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。本发明专利技术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。
【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，按照现有神经网络方法中 的BP神经网络建模预测风速，最终预测的风速误差大，增大了风电的运行成本。宄其原因 在于：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。 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，形成风速时间序列用于分析预测； (2)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； 设X(η), η = 1，2...，N为时间序列 Xi (n) = (Xi (n), XiOi+ τ )，…XiOrKm-I) τ )} Q =1，2,…，Μ)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【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 Χ(η)，η = 1，2···，N 为时间序列 Xi (n) = {X?，Xi (η+ τ )，…Xi (n+(m-l) τ )} (i = 1，2, -·，Μ)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，关联维数为其中，logC("W) = ，将时间序列 χ(η)，J1 = 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(l), x(t+l), x(2t+l), ···} {x(2),x(t+2),x(2t+2), ···} 參 參 參 {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 ^ (/?, Nj\τ) ^Ντ-r-τ)_ lie/!Τ-Γ'^)}1' I ^ ι=ι 式中=C1是第1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： Δ S (m，t) = max -min , 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2 σ之间，σ是时间序列的 均方差，得到方程如下：其中，S(t)为所有子序列的统计量S (m, N, rj，t)的均值，的第一个极小值对应第 一个局部最大时间τ，Scot(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Tw= (m-l) τ可以求出嵌入维数m，τ w即为延迟时间τ ; ⑶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所述的短期风速预测方法，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所述的短期风速预测方法，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τ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-Ι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所述的短期风速预测方法，其特征在于，BP神经网络隐层神经元的确 定是根据公式A= 4k + a来选择隐层节点数，确定了不同嵌入维数和延迟时间组合 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所述的短期风速预测方法，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；相空间本文档来自技高网...
【技术保护点】
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Xi(n)＝{Xi(n),Xi(n+τ),…Xi(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>0C(m,N,r,τ)=1M2Σ1≤i≤j≤Mθ(r-||xi-xj||)]]>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，θ(x)=0,x<01,x≥0]]>关联维数为D(m,τ)=limr→0logC(m,r,τ)logr]]>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,τ)=1tΣl=1t{cl(m,N/τ,r,τ)-[cl(1,N/τ,r,τ)]m}]]>式中：Cl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,ri,t)]‑min[S(m,N,rj,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：Scor(ti)=ΔS‾(t)+|S‾(t)|ΔS‾(t)=14Σm=25ΔS(m,N,t)S‾(t)=116Σm-25Σj=24S(m,N,rj,t)]]>其中，为所有子序列的统计量S(m,N,rj,t)的均值，的第一个极小值对应第一个局部最大时间τ，Scor(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τw＝(m‑1)τ可以求出嵌入维数m，τw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。...
【技术特征摘要】
【专利技术属性】
技术研发人员：韩亚军，杨小强，杜德银，
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
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。