[发明专利]一种针对风电场空间相关性的风速预测方法

摘要

本发明公开了一种针对风电场风速的预测方法。主要考虑现有方法中没有很好地考虑各风电场之间的空间相关性以及无迹卡尔曼滤波的优化等问题。主要方法是对于给定22个风电场，计算其余21个风电场与目标风电场的秩相关系数，依据相关系数的大小去判断用于预测的风电场，选择Kendall秩相关系数大于0.55且Spearman秩相关系数大于0.75的风电场。之后利用支持向量机回归去建立非线性状态空间模型，利用建立好的非线性状态空间模型进行无迹卡尔曼滤波预测。针对无迹卡尔曼滤波的尺度参数依据预测误差最小原则去优化。最后选择4年中同一时刻的风电场风速数据，用其和目标风机9号机的第一年同一时刻的风速数据进行灰色关联度分析。

主权项

1.一种针对风电场空间相关性的风速预测方法，其特征在于：其包括以下步骤：S1：选择原始数据，在公开的风电场数据集采集数据，对收集到的数据进行数据缺失检验并补充完整；S2：对补充完整的数据依照copula函数计算其秩相关系数，根据秩相关系数的大小选择合适的输入数据的风场；S3：对选定风场的四年风速数据和目标风场风速数据进行灰色绝对值关联度计算，依据灰色绝对值关联度的大小关系确定模型的最终输入数据；S4：对选取的最终输入数据进行建模分析，依据支持向量回归机建立非线性状态空间模型的状态方程和量测方程，并通过无迹卡尔曼滤波对模型的状态进行估计预测；S5：依据设定的选择标准，对无迹卡尔曼滤波中的尺度参数进行优化和更新，得到预测结果；所述步骤S1的具体过程为：选择每个风电场每年的同一时间段的数据；共选择的22组，每组192个数据，然后对所有采集到的数据进行缺失检查对于缺失数据多于30个的风场直接删除，剩下的利用均值法进行填充，即，假设a_i为缺失数据，则填充到该位置的数据若ai前后12个数据也有缺失时，向前向后退递推，直至得到前后12个数据；若a_i为第一个数据，则此时同理，a_i为最后一个数据时，若a_i为数据集中前12和后12的数据时，依然选择和首尾相同的填充方法；进而得到除1号，8号，12号，13号，15号风场外其他风场的完整数据集；所述步骤S5为根据误差最小原则对无迹卡尔曼滤波中的尺度参数进行优化得到预测结果；所述步骤S5的详细过程如下：指定一个尺度参数λ的可行集λ∈[0,12]，更新方法如下：(1)选择初始的λ；取其为其中λ_max＝12,λ_min＝0(2)在更新时，每次在原始的λj的基础上加入一个随机值ej，该值符合正态变化，期望为0，方差很小；κj+＝κj+ej ej～N(0,Pej)，令j＝0,1,···(3)将上述的λj+和λj分别代入无迹卡尔曼滤波中进行预测计算；(4)计算两者的预测误差，取误差小者进入下一步更新；若则取λj+1＝λj+否则λj+1＝λj(5)循环2‑4步，直到预测误差达到设定的阈值或者更新次数达到设定标准时，更新停止，得到最优的尺度参数λ。