【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 ...
【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 ...
【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
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。