[发明专利]一种基于mBLS的联合在线自适应参数寻优风速预测方法

说明书

本发明属于风电技术领域，具体公开了一种基于mBLS的联合在线自适应参数寻优风速预测方法，该方法基于几种在线单一预测模型，通过设计训练集更新迭代方法和自适应参数优化过程以确保单模型的实时在线预测能力；通过优化BLS原有的系统结构，设计了mBLS网络模型，多通道窗口被合并到输入层中，同时保留了原始BLS快速训练的优势，mBLS中每个特定的输入通道都是由相应的单模型的基础数据特征和预测结果构成的。多模型组合预测大大提高了预测的精度和稳定性，BLS的伪逆求解方式保证了模型的快速性和在线学习能力，自适应参数寻优保证了模型的实时最优，实现了模型长期使用的稳定性，非常适合于风电场实时短期风速预测场景，具有较强的实用性和理论性。

技术领域

本发明属于风电技术领域，具体涉及一种基于mBLS的联合在线自适应参数寻优风速预测方法。

背景技术

风力发电是新能源发电的重要组成部分之一。据统计，截至2020年底，世界风电总装机容量接近742GW，年增长率为14.15％。然而，由于风速的不确定性和随机性，风力发电的输出是不稳定的，这对并网、风电场配电和风机稳定控制都有严重的不利影响。风速预测可以提前预测风速的变化，以提高风电机组控制的准确性，优化配电，改善风电质量，并便于并网管理。因此，准确及时的风速预测对风电场至关重要。从预测时间的划分上，风速预测可分为长期风速预测和短期风速预测。

长期风速预测通常为区域级，由当地气象局根据数值天气预报(NWP)进行计算。NWP是一个天气预报系统，专门预测气象信息，如风速、湿度、气压，考虑到许多气象特征。它更适用于时间尺度相对较大的中期和长期预报以及包括风速在内的区域天气预报。然而，NWP没有考虑地理信息的可变性和跨区域尾流效应。由于数据采集空间粒度较大，数据采集的时间间隔不能满足短期预测的要求，不适合短期风速预测。

发明内容

针对上述问题，本发明提出了一种基于mBLS的联合在线自适应参数寻优风速预测方法。BLS是一种高效的随机向量函数连接神经网络，它不需要通过梯度下降来更新网络权值，而是采用伪逆。对于单个预测模型的构建，采用了鲁棒性强、精度高、预测逻辑不同的SVR、BLS和XGBoost模型。利用BLS的多输入窗口结构，将原始输入特征与不同单模型的预测结果进行融合。此外，通过在mBLS窗口中输入不同的单模型预测，对模型进行重新预测。在保持稳定性的基础上提高了预测性能。对于数据集，SCADA是风力发电系统的数据采集系统。基于SCADA或其他小时间尺度监测系统的数据驱动方法在短期风速预测方面发挥着巨大作用。有效的性能和在线学习能力对于实时风速预测至关重要。

本发明的目的通过以下的技术方案实现：

一种基于mBLS的联合在线自适应参数寻优风速预测方法，包括以下步骤：

1)利用互信息准则结合二次相关系数法选择特征变量；

1.1)对于目标风机的SCADA数据，通过互信息MI筛选大量与风速特征无关的变量；

1.2)计算剩余特征和风速特征的皮尔逊积矩相关系数M；

1.3)选择风速绝对相关度大于0.7的所有特征作为候选特征；

1.4)使用成对的相关系数计算过滤后的特征，根据实际经验，保留相关性大于0.9的两个功能中的一个，另一个作为冗余功能删除；

1.5)融合当前时刻前s步的历史风速以及历史SCADA特征信息作为模型的一条输入，前s步就是当前时刻融合历史数据的步长；

2)通过mBLS网络将基于联合模型预测的结果给出更鲁棒更精准的风速预测结果，其中，所述mBLS是在基于原始BLS网络的基础上通过增加输入通道扩大模型的数据摄入能力；

3)将三种单模型预测的结果输入进所提新模型mBLS网络的多个输入通道中，通过在线自适应参数寻优算法优化单模型参数，最终的输出结果就是mBLS的输出。