[发明专利]一种基于混合神经网络模型的风速预测方法

说明书

本发明公开了一种基于混合神经网络模型的风速预测方法，包括：对风速原始时间序列数据进行集成经验模态分解，建立长短期记忆神经网络对集成经验模态分解得到的分量信号进行预测，通过贝叶斯优化算法对长短期记忆神经网络的超参数进行调节优化，将分量信号的预测结果合成为最终的预测结果。本发明通过将随机非稳态的原始短期风速时间序列分解为稳定变化的时间序列数据，并对长短期记忆神经网络的超参数进行自动调节优化，得到预测结果，大大降低了预测误差，提高了预测精度，可应用于短期风速的预测，为风力发电网络的智能运维提供有力工具。

技术领域

本发明涉及数据分析和风能领域，尤其涉及一种基于集成经验模态分解(Ensemble empirical mode decomposition,EEMD)、长短期记忆神经网络(Long short-term memory,LSTM)和贝叶斯优化(Bayesian optimization,BO)的混合神经网络模型的风速预测方法。

背景技术

风力发电中，电力系统是一个复杂的动态系统，需要维持发电、输电、用电之间的功率平衡。没有风电的传统电力系统中，电网调度机构根据日负荷曲线制定发电计划，满足次日电力的需求。风力发电依赖于气候条件，风的间歇性导致风电场输出功率具有很大的波动性，因此风电的大规模接入导致发电计划制定难度大大加大，影响着电力系统的调度和电网的稳定性。此外，电力供给与负载的匹配也是风力发电网络整合利用的一个难题：电力网络的稳定建立在电网频率稳定的基础上，大于供给的负载使电网频率下降，反之电网频率上升。而对风速的短期预测是电力系统经济调度的重要内容，对其准确预测可降低电力系统的旋转备用，减小其运行成本，为电力系统的安全、经济及优质运行提供支撑。

目前针对风速预测已有较多的研究，预测方法主要分为两类：一是物理方法，二是统计方法。物理方法基于实际的大气条件，如在一定的初始条件和边界条件下，根据不同高度的风向、风速、气压、湿度等气象要素的数值，利用大型计算机进行数值计算，得到未来某一时期中描述天气变化的流体力学和热力学方程，从而预测未来某一时期中大气的运动和天气现象。最典型的物理方法就是数值天气预报模型(Numeric Weather Prediction,NWP)。风速预测的物理方法的核心是提高数值天气预报的分辨率,即建立一个中微型时间尺度的数值天气预报和当地风之间的联系，以便系统可以准确地预测某个点(如每个风力涡轮机的地点)的天气(如风速、风向等)，从而建立风力发电场NWP模型的本地版本。该方法不需要大量的历史数据，但建模困难，需要研究和分析各种条件(风电场的地理环境和大气环境)。由于天气预报多为日更新，数据频率较低，因此物理预报方法主要应用于中期预报。

统计方法主要通过建立系统输入与风速之间的映射关系，利用历史数据得到风速的预测。传统的统计方法包括持续性模型，卡尔曼滤波，自回归滑动平均模型(Autoregression Moving Average,ARMA)等。除此之外，人工神经网络(ArtificialNeural Network,ANN)也常常被用于时序的风速预测中。文献(Gong Li,Jing Shi.Oncomparing three artificial neural networks for wind speed forecasting[J].Applied Energy,2010,87(7):2313-20.)比较了反向传播神经网络(Back PropagationNeural Network,BPNN)、径向基神经网络(Radial Basis Function Neural Network,RBFNN)、线性适应元神经网络(Adaptive Linear Element Network,ADALINE)这三种神经网络在小时风速预测上的表现。结果显示，不同的网络结构与模型在不同评估标准下的表现各不相同。同时也可以看出，单一人工神经网络模型的风速预测缺乏可靠性。