基于C‑C与ELM的短期风速预测方法技术

本发明专利技术提供了一种基于C‑C与ELM的短期风速预测方法，该方法考虑到原始的单变量时间序列风速数据间的最大动态演化信息，利用C‑C法进行相空间重构以确定风速时间序列间的相关关系，得到风速变化特征的最佳嵌入维数和延迟时间，接着采用学习速度快、收敛精度高的极限学习机方法进行风速的快速预测，通过与神经网络和支持向量机方法预测结果的对比可知，本发明专利技术提出的预测方法不仅提高了2小时的短期风速预测精度，且所用方法的学习及预测时间短，适用于风电场短期风速的现场快速预测。

【技术实现步骤摘要】

本专利技术涉及风力发电
，具体涉及一种基于C-C与ELM的短期风速预测方法。
技术介绍
风电场短期风速的实时预测，将有利于电网制定调度计划，提高穿透功率极限，还可以有效的减轻或是避免引起电压偏差、波动、闪变、谐波等。对风电及整个电力系统的稳定运行都具有重要意义。目前，很多国家已经对风电预测提出了要求。短期预测可分为两类：一类是使用数值气象的预报方法，有物理模型和统计模型；另一类是基于历史数据的预测方法。而大多数情况下物理气象模型无法获得或者缺失，国内也没有专门的风电场数值气象模型可以利用。因此，基于历史数据的风电场风速预测研究很有必要。基于历史数据的预测方法有：时间序列分析方法、最小二乘系列方法、灰色预测方法、混沌预测方法、人工神经网络等。但目前国内外关于风电场风速预测的绝对平均误差为25％～40％，还没取得令人满意的结果。同时，风电场风速的预测与一般的回归分析问题不同之处在于，基于历史数据对风速进行预测必须在短时间内进行快速预测，以保证预测结果在短时间内有效和稳定。混沌理论最早是Lorenz在气象学中的大气对流模型中提出的，通过对风速时间序列的lyapunov指数和分数维的计算，可以证明其具有混沌特性，且混沌时间序列在短期内是可以预测的。因此，利用混沌相空间重构理论可以还原风速的非线性动力学特征。极限学习机(Extreme Learning Machine，简写ELM)是2006年由新加坡南洋理工大学黄广斌教授提出的一种简单、易用的单隐层前馈神经网络(Single-hidden Layer Feedforward Networks，简写SLFNs)学习方法。ELM是“广义的”单隐层前馈网络(SLFNs)，不需要对ELM隐藏层进行调整。传统的神经网络学习算法需要人为设置大量的网络训练参数，学习速度慢，且很容易产生局部最优解。然而ELM只需设置网络的隐层节点数，在算法执行过程中不需要调整网络的权值，且只产生唯一的最优解，因此ELM具有学习速度快、泛化能力强、预测精度高的优点。
技术实现思路
本申请通过提供一种基于C-C与ELM的短期风速预测方法,以解决现有技术中风速预测精度不高的技术问题，不仅提高了2小时的短期风速预测精度，且所用方法的学习及预测时间短，适用于风电场短期风速的现场快速预测。本申请采用以下技术方案予以实现：一种基于C-C与ELM的短期风速预测方法，包括如下步骤：S1：采集同一地区的风速数据，形成风速时间序列；S2：利用小波降噪方法对采集到的风速数据进行滤波降噪；S3：利用C-C法对滤波降噪后的风速数据进行相空间重构：即采用C-C法确定风速时间序列间的相关关系，得到风速变化特征的最佳嵌入维数m和延迟时间τ：设x＝{xi|i＝1,2,…,N本文档来自技高网...

【技术保护点】
一种基于C‑C与ELM的短期风速预测方法，其特征在于，包括如下步骤：S1：采集同一地区的风速数据，形成风速时间序列；S2：利用小波降噪方法对采集到的风速数据进行滤波降噪；S3：利用C‑C法对滤波降噪后的风速数据进行相空间重构：即采用C‑C法确定风速时间序列间的相关关系，得到风速变化特征的最佳嵌入维数m和延迟时间τ：设x＝{xi|i＝1,2,…,N}为风速时间序列，以延迟时间τ，嵌入维数m重构相空间X＝{Xj}，其中Xj＝{xj,xj+τ,…,xj+(m‑1)τ}(j＝1,2,…,M)为重构后相空间中的第j个点，M为相空间重构后总的点数；S4：运用极限学习机、BP神经网络及支持向量机对重构后的风速数据建模，并进行短期风速预测：其中，运用极限学习机对重构后的风速数据建模的具体方法为：设C‑C法得到的M个新样本为(Xj,Tj)，其中，Xj＝[xj1,xj2,...,xjn]T∈Rn为输入变量，Tj＝[tj1,tj2,...,tjm]T∈Rm为输出变量，j＝1,2,…,M，对于一个带有L个隐层节点的标准前馈神经网,极限学习机的数学模型为：式中：wi＝[wi1,wi2,…,win]T为第i个输入节点和隐层节点的连接权重，βi＝[βi1,βi2,…,βim]T为第i个隐层节点和输出节点的连接权重，bi为第i隐层节点的阈值，wi·Xj为wi与Xj的内积，g(Xj)为激活函数，yj为第j个输入样本的输出值，对于一个给定的训练集{(Xj,Tj)|Xj∈Rn,Tj∈Rm,j＝1,…,M}：S41：随机生成输入权重wi和阈值bi,i＝1,…,L；S42：计算隐层输出矩阵H，其中H＝g(wi·Xj+bi)，g(Xj)为激活函数；S43：计算输出权重式中，T为实际的风速历史数据，HT为输出矩阵H的转置，为输出矩阵H的广义逆矩阵，为小正数；S44：判断残差||E||是否大于等于预设精度ε，且隐层节点个数L小于隐层节点个数的最大值Lmax，如果是，则进入步骤S45，否则，进入步骤S5：S45：隐层节点个数L＝L+1；S46：对于新隐层节点个数L，随机生成输入权重阈值bL；S47：计算新隐层节点的输出权重：S48：计算新隐层节点L的残差：E＝E‑βL·HL，并进入步骤S44；S5：对比步骤S4中三种预测模型的性能指标，找到最佳短期风速预测模型。...

【技术特征摘要】
1.一种基于C-C与ELM的短期风速预测方法，其特征在于，包括如下步骤：S1：采集同一地区的风速数据，形成风速时间序列；S2：利用小波降噪方法对采集到的风速数据进行滤波降噪；S...

【专利技术属性】
技术研发人员：苏盈盈，刘兴华，刘君，李太福，黄利军，
申请(专利权)人：重庆科技学院，
类型：发明
国别省市：重庆;50