[发明专利]一种风电场短期风速组合预测方法

摘要

本发明涉及一种短期风速组合预测方法，包括步骤1.从相关数据采集与监视控制系统中提取历史风速数据；2.对提取的风速数据采用聚类经验模态分解进行序列分析；3.对聚类经验模态分解得到的各子序列分别建立最小二乘支持向量机模型，并采用自适应扰动粒子群算法和学习效果反馈对影响最小二乘支持向量机预测效果的三个参数进行综合选取；4.根据最小二乘支持向量机学习效果选用最优参数进行预测；5.叠加各子序列的预测结果，得到风速预测结果；6.对风速预测结果进行误差分析。本发明建模过程简单实用，能快速有效的进行风速预测，从而有效进行风功率预测，对电力系统的安全稳定和调度运行具有重要意义，具有广泛的推广应用价值。

主权项

风电场短期风速组合预测方法，其特征在于：包括以下步骤：步骤1、从风电场数据采集与监视控制系统中进行数据提取并记录，并保存历史风速序列数据；步骤2、对步骤1中所提取的风速序列进行聚类经验模态分解，得到两个以上的子序列和一个余量；步骤3、对步骤2中聚类经验模态分解得到的各子序列分别建立最小二乘支持向量机模型，采用自适应扰动粒子群算法和学习效果反馈对影响最小二乘支持向量机模型预测效果的三个参数进行综合选取，该影响最小二乘支持向量机预测效果的三个参数分别是模型输入维数和两个超参数；步骤4、对各子序列根据最小二乘支持向量机的学习效果选用最优参数进行预测，并将各子序列的预测结果进行叠加，得到风速预测结果；所述步骤2中，对采集的风速序列进行聚类经验模态分解包括以下三个步骤：步骤2.1、向风速序列中加入白噪声序列；加入的白噪音信号服从的正态分布，其中ε为信号序列的标准差，α为噪音序列的强度参数；然后使用经验模态分解将加入白噪声的风速序列分解为若干个子序列和一个余量；步骤2.2、重复步骤2.1共n次，每次随机加入服从(0,(αε)2)的正态分布的白噪声序列，其中ε为信号序列的标准差，α为噪音序列的强度参数；步骤2.3、将n次分解得到的若干个子序列分别求整体平均，得到原信号的若干个最终子序列；所述步骤3中，采用自适应扰动粒子群算法和模型学习效果反馈优化最小二乘支持向量机的具体步骤如下：基于定义：风速做为一组随机序列，下一时刻的风速与之前m个序列相关，即对于t时刻风速x(t)，与之前m个时刻的风速有关，即存在这样的关系：x(t)＝f(x(t‑1),x(t‑2),…,x(t‑m))，定义3≤m≤12，即下一时刻的风速与之前3到12个时刻的风速序列数据有关，则综合选取过程如下：步骤3.1、初始化参数并设定最大迭代次数，包括粒子群算法的参数和初始化输入维数3，初始化的粒子群参数包括：种群规模m，维数D，权重系数wmax和wmin，加速常数c1和c2，最大进化代数Tmax以及适应度方差阈值；步骤3.2、基于自适应扰动粒子群算法优化最小二乘支持向量机模型，具体步骤如下：步骤3.2.1、对风速序列进行归一化整理；采用最大最小法对模型学习样本和测试样本进行归一化处理：式二中：是序列{X(t)}中某一变量数据x(t)归一化后数据，xmin为序列{X(t)}中该变量最小值，xmax为{X(t)}中该变量最大值；x(t)为t时刻风速；步骤3.2.2、粒子群参数设置及种群初始化：设定的参数包括种群规模m＝30，维数D，惯性权重wmax和wmin，加速常数c1和c2，最大进化代数Tmax，适应度方差阈值β；步骤3.2.3、以均方差作为适应度函数，评价粒子适应度值并记录全局极值和个体极值，均方差表达式如式三所示，第i个粒子当前点设为最优位置pid，所有粒子中最优者设为种群最优位置pgd；式中：为拟合值，yi为实际值，p为样本数；步骤3.2.4、计算种群的适应度方差σ2，如果σ2＜β则判断出现早熟，转步骤3.2.5；否则，转步骤3.2.6；步骤3.2.5、对粒子位置进行扰动；步骤3.2.6、更新各个粒子的速度和位置，得到新种群；步骤3.2.7、计算新种群各粒子适应度值，并与其历史最优位置和种群的历史最优位置作比较，若更优，则替换，否则，保持不变；步骤3.2.8、检查是否满足寻优结束条件，即是否达到Tmax，是，则输出最优解；否，则转步骤3.2.3；步骤3.3、对优化后的模型，以训练数据均方差为标准检验模型学习效果；步骤3.4、判断是否结束，即是否达到最大迭代次数，是，比较并输出最佳学习效果情况下的维数及LSSVM超参数；否，维数加1并转到步骤3.2；步骤3.5、以学习效果最佳情况下的输入维数和LSSVM超参数建模进行风速预测。