的随机性和波动性。异方差高斯过程回归是标准高斯过程回归的一个扩展，它采用两个高斯过程分别对无噪声输出和噪声进行建模。异方差高斯过程回归能够较好的捕捉风速的随机性和波动性，然而，异方差高斯过程回归模型的最大后验概率估计不能将所有潜在的自变量结合起来，容易遇到过拟合问题。

发明内容

发明目的：针对风电并网时风速的强波动性对电能质量和电力系统安全稳定运行造成的不利影响，本发明提出了基于变分异方差高斯过程回归的短期风速预测方法，得到风速时间序列的最终预测结果，以提高风速时间序列的预测精度。

技术方案：本发明提供了一种基于变分异方差高斯过程回归的短期风速预测方法，包括如下步骤：

步骤一：收集风电场历史实测短期风速数据，根据历史实测风速数据建立风速时间序列，通过完全集合经验模态分解将其分解为K个本证模态函数分量IMK(k＝1,2,3,...,K)和一个残差变量R_k；

步骤二：对于步骤一中每个本征模态函数分量IMF_k(k＝1,2,3,...,K)和残差R_k，计算其偏自相关函数值，选择95％置信水平下显著的滞后时间序列作为输入变量，目标向量为输出变量，并将全部样本数据的前70％作为训练样本，剩余30％作为检验样本；

步骤三：对于步骤一中每个本征模态函数分量IMF_k(k＝1,2,3,...,K)和残差R_k，建立变分异方差高斯过程回归模型，输出最优变分参数Λ和模最优型超参数