[发明专利]一种基于风速波动特征提取的风电功率组合预测方法

摘要

本发明公开了一种基于风速波动特征提取的风电功率组合预测方法，包括以下步骤：对训练样本采集的风速数据进行归一化；对归一化之后的风速建立时间窗口，并在该时间窗口内进行多重分形谱分析；分析比较每一时间窗口的奇异指数α取值区间的宽度ω，奇异谱函数f(α)的峰值差Δf(α)，f(α)的对称性参数S。根据参数[ω,Δf(α),S]对风速进行分类，并进一步调整时间窗口的大小。采用极端学习机、支持向量机和优化回归功率曲线方法对划分的类别依次进行训练，并对所产生的预测结果进行月均精度对比，选择其中一种方法作为该类别的最优单体算法，得到训练好的模型。对测试样本进行相同的分类及建模，并对不同模型选择对应的最优单体算法分别进行预测，最后组合得到最终的预测结果。

主权项

1.一种基于风速波动特征提取的风电功率组合预测方法，其特征在于，包括以下步骤：A.对训练样本采集的风速进行归一化，以消除噪声干扰带来的幅度的差异；B.对归一化之后的风速建立时间窗口，并在该时间窗口内进行多重分形谱分析，多重分形谱分析的主要参数包括奇异指数α、多重分形谱的奇异谱函数f(α)和奇异谱函数的对称性参数S；C.分析比较每一时间窗口的奇异指数α取值区间的宽度ω，多重分形谱的奇异谱函数f(α)的峰值差△f(α)和奇异谱函数的对称性参数S；D.根据步骤C所提到的参数[ω,△f(α),S]对风速进行分类，并根据每一时间窗口所对应的参数[ω,△f(α),S]来进一步调整时间窗口的大小，使得每一时间窗口能够完整并精确的包含特定的风速类型；E.采用极端学习机、支持向量机和优化回归功率曲线方法对步骤D所划分的风速类型依次进行训练，并对所产生的预测结果进行月均精度对比，选择其中一种方法作为该风速类型的最优单体算法，进行训练建模，得到训练好的模型；F.依照上述训练样本分类建模的标准对测试样本进行相同的分类及建模，并对不同模型选择步骤E中所对应的最优单体算法分别进行预测，最后进行组合得到最终的预测结果；步骤B中所述多重分形谱分析的步骤包括：B1、计算奇异指数α：奇异指数α代表了风速的局部奇异性，定义D(i)为iⅹi方形区域，其中心点为I(x，y)，则其中，μ是定义在[0，1]ⅹ[0，1]上的概率测度，i＝2n+1，n＝0，1，…；B2、计算多重分形谱的奇异谱函数f(α)：f(α)代表了风速的全局奇异性，计算方法为：对于每一个点(x，y)的奇异指数，计算得α_max＝max(α(i，j))，α_min＝min(α(i，j))，将[α_min，α_max]划分为N个区间，相应得到每个区间的中心点奇异值，用该值代替区间中其他点的值，然后根据公式(5)求出f(α)；设μ是定义在[0，1]ⅹ[0，1]上的概率测度，Dn是一个正整数组成的递增序列，则定义其中是μ(I_i，j，n)≠0的点的总和；当极限存在时，设定义f₁(α)为τ(q)的Legendre变换