[发明专利]一种短期风速预测方法

摘要

本发明涉及风力发电技术领域，包括以下步骤：利用风速采集仪器每隔10-20分钟记录一次同一地区的风速数据，整理采集的原始风速数据，形成风速时间序列用于分析预测；基于混沌理论对时间序列进行相空间重构：运用C-C法确定混沌理论中最佳的嵌入维数和延迟时间，并进行多尺度分解和相空间重构；相空间重构生成新的样本空间用BP神经网络建立模型；仿真验证，对比预测结果得出结论。本发明的目的在于克服现有风速预测技术上的缺陷，提出一种风速预测精度高的短期风速预测方法。

主权项

一种短期风速预测方法，其特征在于，包括以下步骤：(1)利用风速采集仪器每隔10‑20分钟记录一次同一地区的风速数据，整理采集的原始风速数据，形成风速的时间序列用于分析预测；(2)基于混沌理论对步骤(1)中的时间序列进行相空间重构：运用C‑C法确定混沌理论中的嵌入维数和延迟时间，并进行多尺度分解和相空间重构：设X(n),n＝1,2…，N为时间序列X_i(n)＝{X_i(n),X_i(n+τ),…X_i(n+(m‑1)τ)}(i＝1,2,…,M)为相空间中的点，C‑C法的具体描述如下：嵌入时间序列的关联积分定义为下式的函数，其中r>0$C(m,N,r,\mathrm{\τ})=\frac{1}{M^2}\underset{1\≤i\≤j\≤M}{\mathrm{\Σ}}\mathrm{\θ}(r-||x_i-x_j|\left|\right)$式中：m为嵌入维数；N为时间序列的长度；r为邻域半径的大小；τ为延迟时间；θ(·)为Heaviside单位函数，$\mathrm{\θ}\left(x\right)=\left\{\begin{array}{c}0,x\<0\\ 1,x\≥0\end{array}\right.$关联维数为$D(m,\mathrm{\τ})=\underset{r\→0}{\lim }\frac{\log C(m,r,\mathrm{\τ})}{\log r}$其中，将时间序列X(n),n＝1,2…,N,分成t个不相交的时间序列，长度为INT(N/t)，INT为取整，对于一般的自然数t，有{x(1),x(t+1),x(2t+1),…}{x(2),x(t+2),x(2t+2),…}               ·               ·               ·{x(3),x(t+3),x(2t+3),…}然后计算每个子序列的统计量S(m,N,r,τ)$S=(m,N,r,\mathrm{\τ})=\frac{1}{t}\underset{l=1}{\overset{t}{\mathrm{\Σ}}}\{c_l(m,N/\mathrm{\τ},r,\mathrm{\τ})-{\left[c_l(1,N/\mathrm{\τ},r,\mathrm{\τ})\right]}^m\}$式中：C_l是第l个子序列的相关积分，局部最大间隔可以取S(·)零点或对所有的半径r相互差别最小的时间点，选择对应值最大和最小两个半径r，定义差量为：ΔS(m，t)＝max[S(m,N,r_i,t)]‑min[S(m,N,r_j,t)],i≠j根据统计学原理，m取值在2到5之间，r的取值在σ/2和2σ之间，σ是时间序列的均方差，得到方程如下：$\left\{\begin{array}{c}{S}_{\mathrm{cor}}\left(t_i\right)=\mathrm{\Δ}\stackrel{\‾}{S}\left(t\right)+\left|\stackrel{\‾}{S}\left(t\right)\right|\\ \mathrm{\Δ}\stackrel{\‾}{S}\left(t\right)=\frac{1}{4}\underset{m=2}{\overset{5}{\mathrm{\Σ}}}\mathrm{\ΔS}(m,N,t)\\ \stackrel{\‾}{S}\left(t\right)=\frac{1}{16}\underset{m-2}{\overset{5}{\mathrm{\Σ}}}\underset{j=2}{\overset{4}{\mathrm{\Σ}}}S(m,N,r_j,t)\end{array}\right.$其中，为所有子序列的统计量S(m,N,r_j,t)的均值，的第一个极小值对应第一个局部最大时间τ，S_cor(t)的最小值对应时间序列独立的第一个整体最大值时间窗口，即延迟时间窗口，用τ_w＝(m‑1)τ可以求出嵌入维数m，τ_w即为延迟时间τ；(3)由步骤(2)中相空间重构生成新的样本空间，并用BP神经网络建立模型；(4)仿真验证，对比预测结果并得出结论。