一种短期风速数据的处理方法技术

本发明专利技术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；基于混沌理论对步骤(1)中的时间序列进行相空间重构：运用虚假邻点法和自相关法分别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；相空间重构生成新的样本空间用BP神经网络建立模型，BP神经网络建立模型包括运用BP神经网络预测和BP神经网络隐层神经元的确定；仿真验证，对比预测结果得出结论。本发明专利技术的目的在于提供一种风速预测精度高的短期风速数据的处理方法。

【技术实现步骤摘要】

本专利技术涉及风力发电

技术介绍
在可再生能源中风力发电的增长速度最快，装机容量每年增长超过30%。根据欧 洲风能协会和绿色和平组织签署的《关于2020年风电达到世界电力总量的12%的蓝图》的 报告期望并预测2020年全球的风力发电装机将达到12. 31亿kW(是2002年世界风电装机 容量的38.4倍），年安装量达到1.5亿kW，风力发电量将占全球发电量的12%。我国的风 电行业也进入快速增长时期，为了使风电在快速增长的电力工业占有较多的份额，我国政 府计划在2020年风电的装机容量达到3000万kW。 如果对风电场风速预测比较准确，将有利于调整调度计划，从而有效减轻风电对 整个电网的不利影响，减少电力系统运行成本和旋转备用，提高风电穿透功率极限，并且有 利于在开放的电力市场环境下正确制定电能交换计划等。风电穿透功率是指风电功率占系 统总发电功率的比例。中国电力科学研宄院在这方面进行了大量的研宄工作。一般情况下， 在风电穿透功率不超过8%时，我国电网不会出现较大的技术问题。但是，当风电穿透功率 超过一定值之后，有可能对电能质量和电力系统的运行产生影响，并且会危及常规发电方 式。对风电场做短期风速预测，再由风功曲线得到风力发电功率的预测值，这是进行风力发 电功率预测的有效途径之一。 根据研宄期长短及用途的不同，可将风特征分为长期、中期和短期特征。目前，国 内外用于风速预测的方法主要有持续预测法、卡尔曼滤波法、时间序列分析法、神经网络方 法和模糊逻辑法等，而对于短期风速的预测常采用神经网络方法中的BP神经网络建模预 测风速。这些风速预测的方法只需对风电场的原始风速时间序列建立模型，就可以进行预 测，或者通过差分等手段，把非平稳的风速序列先转换为平稳序列，再对平稳序列进行建模 和预测，存在着平均相对预测误差大，通常预测误差可达到20%。由于风速受温度、气压、地 形等多种因素的影响，具有很强的随机性。对于短期风速的预测，按照现有风速预测方法预 测的风速误差大，增大了风电的运行成本。此外，BP神经网络建模预测风速，需要确定神经 网络的结构参数即需要确定神经网络的输入神经元，隐层神经元，和输出神经元。其中神经 网络的隐层神经元节点数的多少，对预测效果也有很大的影响。 为降低风电的运行成本，必须提高风速预测精度，本领域技术人员一直在努力研 宄具有高精度的风速预测的数据处理方法，解决预测风速误差大的难题，但迄今尚未获得 成功。
技术实现思路
本专利技术的目的在于提供一种风速预测精度高的短期风速数据的处理方法。 为了实现上述目的，本专利技术提供如下技术方案：， 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：运用虚假邻点法和 自相关法分别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：m维相空间中，每个相点为X(t) ={x(t)，x(t+ T )，…，X(t+ (m-1) T )}t= 1，2，...!11，都存在某个距离内最近邻点\，其距离为1^(〇 = |4(〇-\(〇||，当相空间的 维数从m增加到m+1维时，这两个相点的距离发生变化，而成为【主权项】1. ，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：运用虚假邻点法和自相 关法分别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： m维相空间中，每个相点为X(t) = {x(t), x(t+ T )，…，x(t+(m-l) T )}t = 1，2,…m，都 存在某个距离内最近邻点Xf，其距离为Rm(t) = I |X(t)-Xf(t) I |，当相空间的维数从m增加 到m+1维时，这两个相点的距离发生变化，而成为gRm+1(t)比Rm(t)有变化，贝IJ两个相邻的点在投影到低维相空间时变成伪最近邻点，令若Sm>St，则Xf (t)是X(t)的虚假最近邻点，阈值St可在之间选择， 对实测时间序列，从嵌入维数的最小值开始计算伪最近邻点的比值，当增加嵌入维m到伪最近邻点的比值小于5%或者伪最近邻点不再随着嵌入维数m的增加而减少时，可以 认为奇异吸引子完全展开，此时的m即为嵌入维数； 对于连续变量X(t)，其自相关函数C(T)定义为式中：T为时间的移动值，表示两时刻t和t+T运动过程的相互关联或相近似的程 度。 当x(t)的幅值一定时，C( T )越大，贝Ij意味着x(t)与X(t+ T )关联越大。当T变小 时，两个时刻的间隔也变小，两个运动过程的关联程度变大；反之，当T变大时，两个运动 过程的关联程度变小，最后趋近于〇， 对于离散混沌时间序列X(I)，x(2)，一xa)，…序列的时间跨度为j T的自相关函数 为：由此可固定j，做出自相关函数关于时间T (即使T = 1，2,…d)的函数图像，则自相 关函数下降到初始值的（l-1/e)倍时，所得的时间T即是重构相空间的延迟时间T ; (3)由步骤⑵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。2.如权利要求1所述的短期风速数据的处理方法，其特征在于，在步骤（3)中，所述BP 神经网络建立模型包括运用BP神经网络预测和BP神经网络隐层神经元的确定。3.如权利要求2所述的短期风速数据的处理方法，其特征在于，运用BP神经网络预测 是通过BP神经网络将步骤（2)中的m和T进行组合，组合成多组嵌入维数和延迟时间进 行预测，并通过性能指标来预测最佳的嵌入维数和延迟时间，根据混沌时间序列的嵌入维 数m，用m-1作为网络的输入层节点数，输出层位1，网络的输入、输出为：4.如权利要求2所述的短期风速数据的处理方法，其特征在于，BP神经网络隐层神经间组合相空间重构后BP神经网络的最佳隐层节点数，式中：k为输入节点个数，b为输出节 点个数，a为1到10之间的常数。5.如权利要求1或2所述的短期风速数据的处理方法，其特征在于，在步骤（4)中的仿 真验证中，预测的相对误差为19. 509%，然后用武隆风电场提供的短期风速数据进行相空 间重构和BP神经网络建模，并对武隆风电场所预测的风速数据的相对误差进行对比。【专利摘要】本专利技术涉及风力发电
，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；基于混沌理论对步骤(1)中的时间序列进行相空间重构：运用虚假邻点法和自相关法分别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；相空间重构生成新的样本空间用BP神经网络建立模型，BP神经网络建立模型包括运用BP神经网络预测和BP神经网络隐层神经元的确定；仿真验证，对比预测结果得出结论。本专利技术的目的在于提供一种风速预测精度高的短期风速数据的处理方法。【IPC分类】G06N3-02, G06F19-0本文档来自技高网...

【技术保护点】
一种短期风速数据的处理方法，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：运用虚假邻点法和自相关法分别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：m维相空间中，每个相点为X(t)＝{x(t),x(t+τ),…,x(t+(m‑1)τ)}t＝1,2,…m，都存在某个距离内最近邻点Xf，其距离为Rm(t)＝||X(t)‑Xf(t)||，当相空间的维数从m增加到m+1维时，这两个相点的距离发生变化，而成为Rm+12(t)=Rm2(t)+||x(t+mτ)-xf(t+mτ)||2]]>若Rm+1(t)比Rm(t)有变化，则两个相邻的点在投影到低维相空间时变成伪最近邻点，令Sm=||X(t+mτ)-Xf(t+mτ)||Rm(t)]]>若Sm>St，则Xf(t)是X(t)的虚假最近邻点，阈值St可在[10,50]之间选择，对实测时间序列，从嵌入维数的最小值开始计算伪最近邻点的比值，当增加嵌入维m到伪最近邻点的比值小于5％或者伪最近邻点不再随着嵌入维数m的增加而减少时，可以认为奇异吸引子完全展开，此时的m即为嵌入维数；对于连续变量x(t),其自相关函数C(τ)定义为C(τ)=limT→∞1T∫-T2T2x(t)x(t+τ)dt]]>式中：τ为时间的移动值，表示两时刻t和t+τ运动过程的相互关联或相近似的程度。当x(t)的幅值一定时，C(τ)越大，则意味着x(t)与x(t+τ)关联越大。当τ变小时，两个时刻的间隔也变小，两个运动过程的关联程度变大；反之，当τ变大时，两个运动过程的关联程度变小，最后趋近于0，对于离散混沌时间序列x(1),x(2),…x(t),…序列的时间跨度为jτ的自相关函数为：Rxx(jτ)=1NΣt=0N-1x(t)x(t+jτ)]]>由此可固定j，做出自相关函数关于时间τ(即使τ＝1,2,…d)的函数图像，则自相关函数下降到初始值的(1‑1/e)倍时，所得的时间τ即是重构相空间的延迟时间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。...

【技术特征摘要】

【专利技术属性】
技术研发人员：韩亚军，刘静，陈保帆，
申请(专利权)人：重庆科创职业学院，
类型：发明
国别省市：重庆;85